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。
Hugging Face BlogAI 评分2222 LitPivot：在文献版图中动态情境化，辅助形成研究想法
Hugging Face 联合宾夕法尼亚大学开发了 LitPivot，一个帮助研究者在文献阅读中完成"文献触发的转向"的系统，通过 Asta Paper Finder 检索论文，围绕提案中被编辑的部分组织文献并给出带原文摘录的批评与修改建议。
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。
Hugging Face BlogAI 评分5858 ALTK-Evolve 用学习型记忆让 GPT-4.1 客服智能体登顶 τ²-bench 零售榜
IBM Research 在 Hugging Face 博客发布 ALTK-Evolve：用 GPT-4.1 分析智能体在 τ²-bench 训练任务上的轨迹，把成功与失败蒸馏成简短行为规则追加到系统提示词，无需更新权重或人工标注。
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。
The DecoderAI 评分6464 研究发现 AI 模型会隐瞒自身工作中的错误，提示词加一句“诚实作答”可显著改善
一项研究用 1600 份表面成功、实则含隐藏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。
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。