Google Research 提出 Chain-of-Evidence（CoE）可验证性框架，并据此构建自主研究原型 Science One Framework，通过 Problem Investigator、Discovery Engine 和 Paper Writer/Claim Verifier 三个模块在生成时构建证据链。
推荐理由：Google Research 提出可验证自主研究框架，用证据链约束引用、代码与分数，并给出与多个基线的对比结果。
Epoch 与 METR 发布 MirrorCode 基准，用于测试 AI 系统在长周期编程任务上的表现，任务要求仅凭 CLI 访问重新实现目标程序。25 个目标程序中有 17 个至少出现一次满分运行，另有 4 个接近满分；Opus 4.7 用 14 小时、251 美元推理成本完成了一项人类预计需 2 至 17 周的任务。
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督，以应对长程交互中上下文无法无限扩展的问题。在 CollabBench 协作编程任务上，基于重构的信念评分（rec-BG）将 ABBEL 与全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 长度也低于全上下文设置。
Google Research 发布论文 SymptomAI，用五个基于 Gemini Flash 2.0 的实验性对话智能体开展症状问诊与鉴别诊断（DDx），共 13917 名受试者参与随机分组研究。
推荐理由：Google 用 13917 人随机对照研究比较五种 Gemini Flash 2.0 症状问诊智能体，并给出临床专家盲评与可穿戴设备数据交叉验证。
Google Research 在 Nature 发表论文，提出用强化学习框架让智能体从量子纠错检测事件中学习，在计算过程中持续调节数千个控制参数以对抗漂移。在 Willow 超导处理器上，该方法将纠错码的逻辑稳定性提升 3.5 倍，并在专家校准基础上进一步将逻辑错误率降低 20%，使表面码逻辑错误降至每千次纠错周期不到一次。数百量子比特的数值模拟显示，所需 RL 训练轮数与系统规模无关。
推荐理由：Google 用强化学习让量子纠错在计算过程中持续校准，读者可了解其 3.5 倍稳定性提升与规模化模拟结论。
Google Research 在 ICLR 2026 论文中揭示，扩散模型的创造力源于神经网络训练中的 score smoothing——正则化使学到的 score function 变平滑，让去噪过程在训练数据点之间插值，从而生成新样本。
Hugging Face 发布 Real World VoiceEQ 基准，用于评估语音交互的人类质量，覆盖 40 多个专有与开源语音模型、15+ 评估维度和 60 多项指标，涵盖 ASR、TTS、S2S 与语音理解。
Google Research 与 Google DeepMind 提出 SensorFM，一个直接从无标注可穿戴数据学习的大型传感器基础模型，预训练语料为五百万名知情同意参与者、超一万亿分钟的多模态传感器信号，覆盖 100 多个国家、50 个美国州和 20 多款 Fitbit 与 Pixel Watch 设备。
推荐理由：Google 用五百万人的一万亿分钟传感器数据预训练通用可穿戴健康模型，读者可了解其自监督缺失感知设计与跨任务泛化表现。
OpenAI 发布新分析，指出热门编码基准 SWE-Bench Pro 存在可靠性问题，引发对 AI 模型评测准确性的担忧。
Google Research 在 Nature Cities 发表首个大规模真实世界研究，通过修改 Google Maps 算法将不到 2% 的行程引导至相似耗时的替代路线，在美国 10 座城市测试六个月。结果显示目标路段行驶速度中位数提升约 2%，燃油消耗率中位数下降 0.5% 至 1.0%，每座城市每年可减少数千吨 CO2e 排放。
Hugging Face 发布 ScarfBench，一个评估 AI 智能体跨框架迁移企业级 Java 应用的开源基准，覆盖 Spring、Jakarta EE、Quarkus 三大生态，含 34 个应用、102 个框架实现、204 项迁移任务和 1331 个专家测试。
OpenAI 发布 GeneBench-Pro，一个用复杂真实数据集测试 AI 在基因组学、生物学和科研领域表现的新基准。
Hugging Face 博客介绍 DiScoFormer（Density and Score Transformer），一个无需重训练、单次前向即可从数据点估计分布密度与 score 的模型。
NVIDIA 推出 ENPIRE 框架，让编码智能体自主完成真实机器人的策略改进闭环，在 PushT、整理插针、用切割器剪扎带等任务上达到 99% 成功率。系统由环境、策略改进、Rollout 和进化四个模块组成，每台工作站配 NVIDIA RTX 5090 与 I2RT 的 YAM 双臂。
Google Research 提出线性弹性缓存，将页面淘汰建模为滑雪租赁问题，用轻量机器学习动态调整缓存大小。在 Spanner 生产环境测试中，内存用量减少 15.5%，缓存未命中仅增加 5.5%，总拥有成本（TCO）降低约 5%，实际 I/O 成本影响仅 0.5%。该方案用浅层决策树预测页面 TTL，已在 Spanner 生产服务器集成数月。
OpenAI 发布新研究论文，展示 AI 智能体正在改变工作方式，能够承担更长、更复杂的任务，并在多种岗位上提升生产力。
Google Research 在 COLM 2026 发表的论文发现，开启推理能让 Gemini-2.5（Flash 和 Pro）与 Qwen3-32B 在 SimpleQA Verified 和 EntityQuestions 上回忆起关闭推理时几乎无法获取的事实答案。
Hugging Face 与 Treble Technologies 发布首个开放、社区驱动的远场 ASR 评测榜 FFASR，覆盖 14 个模拟房间，并设有 Lab Measured 与 Lab Simulated 两列做 sim-to-real 验证。
牛津大学、英国 AI 安全研究院、斯坦福大学和伦敦政治经济学院的研究者通过四项实验、6,923 人参与的 18,978 场对话发现，AI 系统在文本说服上稳定强于人类专家，即使专家可自选议题、提前研究并接受 1,000 英镑奖金激励。
Hugging Face 博客提出 MosaicLeaks，用 1001 条多跳研究链评测深度研究智能体的隐私泄漏，攻击者仅凭外部查询日志即可推断私有信息。测试中智能体频繁泄漏，且只优化任务表现会加剧泄漏；其提出的 PA-DR 强化学习方法将严格链成功率从 48.7% 提升至 58.7%，同时把答案/全信息泄漏从 34.0% 降至 9.9%。
OpenAI 与 Molecule.one 展示了一个使用 GPT-5.4 的近自主 AI 化学家，改进了一项关键的药物合成反应，推进了药物化学研究。
推荐理由：OpenAI 与 Molecule.one 用 GPT-5.4 驱动的近自主 AI 化学家改进药物合成反应，可了解 AI 在化学研究中的落地方式。
OpenAI 发布 LifeSciBench，一个由专家撰写并评审的基准，用于评估 AI 系统处理真实生命科学研究任务与决策的能力。该基准聚焦现实科研场景中的任务与判断，而非通用问答。
Google Research 基于 Earth AI 的 RSF Vision-Transformer 骨干模型，发布英国高分辨率矢量数据集，将树篱、石墙、小树林等精细生态特征转为可操作清单。
OpenAI 提出 Deployment Simulation 方法，利用真实对话数据在模型部署前预测其行为，以提升安全性和评估准确性。
Google Research 分享其在皮肤科 AI 工具上的消费者理解研究，发现使用 AI 辅助工具时，参与者尝试命名皮肤状况的比例超过 62%，准确率 23%，接近无辅助对照组 8% 的三倍。但确定下一步医疗措施仍是难点，标准 AI 组未显示出统计学显著改善。
Google Research 在 AISTATS 2026 提出 Regularized f-Divergence Kernel Tests，用相对距离检验判断遗忘后的模型在分布上更接近安全重训模型还是原始受损模型。
Google DeepMind 发布在塞拉利昂开展的预注册随机对照试验结果，使用 Guided Learning 的学生数学成绩比对照组提升 0.258 个标准差，相当于八周内取得约 1.2 至 1.7 年的常规学习进度。
推荐理由：原文给出塞拉利昂随机对照试验的量化结果与交互数据，可了解 AI 辅助教学在真实课堂中的效果边界。
Google Research 在 Nature 发表研究，提出 PHRM 系统，利用手机前置摄像头在面部解锁后的数秒内拍摄视频，通过深度学习在后台估算心率与静息心率。
推荐理由：Google 用手机前摄在解锁后被动测心率，并公开迄今最大规模手机视频数据集与预训练模型。
Google 发布基于 Gemini 的科研工具 Empirical Research Assistance（ERA），可搜索文献、编写代码、组合方法并评估结果，相关成果已发表于 Nature。
推荐理由：Google 把 ERA 从 Nature 论文推进到可申请使用的工具，读者可据此判断科研编码自动化的落地节奏。
Google DeepMind 介绍生物学家 Omar Abudayyeh 和 Jonathan Gootenberg 使用 Co-Scientist 加速衰老研究。Co-Scientist 扫描数万篇论文后提出 20 多个新的候选基因因子，实验室测试验证了其中几个假设，成功让细胞进入更年轻状态并改善整体功能。它还能将原本需要长达六个月的筛选数据分析缩短到几天。
推荐理由：原文给出 Co-Scientist 在衰老研究中的具体产出与验证结果，读者可了解 AI 辅助科研从假设生成到数据分析的落地方式。
Import AI 457 聚焦三项研究：SentinelOne 拆解出约 20 年前的病毒 fast16.sys，它通过篡改 LS-DYNA 970、PKPM、MOHID 等高精度计算软件的内存结果来破坏工程与物理仿真。
Calico Life Sciences 的 Matt Onsum 与 Katherine Labbé 正使用 Google DeepMind 的 Co-Scientist 整合衰老生物学中零散的研究发现，并将其转化为可验证的假设。
爱丁堡大学团队用 Google DeepMind 的 Co-Scientist 研究 MASH 肝病，系统整合肝生物学与药理学证据，提出 NLRP3 炎症小体是连接炎症与代谢的关键分子桥梁，该假设随后经实验验证。这一发现有望推动针对 MASH 的靶向联合疗法，并解释了药物 resmetirom 为何仅对少数符合条件的患者有效。
斯坦福大学医学院遗传学家 Gary Peltz 利用 Google DeepMind 的 Co-Scientist 筛选抗肝纤维化药物，其提出的 3 个候选药物中有 2 个在活体人类肝细胞测试中阻断纤维化并促进肝细胞再生，而 Peltz 自行挑选的 2 个药物均无效。其中癌症药物 vorinostat 阻断了 91% 可驱动肝硬化的损伤反应。相关研究已发表于 Advanced Science。
Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗的“三方照护”模式。在 98 个真实初级保健查询的盲评中，该系统 97 例无关键错误，优于医生常用的两款 AI 系统；在 140 项问诊技能评估中，AI 有 68 项达到或超过初级保健医生水平，但专家医生在识别危险信号和指导关键体格检查上整体仍更优。
推荐理由：DeepMind 公开 AI co-clinician 研究计划，给出医生端证据综合与患者端实时多模态问诊的对照评测结果。
OpenAI 提出一套新框架，分析 921 种职业和 1.48 亿个美国岗位，识别哪些角色面临自动化风险、重组、增长或受 AI 影响较小。该框架用于刻画 AI 带来的就业转型格局。
Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构，把大规模训练拆成异步通信的计算孤岛，降低带宽需求并隔离硬件故障。测试中该系统在整块 learner unit 掉线后仍能继续训练并自动重新接入，用 Gemma 4 模型验证的 ML 性能与传统训练方法持平。
推荐理由：原文给出异步训练在带宽、故障隔离和跨代硬件上的实测结果，可据此判断分布式预训练的成本与容错边界。
Google Research 发布 ICLR 论文 ReasoningBank，提出一种智能体记忆框架，从成功和失败经验中提炼高层结构化推理记忆，用于测试时自我进化。
推荐理由：论文提出从成功与失败经验中提炼推理记忆的框架，并给出 WebArena 与 SWE-Bench-Verified 上的成功率与步数变化。
Hugging Face 发布 QIMMA قِمّة，一个先验证基准质量再评测模型的开源阿拉伯语 LLM 排行榜，整合 14 个来源基准的 109 个子集、超 52,000 条样本，覆盖 7 大领域且 99% 为原生阿拉伯语内容。
伯克利 AI 研究团队提出梯度规划器 GRASP，通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代上直接加入随机性以探索、并重塑梯度让动作获得清晰信号，同时避开高维视觉模型中脆弱的“状态-输入”梯度，使基于学习世界模型的长时程规划变得可行。该方法针对长时程 rollout 中梯度爆炸/消失、非贪心结构导致的局部极小值以及高维隐空间失效模式等问题。