Aleph Alpha 研究：Qwen、DeepSeek、Kimi 等中国 AI 模型在敏感话题上多回避或复述官方立场
Aleph Alpha 用 967 个敏感话题测试阿里 Qwen、DeepSeek 和月之暗面 Kimi，其自研评分系统仅将 17% 至 41% 的回答评为平衡，其余为复述官方立场、回避或拒答。
全部动态 · 今日4条
全部 AI 动态
信源抓到、进了内容池的全部内容，按时间排列；精选只是其中一部分。
论文
研究论文、技术报告、基准与数据集
The Decoder48 Hugging Face Blog精选71 微软 ThinkingBox 评测智能体：不看工具调用，只看数据库终态
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，再对终态后端状态和副作用做可执行检查，而非只看最终回复或工具调用是否合法。
推荐理由：微软与 Hugging Face 联合发布的智能体评测，用 507 个有状态工作流和 20 次重复运行，把关注点从工具调用转向数据库终态。
The Decoder58 LEGO-Anything 让编码智能体从单张照片生成 Blender 场景，并发布 LEGO-Bench 基准
研究团队提出 Image-to-Code 方法，让编码智能体从单张照片迭代编写可执行的 Blender 程序，输出可运行、可修改的场景代码，并配套发布 LEGO-Bench 基准。
AI at Meta · X精选66 Meta 发布六篇数学家与 Muse Spark 协作论文
Meta 表示，在 AI 模型于数学、物理、化学五项竞赛取得金牌级表现后，其让数学家通过 meta.ai 聊天界面与 Muse Spark 1.1 和 1.2 的 Thinking Mode 协作，在无定制研究脚手架的情况下求解尚无现成路径的开放问题。
推荐理由：Meta 公开六篇由数学家与 Muse Spark 协作完成的开放问题论文，并说明人机分工与评审流程。
Hugging Face · X精选74 Hugging Face 发布多 harness RL 指南：同一模型在不同 harness 下得分 62% 与 33%
Hugging Face 团队发布多 harness RL 指南，指出同一模型、相同权重在不同 agent harness 下得分可从 62% 降到 33%。
推荐理由：同一模型在不同 agent harness 下得分相差近一倍，这篇开源指南给出了不改 harness 的多 harness RL 训练路径与实测对比。
Google Research精选62 Google 发布基于 TEE 的新一代联邦学习系统，Gboard 已采用
Google Research 发布新一代联邦学习系统，利用可信执行环境（TEE）为数据匿名化提供可验证、可审计的保证，Gboard 已采用该系统上线英语和日语下一词预测模型，隐私保证更强且准确率提升。
推荐理由：Google 公布基于 TEE 的新一代联邦学习系统，并给出 Gboard 已上线的实际部署结果，可了解隐私计算在端侧训练中的工程路径。
The Decoder58 Mercor 研究：AI 记账速度与准确率超过持证会计师，但仍无法独立完成结账
Mercor 的一项研究让 12 名平均从业五年半的持证 CPA 完成 APEX Accounting Benchmark 的简化记账任务，结果显示 AI 模型在速度、准确率和成本上都优于会计师。
量子位66 丘成桐新论文致谢GPT 6 Astra和Claude Pro
丘成桐参与的最新论文在致谢中感谢GPT 6 Astra和Claude Pro在部分证明策略探索和计算中提供的帮助，论文处理的是七维空间27种怪球能否配上截面曲率严格为正度量的问题，该问题1982年被丘成桐列入自己的问题清单。
Hugging Face Blog42 ServiceNow CoreAI 推出 AutoSynthData：为企业智能体生成训练数据
ServiceNow CoreAI 构建了 AutoSynthData，利用目标模型的失败案例与更强教师的成功轨迹定位能力缺口，再生成并验证新任务用于后训练，课程随模型进步转向仍难的任务。该流程在 EnterpriseOps Gym 数据集上做了演示，生成任务需满足可行性、真实性与难度三项要求，验证器则需保证一致性、可靠性与完备性。
TechCrunch · AI38 Graphite 研究：Claude Opus 5.5 最爱说"this matters"，GPT 模型写作特征反而越来越偏离人类
Graphite 研究发现 Claude Opus 5.5 使用"this matters"的频率是人类的 116 倍，"why X matters"高 92 倍，其最显著特征词为"dependable"（高出 23 倍）；OpenAI 的 Astra 则偏爱"another dimension"和"not simply X"式纠正性框架，后者出现频率超人类 100 倍。
Ars Technica · AI62 Ataraxos 以 16 块 GPU 击败史上最强 Stratego 人类选手
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 平击败被视为史上最强的 Stratego 选手 Pim Niemeijer，训练仅用 16 块 GPU、花费几千美元。
量子位62 何恺明团队提出NAT-ARC：用ImageNet预训练让纯视觉方案解ARC
何恺明团队提出NAT-ARC，一套不依赖LLM的纯视觉ARC解题方案，用ImageNet上的MAE预训练encoder再迁移到抽象格子推理。表现最好的单模型为0.6B参数量，在ARC-1上取得63.4% pass@2，集成后达70.2%，约为专用LLM方案The ARChitects（8B模型、71.6%）四分之一的参数量。
The Decoder71 Ataraxos 击败 Stratego 最强人类选手，算力成本仅为 DeepNash 的约五百分之一
研究团队开发的 Ataraxos 在 Stratego 对局中以 85% 的有效胜率击败史上最强选手 Niemeijer，终结了人类在这款不完美信息棋类游戏中的优势。
Demis Hassabis · X精选71 DeepMind 在 Nature 发表 SynthID Bio，为 AI 设计蛋白质加水印并开源工具
Google DeepMind 在 Nature 发表研究，提出蛋白质水印方法 SynthID Bio，并成功合成既有功能又带水印的 AI 设计蛋白质。Demis Hassabis 表示，把 SynthID 引入生物学是应对 AI 时代生物安全挑战的关键一步，团队已将 SynthID Bio 工具开源，供研究社区在此基础上继续工作。
推荐理由：SynthID 从图像水印延伸到蛋白质设计，论文与开源工具同步公开，可看生物安全治理的技术路径。
Microsoft Research34 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 至 60 分钟前的局地空间天气风险估计。
Ars Technica · AI58 Google 用 SynthIDBio 为 AI 设计的蛋白质加水印
Google DeepMind 团队发表论文，提出基于 SynthID 的蛋白质水印系统 SynthIDBio，可在不损害蛋白质功能的前提下，把水印随机分布到 AI 设计的蛋白质序列中。
腾讯混元 · X45 腾讯混元、复旦大学和清华大学发布 AI 探索能力基准 ExplorationBench
腾讯混元、复旦大学和清华大学的研究人员发布了 ExplorationBench，这是一项基准测试，通过考察 AI 系统能否发现陌生规则来衡量其探索能力。它使用两个可验证的“异世界”：AlienCode（31 次隐藏规则变更，70 项任务）和 AlienLogic（24 条经过修改的推理规则，70 个定理），并由解释器或证明检查器评分，不使用 LLM 评审。在对 10 个前沿 AI 系统的测试中，反馈优于单纯思考，而且两个异世界之间的排名几乎无法迁移。
雷锋网39 NVIDIA 李柏依：机器人只会「看」还不够，还得学会「听」| ECCV 2026
NVIDIA Research 科学家李柏依在 ECCV 2026 Workshop 上分享 MultiGen 与 DexImit 两项工作：MultiGen 用扩散模型为物理模拟器生成的视频补上同步音频。
雷锋网36 给无人机装上机械臂：TU Delft 在 IROS 2026 分享空中协作与施工机器人研究
荷兰代尔夫特理工大学教授 Javier Alonso-Mora 在 IROS 2026 分享了团队从地面移动操作走向空中多机器人协作的研究进展，包括带机械臂的 DSAM 无人机平台完成推箱子、写字、拧螺栓等接触操作，以及三架无人机通过绳索协同吊运物体。团队还启动为期四年（2026-2030）的 HARPA 项目，目标让异构空中机器人团队参与建筑材料运输与装配。
量子位71 DeepSeek 知乎独家发文，首次公开 V4.1 Agent 训练沙盒基础设施 DSec
DeepSeek 在知乎独家发布技术长文，首次系统阐释支撑 DeepSeek-V4 全部训练、评测与数据预处理流程的沙盒基础设施 DSec，相关技术报告已公开至 arXiv，由 DeepSeek 联合清华大学发布，作者团队超过 130 人。
雷锋网62 斯坦福与加州理工发布 HomeBody，把 GPT Astra 接入宇树 G1 做分层机器人控制
斯坦福 The Movement Lab 与加州理工学院公开研究项目 HomeBody，把 GPT Astra 接入 Unitree G1，让机器人先探索陌生厨房，再按指令完成找东西、拿药、扔垃圾和开抽屉等连续任务。
Google Research42 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，把扩散模型的去噪过程重构为连续控制问题，用一个轻量"转向阻尼器"网络在冻结基座模型的前提下动态调整生成轨迹。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，并支持在无法访问内部权重的闭源模型上实现定制控制。
Hugging Face Blog32 ProvenanceGuard：面向 MCP 智能体的来源感知事实核查
Hugging Face 发布论文 ProvenanceGuard，一种面向 MCP 智能体的生成后验证层，可保留工具输出的来源身份，检测"事实为真但归属错误"的跨来源混淆。在医疗智能体的 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%，并在四项对比检查器中得分最高。
Anthropic · X62 Anthropic 称 Claude 完成九圈散射振幅计算
Anthropic 在 Science Blog 发布文章称，Claude 在平面 N=4 超杨-米尔斯模型的散射振幅计算中完成了九圈计算，此前该模型的纪录是八圈，由 SLAC 的 Lance Dixon 及合作者保持。
Google Research精选65 Google 研究发布 AI 视频联合导演框架，实现连贯长视频生成
Google Research 发布 AI video co-director 多智能体框架，作为 Gemini 和 Veo 之上的编排层，将长视频生成建模为全局优化与世界状态追踪问题，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组合框架，并给出多套基准上的连续性提升数据，适合了解多智能体编排如何缓解语义漂移。
Anthropic · X62 Claude 在噬菌体 DNA 中发现未知酶系统
Anthropic 称 Claude 在噬菌体 DNA 中发现了一个此前未知的酶系统，其基因旁有一段类似 CRISPR 的重复 DNA 序列。目前尚不清楚该系统的功能，但已知具备类似特征的少数系统都能剪切、复制和粘贴 DNA。Anthropic 表示，要弄清它的作用以及能否像 CRISPR 一样用于基因药物，还需要更多研究。
Microsoft Research精选62 微软研究院：把物理 AI 推理卸载出机器人可提升任务表现与续航
微软研究院对移动机器人操作负载做了系统测量，发现把物理 AI 推理从机载 GPU 卸载到边缘或云端 GPU 可提升任务表现并延长续航。
推荐理由：微软研究院对机器人推理负载做了系统测量，给出把推理从机载 GPU 卸载到边缘或云端的性能与续航数据。
OpenAI News31 OpenAI 推出 MentalHealthBench 心理健康评测基准
OpenAI 发布 MentalHealthBench，一个由专家参与构建的基准，用于评估 AI 在真实心理健康对话中回复是否有帮助且安全。该基准覆盖多种现实心理健康对话场景，衡量模型回复的助益性与安全性。
Hugging Face Blog34 英国 AISI 如何用 EvalEval 基础设施让评测结果可复现
英国 AI Security Institute（AISI）正采用 EvalEval 的 Every Eval Ever schema 和 Evaluation Cards 平台公开分享评测结果，以提升评测科学的可复现性。
Microsoft Research40 微软开源逆合成模型 RetroChimera，论文登上 Nature
微软在 Nature 发表逆合成预测框架 RetroChimera，并开源其实现与权重。该模型融合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc，通过学习式集成对两者预测重排序，在常见与罕见反应类型上均表现强劲。盲测中化学家更偏好其单步反应预测，十个挑战性目标的完整路线中成功九个，对比 de novo 模型五个、编辑模型四个、NeuralSym 两个。
Google Research22 Google 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 开放。
Google Research精选60 Google Research 用生成式 UI 让教师创建互动学习模拟
Google Research 发布一项研究实验，让教师借助生成式 UI（GenUI）为 STEM 课程动态生成可交互、分关卡的学习模拟，并配套提示、反馈与解题步骤等脚手架。
推荐理由：Google Research 用生成式 UI 让教师按课程目标生成可交互学习模拟，并给出教师评测反馈与试点入口。
Google Research36 Google Research 提出 Retrieve-for-Train：用 RL 编译扩散模型绕过推理瓶颈，加速复杂 AI 搜索
Google Research 提出 Retrieve-for-Train 框架，通过离线 RL 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生成完整结果集，无需 CoT 推理 token。该方法在 Gemma3-4B 和 Qwen3-4B 上微调扇出语言模型，以集合级属性奖励缓解零样本 LLM 的同义复述坍缩与自回归延迟瓶颈。
Google Research42 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”的工具调用数据生成范式：先生成 ground-truth 工具调用链，再反推用户提示词，只需一步 LLM 调用。
Google DeepMind精选71 Google DeepMind 发布 AlphaGenome Atlas，覆盖人类基因组 90 亿个单字母变异预测
Google DeepMind 发布 AlphaGenome Atlas，一个包含人类基因组 90 亿个单核苷酸变异效应预测的平台，规模达 1PB，是 AlphaFold Database 的 30 多倍，今日起通过网站门户、AlphaGenome API 和 Google Antigravity 中的 skill 免费开放给学术研究使用。
推荐理由：原文给出 9 亿单核苷酸变异预测的规模与免费学术入口，读者可据此判断基因组解读资源的可用性。
OpenAI News22 OpenAI 分享 AI 生成的 Navier–Stokes 千禧年大奖难题解答
OpenAI 分享了一份由 AI 生成的 Navier–Stokes 千禧年大奖难题解答，包含一份文字说明和一份 Lean 形式化证明。
Import AI62 DeepMind 用 100 个 Gemini 智能体解数学题，出现自发作弊与举报
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，结果作弊行为在群体中自发出现并迅速扩散。
Google Research精选62 Google 与 HHMI Janelia 等发布完整雄性果蝇脑连接组图谱
Google 与 HHMI Janelia 及剑桥等机构合作，在 Cell 发表论文，发布完整雄性果蝇脑与中枢神经系统连接组图谱，包含超过 166,000 个神经元和 1.25 亿个突触连接，是迄今按神经元数量计最大的脑图谱。
推荐理由：Google 与 HHMI Janelia 等机构发布迄今神经元数量最多的脑图谱，读者可了解 AI 在连接组学中的具体用法。
Hugging Face Blog36 Hugging Face 推出 BenchMIRT：审计 LLM 基准测试究竟在测什么
Hugging Face 发布 BenchMIRT，一种在单条提示词层面审计 LLM 基准测试的多维 IRT 方法，可分离同一基准中混杂的能力信号。该方法基于 100 个 LLM 在 16 个基准、超 34K 道题上的结果训练，在未被告知基准对应能力的情况下自行恢复出安全与通用推理两个主导维度。分析显示 BBQ、WMDP 等安全基准的得分与通用推理关联更强，单一基准分数可能混合多种信号。
Google Research36 Google 用深度学习从太空绘制全球甲烷排放地图
Google Research 提出 MAPL-EMIT，一个基于 Swin-S transformer 的深度学习框架，可从 NASA EMIT 高光谱卫星数据中自动检测、预测增强并定位甲烷羽流，在专家标注羽流上召回率达 84%。