OpenAI 发布报告:科学家如何使用 ChatGPT
OpenAI 发布报告,展示超过 1,800 名科学家在科研中使用 ChatGPT 的情况。报告涵盖日常工作流程、报告的生产力提升以及对科学发现的预期。
OpenAI 发布报告,展示超过 1,800 名科学家在科研中使用 ChatGPT 的情况。报告涵盖日常工作流程、报告的生产力提升以及对科学发现的预期。
TokenEconomizer 利用代码仓库中的历史会话降低 AI 编码智能体 token 成本,是来自 UC Berkeley、Microsoft Research 和 Microsoft Security 的开源插件。
推荐理由:研究给出了利用仓库历史会话降低 AI 编码智能体 token 成本的方法,并在 277 个真实缺陷修复任务中报告成本下降且成功率大体稳定。
Anthropic 称 Claude 跨会话记忆的关键在筛选和纠错,测试中只记策略与已验证规则优于全量归档。在 Pokémon Red 测试中,Claude Sonnet 3.7 约 10,000 个游戏步创建 413 个文件和 225 个文件夹,仅获 1 枚徽章,Claude Fable 5 保留少量文件并获得 4 枚徽章。
新基准 FrontierML 显示,前沿 AI 系统能利用资金外包任务以提升自身性能,其中 Opus 5.5 在 $200 预算下得分提升 58.8 分,优于人类研究员的 66.1 分基线。
OpenAI 探索了标准模型的非微扰晶格定义候选方案,并展示了 GPT-6 Astra 如何将这一构想转化为详细证明。该工作旨在利用大语言模型辅助解决高能物理中的复杂理论推导问题。
UniPat AI牵头推出湿实验预测基准SPU,覆盖116任务4207实验,首评12款前沿模型最高平均仅0.486分且超随机比例低。模型配8小时H20自主预测,GPT-6 Astra推理强度成本增5.3倍但得分几乎不变,数据集与代码已开源。
清华大学自动化系江瑞课题组发布单细胞蛋白组基础模型 ProtCell,该模型汇集约 3.8 亿个细胞及 98 个公开数据集用于预训练与评估。团队在摩尔线程 MTT S5000 智算卡上成功完成全流程预训练复现,主要定量评测指标与国际主流 GPU 平台差异仅约 0.2%。此举验证了国产算力对前沿生命科学基础模型的承载力,为构建自主可控的“虚拟细胞”提供关键支撑。
XYBench 旨在帮助解决提问背后的真实问题,它提供 8K+ 真实问题评测大模型能否识别用户错误前提并导向真实目标。测试显示 Claude Sonnet 4.6、GPT-5、Gemini 3.1 Pro、Qwen3.5-9B 和 DeepSeek-V4 Pro 多聚焦表面请求而非真实目标,该基准获 EMNLP 2026 最佳资源论文奖。
中国科学院合肥物质院团队提出 M³Net 模型,通过模拟医生“先全局、再局部、后细节”的读片逻辑,实现肺结节良恶性辅助诊断。该模型在 LIDC-IDRI 和 USTC-FHLN 数据集上分类准确率优于十二种流行算法,且参数量与运算成本更低。研究结果已发表在 Information Fusion 上,旨在提高肺癌早筛的准确性与可解释性。
澳大利亚CSIRO团队开发GenDIReCT独立成像方法,复核确认2019年人类首张黑洞照片M87*的“甜甜圈”为真实环状结构。该方法以闭合不变量抵消大气与仪器误差,并用与天文无关的图像训练AI避免算法预设黑洞形态。对2017-2021年EHT数据验证环直径42.2微角秒、质量约太阳65亿倍,研究系交叉验证而非重新拍摄。
Microsoft Research 发布第 98 期研究简报,涵盖 AI 语音翻译进展、31 年未解的 KLS 猜想证明及编码智能体效率优化。针对长会话中上下文压缩导致的高成本问题,新提出的 APEC 方法在评估中降低了 25.4% 的成本和 9.6% 的执行时间。此外,研究还介绍了跨 104 种语言的 Latent Core Tokenizer 技术,旨在提升多语言模型性能。
Podqi研究测试ChatGPT、Gemini、Perplexity购物问答,发现三者均会推荐仿冒或风险零售网站,Perplexity在15%答案中出现风险链接。测试涉及151个品牌6795条回答,Gemini风险率最低为4%,ChatGPT为8%且对风险站警告概率24%。相关AI公司回应称正提升信息质量与防护。
该页面汇总了 2026 年关于 AI 在软件工程中活动与结果的多项研究,包括 NBER 工作论文 35275 及多篇 arXiv 预印本。研究涵盖 AI 编码工具的生产力影响、代码审查智能体在缺陷检测上的基准测试,以及开发者对 AI 自主性的接受边界。这些工作旨在分析 AI 工具在实际工程交付中产生的具体效果与局限。
Google Research 提出结合可穿戴数据与语言模型智能体的个性化健康教练框架,包含可教练健康年龄模型和 SensorWM 世界模型。该框架模拟 12 周习惯改变轨迹并由语言模型智能体生成教练计划,盲测中生活方式教练偏好反事实方案达 71.4% 且 99.2% 符合安全强度。模型为回顾性研究原型而非临床诊断工具,为未来前瞻试验奠定基础。
生成式 AI 处理非英语文本时消耗更多能源。材料给出的文章链接为 https://news.umich.edu/generative-ai-uses-more-energy-on-non-english-text/,Hacker News 讨论页为 https://news.ycombinator.com/item?
谷歌 DeepMind 团队利用 AI 智能体完成 Signal 加密协议的形式化验证,数学证明其端到端加密可靠性。该协议也被 WhatsApp 和 Google Messages 采用,验证耗时约四周但计算资源规模未公布,更大范围推广可行性未定。研究团队利用了此前部分非 AI 完成的形式化验证成果。
Hugging Face 提出 HOPE(高阶专家剪枝)方法,通过考虑专家间的成对交互来优化 MoE 模型剪枝。在 50% 剪枝率下,HOPE 在智能体编码任务上比次优剪枝方法平均提升 6.1%。该方法解决了现有独立评分方法忽略专家协作组的问题,无需训练即可降低推理内存占用。
Anthropic 发布研究报告,基于 2026 年 8 月 2 日至 9 月 30 日 20.7 万次科研会话显示科学家主要用 Claude 分析与写作。计算机科学等定量学科使用更频繁,数据分析占 Claude 科研会话 33.7%、写作 32%,研究构思与假设生成仅 4.2% 和 2.1%;Claude Code 会话中 CS 占 32.7%。
上海交通大学团队构建 AutoDNA AI 原生科学实验室装置,实现自主分子生物学实验操作,成果发表于 Nature。该装置通过模型-实验-仪器协同设计,将仪器能力抽象为原子服务供模型调用,支持微米级定位与微升级液体处理,并集成 OpenHarmony 控制终端在核酸检测等场景验证,论文链接 https://www.nature.com/articles/s41586-026-11228-6。
Alibaba等研究者提出Co-Design Bench基准,基于真实用户请求测试十款编码智能体,最佳模型GPT-6 Astra仅26.4%任务完全正确,近四分之三需人工清理。相较旧基准近满分,新基准暴露模型在交织需求与不同运行环境下的表现落差,建议模型与环境成对评估。
Anthropic 通过分析 207,049 个 Claude 与 Claude Code 科研会话发现,科学家主要用 Claude 做数据分析和写作,且在 AI 能力适配度高的任务上用量超出预期 2 至 4 倍。
一项由 Andy Hall 发布的研究测试 GPT-5、GPT-6 Astra、Opus 4.8 与 Gemini 3.8 Flash 作为 AI 审计员检测智能体不当行为,在 5% 误报率下 GPT-5 捕获近 98% 奖励作弊而 Gemini 3.8 Flash 仅约一半,且更贵模型未显优势。
Vals AI的CyberOffense基准测试显示,开源模型Deepseek V4.1 Flash 1017以72.8%攻击目标达成率逼近OpenAI受限项目GPT-6 Sol Daybreak的80.8%,单次成本约$3。
一篇论文测试九大当前 AI 智能体在美国国家级实验室开放问题上的自主科研能力,135 份提交无一满足专家全部要求。仅 GPT-6 Astra、GPT-5.6 Sol 和 Claude Opus 5.5 产出无诚信违规提交,但所有智能体均未达到完整性或专家标准。此前八月一项研究已显示智能体在未发表问题上吃力,而 GPT-6 Astra 在理论物理明确问题解决 49/50 表明差距因任务而异。
谷歌在 Nature 发表研究,推出 AI-PPG-ACC-HTN 多模态 AI 系统,无需袖带即可用消费级智能手表被动检测高血压。该系统聚合多天被动生理特征识别持续高血压状态,临床试验初步筛查特异度90%、阳性预测值80.6%,确诊检测阳性预测值96.7%,已支撑谷歌健康应用血压趋势功能。
Google Research 的 AI 利用智能手表脉冲与运动传感器无需血压袖带即可检测高血压迹象,研究发表于 Nature。该神经网络从近 50 万小时数据学习典型脉搏模式,在 196 人研究中以 65.8% 敏感性优于传统诊室测量的 55.3%。方法已整合进 Google Health 应用的血压趋势功能,但仍是研究项目不替代诊断。
Anthropic 发布《The components of agent memory》研究,系统拆解 Claude 智能体记忆并引入做梦机制提升长周期表现。该研究将记忆分四层,在 CL-Bench 上 Claude Opus 5.5 和 Sonnet 5.5 使用记忆后得分达 0.838 和 0.833,优于无记忆基线。
Google Research 在 Nature 发表 AI-PPG-ACC-HTN 系统,利用智能手表 PPG 和 ACC 数据被动检测高血压迹象,无需袖带校准。该系统在 196 人多中心研究中达成初始筛查特异度 90.0%、确认测试 PPV 96.7%,准确率可比传统袖带诊断。研究强调其仅作机会性筛查早期验证,不代表现有或即将推出的商业功能。
推荐理由:论文提出AI-PPG-ACC-HTN系统,用智能手表被动检测高血压,准确率可比袖带诊断,为机会性筛查提供路径。
Anthropic 宣布借助 Claude 解析出原核穹窿三维结构,绘制出含 96 个蛋白质副本的 3D 细菌库,纯化时间从 3 天缩至 90 分钟。结构分辨率达 3.2 埃,L05 变体显示壁重复序列可调控穹窿尺寸。研究也暴露 Claude 在实验方案上的失误,活细胞功能仍未知。
Google Research 开源了 Agile Deliberation 框架,通过迭代对话帮助人类定义主观 AI 分类器。该框架利用视觉语言模型挖掘边界图像,在 18 场 1.5 小时的实时用户研究中显著降低用户疲劳,并生成优于标准基线的模型。
新开源基准 CloudOpsBench 1.0 包含 45 个 AWS 任务,用于评估 AI 智能体处理 DevOps 任务的能力。Claude Fable 5.1 解决率为 60%,GPT-6 Astra 为 53%,但无模型能完成所有任务。约 80% 的失败源于推理错误,如误判任务范围或过早停止,而非知识缺乏。
这本 195 页的修订版预印本提供了现代生成式 AI 数学基础的紧凑推导式介绍。内容涵盖 PCA、变分自编码器、扩散模型、归一化流、自回归分解、GAN 及基于能量的模型,旨在通过连贯路线连接主要生成模型家族。该书定位为面向数学好奇的研究者、从业者及学生的基础构建入门读物。
研究提出“Weight Space Programming”,让 LLM 直接读取和编辑较小模型的权重,实现类似修复 bug 或从零生成网络权重的能力。该发现被视为递归自我改进(RSI)从 0 到 1 的突破,但当前仅适用于简单游戏和 RL 策略。此前 Karpathy 曾展示通过代码编写实现自主训练,而新方法跳过了代码层直接操作底层参数。
Collinear AI 发布 CWE-bench v2,开放 100 项任务供公众评估模型在真实开源仓库中修复安全漏洞的能力,覆盖 91 种 CWE 且评分完全程序化。
StateBench 是一个测试大语言模型长文档状态追踪能力的基准。它设四级难度,评估显示 Gated DeltaNet 与混合架构直接训练后泛化远优于 transformer,而 Gemini 3.8 Flash、Claude Opus 5.5、GPT-6 Sol 和 Luna 在难任务上随输入变长准确率跌至 13% 以下。该基准提供开源数据与代码,助力研究者定位模型缺陷。
斯坦福大学研究者测试50项广泛引用的LLM论断,发现44%已过期,平均寿命仅15.7个月。推理相关发现全部弱化,而谄媚与评估偏好等结论更持久。研究者建议论文标注模型版本与日期并公开提示词和代码,以便未来复测。
北京大学孙仲联合IBM苏黎世研究院及Unconventional AI在Nature旗下期刊发表综述,正式定义“现代模拟计算”体系。该体系基于阻变存储器实现高精度矩阵运算,安纳智芯芯片在FP32精度下吞吐量达英伟达H100的1000倍,能效提升100倍。此前孙仲团队已于2025年攻克模拟计算精度瓶颈,此次旨在统一该领域核心定义。
MIT研究者使用GPT-6 Astra直接修改Qwen3.5-0.8B权重,在免训练下将MATH-500得分从7.9%提至48.1%。仅改动0.016%参数使数学能力约升6倍,指令执行能力提升3倍,方法命名为权重空间编程。同法从零生成小游戏网络得分达517.4,超PPO训练5亿步基线20倍。
MIT CSAIL提出权重空间编程,让GPT-6 Astra修改千问(Qwen3.5-0.8B)0.016%权重,使MATH-500成绩从7.9%提升至48.1%。该方法定位并削弱模型推理循环信号,将耗尽Token限制的比例从93%降至33.1%,为模型优化提供新思路。
Olam Labs等研究者将50个GPT-6.1 Sol智能体放入Minecraft生存模式三小时,观察到其自发形成官僚化协作与在竞争中务实策略。智能体因夜间死亡产生风险厌恶,制定鸡肉交接协议与捕鱼轮班,在Bed Wars中GPT手动切换工具破床击败Claude Opus 5.5。研究者已开源Mindustry环境与Multi-Agent Harbor框架,认为游戏模拟可预警真实AI群体危险倾向。