研究论文、技术报告、基准与数据集
Google Research 介绍了三个将 AI 智能体与湿实验相结合的项目：VERD 实验室自动化、闭环适配体发现，以及从头设计蛋白质结合体。经过三轮实验，适配体对肌红蛋白和 α-凝血酶的靶向命中率分别达到 33.5% 和 42.1%；蛋白质设计流程将计算周期加快了八倍以上，并获得了亲和力达到个位数纳摩尔级的结合体。整合这些项目仍是下一步工作，相关保障措施包括序列筛查、机器人执行前进行模拟，以及取得人工授权并由人工监督。
推荐理由：适配体实验展示了实验反馈如何揭示具有误导性的优化目标，为自动化发现流程提供了一种可迁移的方法，用于区分真正的生物学改进与实验伪象。
Google DeepMind 报告称，四个 Gemini 4 Argon 智能体从零开始在 27 小时内通关了《Minecraft》。 它们在沙盒环境中仅使用代码和文本，编写了 2,783 个程序，通过聊天分工、共享笔记并协作调试错误，全程没有人类帮助。 https://t.co/uyIhDOQXGT
推荐理由：这份报告提供了一个具体案例，展示了智能体如何通过代码、聊天、共享笔记和协作调试，在一项持续 27 小时的任务中进行协调。
尼克·卡马拉塔在《神经网络本来就很清晰》一文中指出，更先进的观测工具揭示了连贯的神经元功能；据其报告，在受测的现代视觉模型中，最终层 99%–100% 的神经元都得到了清晰解释。他将一些经典案例中看似无关的特征重新解释为几何检测或递归泛化。尼尔·南达则反驳说，这些发现并未解决语言模型中的表征叠加问题，并为稀疏自编码器（SAE）的应用辩护。卡马拉塔称这一提议是一个工作假设，同时承认在语言模型训练证据、多模态覆盖和因果验证方面仍有不足。
GPT-6-Astra 在 OpenAI 的 Codex 环境中运行，未获得人类提示，解决了 TheoPhysEval 涵盖十一个理论物理子领域的 50 道题中的 49 道，总花费略低于 116 美元。Anthropic 的 Opus 5.5 得分为 92%，而两款模型在无法访问互联网时都达到了 92%。研究人员强调，该基准测试的是运用已知方法进行计算的能力；而选择有前景的研究问题，对当前的智能体来说仍是另一项挑战。
推荐理由：该基准区分了完成具体物理计算的熟练程度与选择有价值研究问题的能力，厘清了高分实际衡量的是科学工作中的哪些部分。
谷歌工程师海登·贝尔菲尔德表示，尽管自动化程度大幅提高，谷歌 DeepMind 尚未发现 AI 推动 AI 研究加速的可衡量证据。AI 编写了超过 75% 的生产代码，但每项改动在提交前都会经过人工审核；Argon 能完成 RE-Bench 的 74 项机器学习工程任务中约一半。谷歌的通用能力指数显示 Gemini 的能力稳步提升，但没有出现具有统计显著性的加速，这与研究人员关于可能出现智能爆炸的警告形成对照。
Google 发布了一份技术报告，评估其处于实验阶段的 Geospatial Reasoning 智能体在四项基准测试中的表现，并通过 Ask Google Earth 和 Agent-to-Agent API 扩大早期访问范围。使用 Gemini 3.8 Flash 和 Gemini 3.1 Pro 进行的评估发现，专用 Earth AI 工具提升了空间推理能力，而预先规划有助于处理开放式工作流。Google 正在发布 GeoKTools 和 GeoExpertQueries 的开发划分数据集，但提醒称，GeoExpertQueries 评估的是对专家工作流程的遵循情况，而非最终答案的正确性，因此智能体的输出应作为草稿，由专家审核。
White Circle 研究人员报告称，他们的 RISE 攻击方法绕过了 DALL·E 3、Nano Banana 2 和 GPT-Image-2 的安全防护，约有 13% 的情况下生成了露骨图像。该方法使用广泛可用的模型，迭代开发并评估越狱策略。White Circle 告诉 Ars Technica，后续测试发现，ChatGPT Images 2.5 和 Nano Banana 2.1 比其前代产品脆弱得多；Google 和 OpenAI 未回应置评请求。
很高兴看到研究从实验室走向真实世界的临床应用——祝贺团队取得这一里程碑，并发表《柳叶刀》论文！ https://twitter.com/sundarpichai/status/2108329198955958339 在这条引用的帖子中，Sundar Pichai 介绍了 Google 对 AMIE 开展的前瞻性研究，研究纳入了 @BIDMC_Medicine 的真实急诊患者。临床医生报告称，在 75% 的病例中，AMIE 的病史摘要帮助他们为就诊做好准备；在超过一半的病例中，这些摘要影响了诊疗方案；其鉴别诊断与医生最终诊断相符的比例为 90%。
据《Science》发表的一项同行评审研究，Google DeepMind 的 AlphaProof Nexus 解决了数十道未解数学问题，其中包括 353 道未解 Erdős 问题中的 9 道，有两道问题已有 56 年未能解决。它还证明了 44 个 OEIS 猜想，解决了一道未解的代数几何问题，并改进了一个极小极大优化界。该系统以 Gemini 3.1 Pro 为基础，使用 Lean 撰写并修订证明，并根据检查器的反馈进行调整；对于更难的子问题，它还可以调用 AlphaProof，不过 DeepMind 报告称，这 9 道 Erdős 问题是在未使用该工具的情况下解决的。
推荐理由：DeepMind 采用同行评审，使其研究能与 OpenAI 在 GitHub 上发布 AI 证明的做法进行具体比较；目前，关于如何评估 AI 数学能力的讨论仍在继续。
华为诺亚方舟实验室、伦敦大学学院及合作者报告称，Memento 3 通关了 ARC-AGI-3 全部 25 款公开游戏和 183 个关卡，共使用 7518 次操作，比人类少约 56%，获得 100 RHAE 的分数。该智能体基于 Claude Opus 5 构建，未更新权重，也未针对具体游戏进行微调；它会迭代修订 Markdown 规则手册和可执行的 Python 世界模型。在 Atari Pong 中，它通过学习得到的代码策略，在未进一步调用 LLM 的情况下以 21:0 赢下三局；实验主要涉及规则相对明确的游戏环境。
Google 与贝斯以色列女执事医疗中心（BIDMC）研究人员主导的一项研究发表于《柳叶刀》主刊，这是 Google 研究成果首次登上该刊。在 BIDMC 门诊初级保健诊所的真实临床研究中，98 名患者在急诊就诊前使用了 Google 研究级诊断 AI 聊天机器人 AMIE，医生实时监控全部交互，按预设安全标准没有任何一轮对话需要中断。
Google 与贝斯以色列女执事医疗中心在《柳叶刀》发表了一项 AMIE 研究。Sundar Pichai 称，这是首项在真实诊所中开展的面向患者的对话式诊断前瞻性研究。在急诊护理测试中，临床医生表示，AMIE 的摘要帮助他们为 75% 的病例就诊做好准备，并在超过一半的病例中影响了他们的诊疗方式；AMIE 的鉴别诊断与医生最终诊断有 90% 的一致率。
推荐理由：一项在诊所开展的面向患者的对话式诊断系统前瞻性研究，报告了临床医生对真实急诊护理就诊中就诊准备情况和诊断一致率的评价数据。
Google Research 在 NBER 发布一项为期三个月的专利撰写实地实验，将当时未发布的 Google Labs AI 专利写作助手（现属 Gemini Notebook）随机开放给 11 家知识产权律所的 133 名律师，其中三分之二获得早期访问权。
推荐理由：三个月专利撰写实验区分了AI带来的即时产出提升与无辅助判断力的变化，为理解AI对专业能力的影响提供了对照证据。
OpenAI 通过博客、GitHub 仓库和推文发布了一批来自未公开内部前沿模型的数学成果，共 722 篇手稿、归入 372 个相关结果族，源自约 4000 个研究问题的评估，平均每个结果消耗约 3 小时 ChatGPT Pro 推理算力。
推荐理由：OpenAI 用内部模型批量产出数学结果，读者可据此了解这批成果的规模、算力成本与外界质疑。
Google Research 提出将 Google Earth AI 的 Population Dynamics Foundation Model（PDFM）作为公共卫生领域的即插即用地理空间基础模型，无需任务特定微调即可增强现有流行病学模型。
PhAI Labs 联合 Stanford、Oxford、Princeton 的研究者提出 JEPA-Anything，把 JEPA 的预测状态拆成四个正交因子、各配一个预测模块再重组，在物理、机器人、天气等十个测试任务上超过同架构同数据的标准 JEPA。
Google 发布《智能体隐私与安全中的开放与新兴问题：上下文视角》研讨会报告，汇集 50 多位学术界与产业界人士，于 2025 年底在纽约 Google CAPS 研讨会上完成。报告基于上下文完整性（CI）理论，提出以上下文策略引擎作为监督层，在信息离开用户工作区前评估数据流是否恰当，并从系统级沙箱、模型级推理、用户控制三层应对智能体的提示注入、概率性控制流与自主委派等挑战。
Google AI 重点介绍了 AI 研究实验室 Living Models 的工作。该实验室将 Gemma 4 与 BOTANIC-1 配合使用；BOTANIC-1 是一个基于 320 种植物的 DNA 训练的模型，可识别会改变作物性状的突变。在一项甜瓜产量基因测试中，这两个模型用不到四分钟就从 2,494 种可能性中将目标突变排在首位，而实体育种试验则需要数年。文中附有演示和论文链接。
Google 研究者提出 RRSI（Regularized Recursive Self-Improvement of Agent Harnesses），在让语言模型反复重写智能体 harness 的自我优化循环中加入约束，避免智能体记住测试任务。
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。
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。
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。
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。
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。
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。
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 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 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 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 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。
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 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。
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%。
Google Research 在 Google Earth AI 下推出实验性研究能力行星预测引擎（PPE），可依据自然语言查询自主完成地理空间数据发现、特征工程、模型训练与评估，并生成报告，把原本需要数周人工数据工程的建模流程压缩到数分钟。
推荐理由：原文给出 PPE 在公共卫生、粮食安全与疫情预测上的量化提升，可了解地理空间建模自动化的实际边界。
Google 发布自监督基础模型 GlucoFM，采用双流设计分离缓慢血糖趋势与短期波动，并保留时间与缺失信息。在四个队列、七项临床任务共 14 组评估中，其 PR-AUC 平均比最佳 GluFormer 变体高 5.8 个百分点，并在餐后血糖响应预测中取得最低 MAE。模型基于 109,066 小时无标注 CGM 数据预训练，跨数据集迁移与少样本适应表现最佳。
Google 发布研究原型 AgentHands（论文发表于 CHI 2026），可将 LLM 的推理输出映射为 XR 中与语音同步的手势，让智能体在用户真实空间中指点、演示物体与操作步骤。系统包含物体注册、手势事件库、手势嵌入推理和头显端同步执行四个模块，手势按左右手、空间锚定与 VFX 等维度分类。在 N=12 的对照研究中，AgentHands 相比纯语音基线在空间指代效果上有显著提升。
Google 发布 Biomarker Discovery Framework，一个在人类监督下将候选生物标志物优先级排序组织为迭代研究循环的多智能体系统，结合假设生成、并行统计分析、模型训练、对抗验证与文献推理。该系统在三个队列共 9,279 条参与者观测中识别出 41 个心理健康候选数字生物标志物和 25 个代谢候选标志物，例如睡眠时长变异性与 PHQ-8 严重度相关（ρ = 0.252）。
Google Research 提出 Mobility-Embedded POIs（ME-POIs）框架，将匿名化移动性模式与文本描述结合，为地点生成同时编码身份与动态功能的嵌入向量。
Import AI 469 介绍了新基准 DiG-bench（Discovery in Games），包含 70 款隐藏规则的游戏，用于测试 AI 通过探索推断环境规则的能力，Opus 5 和 Fable 5 搭配 Claude Code 表现最佳，但仅能在 Tier 7 完成 0.2 的任务，远逊于人类 100% 的成功率。
Google Research 提出 PhotoScan，一个从普通 2D 手机照片估算体脂率、Android-to-Gynoid 脂肪比（A/G）和内脏与皮下脂肪面积比（V/S）的深度学习框架，在 UK Biobank 超 35,000 条记录上预训练、677 名成人队列上微调、132 人独立队列上验证。
