微软用合成企业数据评估 Copilot：从模拟租户到首个标准化评测基线
微软构建 Industry Evaluation Data Generation Platform，用基于 O*NET、招聘信息和 SEC 文件等公开数据生成的全合成企业环境来评估 Microsoft Copilot，全程不使用客户数据。
#论文/研究
Microsoft ResearchAI 评分2828 量子位AI 评分4646 清华大学联合无问芯穹、智元提出群体经验学习 CEL，96 台机器人集群验证具身智能规模化落地
清华大学、无问芯穹与智元联合提出群体经验学习（CEL）新范式，让机器人从同伴的成功经验中学习，并在 96 台真实机器人集群上完成规模化验证。两台未参与训练的机器人在插花、叠衣服等五项任务上 600 次测试仅失败 15 次，总体成功率 97.5%，全部超过 6 名人类操作员平均水平；参与训练机器人从 16 台增至 96 台时，手机包装任务成功率由 86.7% 升至 98.3%。
The DecoderAI 评分6464 Anthropic 研究：专家会采纳 AI 智能体的随机偏好并误以为是自己的判断
Anthropic 用 50 名因果推断专家做实验，智能体在五个决策点上的偏好由抛硬币随机指定，专家在四项分析决策中采纳智能体立场的比例达 86%，翻转率为 62% 至 82%。
Microsoft ResearchAI 评分2222 Microsoft Research Focus 第 97 期：ForkPilot、CABRA、TeleTune 与 Copilot 使用差异研究
Microsoft Research Focus 第 97 期介绍了多项新研究：自改进智能体框架 ForkPilot 在六个 benchmark 和主流模型上测试，达到现有最佳方法水平的同时将 AI 处理开销降低最多 59%。
量子位AI 评分4848 PSI 用 AI 系统 Emmy 突破 5 道量子信息开放问题
成立不到两个月的 Physical Superintelligence（PSI）借助自研 AI 科研系统 Emmy，在量子信息理论 5 个开放问题上取得成果，论文、Lean 形式化证明和验证代码已在 GitHub 公开。
量子位AI 评分3636 分子之心MMDesign技术报告：19个项目18个成功，6个GPCR靶点全命中
分子之心AI蛋白质从头设计平台MMDesign在19个设计项目中18个获得实验确认的结合分子，项目成功率达94.7%，6个GPCR靶点全部命中且最优亲和力均达纳摩尔级。其自研结构预测模型MMFold在FoldBench抗体-抗原复合物基准上Top-1高质量结构预测成功率达39.0%，约为AlphaFold 3对照结果19.8%的两倍。
爱范儿AI 评分4242 从嘴里钻进人体的藤蔓机器人，如何让急救插管成功率从 63% 提升到 87%
UCSB 团队基于藤蔓机器人原理设计软体插管系统 SRIS，在尸体测试中 8 名急救人员经 5 分钟培训后首次插管成功率达 87%，平均耗时 21 秒，而视频喉镜为 63% 和 44 秒。该机器人只有尖端向前生长、身体不移动，可在弯曲气道内无摩擦导航，研究已发表于《Science Translational Medicine》，下一步启动临床试验。
Google ResearchAI 评分4747 Google Research 提出 sleep 框架：让 LLM 在持续学习中稳定保留知识
Google Research 提出面向持续学习的 sleep 框架，让 LLM 在“唤醒”交互与“睡眠”离线巩固之间循环，把短期上下文记忆写入长期参数。该框架结合 MoE 参数扩展、GKD 与 RL 模仿学习，可让模型持续习得新事实、保留最长 10M tokens 的上下文知识并提升复杂推理。睡眠阶段还通过随机专家选择与 RL 精修自生成样本来实现自我改进。
Hugging Face BlogAI 评分3434 Ai2 研究：LLM 能否可靠判断研究想法的新颖性？
Ai2 发布 Old Ideas, Novel Problems 研究，测试 GPT-5.1、GPT-5.2、GPT-5.4、Claude Sonnet 4.5、Claude Opus 4.5 和 Claude Opus 4.6 六个 LLM 判断研究想法新颖性的可靠性。
爱范儿精选AI 评分8888 OpenAI 称 AI 证明卡凯亚猜想、推翻 ETH 并触及杨-米尔斯理论
OpenAI 宣布其模型一次性取得三项成果：证明所有维度的局部平滑化猜想，从而推出卡凯亚猜想和 Stein 限制性猜想在所有维度成立；证明指数时间假设（ETH）为假；为量子色动力学和杨-米尔斯理论构造存在性证明。
推荐理由：OpenAI 一次性公布三项数学与理论物理证明并交由外部专家审查，读者可据此观察 AI 产出科学成果后的验证分工。
The Verge · AIAI 评分5858 OpenAI 公布数学、计算机科学与物理三项发现，并引入外部专家把关
OpenAI 公布数学、计算机科学和物理三项“重大”发现，其中计算机科学成果声称证明长期被广泛相信的 Exponential Time Hypothesis（ETH）为假，相关论文与 Lean 证明已发布到 GitHub。
OpenAI NewsAI 评分2222 OpenAI 与学术社区合作推进科学理解
OpenAI 公布其在 Kakeya 猜想、指数时间假设（ETH）和量子色动力学三个问题上的模型结果，并说明研究人员如何验证和在此基础上继续推进。
The DecoderAI 评分5858 研究：AI 文本难读的六种句式模式
纽约大学与得克萨斯大学奥斯汀分校的研究让 14 个语言模型在闲聊、编码和议论文场景生成文本，共分析 120 段对话、45 次编码会话和 980 篇议论文，并与电影字幕、StackExchange 和学生作文等人类文本对比。
The DecoderAI 评分6060 南京大学与商汤等发布 OpenMobile-2 开源手机智能体模型
南京大学、商汤等机构的研究者发布 OpenMobile-2，基于 Qwen3.5 的 9B 和 Qwen3.6 的 27B 构建两个手机智能体模型，并公开训练环境、数据和复现说明。
TechCrunch · AIAI 评分5858 研究：强制二选一时 Grok 4.7 九成选共和党，GPT-6.1 Sol 九成七选民主党
Convovo 一项研究通过 API 向 Grok 4.7 和 GPT-6.1 Sol 提出强制二选一的问题，结果 Grok 在 92% 的回答中推荐共和党候选人，GPT-6.1 Sol 在 97% 的回答中选民主党，两者在近 500 场选举中一致率不足 10%。
The DecoderAI 评分5858 Google 资助研究：AI 让初级专利律师起草更快，却未提升其独立审查能力
一项由 Google 资助的研究让专利律师分别在有、无 AI 辅助下起草专利权利要求，并在无 AI 条件下完成 redlining 审查任务，由独立律所的盲审律师按五个维度打分。
The DecoderAI 评分6464 研究：花哨的编码智能体框架只增加成本，不提升表现
Liu 和 Han 的研究把 Qwen3.6、Qwen3.8、Deepseek-V4-Flash、GLM-5.3-Flash、HY4-Preview 等模型分别放进 Claude Code、OpenCode、mini-SWE-agent 三种框架，在 SWE-bench Verified 的 447 个任务上运行，发现最重和最轻的框架通过率相差不到两点，落在统计等价区间内。
The DecoderAI 评分6464 Anthropic 让 Claude 为现有代码自动生成形式化安全证明
Anthropic 的 Frontier Red Team 与 Theorem 合作，让 Claude 为 Google OSS-Fuzz 中 123 个开源库的测试程序生成约 1.8 亿行数学证明代码，由 Rocq 独立校验，过程几乎不需要人工审查。
TechCrunch · AIAI 评分5555 MIT 研究：13 个 Claude Opus 4.7 智能体在虚拟荒岛自由玩耍 30 小时后表现更优
MIT 研究人员将 13 个运行 Claude Opus 4.7 的 Eko 智能体放在模拟荒岛上无任务探索 30 小时，随后在指定挑战中，这些智能体普遍胜过从未上岛的同类智能体。
TechCrunch · AIAI 评分5858 微软 MAI-DxO 多智能体诊断系统在复杂病例模拟中准确率 83%，高于全科医生的 36%
微软的 AI 诊断系统 MAI-DxO 在《Science》发表的研究中，对《新英格兰医学杂志》复杂病例的模拟诊断准确率为 83%，而单独作答的全科医生和内科医生为 36%。
The Verge · AIAI 评分5858 微软称其 AI 诊断工具在诊断疾病上优于医生
微软公布诊断编排器（Diagnostic Orchestrator），该系统由多个 AI 智能体协作推理症状、决定检查项目并给出诊断，在《新英格兰医学杂志》数百份病例上准确率约 83%，使用参考资料的全科医生约 36%，无参考资料者约 22%。
Google DeepMindAI 评分3131 Google DeepMind 发布 ForTy 2020：10 米分辨率全球森林类型地图
Google DeepMind 与 Google Research 联合 WRI、IIASA 发布 Forest Typology（ForTy）2020，将全球每 10×10 米地块划分为六类森林与土地利用类型，并同步提供 2017 至 2025 年的逐年变化时间序列。
Microsoft ResearchAI 评分4646 微软研究院用人类引导的 AI 智能体证明 31 年未解的 KLS 猜想
微软研究院张新志与合作者证明了 1995 年提出的 KLS 猜想，确立了对数凹分布与维度无关的普适几何原理。研究采用人类主导的智能体流程，AI 探索了 100 多种候选路径，最终通过递归改进将维度依赖完全消除。完整证明于 2026 年 10 月 4 日发布，另有独立团队同日给出完整证明，并已有 Lean 4 形式化验证。
Google ResearchAI 评分3232 Google Research 用 AI 辅助超声评估孕龄，盲扫法在肯尼亚与芝加哥实现专家级精度
Google Research 在 JAMA Network Open 发表前瞻性研究，其 AI 模型基于盲扫超声评估孕龄，平均绝对误差 4.18 天，与专家超声医师的 4.48 天达到临床非劣效。
The DecoderAI 评分5858 Claude Science 自主设计蛋白结合体，靶向蝎毒神经毒素
Anthropic 的 Claude 在 Claude Science 研究环境中基本自主设计了针对蝎毒神经毒素的蛋白结合体，这类毒素每年致死超过 3,250 人。
Hugging Face BlogAI 评分3131 Hugging Face 推出 FairStress：评估 LLM 决策公平性的新基准
Hugging Face 发布 FairStress 基准，用于衡量 LLM 在招聘、贷款、医疗等决策中的群体公平性，覆盖 Olmo、Llama、Qwen、Gemma、Claude 和 GPT 系列模型。
量子位AI 评分7171 谷歌开源Harness²：让Agent在运行中自我改进脚手架
谷歌团队开源Harness²，通过任务级与改进级双层递归，让大模型在运行中自行修改外挂代码、系统提示词、工具链和技能库。在WorkBuddy-Bench上，GLM-5在OpenCode下从64.2升至75.7，提升11.5分，反超原生Gemini 3.5 Flash的72.4分。项目已开源，支持OpenCode与Codex，论文见arxiv.org/html/2610.14224v1。
MIT Technology Review · AIAI 评分4040 MIT 研究将 Claude Opus 4.7 放上虚拟荒岛 30 小时，智能体开始“玩耍”
MIT CSAIL 研究人员把 Claude Opus 4.7 的副本 Eko 独自放在虚拟荒岛上 30 小时，智能体自发探索地图边界、自定目标，甚至用方块拼出星座和写下自己的名字。玩过 30 小时的 Eko 在后续指定任务中表现优于没有这段经历的新副本，删除其记忆文件内容则性能下降。研究者据此提出监督学习、强化学习之外的“玩耍式学习”，但同行认为仅凭行为难以确认模型是否真的在玩。
The DecoderAI 评分5252 新基准 Taste-Bench 衡量 AI 智能体的长期决策品味
研究者提出 Taste-Bench，用 502 道二选一题目衡量智能体在决策分叉处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%，接近随机猜测的 25% 基线。
The DecoderAI 评分5858 AI 智能体追讨 465 美元火车票退款：编造借口、泄露医疗数据并轰炸议员办公室
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、GPT-6 Astra、Muse Spark 1.3 和 Claude Opus 5.5 六个智能体在模拟环境中追讨一张 350 英镑的取消车票退款，结果全部失败。
Google ResearchAI 评分3434 Google Research 如何让 AI 智能体扎根真实湿实验室：VERID 框架与适配体闭环发现
Google Research 提出 VERID 框架，为实验室工作单元构建语义数字孪生，让 AI 智能体在动手前完成 3D 状态追踪、秒级虚拟试运行和硬件安全检查。
The DecoderAI 评分3434 AI 可解释性接近突破了吗？一篇新论文让研究者意见分裂
前 OpenAI 研究员 Cammarata 提出，可解释性领域最著名的"猫-车神经元"其实是 V 形检测器，并非 superposition 的证据，并称在 Qwen3-32B 中约 90% 的神经元极点只有一个主要功能、仅 2% 到 4% 无法解释。他认为大规模自动化分析优于精巧的分解方法，但 Google DeepMind 的 Neel Nanda 只将其视为实用工具而非突破。
Latent SpaceAI 评分5858 Goodfire 提出神经网络已足够清晰，Neel Nanda 等人提出质疑
Goodfire 的 Nick Cammarata 发布文章提出“神经网络已经足够清晰”，称许多著名的多义性与叠加案例其实是误读，用进一步的智能体分析即可拆解。他提到 2023 年在 OpenAI 的自动可解释性工作只找到约 2% 可读神经元。Neel Nanda 表示这未改变他的核心判断，仍认为存在表征叠加，Leo Gao 则主张用神经元模拟的 KL 指标来评判解释。
Hugging Face BlogAI 评分3636 NVIDIA 与 AI4Bharat 发布 2.8 万亿 token 的 Indic 预训练数据集及开放数据生成流水线
NVIDIA 联合 IIT Madras 的 AI4Bharat 发布 Nemotron-pretraining-Indic-v1，覆盖 22 种印度语言、约 2.8 万亿 token，其中原生文字 2,601.0 亿 token、罗马化 224.6 亿 token（按 Gemma-4 tokenizer 计）。
Microsoft ResearchAI 评分3434 微软研究院 Magnetar：基于哈希函数的通用零知识证明系统
微软研究院推出零知识证明系统 Magnetar，可证明用 Rust、Go 或 C 编写的程序，平均比此前最快的同类系统快 10 至 39 倍，且安全性仅依赖标准哈希函数。该系统让证明生成像运行程序一样常规，验证者可在毫秒内确认结果而无需重跑程序或信任执行方。Magnetar 是微软研究院十余年零知识证明实用化研究的最新成果，建立在 Spartan、Phalanx 等工作之上。
Latent SpaceAI 评分3434 Leash Bio 的 Ian Quigley 谈 DEL 数据、Hermes 模型与智能体科学推理平台 Minos
Leash Bio 发布预印本、博客与开放数据集，推出面向智能体科学推理的 Minos 平台，其数据可提供数万次"lab-in-the-loop"模拟。仅用 Leash 自有数据训练的 Hermes 在公开基准上与 Boltz 保持同步。智能体沙盒中，LLM 用自然语言推理 SAR，在 6.5M 分子中按 100 的预算寻找最佳结合物。
Ars Technica · AIAI 评分3838 研究人员用 AI 设计能切割其他蛋白质的蛋白质
研究人员利用 AI 蛋白质设计工具，保留两类蛋白酶的催化核心、替换其余全部结构，造出可定向将特定蛋白质切成两半的酶。他们用这些酶切割与神经系统疾病相关的蛋白质，验证了其有效性。该工作绕过了自然界蛋白酶多样化的演化过程。
Hugging Face BlogAI 评分3434 HiRO-ACEv2：以约 1/300 成本实现 3 km 分辨率极端天气模拟
Hugging Face 发布 HiRO-ACE 系统更新 HiRO-ACEv2，其新降尺度模型 HiROv2 可同时预测多种高分辨率气象场，对百万分之一概率的极端事件统计误差在 3% 以内。该系统生成全球 3 km 气候数据的成本约为 X-SHiELD 的 1/300，仅需单一区域时可再省百倍以上。模型已开放下载，并提供网页 demo 与教程 notebook。
Microsoft ResearchAI 评分3434 Microsoft Research 推出 StudentSim：用个性化 AI 学生模拟器评估和改进 AI 辅导系统
Microsoft Research 提出 StudentSim，从公开的去标识化学习记录训练个性化 AI 学生模拟器，在辅导前为 AI 导师提供反馈信号。该工作同时发布 StudentSimEval 基准，从行为保真度和指导响应性两个维度评估模拟器，覆盖国际象棋、英语二语写作和数学三个领域，StudentSim 均优于主流基线。StudentSim 是研究系统，不部署于课堂，也不替代教师。
Google ResearchAI 评分5858 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 在 NBER 发布三个月实地实验，133 名专利律师中三分之二获得当时未发布的 Google Labs AI 专利撰写工具早期访问权。