Import AI 469：科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 第 469 期介绍了新基准 DiG-bench，用 70 款隐藏规则的游戏测试 AI 的探索与发现能力，Opus 5 和 Fable 5 搭配 Claude Code 表现最佳，但在最难的第 7 档任务上成功率仅 0.2，而人类可达 100%。
#论文/研究
#论文/研究
今日 0 条Import AIAI 评分3232 Google ResearchAI 评分5858 Google Research 发布 PhotoScan：用手机照片估算体成分并预测胰岛素抵抗
Google Research 提出 PhotoScan，一个可从普通 2D 手机照片估算体脂率、Android-to-Gynoid 脂肪比（A/G）和 Visceral-to-Subcutaneous 脂肪面积比（V/S）的深度学习框架。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 2026 夏季开源模型观察报告
Hugging Face 发布 2026 年 1 月至 8 月的开源模型生态观察报告，基于 Hub 数据给出六项发现。报告显示公开模型仓库从 243 万增至 296 万，数据集从 71.1 万增至 100 万，Spaces 从 100 万增至 144 万；约 85.6% 的模型累计下载不足 200 次，1.5% 的仓库占据 99.2% 的下载量。
推荐理由：Hugging Face 用七个月的 Hub 数据拆开开源模型的下载、点赞与衍生生态，读者可据此判断谁在被真正使用。
Microsoft ResearchAI 评分4141 MindTopo 基准揭示多模态大模型的空间推理短板
Microsoft Research 推出 MindTopo 基准，用于评测多模态大模型在连通性、封闭、顺序、分离和打结五类拓扑关系上的推理与规划能力。测试显示，模型在静态图像识别上表现明显好于交互式规划任务，且两者均远低于人类水平；失败多出现在规划阶段而非感知阶段，模型在场景变化中会丢失结构关系或提出违反物理约束的动作。图像与视频生成仅在单帧内保留关系时偶有帮助，跨多步操作仍不可靠。
Google Research精选AI 评分6262 Google Research 提出知识画像框架：召回而非编码是参数化事实性的瓶颈
Google Research 发布研究，提出知识画像（knowledge profiling）行为框架，同时测量大语言模型对事实的编码与召回，并配套推出包含 2,150 条维基百科事实、每条配 10 个问题的 WikiProfile 基准。
推荐理由：通过知识画像区分编码与召回失败，指出前沿模型的事实错误更多来自知识可及性而非知识缺失。
Google Research精选AI 评分7171 Google 将 AMIE 推进到专家级音视频临床问诊
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 实现实时视频临床问诊，可感知非语言线索、引导虚拟体格检查并实时推理诊断。
推荐理由：Google 用 300 场随机对照视频问诊给出 AMIE 多智能体架构的评测细节，可了解实时音视频临床推理的当前边界。
Microsoft ResearchAI 评分3838 微软研究院推出 CARE-X：面向临床可用的放射学 VLM，融合辅助监督、奖励对齐学习与工具增强测量
微软研究院发布研究模型 CARE-X，一个统一胸部 X 光 VLM，结合生成与结构化预测，覆盖报告生成、疾病分类、定位与器械置管评估等任务。它采用强化学习 DAPO 在多任务设置下奖励临床正确性，并在另一项实验中把 Qwen3-VL-4B-Instruct 与确定性测量工具配对，评估直接计算能否改善测量依赖型病症的表现。
Hugging Face BlogAI 评分3838 比 ACE 更省 Token：ALTK-Evolve 如何用更少推理成本实现更高准确率
Hugging Face 的 ALTK-Evolve 与 ACE 同属无需更新权重、无需人工标注的智能体记忆方案，但 ALTK-Evolve 把记忆投递当作可调旋钮，按任务检索少量高支持度 guideline，而非每步注入完整 playbook。
Import AIAI 评分3030 Import AI 468：23 条 RSI 政策建议、PostTrainBench+，以及信任与透明度如何影响 AI 竞赛
智库 IFP 提出 23 条“低后悔”政策建议，分属 7 个类别，用于帮助政策制定者应对 AI 研发进一步自动化的风险。MIT 与 Columbia 的论文 Racing to Ruin 用博弈模型分析企业竞速，认为透明度和把对手视为可信理性行为体是实现协调减速的两个关键变量。本期还介绍了 PostTrainBench+ 以及一篇关于智能机器与机器人身体的虚构短篇。
Hugging Face BlogAI 评分3838 Hugging Face 提出离线 Top-K Logits 与融合分块 KL 损失，让知识蒸馏可大规模运行
Hugging Face 最新论文提出两项系统改动降低 LLM 知识蒸馏成本：离线缓存教师模型每位置的 top-100 logits，使教师无需与学生同时驻留显存；融合分块 KL 损失避免生成完整的词表×序列长度矩阵。
Import AIAI 评分6262 Import AI 467：自维持AI病毒、为AI进展减速、AI与创造力的困惑
多伦多大学、Vector Institute、剑桥大学与ServiceNow的研究者构建出原型AI蠕虫，利用被攻陷机器的GPU运行开源权重LLM进行推理，漏洞检测成功率约80%、利用成功率约53%、自复制成功率88%，完整攻击成功率约37%。
OpenAI News精选AI 评分6262 OpenAI 公布数学与理论计算机科学领域的十项进展
OpenAI 公布在数学与理论计算机科学多个长期开放问题上的新结果，涉及几何、密码学和复杂性等方向。材料仅提供摘要，未给出具体问题、方法或结论细节。
推荐理由：OpenAI 公布数学与理论计算机科学多个长期开放问题的研究结果，覆盖几何、密码学与复杂性方向。
Google Research精选AI 评分6262 Google Research 发布 Science One Framework：用 Chain-of-Evidence 实现可验证自主研究
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。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon
Berkeley AI Research 与 IBM Research 将 K-Search 进化式内核搜索框架扩展到 MLX，并加入结构化的 CUDA 到 MLX 翻译层，让已有 CUDA 内核作为知识库适配 Apple Silicon。
推荐理由：读者可看到 CUDA 内核经验如何被结构化迁移到 Apple Silicon，以及翻译层对性能差距的具体贡献。
Import AIAI 评分6262 Epoch 与 METR 发布 MirrorCode 长周期编程基准
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 ResearchAI 评分3838 Berkeley AI Research 提出 ABBEL：用信念状态监督 LLM 长程交互摘要
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精选AI 评分6262 Google 发布 SymptomAI：面向日常症状评估的对话式 AI 智能体
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精选AI 评分7171 Google Research 用强化学习让量子计算机从错误中持续校准
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。
Import AIAI 评分6262 Import AI 465：开源与闭源模型网络安全差距收窄、Kimi K3 发布、Demis 提出 AGI 监管方案
英国政府 AI Security Institute 首次公开分析开源权重模型与闭源前沿在网络安全能力上的差距，发现今年差距收窄：GLM-5.2 和 DeepSeek V4-Pro 的表现接近比它们早 4 到 7 个月发布的闭源前沿模型，而 2025 年大部分时间测得的差距为 6 到 10 个月。
Google ResearchAI 评分2929 Google Research 揭示扩散模型创造力来源：score smoothing 如何让模型学会插值
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。
Google Research精选AI 评分6262 Google 发布 SensorFM：面向可穿戴健康数据的通用基础模型
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。
Google ResearchAI 评分4646 Google Research 用 Google Maps 路由干预缓解城市拥堵
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 BlogAI 评分4747 ScarfBench：面向企业级 Java 框架迁移的 AI 智能体基准测试
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。
Hugging Face BlogAI 评分2828 为什么 AI 专业化不可避免：来自优化理论、进化生物学与机器学习的共同预测
Dharma AI 撰文解读 Goldfeder、Wyder、LeCun 与 Shwartz-Ziv 的 2026 年论文《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》。
Hugging Face BlogAI 评分2222 DiScoFormer：一个 Transformer 同时估计任意分布的密度与 score
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。
Import AIAI 评分4242 Import AI 463：NVIDIA 用 ENPIRE 让机器人自我改进；中国 1 万卡 GPU 集群；人类时代的挽歌
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精选AI 评分6060 Google 用冻结多 Token 预测加速 Pixel 上的 Gemini Nano 模型
Google Research 发布一种新架构，将多 Token 预测（MTP）头挂接到已冻结的 Gemini Nano v3 模型上，在 Pixel 9 和 10 系列上实现开箱即用的加速。
推荐理由：Google 把 MTP 头挂到冻结的 Gemini Nano v3 上，读者可了解端侧推理在内存与能耗约束下的具体优化路径。
Google ResearchAI 评分2626 Google 用线性弹性缓存优化云成本，Spanner 内存用量降 15.5%
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 NewsAI 评分3838 OpenAI 研究：AI 智能体如何改变工作方式
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 ResearchAI 评分3232 Google 研究揭示推理如何解锁 LLM 参数化知识
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。
Import AIAI 评分6262 牛津等机构研究：AI 说服力超过人类专家，真实捐款高出 10.8 个百分点
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 BlogAI 评分4646 MosaicLeaks：你的深度研究智能体会泄密吗？
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 NewsAI 评分5858 研究用 OpenAI 推理模型辅助诊断儿童罕见遗传病，新增 18 例确诊
研究人员使用 OpenAI 的推理模型辅助诊断罕见疾病，在既往未解的病例中得出 18 例新诊断。
OpenAI News精选AI 评分6060 OpenAI 与 Molecule.one 用 GPT-5.4 近自主 AI 化学家改进药物合成反应
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。
Google ResearchAI 评分3434 Google Earth AI 发布英国高分辨率矢量数据集，用于自然恢复规划
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。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 AI Control Roadmap，用纵深防御保障内部 AI 智能体安全
Google DeepMind 发布 AI Control Roadmap，一套用于构建和管理 Google 内部部署的高级 AI 的框架，采用纵深防御思路，在模型对齐之外增加系统级安全层，即使对齐不完美也能提供保障。
推荐理由：DeepMind 公开内部 AI 控制路线图，给出检测与响应分级和百万条编码智能体轨迹的分析结论。
OpenAI NewsAI 评分5555 OpenAI 提出 Deployment Simulation，用真实对话数据在发布前预测模型行为
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 ResearchAI 评分3434 Google Research 研究 AI 如何帮助用户理解皮肤问题
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 ResearchAI 评分2424 Google Research 提出 Regularized f-Divergence Kernel Tests，用于审计机器遗忘
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精选AI 评分6262 Google DeepMind 公布塞拉利昂 AI 教学试验结果
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。