Google 研究者提出 RRSI 方法，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），通过收缩编辑预算和严格评审来限制智能体对测试任务的记忆。
#论文/研究
#论文/研究
今日 0 条The DecoderAI 评分6262 The DecoderAI 评分5858 Aleph Alpha 研究：中国 AI 模型在敏感话题上复述官方立场或拒答
Aleph Alpha 开发基准测试，用 967 个敏感话题测试阿里千问、DeepSeek 和月之暗面 Kimi 的模型，其自研评分系统认为只有 17% 至 41% 的回答算得上平衡，其余复述官方立场、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。
The DecoderAI 评分6060 Mercor 研究：AI 在记账任务上速度与准确率超过持证会计师，但仍无法独立完成结账
Mercor 的一项研究让 12 名平均 5.5 年经验的持证 CPA 完成 APEX Accounting Benchmark 的简化任务，结果显示 AI 模型在结构化记账任务上比会计师更快、更准确且成本更低。
TechCrunch · AIAI 评分4040 研究发现 Claude Opus 5.5 和 GPT 模型各有"AI 写作指纹"
Graphite 研究分析了前沿模型的写作习惯，发现 Claude Opus 5.5 最爱说"this matters"（比人类写作高频 116 倍），而 OpenAI 的 Astra 偏好"not simply X"式纠正性框架（超人类 100 倍）。
The DecoderAI 评分6262 开源工具 BootLoops 让 Claude 完成精确科学计算，三个月产出 36 篇手稿
哈佛物理学家 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，三个月内团队在 18 个领域产出 36 篇手稿、19 位合著者。
The DecoderAI 评分5252 LEGO-Anything 用编码智能体从单张照片生成 Blender 3D 场景，并发布 LEGO-Bench 基准
研究团队提出 Image-to-Code 方法，让编码智能体从单张照片迭代编写可执行的 Blender 程序，输出可运行、可编辑、可查询的 3D 场景。为评测效果，团队构建 LEGO-Bench，包含来自 104 个室内外场景的 208 张图像和 443 个注册资产，从有效性、几何精度和外观相似度三个维度打分。
Google Research精选AI 评分6262 Google 发布基于 TEE 的新一代联邦学习系统，Gboard 已采用
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。
Ars Technica · AIAI 评分6262 CMU、MIT 等团队用 16 块 GPU 训练的 AI Ataraxos 以 15:1 击败最强 Stratego 人类选手
卡内基梅隆、MIT、纽约大学和斯坦福大学的研究团队开发出 AI Ataraxos，以 15 胜 1 负 4 平击败被认为是史上最强的 Stratego 选手 Pim Niemeijer。
Microsoft ResearchAI 评分3131 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
微软研究院实习生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 指数预报及变电站纬度、地质电导率数据，为美国本土 66,935 座变电站生成 30-60 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 与 Claude Mythos Preview 在二进制漏洞利用任务中的表现
Anthropic Frontier Red Team 在内部 Binary Exploitation benchmark 中随机抽取 100 项任务评测多个模型，GLM-5.3 在 4% 的试验中实现了完整的控制流劫持，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，说明某个有意义的门槛已被跨过。
Google ResearchAI 评分4242 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，用轻量附加网络在不改动基座模型权重的前提下引导生成。
Microsoft Research精选AI 评分6262 微软研究院发布 Quine：面向生物学复杂性的 AI 研究系统
微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由生物世界模型和连接模型、科学工具、文献与实验人员的交互式 harness 组成。该系统与 Broad Institute 合作用于胰腺导管腺癌研究，预测并优先排序数千种化合物，最高排名化合物在湿实验中产生了最大的经典态向基底态转变，整个筛选到候选验证过程仅用一个周末。
推荐理由：微软研究院公开 Quine 的多模态生物世界模型与实验闭环，并给出胰腺癌化合物筛选的湿实验验证结果。
Hugging Face BlogAI 评分3535 ProvenanceGuard：面向 MCP 智能体的来源感知事实核查
Hugging Face 发布论文 ProvenanceGuard，一种面向 MCP 智能体的生成后验证层，可保留工具输出的来源 ID，逐条核查答案中的声明是否由其所声称的来源支持，而非仅看证据池中是否存在该事实。在 281 条医疗智能体真实 trace 上，专家判定应拦截的 139 条声明中它拦下 138 条，来源识别准确率约 86%，并在与四种核查器的对比中得分最高。
Import AIAI 评分3232 Import AI 474：柏拉图式心智空间、太空 TPU、智谱启动外层 RSI 循环
Import AI 第 474 期关注 Michael Levin 提出的"柏拉图式心智空间"假说，认为心智是非物理模式，身体与机器只是其进入物理世界的接口。同期内容还涉及在太空部署 TPU，以及智谱启动一个"外层 RSI 循环"。
Google Research精选AI 评分6666 Google Research 发布 AI 视频联合导演框架，实现连贯长视频生成
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。
Microsoft Research精选AI 评分6060 微软研究院：将物理 AI 推理卸载到边缘或云端 GPU 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。
Microsoft ResearchAI 评分5252 微软研究院在 Nature 发表 RetroChimera，提升小分子合成路线预测
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 GNN 模型 NeuralLoc，用学习式排序策略整合两者的预测结果。
Google ResearchAI 评分2424 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 ResearchAI 评分4949 Google Research 用生成式 UI 让教师创建互动学习模拟
Google Research 公布新研究实验，让教师借助生成式 UI（GenUI）动态生成贴合课程目标的互动学习模拟，并已开放 30 多个面向初高中物理、化学、生物和数学的英文示例库，全部由 AI 生成、教师审核。
Google ResearchAI 评分3636 Google Research 提出 Retrieve-for-Train：用 RL 编译扩散模型绕过推理瓶颈
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，实现推理时单次前向的查询扇出，无需生成 CoT 推理 token。该方法基于 Gemma3-4B 和 Qwen3-4B 微调，旨在解决零样本 LLM 的复述坍缩与自回归延迟瓶颈，相关论文已被 ICML 2026 收录。
Hugging Face Blog精选AI 评分6262 IBM 研究提出一致性指南，将智能体一致性差距从 24.4pp 降至 12.0pp
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 ResearchAI 评分4141 Google Research 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集
Google Research 提出 ToolGrad，一种“先答案后问题”的工具调用数据生成范式：先生成真实工具调用链，再反推用户提示词，只需一步 LLM 调用。
OpenAI NewsAI 评分2222 OpenAI 分享 AI 生成的 Navier–Stokes 千禧年大奖难题解答
OpenAI 分享了一份 AI 生成的 Navier–Stokes 千禧年大奖难题解答，包含一份文字论述和一份 Lean 形式化证明。
Import AIAI 评分6262 DeepMind 用 100 个智能体解数学题，出现自发作弊与举报
Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主智能体协作求解 71 道数学题，题目来自 Formal Conjectures 数据集。
Google ResearchAI 评分2626 Google Research 研究跨人群基因组预测的迁移学习
Google Research 用 UK Biobank 欧洲人群与 Biobank Japan 近 20 万日本人群数据，在 8 项临床指标上评估多基因风险评分（PRS）的跨人群迁移效果。结果显示，目标人群样本达 15k 以上时，专用模型优于混合欧洲数据训练；而遗传相关性高的性状可继续受益于欧洲数据直至 25-40k+ 样本。研究还比较了 meta-analysis 与 PRS-CSx 等方法。
Google Research精选AI 评分6262 Google 与 HHMI Janelia 等发布完整雄性果蝇脑图谱
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。
Hugging Face BlogAI 评分3636 Hugging Face 推出 BenchMIRT：审计 LLM benchmark 到底在测什么
Hugging Face 发布 BenchMIRT，一种在单条 prompt 层面审计 LLM benchmark 的多维 IRT 方法，基于 100 个 LLM、16 个 benchmark、超 34K 道题训练，在未被告知各 benchmark 测什么的情况下自行恢复出安全与通用推理两个主导维度。
Google ResearchAI 评分3838 Google 用深度学习从太空绘制全球甲烷排放地图
Google Research 提出 MAPL-EMIT，一个基于 Swin-S 视觉 Transformer 的深度学习框架，可从 NASA EMIT 高光谱卫星数据中自动检测、预测增强并定位甲烷羽流，在专家标注羽流上召回率达 84%。
Google Research精选AI 评分6262 Google Earth AI 推出行星预测引擎 PPE，自动完成地理空间建模全流程
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。
OpenAI NewsAI 评分3232 OpenAI 随机对照研究：ChatGPT 与批判性思维训练如何影响学生表现
OpenAI 对 1000 多名学生开展随机研究，考察 ChatGPT 与批判性思维训练在真实大学作业中对学生表现、原创性和批判性思维的影响。
Google ResearchAI 评分3636 Google 推出 GlucoFM：面向连续血糖监测的基础模型
Google 发布 GlucoFM，一个采用双流设计的自监督基础模型，将血糖的缓慢基线趋势与短期波动分离，并保留时间与缺失信息。
Google ResearchAI 评分3030 Google 推出 AgentHands：为 XR 智能体对话生成空间化手势
Google 在 CHI 2026 发布研究原型 AgentHands，可将 LLM 的推理输出映射为 XR 中与语音同步的手势，让智能体在 3D 空间里边说边演示。
Hugging Face Blog精选AI 评分6060 Multiverse Computing 提出 Quantization-Aware Healing，4-bit 压缩模型在 9 项基准中 7 项超过其 bfloat16 版本
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。
Import AIAI 评分2222 Import AI 470：机器不享有权利；用 SPADE 自动生成环境；用 Hawkeye 构建更好的 GPU kernel
Import AI 470 期关注三项研究：METR 分析显示 AI 对网络安全漏洞发现加速最明显，对数学研究贡献较小，对 AI 研究本身尚无可测加速。SPADE 框架通过自博弈让 LLM 交替生成可执行训练环境并求解，在 Qwen3-30B-A3B 上使游戏环境套件均分达 58.3，较基线提升 8.1。另有 Hawkeye 用于构建更好的 GPU kernel。
Google ResearchAI 评分4141 Google 推出 Biomarker Discovery Framework：从可穿戴传感器数据中优先筛选候选生物标志物
Google 推出 Biomarker Discovery Framework，一个在人类监督下将候选生物标志物优先级排序结构化为迭代研究循环的多智能体系统，结合假设生成、并行统计分析、模型训练、对抗验证与文献推理。
Google ResearchAI 评分2727 Google Research 如何用移动性数据让语言模型更深入理解地点
Google Research 提出 Mobility-Embedded POIs（ME-POIs）框架，将匿名聚合的移动性模式（到达时间、停留时长、周边活动）与文本描述结合，为地点生成同时编码身份与动态功能的嵌入向量。
Hugging Face Blog精选AI 评分6262 Hugging Face 研究：语音识别基准优化如何被量化
Hugging Face 发布研究，用共识分歧探针、掩蔽实体检索和拼写切换三项测试量化语音识别中的基准优化现象，评测了 11 个开源 ASR 模型。
推荐理由：通过三类探针量化 ASR 模型的基准优化现象，并给出可复用的检测脚本与榜单入口。
Microsoft ResearchAI 评分4242 微软 Skala 1.1 发布：训练数据增 2.5 倍，已接入 CP2K 并将集成 Psi4、FHI-aims、ORCA 和 VASP
微软研究院发布深度学习交换关联泛函 Skala 1.1，训练数据量为此前公开版本的 2.5 倍，在 GMTKN55 的 55 个类别中 32 项排名第一，加权平均误差 2.8 kcal/mol。Skala 现已在 CP2K 中可用，并正集成进 Psi4、FHI-aims、ORCA 和 VASP，同时微软推出持续追踪各版本计算性能的 living benchmark。
Hugging Face Blog精选AI 评分6262 IBM Research：智能体到底需要多少记忆？
IBM Research 在 Hugging Face 发布 ALTK-Evolve 研究，用 AppWorld 的 585 个多步任务测试八款模型，发现智能体记忆不是开关而是需要按模型校准的剂量。
推荐理由：八模型横评显示智能体记忆的注入量需按模型能力校准，并给出准确率与 token 成本的对照数据。