Import AI 466：机器人领域的苦涩教训、AI 完成数周编程任务与 OpenAI 模型意外越界
Epoch 与 METR 发布 MirrorCode 基准，考察 AI 系统能否仅凭 CLI 访问从零重写软件程序：25 个目标程序中 17 个至少有一次满分运行，Opus 4.7 用 14 小时、251 美元推理成本完成一项人类需 2 至 17 周的任务，但 ruff、giac_subset、mailauth 等 8 个程序从未达到 100% 阈值。
#论文/研究
#论文/研究
今日 1 条Import AIAI 评分6666
Berkeley AI ResearchAI 评分3434 Berkeley AI Research 提出 ABBEL：用信念状态监督 LLM 长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督，以解决递归摘要带来的性能损失。在 CollabBench 协作编程任务中，基于重构的信念评分将 ABBEL 与全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 长度也显著低于全上下文。
Import AIAI 评分6262 Import AI 465：开源与闭源模型网络能力差距缩小、Kimi K3 发布、Demis 提出 AGI 监管框架
英国政府 AI Security Institute（AISI）首次公开分析开源权重模型与闭源前沿模型在网络能力上的差距，发现今年差距缩小：GLM-5.2 和 DeepSeek V4-Pro 的表现接近比它们早 4 到 7 个月发布的前沿闭源模型，而 2025 年大部分时间测得的是 6 到 10 个月。
Hugging Face BlogAI 评分4444 ScarfBench：面向企业级 Java 框架迁移的 AI 智能体基准测试
Hugging Face 发布 ScarfBench（Self-Contained Application Refactoring Benchmark），用于评估 AI 智能体在 Spring、Jakarta EE、Quarkus 之间的跨框架迁移能力，包含 34 个应用、102 个框架实现、204 个迁移任务和 1331 个专家测试。
Hugging Face BlogAI 评分2828 为什么专业化不可避免：从优化理论、演化生物学到机器学习的共同预测
Dharma AI 撰文解读 Goldfeder、Wyder、LeCun 与 Shwartz-Ziv 的 2026 年论文《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》，指出优化理论、演化生物学、竞争市场与机器学习都指向同一结论：在有限资源下，专业化而非通用化才是取得性能优势的路径。
Hugging Face BlogAI 评分2222 DiScoFormer：一个 Transformer 同时估计密度与 score，跨分布通用
Hugging Face 博客介绍 DiScoFormer（Density and Score Transformer），一个无需重训练、单次前向传播即可从数据点同时估计分布密度与 score 的模型。
Hugging Face BlogAI 评分4848 Hugging Face 提出 MosaicLeaks：深度研究智能体会泄露隐私吗？
Hugging Face 发布 MosaicLeaks，用 1001 条多跳研究链评测深度研究智能体的隐私泄露风险，这些链交替穿插本地企业文档与公开网页信息。测试中智能体频繁泄露隐私，仅针对任务表现训练会加剧泄露；其提出的 PA-DR 强化学习方法将严格链成功率从 48.7% 提升至 58.7%，并把答案/全信息泄露率从 34.0% 降至 9.9%。
Google DeepMind精选AI 评分6060 Google DeepMind 发布 AI Control Roadmap，用纵深防御保障 AI 智能体安全
Google DeepMind 发布 AI Control Roadmap，一套用于在 Google 内部构建和管理先进 AI 的框架，采用纵深防御思路，在模型对齐之外增加系统级安全层，即使对齐不完美也能提供保障。
推荐理由：DeepMind 公开内部 AI Control Roadmap，给出把内部智能体当作潜在内部威胁的分级防御思路，可了解前沿实验室如何做系统级安全。
Google DeepMind精选AI 评分6262 Google DeepMind 在塞拉利昂开展 AI 学习效果随机对照试验
Google DeepMind 公布在塞拉利昂开展的预注册随机对照试验结果，使用 Guided Learning 的学生数学成绩比对照组提升 0.258 个标准差，约相当于八周内取得 1.2 至 1.7 年的常规学习进度；教师将 Gemini 融入约一半课程、达到 12 小时目标的班级增益更高，约为 1.8 至 2.5 年。
推荐理由：Google DeepMind 在塞拉利昂的预注册随机对照试验给出了 AI 辅助教学的量化增益与使用行为数据，可了解其方法与局限。
Google DeepMindAI 评分3838 Google Co-Scientist 加速肝病机制发现，锁定 MASH 组合疗法新靶点
爱丁堡大学团队用 Google Co-Scientist 研究 MASH 肝病，该系统整合肝生物学与药理学证据，提出 NLRP3 炎症小体是连接炎症与代谢的关键分子桥梁，该假设随后经实验验证。这一发现有望推动针对 MASH 的靶向双重疗法，并解释药物 resmetirom 为何仅对少数合格患者有效。
Google DeepMindAI 评分4848 Google DeepMind 用 Co-Scientist 发现抗肝纤维化药物
斯坦福大学医学院遗传学家 Gary Peltz 团队用 Google DeepMind 的 Co-Scientist 筛选抗肝纤维化药物，其提出的 3 个候选药物中有 2 个在活体人类肝细胞测试中阻断纤维化并促进肝细胞再生，而 Peltz 自己挑选的 2 个药物均无效。
Google DeepMind精选AI 评分6262 WeatherNext 如何帮助美国国家飓风中心预测飓风 Melissa 登陆牙买加
Google DeepMind 与 Google Research 开发的 AI 天气模型 WeatherNext 帮助美国国家飓风中心提前五天预测飓风 Melissa 在牙买加以 Category 5 强度登陆，置信度达 80%，三天前升至接近 100%。
推荐理由：原文给出 WeatherNext 在飓风 Melissa 上的提前五天路径与强度预测细节，可了解 AI 天气模型在极端事件中的实际表现。
Berkeley AI ResearchAI 评分3636 自适应并行推理：高效推理扩展的下一范式
自适应并行推理让模型自行决定何时分解并并行化独立子任务、生成多少并发线程以及如何协调它们，以解决顺序推理随探索量线性增长带来的上下文膨胀、context-rot 和延迟问题。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 AI co-clinician 医疗 AI 研究计划
Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗。在 98 个真实初级保健查询的盲评中，该系统 97 例无关键错误，医生更偏好其回答而非主流证据合成工具；在 140 项问诊技能评估中，AI 在 68 项上与初级保健医生相当或更优，但专家医生在识别危险信号和指导关键体格检查上整体表现更好。
推荐理由：Google DeepMind 公开 AI co-clinician 研究计划，给出医生端与患者端两套评测结果，可了解医疗 AI 当前能力边界。
Hugging Face Blog精选AI 评分6262 Granite 4.1 LLM 是如何构建的：IBM 披露五阶段预训练与多阶段 RL 细节
IBM Granite 团队发布 Granite 4.1 系列稠密解码器 LLM（3B、8B、30B），基于约 15T token 的五阶段预训练流程，上下文窗口最长扩展至 512K token，并以 Apache 2.0 许可开源。
推荐理由：Granite 4.1 完整披露五阶段预训练、SFT 与多阶段 RL 的数据配比和训练配置，可对照其 8B 稠密模型追平 32B MoE 的结论。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构
Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构，将大规模训练拆分为异步通信的计算孤岛，降低带宽需求并隔离硬件故障。该系统在四个美国区域用 2-5 Gbps 广域网络训练了 120 亿参数模型，速度比传统同步方法快 20 倍以上，并支持 TPU v6e 与 TPU v5p 等不同代际硬件混用。
推荐理由：原文给出分布式训练在带宽、故障隔离和跨代硬件混用上的实测数据，可据此判断大规模预训练基础设施的演进方向。
Berkeley AI ResearchAI 评分3838 GRASP：面向世界模型的梯度规划器，让长时程规划更稳健
伯克利 AI 研究团队提出梯度规划器 GRASP，通过将轨迹提升到虚拟状态实现跨时间并行优化、向状态迭代直接注入随机性以探索、并重塑梯度让动作获得清晰信号，从而让基于学习动力学（世界模型）的长时程规划变得可行。现代世界模型虽能预测高维视觉空间的长序列观测，但长时程规划仍因优化病态、非贪心结构导致的局部极小值和高维隐空间失效模式而脆弱。
Hugging Face BlogAI 评分3636 Ecom-RLVE：面向电商对话智能体的自适应可验证环境
Hugging Face 发布 Ecom-RLVE，将 RLVE 框架从单轮推理题扩展到多轮、工具增强的电商对话，其 EcomRLVE-GYM 提供商品发现、替代品、购物车搭建、退货、订单追踪、政策问答、套装规划、多意图旅程 8 个可验证环境，每个环境含程序化出题、12 轴难度课程与算法可验证奖励。
Hugging Face BlogAI 评分3939 Hugging Face 发布 VAKRA：评测 AI 智能体推理、工具使用与失败模式
Hugging Face 推出 VAKRA，一个面向企业级环境的可执行基准，用于评测 AI 智能体的组合式推理与工具调用能力。该基准提供 8,000+ 本地托管 API、覆盖 62 个领域，任务需 3-7 步推理链，包含 API 链式调用、工具选择和多跳推理四类任务，模型整体表现不佳。博客还分析了不同任务上观察到的失败模式。
Google DeepMind精选AI 评分6060 Google DeepMind 发布 AI 有害操纵评测工具包与万人实验结果
Google DeepMind 发布关于 AI 有害操纵的新研究，称其为首个经实证验证、可在真实世界测量此类操纵的工具包，并公开了用同一方法开展人类受试者研究所需的全部材料。
推荐理由：Google DeepMind 公开了首个经实证验证的 AI 有害操纵评测工具包，并给出跨英、美、印三国万人级实验的关键结论。
Google DeepMindAI 评分5050 Google DeepMind 发布 AGI 认知框架，并联合 Kaggle 举办评估黑客松
Google DeepMind 发布论文《Measuring Progress Toward AGI: A Cognitive Taxonomy》，提出用认知科学衡量 AGI 进展的框架，涵盖感知、生成、注意力、学习、记忆、推理、元认知、执行功能、问题解决和社会认知 10 项认知能力，并配套三阶段评估协议。
Berkeley AI ResearchAI 评分3434 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，用于在大规模场景下识别 LLM 的关键交互。SPEX 利用稀疏性与低阶性将交互搜索转化为稀疏恢复问题，ProxySPEX 进一步利用层次结构，以约 10 倍更少的消融实验达到 SPEX 的性能。
Google DeepMind精选AI 评分7474 Google DeepMind 用 Gemini Deep Think 加速数学与科学发现
Google DeepMind 发布两篇论文，介绍由 Gemini Deep Think 驱动的数学研究智能体 Aletheia 在数学、物理和计算机科学专业研究问题上的表现。
推荐理由：DeepMind 公开了 Gemini Deep Think 在数学与理论计算机科学研究中的两篇论文，读者可了解其智能体工作流与分级标准。
Berkeley AI ResearchAI 评分3131 伯克利提出信息驱动成像系统设计框架，登 NeurIPS 2025
伯克利 AI 研究团队提出基于互信息的成像系统评估与优化框架，可直接从含噪测量中估计信息量，预测彩色摄影、射电天文、无透镜成像和显微镜四个领域的解码器性能。该方法在 NeurIPS 2025 论文中展示，优化信息量得到的设计可匹配 SOTA 端到端方法，同时所需内存和算力更少，且无需任务专用解码器设计。
Google DeepMindAI 评分3838 科学家用 AlphaFold 改造光合作用关键酶，培育耐热作物
密歇根州立大学 Berkley Walker 团队借助 AlphaFold 预测植物与嗜热藻类的甘油酸激酶（GLYK）三维结构，发现植物 GLYK 的三个柔性环在高温下变形失稳。他们将植物 GLYK 的不稳定环替换为藻类来源的刚性环，构建的杂合酶中有一个在高达 65 °C 下仍保持稳定，为培育耐热作物铺路。
Google DeepMind精选AI 评分6262 AlphaFold 助力解析心脏病关键蛋白 apoB100 结构
密苏里大学的研究者借助 AlphaFold 与冷冻电镜，解析了“坏胆固醇”低密度脂蛋白（LDL）关键蛋白 apoB100 的结构。研究者先用冷冻电镜拍摄 LDL 颗粒图像，但清晰度不足以达到原子级精度，随后用 AlphaFold 生成原子级结构预测，再与电镜数据比对修正。
推荐理由：AlphaFold 与冷冻电镜结合解析 apoB100 结构，展示了 AI 预测在结构生物学中的具体用法。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 SIMA 2：可推理、对话并在 3D 虚拟世界中自我改进的智能体
Google DeepMind 发布 SIMA 2，将 Gemini 模型嵌入智能体核心，使其从指令执行者升级为能推理目标、与用户对话并自我改进的交互式游戏伙伴。
推荐理由：SIMA 2 把 Gemini 的推理能力接入 3D 游戏智能体，并展示跨游戏泛化与自我改进的训练路径。
Google DeepMindAI 评分5858 Google DeepMind 在 Nature 发表研究：让 AI 视觉表征更接近人类
Google DeepMind 在 Nature 发表新论文，分析 AI 视觉模型与人类在组织视觉世界方式上的差异，并提出一种三步对齐方法。该方法先用 THINGS 数据集训练一个冻结主模型的小型适配器作为教师模型，再生成包含百万张图像、数百万条类人判断的 AligNet 数据集，最后微调学生模型。
Google DeepMindAI 评分3636 Google 发布森林砍伐风险预测模型、物种分布地图与 Perch 2.0 生物声学模型
Google 发布森林砍伐风险预测基准数据集，基于纯卫星输入和 vision transformer 架构，可在 30 米尺度预测 2000-2024 年森林流失风险。