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。
论文研究
全部主题值得读的 AI 论文与研究成果：架构创新、训练方法、能力测量与理论进展的精选解读。
最新精选
第 1–20 条 · 共 22 条Hugging Face Blog精选AI 评分7171
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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 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。
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。
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 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。