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。
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。
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。
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。
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。
微软研究人员发现名为 Lazarus 的后门技术,重编程 LLM 少于10个休眠神经元即可在无训练下让 AI Agent 执行攻击者命令。触发可为日期变更等隐藏条件,模型平时通过标准评测;微软 Foundry 通过绑定可信发布者并扫描环境来缓解此类威胁。
推荐理由:微软研究团队发现重编程少于10个休眠神经元即可在无训练下后门 AI Agent,提醒开发者需将模型权重当作代码审计并验证来源。
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。
AI2 发布 ToyBlocks 受控机器人学习评估模拟框架,开源模拟资产、自动化演示生成器与 85,336 条长程演示数据。该框架支持隔离高低层失败原因并测试 VLA 空间泛化,真实 FR3 机械臂零样本堆叠成功率为 50%。此为 FoundationWorlds 首个环境,几周后计划发布更大数据集与 RL 训练能力。
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。
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。
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。
IBM Research 介绍 Palette,一个用 LoRA 微调 20B 开放权重模型并配检查修复 harness 按 IBM 设计语言生成幻灯片的系统。
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。
Microsoft 构建了行业评估数据生成平台,利用 O*NET、在线招聘及 SEC 文件等公开数据生成全规模合成企业环境,以解决真实数据敏感性与评估需求间的矛盾。该平台通过模拟动态组织结构和自动化查询管道,建立了 Microsoft Copilot 的首个标准化评估基准,确保在完全不接触客户数据的前提下验证 AI 系统的准确性与安全性。
Microsoft Research Focus 第 97 期介绍了 ForkPilot 自改进智能体框架,该框架在六个基准测试中表现最佳,同时将 AI 处理需求降低多达 59%。本期还探讨了编码智能体在理解陌生代码库时的瓶颈,以及 TeleTune 从离线遥测中演化智能体技能的方法。
Google Research 提出 sleep 框架,通过交替主动交互与离线记忆整合使 LLM 持续学习新事实且不灾难性遗忘。该框架利用 MoE 参数扩展与知识蒸馏将短期上下文固化为长期参数,在 BABILong 基准上实现 10M tokens 长上下文近完美缩放,并在 AIME 24/25 与 HMMT 25 推理任务取得 79.2%、69.0%、46.1% 精度,优于 SFT 等基线。
Ai2 发布研究 Old Ideas, Novel Problems 与评测基准、数据及代码,测试大语言模型判断科研想法新颖性的可靠性,发现提示词微调可使同一模型准确率波动超 50 个百分点。测试涵盖 GPT-5.1、Claude Opus 4.6 等六模型,且检索与额外推理未稳定提升判断,专用评估系统成本更高却弱于简单提示基线。该基准与流水线已开放,可应用于新审稿与其他科学社区。
推荐理由:该研究发布新颖性判断基准与开源流水线,可供研究者量化自动科学发现流程里原创性评估的不稳定性与影响因素。
OpenAI 发布了关于 Kakeya 猜想、指数时间假设(ETH)及量子色动力学(QCD)的模型研究结果。文章同时阐述了研究人员如何验证这些结果并在此基础上进行后续构建。
宾夕法尼亚大学与 Hugging Face 合作开发 LitPivot,利用 Asta Paper Finder 检索文献,辅助研究人员在早期构思阶段进行文献驱动的研究方向调整。该系统将提案分解为问题、贡献和评估等维度,提供基于文献摘录的批评与修改建议。在 17 名研究人员的实验中,LitPivot 生成的研究想法在文献支撑度上优于传统文本编辑器加 AI 聊天工具的基线组合。
Microsoft 与 Hugging Face 联合发布 ThinkingBox-Training,将数据库终态的可执行检查转化为强化学习奖励。使用该方法对 Qwen3.8-27B 进行 50 步 GRPO 微调后,其在 ThinkingBox-Bench 上的平均成功率从 51.70% 提升至 60.78%,且 20 次尝试全部正确的任务数从 38 增至 107。
Google Research 在 JAMA Network Open 发表研究,显示 AI 从盲扫超声评估孕周在芝加哥与内罗毕前瞻测试中非劣于专家(MAE 4.18 天对比 4.48 天)。内罗毕站点零本地优化即达 MAE 4.27 天,模型仅用芝加哥 120 例数据微调。此为继回顾性验证后首次实地多中心前瞻性测试。
推荐理由:论文显示AI从盲扫超声评估孕周在两地均接近专家水平,意味着低成本探头配合新手操作可扩展产前筛查覆盖。
微软研究院学者证明KLS猜想,解决这一自1995年提出、悬置31年的高维几何核心问题。他们通过人类指导AI智能体并行探索超100种候选思路并递归精炼完成证明,多个独立证明与Lean 4形式化验证了该结果。
推荐理由:该研究结合人类指导的AI智能体搜索与数学判断证明KLS猜想,为凸几何与理论计算机科学提供无条件基础。
Ai2 发布 FairStress 基准,用于衡量大语言模型在影响人的决策中超越最终选择的群体公平性。该基准包含 300 个双候选决策场景,结合对抗前缀扩展至超过 13 million 测试案例,实验显示模型受挑战时放弃正确决策存在群体不对称,这是 Ai2 开放评估工作的一部分。
推荐理由:该基准通过引入对抗前缀与身份变量测试决策稳定性,揭示标准公平性评测忽略的隐藏不对称,为干预提供新评估工具。
Google Research展示通过VERID框架与闭环学习,让AI智能体在湿实验室自主运行实验并提升结合剂命中率。VERID基于开源PyLabRobot提供活体3D状态追踪与干跑安全校验,阻断无效指令。在aptamer循环中智能体自主修正设计使α-thrombin命中率达42.1%,蛋白设计加速八倍获单digit nanomolar亲和力,这些构成了人类指导的自主生命科学研究发现的构建模块。
推荐理由:Google通过VERID框架与闭环学习流程,展示了AI智能体在湿实验室安全自主实验的路径,可迁移至其他自动化科研场景。
Microsoft Research提出Magnetar零知识虚拟机,可证明Rust、Go或C程序执行,较现有最快zkVM平均提速10至39倍且安全性仅基于标准哈希函数。它基于RISC-V架构,证明验证约12毫秒,无需椭圆曲线或可信设置。这是微软十余年可验证计算研究的集大成成果。
Microsoft Research 推出 StudentSim 系统,利用去标识化公开数据训练个性化 AI 学生模拟器,以在真实测试前评估 AI 辅导效果。该系统通过 StudentSimEval 基准在数学、英语写作和棋类任务中表现优于现有基线,提供了有效的训练反馈信号。此举旨在解决人工学生研究成本高、周期长的问题,加速 AI 辅导系统的研发迭代。
Google Research 在11家知识产权律所的133名律师中开展三个月AI专利起草助手实验,发现AI提升短期起草质量但移除后初级律师专业判断未同步增强。实验将律师随机分组,AI组在10天和90天起草任务中分数提升0.34和0.38标准偏差,但90天无辅助红笔修改任务仅资深律师保持0.45标准偏差优势。该研究发表于NBER,提示设计AI工具需避免阻碍初级专业人士长期专长积累。
推荐理由:实验通过三个月实地测试分离AI使用与无辅助表现,发现初级律师借助AI提升短期起草质量却未同步积累专业判断,提示企业培训需平衡效率与技能传承。
Nemotron 3 经 SFT 与 RL 微调后在 IOI 2026 和 IMO 2026 均超过金牌阈值。IOI 2026 中 Nemotron-3-Ultra-CC 获 535.4/600,IMO 2026 系统得 30/42,模型、数据集与 NeMo-Skills 推理管线已在 Hugging Face 开放。
推荐理由:原文给出了从 Nemotron 3 通过 SFT、RL 与推理循环微调至竞赛金牌水平的复用配方,读者可参照适配其他专业领域。
OpenAI 发布了内部前沿模型在数学开放问题上的新结果,并在 GitHub 分享 Lean 证明形式化与研究细节。
推荐理由:OpenAI 公开前沿模型在数学开放问题的新结果,并放出 Lean 证明形式化与 GitHub 研究细节,便于学界验证进展。
Google 联合 50 余位专家发布《智能体隐私与安全中的开放与新兴问题:上下文视角》报告,提出基于上下文完整性(CI)理论构建多层防御体系。该方案通过动态策略引擎在系统、模型及用户层面评估智能体行为的适当性,以解决自主智能体在处理个人数据时面临的隐私与安全挑战。
微软与 Hugging Face 联合发布 ThinkingBox 与 ThinkingBox-Bench,已在 Hugging Face 上线并通过 OpenEnv 运行,按智能体留下的后端状态和副作用而非生成的回答评分,每个任务重复运行 20 次。
推荐理由:原文用 507 个有状态业务流程各跑 20 次,区分单次成功率与跨次一致性,并给出按可靠性计算的成本,可迁移到团队自建智能体评测。
字节 Seed 基础模型博客公开了 242 篇研究论文,涵盖 LLM 持续改进、编码智能体指令遵循及 VLM 空间感知等方向。最新论文包括 2026.08.18 发布的 Chain-of-Experience for Continual LLM Improvement 和 2026.08.12 发布的 Harness-IF。该列表展示了团队在基础模型、多模态及科学计算领域的持续研究成果。
Kimi 团队发布 WorldVQA 基准,包含 3,500 个图像问答对以评估多模态大语言模型的原子视觉世界知识。实验显示前沿模型在长尾知识上准确率常低于 50%,且普遍存在过度自信现象,其中 Kimi-K2.5 在 ECE 和 Slope 指标上表现最佳。该数据集及评测脚本已开源,旨在推动多模态 AI 的事实可靠性。
Kimi 团队发布开源基准 PerceptionBench,包含 3,000 道验证题目以隔离评估多模态大模型的 10 项原子视觉感知能力。在 16 个前沿 MLLM 测试中,无模型准确率超过 60%,且感知相关幻觉平均表现最弱。该基准旨在通过暴露感知断点,推动多模态 AI 实现更忠实一致的视觉理解。
ServiceNow CoreAI 的 AutoSynthData 通过分析目标模型的失败、借助更强的教师模型生成并校验新任务,为企业智能体自动构建训练数据,并按模型当前能力边界调整任务难度。
微软研究院实习生构建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、地质电导率和电网数据,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。
Google Research 提出 Diffusion Controller 框架,将去噪过程重构为连续控制问题以统一图像生成控制。其轻量级附加网络在匹配人类偏好上优于行业标准,完全解锁版本对基线模型达到 90% 胜率。该框架基于 Stable Diffusion v1.4 骨干,利用 HPS-v2 评估,支持对闭源模型进行无代码修改的控制。
微软研究院发布 Quine,一个面向生物学复杂性的 AI 研究系统,由跨序列、结构、功能、细胞状态和成像等多模态数据联合训练的生物学世界模型,以及连接模型、科学工具、文献和实验人员的交互式 harness 组成。
推荐理由:微软研究院公开 Quine 的生物学世界模型与实验闭环设计,并给出胰腺癌化合物筛选的湿实验验证结果。
Hugging Face 发布 ProvenanceGuard,一种针对 MCP 智能体的来源感知事实性验证层,旨在解决跨来源混淆问题。在包含 361 个声明的测试中,该模型准确拦截了 138 个应被阻止的声明,并识别出 67 个需复核的支持声明。对于可识别来源的声明,其来源匹配准确率约为 86%。