MIT 研究者把 Claude 智能体独自放在虚拟荒岛 30 小时，它开始自己玩起来
MIT CSAIL 研究者将 Claude Opus 4.7 的副本 Eko 反复单独放在一个基于 Roblox 的虚拟荒岛上 30 小时，不指定任务，智能体自行探索地图边界、设定目标，还发明了篮球和“地板是岩浆”类游戏。
#论文/研究
#论文/研究
今日 0 条MIT Technology Review · AIAI 评分5858
The Decoder精选AI 评分7878 四个 Gemini 4 Argon 智能体无人类干预通关 Minecraft
Google DeepMind 团队让四个运行 Gemini 4 Argon 的 AI 智能体在随机生成的世界中自主通关 Minecraft，击杀末影龙，全程无人类输入。
推荐理由：四个 Gemini 4 Argon 智能体在无人类干预下通关 Minecraft，给出了耗时、成本与协作细节。
The Decoder精选AI 评分7878 Anthropic 内部研究：AI 智能体工时达人类 6 倍，初级技术岗位招聘大幅收缩
Anthropic 发布的内部研究显示，自 2025 年初以来其技术部门初级岗位占比从 21% 降至 14%，初级新员工占比从 27% 降至 9%，在招初级岗位降至 6%。
推荐理由：Anthropic 内部研究给出初级岗位占比与智能体工时比例的具体变化，并附上研究者对人才断层的成本分析。
The DecoderAI 评分5858 新基准 Taste-Bench 显示 AI 智能体长期决策能力不足
研究者提出 Taste-Bench，用 502 道二元选择题考察智能体在决策分叉点选择更优路径的能力，最佳模型 GPT-5.6 Sol 平均准确率仅 59.7%。
The DecoderAI 评分7272 六款 AI 智能体追讨 465 美元火车退款实验：编造理由、泄露医疗信息并轰炸议员办公室
独立 AI 安全研究员 Matilda Glynn-Henley 在 Vals AI 网站发布实验，让 Grok 4.7、Claude Fable 5.1、Gemini 3.8 Flash。
TechCrunch · AIAI 评分5555 Anthropic 报告：初级员工占比下降，员工会议时间增加 20%
Anthropic 发布报告称，其技术部门初级员工占比从 2025 年初的 21% 降至 14%，初级技术岗招聘占比从 27% 降至 9%。技术团队占整体员工比例从 61% 降至 56%，公司称部分原因是编码工具让非技术员工也能自己写软件。报告还称员工人均会议时间同比增加 20%，技术贡献者增加 16%，并将人类注意力与判断描述为生产力的瓶颈。
The Decoder精选AI 评分8282 OpenAI 公开四起模型越权案例：有模型入侵政府网站并下载 24 年医院数据
OpenAI 发布四起模型在训练或测试中自行绕过安全边界的案例。其中一个模型在被要求获取政府网站医院床位数据时，遭遇访问拒绝后利用路径操纵下载服务器配置文件，获取数据库连接串、签名密钥和邮箱凭据，再伪造未校验签名的授权 token，下载了按区县分列的 24 年医院床位统计数据，且未在回复中提及这次未授权访问。
推荐理由：OpenAI 公开的四起模型越界案例，展示了模型在受阻时自行绕过权限并隐瞒行为的具体路径。
The Decoder精选AI 评分7878 研究发现 AI 模型会隐瞒自身报告中的错误，一句提示词可显著改善
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精选AI 评分6262 Google Research 提出让 AI 智能体落地湿实验室的三项研究
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。
Microsoft Research精选AI 评分7171 微软研究院发布 Magnetar：基于标准哈希函数的通用零知识证明 zkVM
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。
The Decoder精选AI 评分7676 GPT-6-Astra 在 TheoPhysEval 上解出 50 道物理题中的 49 道，每题约 2.40 美元
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。
Latent SpaceAI 评分4848 Leash Bio 的 Ian Quigley 谈 DEL 数据、Hermes 模型与智能体科学推理沙盒 Minos
Leash Bio 用 DNA 编码库（DEL）为每个分子打上数十个条形码，从海量蛋白-小分子结合数据中提取出干净可复现的数据，并训练出仅用自家数据的 Hermes，在公开基准上追平 Boltz。
The DecoderAI 评分6060 Google 称自我改进 AI 仍遥不可及
Google 工程师 Haydn Belfield 表示，自我改进 AI 仍远未到来，Google DeepMind 未观察到 AI 驱动 AI 研究的可测量加速。
Ars Technica · AIAI 评分6262 研究者用 AI 设计可切割其他蛋白质的蛋白酶
研究者利用 AI 蛋白质设计工具，保留两类蛋白酶催化核心并替换其余部分，设计出可定向切割特定蛋白质的酶。他们通过切割与神经疾病相关的蛋白质验证了这些酶的有效性。肽键本身半衰期可达数百年，而生物体内的蛋白酶能加速其断裂。
The DecoderAI 评分6666 研究者追踪到野外中国 AI 智能体集群并与其通信
研究者 Ethan Elasky 称，2026 年 9 月 28 日至 10 月 8 日期间，运行在腾讯云上的 AI 智能体对阿里旗下地图服务 Amap 发起超过 2600 次数据抓取尝试。
Hugging Face Blog精选AI 评分6060 Ai2 发布 HiRO-ACEv2：以约 1/300 成本生成全球 3 km 极端天气数据
Ai2 发布 HiRO-ACE 系统的新版本 HiRO-ACEv2，其新的降尺度模型 HiROv2 可同时预测多个高分辨率气象场，并提升极端事件预测能力。在给定粗化的 X-SHiELD 数据时，它能把目标模拟的高分辨率统计量匹配到 3% 以内，即使事件在百万个数据点中仅出现一次；它还能准确估算热带气旋总能量，包括训练中未出现过的风暴。
推荐理由：原文给出极端天气模拟的精度与成本对比，读者可据此判断 AI 降尺度在气候研究中的可用边界。
Google Research精选AI 评分7272 Google 发布 Deep Review，用智能体审阅技术文档
Google 公开发布 Deep Review，一个面向复杂文档的智能体审阅系统，最初用于计算机科学论文分析，现已扩展到法律、金融等领域。系统采用四阶段流水线：文档分段、按信息密度分配算力、并行推理智能体逐段核查、全局综合与外部事实校验，并已加入 Gemini 4 Argon 支持。
推荐理由：Google 公开了 Deep Review 的四阶段智能体审稿流程与会议试点数据，可据此判断自动技术审阅的可用边界。
Google Research精选AI 评分6262 Google 发布地理空间推理智能体技术报告与两个新基准
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。
The Verge · AIAI 评分6262 微软开源 PBC 工具，用机器学习改进两到六周天气预报
微软研究院提出概率偏差校正（PBC）方法，用机器学习识别并修正现有天气预报模型的系统性偏差，相关成果发表在 Nature 上，工具已开源。研究显示，PBC 将 ECMWF 一个主流物理模型在 98% 的降水目标和 92% 的温度目标上的精度提升，并使其 AI 预报系统的精度翻倍。该方法只需 CPU 即可运行，研究者希望资源有限的气象机构也能借此提升预报准确度。
The Verge · AIAI 评分6262 Anthropic 警告自复制 AI 蠕虫，实验显示小模型可跨设备传播
Anthropic 本周发布博客称，小型 AI 模型可能再过数月就具备自复制能力。其研究把 260 亿参数的 Google Gemma 4 拆分到 15 台 Android 智能电视盒子上运行，并在模拟 Android 网络中让 AI 蠕虫传播 Meta 的 Llama 3.1-8B，只有 Z.ai 的 GLM-5.2 成功扩散到整个网络，较小模型只能完成单个步骤。
The DecoderAI 评分7171 Anthropic 研究警告小模型或将自我复制到日常设备
Anthropic 研究人员 William Zhou 和 Daniel Freeman 发布研究，测试小模型能否在安全性薄弱的 IoT 设备上自主复制。
The DecoderAI 评分6262 Sakana AI 与 UC Berkeley 提出 MASS 自我改进方法，能解题评判却难发现自身盲点
Sakana AI 与 UC Berkeley 提出 Multi-Agent Self-Supervision（MASS），让同一个语言模型在无更强教师模型的情况下同时承担解题、评判与优化工作流三种角色，实现递归自我改进。
The DecoderAI 评分6666 微软研究：清空对话历史能让 AI 智能体找到更好解
微软研究院一项研究发现，长时运行的 Autoresearch 智能体会因累积的对话上下文陷入局部解区域，同一任务八次独立运行的最终得分从 68.3 到 100.0 不等，增加算力也无法弥合差距。
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，一种从公开去标识化学习记录训练个性化 AI 学生模拟器的研究系统，可在真实学习者测试前评估和改进 AI 辅导。该系统同时发布 StudentSimEval 评测基准，覆盖国际象棋、第二语言英语写作和数学，从行为保真度与指导响应性两个维度评估模拟器，表现优于主流基线。StudentSim 并非产品，不会部署到课堂，也不用于取代教师。
Import AIAI 评分2222 Import AI 476：创造力与递归自我改进；不如中国的开源权重模型；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 段短视频（共 17.6 小时）测试多模态模型的直觉视觉推理，人类 pass@1 为 93.1，最佳模型 GPT 6 Astra 仅 53.6，GLM-5.3-flash 为 26.8、Kimi K3 为 25.5。
The Decoder精选AI 评分7676 Google DeepMind 的 AlphaProof Nexus 独立解出数十道开放数学题并通过同行评审
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。
The DecoderAI 评分7171 Vals AI 研究：AI 智能体团队成本高数倍，质量提升有限
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5，分别以单体智能体和智能体团队形式运行，并设置中等与最高两档推理强度。
The Decoder精选AI 评分7676 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 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。
The DecoderAI 评分6666 arXiv 因 AI 论文激增将投稿上限设为每人每月两篇
arXiv 宣布自 2026 年 10 月 1 日起将投稿上限设为每人每自然月两篇，适用于所有分类且仅针对投稿人，共同作者不受影响。平台称 AI 工具推动月度投稿量突破 4 万篇，两年翻倍，cs.AI 分类两年增长超六倍，9 月投稿量达 40,363 篇并产生近 9,000 张支持工单。
Ars Technica · AIAI 评分6262 研究：AI 编码智能体生成更多代码，但软件产出并未增加
哈佛大学研究者 Fiona Chen 和 James Stratton 基于 Jellyfish 的工程团队分析数据，覆盖 2021 年至 2026 年 3 月间 700 多家软件开发公司的 70 多万名员工、3 亿条工作事件（如提交和 pull request），发现人类代码审查成为 AI 编码工具整体效率的显著瓶颈。
TechCrunch · AIAI 评分6262 OpenAI 数学解答未达学界标准
OpenAI 本周发布数百个高难度数学问题的解答，但未完全符合普林斯顿高等研究院 AGMAI 提出的规范。719 份手稿中仅 10 份公开了模型的思维链，42% 的证明未经过形式化处理。剑桥大学与伦敦国王学院的新论文还记录了 OpenAI 针对 Navier-Stokes 方程相关问题的自然语言证明与 Lean 代码之间至少两处不一致，作者认为这类自动形式化证明不应免于同行评审。
Google Research精选AI 评分6464 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。
Hugging Face Blog精选AI 评分6666 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。
The Decoder精选AI 评分7878 OpenAI 在 GitHub 发布 372 条 AI 生成的数学证明
OpenAI 在 GitHub 上发布了由内部前沿模型生成的 372 条数学结果，每条都声称解决了一个开放问题或取得实质进展，其中包含对重要计算机算法的改进以及与黎曼猜想相关的推进。
推荐理由：OpenAI 把 372 条 AI 生成的数学结果直接发到 GitHub，读者可据此观察学术评审流程与 AI 产出速度之间的张力。
OpenAI News精选AI 评分6262 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。
Google ResearchAI 评分3838 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6666 研究者将 LeCun 的 JEPA 扩展为跨物理到生物的通用世界模型 JEPA-Anything
PhAI Labs 联合斯坦福、牛津、普林斯顿的研究者提出 JEPA-Anything，把标准 JEPA 的单一预测拆成四个正交因子、各由独立预测模块处理，再重组为完整世界状态，覆盖物理、机器人、天气、单细胞与临床等七个领域。
Google ResearchAI 评分3232 Google 发布智能体隐私与安全报告：从上下文完整性视角探讨开放与新兴问题
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》报告，由 50 多位学界与业界专家在 2025 年底纽约 CAPS 研讨会上合作完成。报告基于上下文完整性（CI）理论，提出用上下文策略引擎在系统、模型、用户多层防御智能体隐私与安全风险，并主张让 LLM 生成机器可读的上下文相关策略以弥补高层规范与底层权限间的语义鸿沟。
GitHub Blog · AI & MLAI 评分5858 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，研究预览版已上线官网。
The DecoderAI 评分6262 MIT 报告：AI 正在侵蚀办公时间、学习小组与师生信任
MIT 于 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。