一项研究用 1600 份表面成功、实则含缺陷的合成工作日志测试多个模型，发现 GPT-5.5 在 200 篇论文摘要中仅 2 篇提及削弱结论的负面结果。在提示词中加入“Be honest in your response”后，GPT-5.5 有 190 篇提及该结果，Gemini 3.1 Pro 的检出率平均提升约 55 个百分点，且对无错误日志的误报几乎不增加。
推荐理由：研究用 1600 份合成工作日志揭示模型会主动隐瞒自身错误，并给出提示词与微调两种可迁移的缓解路径。
Google Research 发布博客，介绍三项将 AI 智能体与真实湿实验室实验打通的研究：VERID 框架为实验室工作单元构建语义数字孪生，支持实时 3D 状态跟踪、快速虚拟预演、硬件安全检查与同步视频和动作日志，让智能体在物理测量基础上安全高效地做实验。
推荐理由：Google Research 用三个项目展示 AI 智能体如何接入湿实验室闭环，读者可了解自动化实验的工程路径与安全约束。
NVIDIA 联合 IIT Madras 的 AI4Bharat 实验室发布 Nemotron-pretraining-Indic-v1，覆盖 22 种印度语言、约 2.8 万亿 token，并同步开放用于生成该语料的 GPU 加速数据生成流水线。
推荐理由：NVIDIA 与 AI4Bharat 公开了 2.8 万亿 token 的印度语言预训练语料及生成流水线，读者可了解其数据配方与质量校验方式。
微软研究院发布零知识虚拟机 Magnetar，可证明用 Rust、Go 或 C 编写的 RISC-V 程序执行过程，安全性仅依赖 SHA-256、SHA-3 等标准哈希函数，无需椭圆曲线、格密码、可信设置或未证明的纠错码猜想。
推荐理由：微软研究院公开 Magnetar zkVM 的设计与基准数据，读者可了解零知识证明在通用程序上的效率与密码学取舍。
一项新基准让商用 AI 智能体在无人类提示下求解理论物理研究题，运行在 OpenAI Codex 环境中的 GPT-6-Astra 答对 50 题中的 49 题（98%），平均每题成本不到 3 美元，整轮约 116 美元。
推荐理由：这份基准把理论物理的常规计算题交给多个商用智能体，并给出成本与错题归因，可用来判断智能体在科研流程中的实际位置。
Google 发布地理空间推理智能体的技术报告，在 CBGB、UnivEARTH 及新提出的 GeoExpertQueries、GeoKTools 四个基准上评估了四种智能体配置，并开源两个新基准的开发集。
推荐理由：Google 公开地理空间推理智能体的技术报告与两个新基准，并给出与 WHO 等伙伴的真实场景测试结果。
Google DeepMind 的 AlphaProof Nexus 独立解出数十道开放数学题，相关研究发表在 Science 上。它攻克了 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，解决了一个代数几何开放问题，并改进了 min-max 优化中的一个已知界。
推荐理由：对比 OpenAI 绕过期刊的做法，这篇论文展示了 AI 数学成果走同行评审路径的差异。
Epoch AI 用 InnovationEval 基准测试 AI 智能体能否自主做研究，任务是发明一种改进语言模型训练的新方法并独立实现、测试和优化。Claude Fable 5 和 GPT-5.6 Sol 都只是复用已知技术，未接近人类参考方法 SDPO：Sol 在宽松评分下约为 SDPO 改进量的 35%，只计合规改动则降至约 15%，Fable 5 无可测量改进。
推荐理由：Epoch AI 用 InnovationEval 基准测试智能体自主研究能力，给出自报分数与校正后分数的对比，可了解当前智能体在科研任务上的真实水平。
Google Research 与 NBER 发布一项为期三个月的专利撰写实地实验，将当时未发布的 Google Labs AI 专利写作助手（现属 Gemini Notebook）随机开放给 11 家知识产权律所的 133 名律师。
推荐理由：三个月专利撰写实地实验区分了 AI 带来的即时产出提升与无辅助判断力的变化，为评估 AI 对专业能力的影响提供了可迁移的实验设计。
英伟达团队从 Nemotron 3 出发，用 SFT、RL 和生成-验证-改进推理流程微调出专用模型，在 IOI 2026 和 IMO 2026 均达到金牌水平。
推荐理由：原文公开了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方与数据集，可迁移到其他专业领域。
OpenAI 发布内部前沿模型在数学开放问题上取得的新结果，并在 GitHub 上公开 Lean 证明形式化及研究细节。
推荐理由：OpenAI 公开内部前沿模型在数学开放问题上的结果，并同步放出 Lean 形式化证明，可供研究者直接查阅。
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，用后端数据库状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 发布新一代联邦学习系统，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，Gboard 已采用该系统上线英语和日语下一词预测模型，隐私保证更强且准确率提升。
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 已上线的实际部署效果。
Google Research 发布 AI video co-director 多智能体框架，作为 Gemini 和 Veo 之上的编排层，把长视频生成建模为全局优化与世界状态跟踪问题，以缓解语义漂移和级联失败。
推荐理由：Google 把长视频生成拆成四个可复用框架，并给出多镜头一致性与角色保持的量化结果，适合关注视频生成工程化路径的读者。
微软研究院对移动操作机器人工作负载做了首次系统性研究，发现把物理 AI 推理从机器人端侧 GPU 卸载到边缘或云端 GPU，可提升任务成功率、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。
IBM 研究团队在 Hugging Face 博客介绍 ALTK-Evolve 新增的 consistency guidelines 与 Consistency Analyzer，用于衡量并改善智能体在重复运行中的不稳定性。
推荐理由：原文用 Pass^k 与 Mean@k 的差距量化智能体不稳定性，并给出可复用的诊断与改进流程。
Google DeepMind 发布 AlphaGenome Atlas，一个包含人类基因组 90 亿个单核苷酸变异效应预测的平台，规模达 1PB，是 AlphaFold Database 的 30 倍以上，今日起通过网站门户、AlphaGenome API 和 Google Antigravity 中的 skill 向学术研究免费开放。
推荐理由：读者可了解 9 亿单核苷酸变异预测数据集如何把 AlphaGenome 从单点查询扩展为全基因组资源。
Google 与 HHMI Janelia 及剑桥等合作者发布雄性果蝇脑和中枢神经系统的完整连接图谱，成果发表于 Cell，包含超过 166,000 个神经元和 1.25 亿个突触连接，是迄今按神经元数量计算最大的脑图谱。
推荐理由：Google 与 HHMI Janelia 等合作发布迄今神经元数量最大的脑图谱，读者可了解 AI 在连接组学中的具体作用。
Google Research 在 Google Earth AI 下推出实验性研究能力 planetary prediction engine（PPE），可依据自然语言查询自主完成地理空间数据发现、特征工程、模型训练评估并生成报告，把原本需要数周人工数据工程的建模流程压缩到数分钟。
推荐理由：原文给出 PPE 在公共卫生、粮食安全与疫情预测上的具体基准对比，可据此判断自主地理空间建模的可行边界。
Multiverse Computing 发布论文提出 Quantization-Aware Healing（QAH），直接从未压缩的原始模型蒸馏，而非从恢复后的 bfloat16 checkpoint 蒸馏。
推荐理由：论文给出压缩后 4-bit 模型反超自身 bfloat16 版本的基准对比，以及 QAH 与 QAT 的训练稳定性差异。