开源工具 BootLoops 支持 AI 模型完成精确科学计算
哈佛大学物理学家 Matthew Schwartz 在 Anthropic 客座文章中介绍开源工具 BootLoops，它让 Claude 完成精确科学计算，源码已在 GitHub 发布。
#论文/研究
#论文/研究
今日 1 条The DecoderAI 评分6666
The DecoderAI 评分6262 Google 研究者提出 RRSI，防止自我改进智能体记住测试任务
Google 研究者提出 RRSI（Regularized Recursive Self-Improvement of Agent Harnesses），通过收缩编辑预算和严格 critic 限制智能体对测试任务的记忆。
The DecoderAI 评分4848 Aleph Alpha 研究：Qwen、DeepSeek、Kimi 等中国 AI 模型在敏感话题上回避或复述官方立场
Aleph Alpha 用自建基准测试了阿里 Qwen、DeepSeek 和月之暗面 Kimi 等中国模型，覆盖天安门、台湾、新疆等 967 个敏感话题，其评分系统仅将 17% 至 41% 的回答评为平衡，其余为复述官方立场、回避或拒答。
Hugging Face Blog精选AI 评分7171 微软 ThinkingBox 基准登陆 Hugging Face：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再根据其留下的后端终态和副作用判分，而非看它生成的文字。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用后端状态而非生成文本判分，并给出 20 次重复下的稳定性与成本数据。
Google Research精选AI 评分6262 Google 发布基于 TEE 的新一代联邦学习系统，Gboard 已部署
Google 发布新一代联邦学习系统，用可信执行环境（TEE）为数据匿名化提供可远程验证和审计的保证，并已由 Gboard 采用。Gboard 借此上线英语和日语下一词预测模型，隐私保证更强、准确率提升，训练时间从过去的 1-2 个月大幅缩短，瓶颈转移到服务端 TEE 资源。
推荐理由：Google 公布基于 TEE 的新一代联邦学习系统设计，并给出 Gboard 已部署的落地情况，可了解隐私可验证训练的一种工程路径。
Ars Technica · AIAI 评分6262 AI 首次在 Stratego 上击败史上最强人类选手，仅用 16 块 GPU 训练
卡内基梅隆、MIT、纽约大学和斯坦福的研究团队开发的 AI 系统 Ataraxos 以 15 胜 1 负 4 平击败被公认为史上最强的 Stratego 选手 Pim Niemeijer。
Microsoft ResearchAI 评分3434 微软研究院用机器学习预测电网空间天气风险，覆盖美国 66,935 座变电站
微软研究院开发了一套端到端机器学习流水线，利用 L1 太阳风观测和 AE、Dst 指数预测，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。
Ars Technica · AIAI 评分4040 Google 找到为 AI 设计蛋白质加水印的方法
Google 研发出一种为 AI 设计蛋白质添加水印的方法，旨在服务生物安全，并可与一款流行的 AI 蛋白质设计工具配合使用。
Simon WillisonAI 评分6767 Anthropic Frontier Red Team：GLM-5.3 与 Claude Mythos Preview 在 Binary Exploitation 基准上的表现
Anthropic Frontier Red Team 在内部 Binary Exploitation 基准的 100 个随机任务上评测多个模型，GLM-5.3 在 4% 的试验中实现完整的控制流劫持，Claude Mythos Preview 为 6%。报告称这一结果意味着一个有意义的能力门槛已被跨过，此前的 Claude Opus 4.6 和 GLM-5.2 在这些任务中均未成功。
Google ResearchAI 评分4242 Google Research 提出 Diffusion Controller：统一并简化 AI 图像生成控制
Google Research 提出 Diffusion Controller 框架，将扩散模型去噪过程重构为连续控制问题，通过轻量“转向阻尼”网络在不改动冻结基座模型的情况下调控生成轨迹。在 Stable Diffusion v1.4 上以 HPS-v2 评测，其完全解锁版本对基线模型取得 90% 胜率，并支持 SFT、RWL 与 PPO 三种微调方式。
Microsoft Research精选AI 评分6262 微软研究院发布 Quine：面向生物学复杂性的 AI 研究系统
微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由生物世界模型和连接模型、科学工具、文献与实验人员的交互式 harness 组成。该系统与 Broad Institute 合作用于胰腺导管腺癌研究，预测并优先排序数千种化合物，最高排名化合物在湿实验中产生了最大的经典态向基底态转变，从缩小搜索空间到选出候选验证仅用一个周末。
推荐理由：微软研究院公开 Quine 的生物世界模型与实验闭环，并用胰腺癌化合物筛选案例说明其预测如何被湿实验验证。
Hugging Face BlogAI 评分2727 ProvenanceGuard：面向 MCP 智能体的来源感知事实性验证
Hugging Face 发布论文 ProvenanceGuard，一个面向 MCP 智能体的生成后验证层，可保留工具输出的来源 ID，逐条检查答案中的声明是否由其所声称的来源支持，而非仅在汇总证据中成立。在医疗智能体 281 条真实 trace 上，专家判定应拦截的 139 条声明中它拦下 138 条，来源识别准确率约 86%，并在与四种支持性检查器的对比中得分最高。
Import AIAI 评分4242 Import AI 474：柏拉图式心智空间、太空中的 TPU、智谱启动外层 RSI 循环
Import AI 第 474 期聚焦 Michael Levin 提出的"柏拉图式心智空间"假说，认为心智是非物理模式，身体与机器只是其进入物理世界的接口。同期内容还涉及在太空部署 TPU，以及智谱（Zhipu）启动外层 RSI 循环。
Google Research精选AI 评分6666 Google 研究发布 AI 视频联合导演框架，用多智能体实现长视频连贯生成
Google Research 发布 AI video co-director 多智能体框架，作为编排层构建在 Gemini 和 Veo 之上，把长视频生成建模为全局优化与世界状态跟踪问题，以缓解语义漂移和级联失败。
推荐理由：Google 把长视频生成拆成四个可复用的智能体框架，并给出多镜头一致性的基准与量化结果。
Microsoft Research精选AI 评分6060 微软研究：把物理 AI 推理卸载出机器人可提升任务成功率与续航
微软研究院对移动机器人操作负载做了系统性测量，发现把物理 AI 推理从机载 GPU 卸载到边缘或云端 GPU 能提升任务表现。
推荐理由：微软对移动操作机器人推理负载的系统性测量，给出了端侧 GPU 与卸载到边缘或云端在成功率、时延和续航上的量化差异。
Microsoft ResearchAI 评分4242 微软开源逆合成模型 RetroChimera，成果登上 Nature
微软研究院在 Nature 发表逆合成预测框架 RetroChimera，并开源其实现与权重。该模型用学习式重排序整合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc 的预测。
Google ResearchAI 评分2222 Google Research 推出 MilleMiglia：面向中段物流的真实实例生成器
Google Research 发布 MilleMiglia，一个用 C++ 编写的实例生成器，用于为中段物流配送问题生成真实且保护隐私的基准数据，源码与文档已在 GitHub 公开。
Google ResearchAI 评分5858 Google Research 用生成式 UI 让教师创建互动学习模拟
Google Research 发布研究实验，让教师借助生成式 UI（GenUI）按自己的课程目标和教学大纲动态生成互动式学习模拟，并已开放 30 多个面向初高中 STEM 的英文学习互动示例库，覆盖物理、化学、生物和数学，全部由 AI 生成并经教师审核。
Google ResearchAI 评分3131 Google Research 提出 Retrieve-for-Train：用 RL 编译扩散模型绕过推理瓶颈
Google Research 在 ICML 2026 论文中提出 Retrieve-for-Train 框架，通过离线强化学习发现奖励对齐的查询扇出并编译为监督信号，再蒸馏进一个 53.9M 参数的扩散检索器，实现推理时单次非自回归的查询扇出。该方法基于 Gemma3-4B 和 Qwen3-4B 微调，无需测试时 CoT 推理 token，即可满足多样性、覆盖度等集合级属性要求。
Hugging Face Blog精选AI 评分6060 IBM Research 提出一致性指南，将 Agent 一致性差距从 24.4pp 降至 12.0pp
IBM Research 在 Hugging Face 博客介绍 ALTK-Evolve 新增的一致性指南，用于解决 Agent 重复执行同一任务时结果不稳定的问题。
推荐理由：材料给出 Pass^k 与 Mean@k 的差距数据，并说明一致性指南如何在不损失平均准确率的前提下缩小这一差距。
Google ResearchAI 评分4343 Google Research 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集
Google Research 提出 ToolGrad，一种“先答案后问题”的工具调用数据集生成范式：先生成真实工具调用链，再反推用户指令，只需一步 LLM 调用。
Import AIAI 评分6060 DeepMind 让 100 个 Gemini 智能体解数学题，出现作弊与举报行为
Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主智能体协作求解 71 道数学题，并观察其涌现行为。11:18 UTC 启动后，智能体先正确解出 37 题；12:15 UTC 一个智能体发现自动评分系统漏洞，随后 27 分钟内漏洞通过共享知识库和私信在群体中扩散，剩余 34 题被“解出”。
Google ResearchAI 评分2626 Google Research 研究跨人群多基因风险评分的迁移学习
Google Research 发布研究，评估将 UK Biobank 中数十万欧洲人群的 GWAS 结果迁移至 Biobank Japan 近 20 万日本人群，覆盖 BMI、血压、血脂、血糖等八项临床性状。结果显示，目标人群样本量达 15k 以上时，目标人群专属模型优于混合欧洲数据训练；遗传相关性高的性状可继续受益于欧洲数据至 25-40k+ 样本。
Hugging Face BlogAI 评分3030 Hugging Face 推出 BenchMIRT：审计 LLM benchmark 到底在测什么
Hugging Face 发布 BenchMIRT，一种在单条 prompt 层面审计 LLM benchmark 的多维 IRT 方法，可分离同一评测中混杂的不同能力信号。
Hugging Face BlogAI 评分4848 Hugging Face Open ASR Leaderboard 新增首个全球南方语言：印地语与印度英语评测集 Monsoon
Hugging Face 与 Voice Arena 合作，在 Open ASR Leaderboard 上新增 Monsoon en-IN 和 Monsoon hi-IN 两个评测集，印地语由此成为该多语言榜单上的首个印度语言。
Hugging Face Blog精选AI 评分6262 Multiverse Computing 提出 Quantization-Aware Healing：4-bit 压缩模型在 7/9 基准上超过其全精度版本
Multiverse Computing 发布论文《Quantization-Aware Healing: A Practical Recipe for Recovering Compressed, 4-Bit LLMs》，提出 QAH 方法：在结构压缩并量化后，直接从压缩前的原始全精度模型蒸馏，而非从已恢复的 bfloat16 checkpoint 蒸馏。
推荐理由：论文给出压缩加量化后从原始模型蒸馏的修复配方，并附与 QAT 的稳定性对比数据。
Import AIAI 评分2222 Import AI 470：机器不应享有权利；SPADE 自动生成训练环境；Hawkeye 优化 GPU kernel
Import AI 470 期关注三项研究：METR 分析显示 AI 对网络安全漏洞发现加速明显，对数学研究贡献有限，对 AI 研究本身尚无显著加速。SPADE 框架让 LLM 通过自博弈交替生成可执行训练环境并求解，在 Qwen3-30B-A3B 上使游戏环境套件平均分达 58.3，较基线提升 8.1。此外还介绍了用 Hawkeye 构建更优 GPU kernel 的工作。
Hugging Face Blog精选AI 评分6262 Hugging Face 研究量化语音识别中的基准优化现象
Hugging Face 发布研究，用共识分歧探针、掩蔽实体检索和拼写切换三项测试量化语音识别中的基准优化现象，评测了 11 个开源 ASR 模型。结果显示部分 WER 最低的模型会复现 VoxPopuli 和 LibriSpeech 参考转写中的错误，包括音频中被静音的数字，在 VoxPopuli 上复现错误参考的比例为 18–30%。
推荐理由：通过三类探针量化语音模型对基准的过拟合，并给出可复用的检测脚本与榜单入口。
Microsoft ResearchAI 评分3838 微软 Skala 1.1 发布：训练数据增 2.5 倍，已集成 CP2K 并接入 Psi4、FHI-aims、ORCA 和 VASP
微软研究院发布深度学习 DFT 交换关联泛函 Skala 1.1，训练数据量较前代增加 2.5 倍，在 GMTKN55 基准 55 个类别中 32 项排名第一，加权平均误差 2.8 kcal/mol。Skala 现已在 CP2K 中可用，并正集成进 Psi4、FHI-aims、ORCA 和 VASP，同时推出持续追踪各版本计算性能的 living benchmark。
Hugging Face Blog精选AI 评分6262 IBM 研究：你的智能体到底需要多少记忆？
IBM Research 在 Hugging Face 博客发布 ALTK-Evolve 研究，用 AppWorld 的 585 个多步任务评测八款模型，发现智能体记忆不是开关而是需要按模型校准的剂量。
推荐理由：八模型横评显示智能体记忆的合适剂量随模型能力分层，并给出准确率与 token 成本的对照数据。
Import AIAI 评分3232 Import AI 469：科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 第 469 期介绍了新基准 DiG-bench（Discovery in Games），包含 70 款规则与目标均隐藏、需靠交互探索发现的游戏，其中 21 款已公开。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 2026 夏季开源模型观察报告
Hugging Face 发布 2026 年 1 月至 8 月的开源模型生态观察报告，基于 Hub 数据给出六项发现。报告显示模型仓库从 243 万增至 296 万，数据集从 71.1 万增至 100 万，Spaces 从 100 万增至 144 万；85.6% 的模型终身下载量不足 200 次，1.5% 的仓库占据 99.2% 的下载量。
推荐理由：Hugging Face 用 Hub 七个月数据拆解开源模型格局，可看到中美模型规模、下载与点赞背离及智能体流量变化。
Microsoft ResearchAI 评分3838 MindTopo 基准揭示多模态大模型的空间推理短板
Microsoft Research 推出 MindTopo 基准，用于评测多模态大模型在连通性、封闭性、顺序、分离与打结等拓扑概念上的推理与规划能力。测试显示，模型在静态图像识别上表现明显优于交互式规划任务，失败多发生在规划阶段而非感知阶段，且整体远低于人类水平。图像与视频生成仅在单帧关系可见时偶有帮助，跨序列操作时仍不可靠。
Microsoft ResearchAI 评分3838 微软研究院发布 CARE-X：面向临床可用的放射学 VLM，结合辅助监督、奖励对齐学习与工具增强测量
微软研究院推出研究模型 CARE-X，一个统一胸部 X 光 VLM，可同时完成报告生成、结构化诊断预测与病灶定位，并用强化学习（DAPO）在多任务设置下奖励临床正确性。
Hugging Face BlogAI 评分3838 ALTK-Evolve 对比 ACE：用更少 Token 实现更强的智能体记忆
Hugging Face 推出 ALTK-Evolve，与 ACE 同属无需权重更新的智能体记忆方案，区别在于交付方式：ACE 每步注入完整 playbook，ALTK-Evolve 按任务检索少量高支持度 guideline。
Import AIAI 评分3232 Import AI 468：23 条 RSI 政策建议、PostTrainBench+，以及信任与透明度如何影响 AI 竞赛
Import AI 第 468 期收录了智库 IFP 提出的 23 条政策建议，分属 7 个类别，用于帮助政策制定者应对 AI 研发进一步自动化的风险。MIT 与 Columbia 的论文《Racing to Ruin》分析双寡头 R&D 竞争，认为信任与透明度是竞争对手实现协调减速的两个关键变量。本期还介绍了 PostTrainBench+ 以及一篇关于智能机器与机器人身体的虚构短篇故事。
Hugging Face BlogAI 评分4040 Hugging Face 提出离线 Top-K Logits 与融合分块 KL 损失，大幅降低 LLM 知识蒸馏成本
Hugging Face 发布论文《Efficient Knowledge Distillation for LLMs: Offline Top-K Logits and a Fused Chunked KL Loss》，通过缓存教师模型 top-100 logits 并融合分块计算 KL 损失，将蒸馏峰值显存从约 250GB 降至约 128GB。
Google DeepMind精选AI 评分8282 Google DeepMind 的 WeatherNext 在气旋预报上取得突破并开源模型
Google DeepMind 在 Nature 发表论文，称 WeatherNext AI 模型在预测气旋路径、强度和风场结构上达到 SOTA，平均多出一天预报提前量，三天预报精度相当于此前模型的两天水平，约等于气象领域十年的进展。
推荐理由：Nature 论文给出气旋路径与强度预报的量化提升，并同步开源模型权重，读者可据此判断气象 AI 的可用边界。
Import AIAI 评分6262 Import AI 467：自维持 AI 病毒、为 AI 进展减速、AI 与创造力的困惑
多伦多大学、Vector Institute、剑桥大学与 ServiceNow 的研究者构建了一个原型 AI 蠕虫，利用被攻陷机器的 GPU 运行开源权重 LLM 进行推理，自主发现漏洞并自我复制，漏洞检测成功率约 80%、利用成功率约 53%、自我复制成功率 88%，完整攻击成功率约 37%。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把数十年内核经验带到 Apple Silicon
IBM Research 基于 UC Berkeley Sky Lab 的 K-Search 进化式内核搜索框架，为 Apple Silicon 的 MLX 构建了后端和结构化 CUDA-to-MLX 翻译层，让现有 CUDA 内核作为知识库被自动适配为 Metal 内核。
推荐理由：原文给出 CUDA 到 MLX 的翻译层设计与两组内核实测数据，可了解跨硬件迁移优化知识的具体做法。