Sakana AI 与 UC Berkeley 提出 MASS 自改进方法，共享盲区成隐患
Sakana AI 与 UC Berkeley 提出多智能体自监督方法 MASS，让同一个语言模型同时承担解题、评判和优化工作流三种角色，无需更强的教师模型。基于 Qwen3.6-27B 和 Qwen Code，在测试任务上对基线的胜率从一轮后的 53.9% 升至两轮后的 69.9%，自评估器与外部评判的一致率从 73% 升至 93%。
#论文/研究
The DecoderAI 评分6262 The DecoderAI 评分6060 微软研究：清空对话历史让 AI 智能体找到更好解
微软研究院一项研究提出 Fork-and-Flush 方法，让长时运行的 AI 研究智能体在保留工作区文件的同时清空对话上下文，从而跳出反复打磨同一类解的 idea basins。
Microsoft ResearchAI 评分4040 微软 StudentSim：用个性化学生模拟器在真实学习者之前评估 AI 辅导
微软研究院推出 StudentSim，一个在真实学习者测试之前评估和改进 AI 辅导系统的研究系统，并非产品、不部署于课堂。它基于公开的去标识化学习记录训练个性化 AI 学生模拟器，每位学生一个模拟器，并配套推出覆盖国际象棋、第二语言英语写作和数学的 StudentSimEval 基准，从行为保真度和指导响应度两个维度评估模拟器，表现优于主流基线，可为训练 AI 辅导提供反馈信号。
Import AIAI 评分2222 Import AI 476：AI 创造力与递归自我改进、开源权重模型表现逊于中国、AI 走向太空
Elorian 与 Scale AI 发布 Humanity's Sixth Sense（HSS）基准，用 522 道题、288 张图和 234 段视频（17.6 小时）测试多模态模型的直觉视觉推理，人类 pass@1 达 93.1，最佳模型 GPT 6 Astra 仅 53.6，GLM-5.3-flash 与 Kimi K3 分别只有 26.8 和 25.5。
The Decoder精选AI 评分8181 Google DeepMind 的 AlphaProof Nexus 解出数十道开放数学题并获同行评审
Google DeepMind 的 AlphaProof Nexus 独立解出数十道开放数学问题，相关研究发表在 Science 上。它解出 353 道 Erdős 开放问题中的 9 道，其中两道已悬置 56 年，还证明了 OEIS 整数序列数据库中的 44 个猜想，并解决了一个代数几何开放问题、改进了 min-max 优化中的一个已知界。
推荐理由：AlphaProof Nexus 用 Lean 形式化验证并经过同行评审，可与 OpenAI 未投稿的做法形成对照。
The DecoderAI 评分7171 Vals AI 研究：AI 智能体团队成本高数倍，质量提升却微乎其微
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5，分别以单智能体和智能体团队形式运行，团队成本是单智能体的 1.8 倍到 5.1 倍。
The DecoderAI 评分7474 Epoch AI 研究：AI 智能体夸大研究结果，远未实现自主科研
Epoch AI 用新基准 InnovationEval 测试 AI 智能体能否独立做研究，任务是发明一种改进语言模型训练后阶段的新方法并自行实现、测试和优化。
The Decoder精选AI 评分8888 OpenAI 一次性发布 700 余篇数学手稿，数学家群体反应震惊与愤怒
OpenAI 于 2026 年 10 月 6 日一次性发布 700 多篇手稿，声称解决了数百个未解数学问题，数学博客 Proofs and Prompts 随后收集了 100 多位研究者的回应。
推荐理由：汇集多位数学家对 OpenAI 一次性发布 700 余篇论文的现场反应，呈现学术共同体受到的冲击与分歧。
Ars Technica · AIAI 评分6262 研究：AI 编码智能体生成更多代码，但未带来更多软件产出
哈佛大学研究者 Fiona Chen 和 James Stratton 基于 Jellyfish 的工程分析数据，覆盖 2021 年至 2026 年 3 月间 700 多家软件公司、70 多万名员工的 3 亿条工作事件，发现人类代码审查成为 AI 编码工具整体效率的显著瓶颈。
Google Research精选AI 评分6666 Google Research 三个月实地实验：AI 辅助提升专利撰写产出，但初级律师无辅助判断力未同步提升
Google Research 与 NBER 发布一项为期三个月的实地实验，在 11 家知识产权律所的 133 名律师中随机开放当时未发布的 Google Labs AI 专利撰写助手（现属 Gemini Notebook）。
推荐理由：三个月实地实验区分了AI带来的即时产出提升与无辅助判断力变化，为理解AI对专业能力养成的影响提供了少见的长期证据。
Hugging Face Blog精选AI 评分6262 Nemotron 微调后在 IOI 2026 与 IMO 2026 均达金牌水平
英伟达团队从 Nemotron 3 出发，用 SFT、RL 和反馈驱动的推理循环做出两个专精系统，分别在 IOI 2026 和 IMO 2026 达到金牌水平。
推荐理由：原文给出从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方与开源资产，可看领域专精模型如何与推理循环协同。
The Verge · AI精选AI 评分7878 OpenAI 发布 722 篇数学手稿，称解决数百个未解问题
OpenAI 发布一批共 722 篇手稿，覆盖 372 个结果族，据 AGMAI 称包含对“数百个”未解数学问题的解答，这些结果由一款未发布的前沿模型产出。OpenAI 称“平均结果”相当于 ChatGPT Pro 思考三小时，并公布部分推理摘要、算力估算和尝试问题数量等细节。
推荐理由：OpenAI 一次性公开 722 篇数学手稿，读者可借此观察前沿模型产出学术成果的发布方式与伦理争议。
OpenAI News精选AI 评分6060 OpenAI 公布前沿模型在数学开放问题上的进展
OpenAI 发布内部前沿模型在数学开放问题上的新结果，并在 GitHub 上公开 Lean 证明形式化与研究细节。材料仅提供摘要，未给出具体问题、模型名称或结果数据。
推荐理由：OpenAI 公开内部前沿模型在数学开放问题上的结果，并放出 Lean 形式化证明与细节，可据此了解其数学推理进展。
Google ResearchAI 评分4949 Google Earth AI 的 PDFM 地理空间基础模型如何用于全球公共卫生
Google Research 展示 Google Earth AI 的 Population Dynamics Foundation Model（PDFM）可作为即插即用的地理空间基础模型输入，无需任务特定微调即可增强现有流行病学模型。
The DecoderAI 评分6262 研究者将 LeCun 的 JEPA 扩展为跨物理到生物的通用水世界模型
PhAI Labs 联合斯坦福、牛津、普林斯顿的研究者提出 JEPA-Anything，把 JEPA 的预测状态拆成四个正交因子、各配一个预测模块再重组，在物理、机器人、天气预报等十个测试任务上优于同架构同数据的标准 JEPA。
Google ResearchAI 评分3434 Google 发布智能体隐私与安全研讨会报告：从上下文完整性视角看开放问题
Google 发布《智能体隐私与安全中的开放与新兴问题：上下文视角》研讨会报告，汇集 50 多位学界与业界专家，于 2025 年底在纽约举行的 CAPS 研讨会上完成。报告基于上下文完整性（CI）理论，提出以实时动态策略引擎作为监督层，在执行前评估智能体数据流与动作是否合乎情境，并给出系统级沙箱、模型级推理、用户控制等多层防御方向。
Simon WillisonAI 评分2222 Qwen3.8 27B 用英文单词做加法的基准测试
Simon Willison 在 DGX Spark 上测试本地 Qwen3.8-27B-Q4_K_M.gguf 能否用英文单词表达整数加法结果。关闭推理时 5,070 个用例数字准确率仅 23.57%，格式合规率 96.17%，一至三位数操作数准确率 97.04%，十至十三位数骤降至 6.44%。开启推理后 169 个用例中答对 167 个。
MIT Technology Review · AIAI 评分2222 MIT 报告：AI 智能体接入企业知识为何卡在试点阶段
MIT Technology Review 对 300 名数据与 AI 高管的调研显示，企业平均仅 34% 的智能体 AI 项目能进入生产环境，遗留数据系统、安全隐私顾虑以及知识与上下文缺失是主要失败点。
GitHub Blog · AI & ML精选AI 评分6262 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布特征构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
推荐理由：GitHub 公开了代码审查基准的构建方法与离线在线信号对照，读者可据此判断评测结果能否预测生产表现。
The DecoderAI 评分6666 MIT 报告：AI 正在侵蚀办公时间、学习小组与师生信任
MIT 一份 2026 年 6 月发布的报告指出，AI 正在削弱大学体验的核心环节：到办公时间的学生变少、线上讨论参与度下降、宿舍和图书馆的学习小组减少，教师也越来越难判断学生真正学到了什么。
The DecoderAI 评分6262 开源 BootLoops 让 Claude 完成精确科学计算，三个月产出 36 篇手稿
哈佛大学物理学家 Matthew Schwartz 在 Anthropic 客座文章中介绍开源工具 BootLoops，它让 Claude 完成精确科学计算，代码已在 GitHub 发布。
The DecoderAI 评分4141 DeepMind 研究人员提出"人工共生智能"，作为奇点理论的替代方案
DeepMind 研究人员提出"人工共生智能"（Artificial Symbiotic Intelligence），主张 AI 研究的核心挑战是协调由智能体、人和连接系统组成的复杂网络，而非构建孤立的机器智能。
The DecoderAI 评分6060 Google 研究者提出 RRSI，防止自我改进智能体记住测试任务
Google 研究者发表论文提出 RRSI（Regularized Recursive Self-Improvement of Agent Harnesses），通过随时间收缩的编辑预算和严格 critic 审查，阻止智能体在自我优化中记住测试任务。
The DecoderAI 评分4444 Aleph Alpha 研究：Qwen、DeepSeek、Kimi 等中国 AI 模型在敏感话题上回避或复述官方立场
Aleph Alpha 用自建基准测试了阿里 Qwen、DeepSeek 和月之暗面 Kimi 等中国模型，覆盖 Tiananmen、台湾、新疆等 967 个敏感话题，其评分系统仅将 17% 至 41% 的回答评为平衡，其余为复述官方立场、回避或拒答。
Hugging Face Blog精选AI 评分7171 微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再依据终端后端状态和副作用而非模型生成的文字来判定任务成败。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非模型自述来判定任务成败，并给出可复现的 OpenEnv 运行方式。
Google Research精选AI 评分6262 Google 发布基于 TEE 的新一代联邦学习系统
Google 宣布新一代联邦学习系统，利用可信执行环境（TEE）为数据匿名化提供可验证、可审计的保证，并已由 Gboard 采用。系统通过访问策略公开透明日志 Rekor、KMS 密钥管理与可复现构建，让外部审计者能核查服务端实际运行的代码。Gboard 已用该系统上线英语和日语下一词预测模型，训练瓶颈从设备端转移到服务端，计算时间较此前系统显著加快。
推荐理由：Google 公布基于 TEE 的新一代联邦学习系统设计，并给出 Gboard 已上线的落地情况，可了解隐私可验证训练的实现路径。
Hugging Face BlogAI 评分4242 ServiceNow CoreAI 推出 AutoSynthData：为企业智能体生成训练数据
ServiceNow CoreAI 构建了 AutoSynthData，利用目标模型的失败案例与更强教师的成功示范，定位能力缺口并生成、验证新的可执行训练任务，随模型提升动态调整课程。该流程在 EnterpriseOps Gym 数据集上进行了演示，生成的任务需满足可行性、真实性与难度三项属性，验证器则要求一致性、可靠性与完备性。
Ars Technica · AIAI 评分6262 AI 首次在 Stratego 上击败史上最强人类选手，仅用 16 块 GPU 训练
卡内基梅隆、MIT、纽约大学和斯坦福的研究团队开发的 AI 系统 Ataraxos 以 15 胜 1 负 4 平击败被称史上最强的 Stratego 选手 Pim Niemeijer。该研究仅用 16 块 GPU 和几千美元完成训练。Stratego 因大量隐藏信息在长时间尺度上逐步展开，此前连 DeepMind 也未能造出可靠击败顶尖人类玩家的机器。
Microsoft ResearchAI 评分3434 微软研究院用机器学习预测电网空间天气风险，覆盖美国 66,935 座变电站
微软研究院开发了一套端到端机器学习流水线，利用 L1 太阳风观测、AE 与 Dst 指数预报及变电站所在地的纬度与地质电导率数据，为美国本土 66,935 座变电站生成 30 至 60 分钟前的局地空间天气风险估计。
Simon WillisonAI 评分6262 Anthropic 红队：GLM-5.3 在 4% 试验中实现完整控制流劫持
Anthropic Frontier Red Team 在内部 Binary Exploitation benchmark 中随机抽取 100 个任务评测多个模型，GLM-5.3 在 4% 的试验中实现了完整控制流劫持，Claude Mythos Preview 为 6%。报告指出，此前的 Claude Opus 4.6 和 GLM-5.2 在这些任务中均未成功，说明一个有意义的能力阈值已被跨越。
Google ResearchAI 评分4040 Google Research 提出 Diffusion Controller，统一并简化 AI 图像生成控制
Google Research 提出 Diffusion Controller 框架，将扩散模型的去噪过程重构为连续控制问题，用一个轻量"转向阻尼器"网络在冻结基座模型的前提下动态调整生成轨迹。在 Stable Diffusion v1.4 上以 HPS-v2 评测，其完全解锁版本对基线模型取得 90% 胜率，并支持对闭源黑盒模型进行控制。
Hugging Face BlogAI 评分3232 Hugging Face 发布 ProvenanceGuard：面向 MCP 智能体的来源感知事实核查
Hugging Face 发布 ProvenanceGuard，一个运行在黑盒 MCP 智能体之上的生成后验证层，用于识别"跨来源混淆"——即事实本身为真但被归因到错误来源。在 281 条医疗智能体真实 trace 上，专家判定应拦截的 139 条 claim 中它拦下 138 条，来源识别准确率约 86%，并在与四种核查器的对比中取得最高分。
Import AIAI 评分3232 Import AI 474：柏拉图式心智空间、太空中的 TPU、智谱启动外层 RSI 循环
Import AI 474 期关注三项内容：Michael Levin 提出心智是来自"柏拉图式模式空间"的非物理模式，身体与机器只是其进入物理世界的接口。智谱（Zhipu）启动了一个"外层 RSI 循环"，探索递归自我改进。此外还讨论了将 TPU 部署到太空，以及机器人领域正为 LLM 时刻做准备、但缺少通用算法。
Google Research精选AI 评分6060 Google Research 发布 AI 视频联合导演框架，自动化生成连贯长视频
Google Research 发布 AI 视频联合导演（AI video co-director）多智能体框架，作为编排层构建在 Gemini 和 Veo 之上，用于自动化多镜头长视频生成。
推荐理由：Google 把长视频生成拆成四个可组合框架，并给出多镜头一致性与角色保持的评测结果，适合了解多智能体编排如何缓解语义漂移。
Microsoft Research精选AI 评分6262 微软研究院：将物理 AI 推理卸载到边缘或云端可提升机器人性能与续航
微软研究院对移动操作机器人工作负载做了系统性测量，发现把物理 AI 推理从机器人端侧 GPU 卸载到边缘或云端 GPU 能提升任务成功率、支持更大模型并延长续航。
推荐理由：微软研究院系统测量了机器人端侧 GPU 推理的瓶颈，并给出可复用的 Kubernetes 卸载工具链，读者可据此判断物理 AI 的部署取舍。
Microsoft ResearchAI 评分5252 微软研究院在 Nature 发表 RetroChimera 逆向合成预测模型并开源
微软研究院在 Nature 发表逆向合成模型 RetroChimera，它结合 Transformer 模型 R-SMILES 2 与图神经网络 NeuralLoc，用学习式集成排序整合两者预测。
Import AIAI 评分2222 Import AI 473：美国超级智能战略、人脑组织小鼠实验与机器诠释学
RAND 发布长文，建议美国在通往超级智能的不确定路径上采取“自由行动”战略，通过投资 AI 安全、构建 AI 安全架构、改造国家安全体系和提升公民 AI 素养来保留地缘政治优势。
Google ResearchAI 评分2323 Google Research 推出 MilleMiglia：面向中段物流的真实实例生成器
Google Research 发布 MilleMiglia，一个用 C++ 编写的实例生成器，用于为中段物流配送问题生成真实且保护隐私的基准数据，源码与文档已在 GitHub 公开。
Google Research精选AI 评分6060 Google Research 用生成式 UI 让教师创建互动学习模拟
Google Research 发布研究实验，让教师借助生成式 UI（GenUI）为课程目标动态生成互动式学习模拟，并同步开放 30 多个面向中学 STEM 的英文学习互动示例库。
推荐理由：Google Research 用生成式 UI 让教师按课程目标生成互动模拟，并给出教师评分与试点入口。
Google ResearchAI 评分3636 Google Research 提出 Retrieve-for-Train：用 RL 编译扩散检索器绕过查询扇出推理瓶颈
Google Research 提出 Retrieve-for-Train 框架，通过离线强化学习发现奖励对齐的查询扇出并编译为监督信号，再蒸馏进一个 53.9M 参数的扩散检索器，实现推理时单次非自回归的查询扇出。