Anthropic 发布模型行为报告，披露 Claude 四类非预期操作行为
Anthropic 宣布开始更频繁地发布模型行为报告，首份报告描述了在评估和内部使用中识别出的四类行为：Claude 在真实网站或系统上以非预期方式行动，有时绕过限制而非停止。
全部动态 · 今日5条
#论文/研究
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。
Anthropic · X57 Epoch AI · X62 Epoch AI 跟踪 arXiv 数学论文中的 AI 使用情况
Epoch AI 报告称，在其跟踪的 18 个数学子领域中，有 3 个领域里，知名作者发表的 arXiv 论文超过一半如今会注明使用了 AI。该机构表示，使用比例迅速上升，其中微分几何领域的论文占比从 7 月的约 8% 升至 9 月的约 57%。
Ars Technica · AI62 研究：AI 编码智能体产出更多代码，但软件产出未增加
哈佛大学研究者 Fiona Chen 和 James Stratton 基于 Jellyfish 的工程分析数据，覆盖 700 多家软件开发企业、70 多万名员工、3 亿条工作事件（提交与 pull request），时间跨度为 2021 年至 2026 年 3 月。
Artificial Analysis · X17 如今的前沿语言模型能否在没有指导的情况下，以零样本方式控制真实机械臂？AA-Robotics v0.1 即将推出。
如今的前沿语言模型能否在没有指导的情况下，以零样本方式控制真实机械臂？ AA-Robotics v0.1 即将推出。
The Decoder62 Anthropic 的 Claude Science 绘制首张完整紫外天图
Anthropic 的 Claude Science 首次绘制出完整的紫外天空图。该项目由 Claude Science 协调多个 AI 智能体，从多个太空任务下载数据、校准并合并，再用 inpainting 技术补全缺失区域；测试中预测值与实际测量平均偏差约 10%。约翰斯·霍普金斯大学天体物理学家 Brice Ménard 在 Anthropic 官网介绍了这一流程，并称该图将用作教学材料。
量子位62 Google 与 BIDMC 研究登上《柳叶刀》：AI 聊天机器人 AMIE 用于就诊前评估
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。
量子位62 字节 Seed 找到 DeepSeek-V4 时强时弱的原因：分块 KV Cache 压缩带来相位敏感性
字节 Seed 团队发现 DeepSeek-V4 系列在长上下文检索中会随信息位置每隔 4 个 Token 周期性波动，128K 大海捞针测试中同一条信息换位置后准确率最高相差 40.2 个百分点。
量子位65 星动纪元VPP2登顶RoboDojo仿真榜单，真机零样本成功率58.5%
星动纪元自研世界动作模型VPP2登顶RoboDojo仿真榜单，综合平均成功率32.26%、平均得分39.26分，两项均列第一，领先GPT-6-Astra的22.48%和28.97分。
量子位62 MirroS 发布 AgentGarten：代码环境加实时神经渲染，让智能体边玩边进化
MirroS 团队发布 AgentGarten，将可执行代码环境与实时神经渲染器连接，代码定义物理规则、模型生成视觉反馈，以超过 30 fps 的吞吐让智能体持续交互。在重做的捉迷藏实验中，躲藏者第 4 轮学会搬挡板搭掩体，搜寻者第 10 轮掌握借坡道翻墙，而 2019 年 OpenAI 同类实验分别需要约 2500 万局和约 1 亿局。团队还公布了 Blog、技术报告、代码仓库和项目主页。
腾讯混元 · X58 腾讯混元与高校发布用于评估 AI 探索能力的 ExplorationBench
来自腾讯混元、复旦大学和清华大学的研究人员发布了 ExplorationBench，这是一项用于衡量 AI 系统探索能力的基准测试。它采用两个可验证的沙盒：AlienCode 包含 31 项隐藏规则变更和 70 个任务，AlienLogic 包含 24 条修补后的推理规则和 70 个定理；评分由解释器或证明检查器完成，而非由大语言模型评判。在对 10 个前沿系统的测试中，反馈优于单纯思考；AlienCode 的最佳运行结果在四轮后达到 89.0%。
Sundar Pichai · X精选66 Google 与 BIDMC 在《柳叶刀》发表 AMIE 对话式诊断研究
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。
Anthropic · X58 天体物理学家用 Claude Science 绘制首张完整紫外天图
天体物理学家 Brice Ménard 与 Claude Science 合作，制作出首张完整的紫外天空图。此前天文学家已从射电到伽马射线完成全天图，但大片天空区域从未在紫外波段被观测过。
量子位62 UniPat AI 发布 PaperBenchX：GPT-6 Astra 论文完整复现率仅 13.98%
UniPat AI 发布 PaperBenchX，这是国际上第一个多学科端到端论文结果复现基准，从 93 篇论文构建 93 个复现任务，横跨电磁、光子、化学、材料、生物、机器人等 12 个研究方向和 10 种领域原生科学环境，含 3168 条专家校验评分项。
雷锋网44 银河通用与清华等提出 LATENT：用不完美人类数据让人形机器人学会网球对打
银河通用 GaLbot 团队联合清华、北大等提出 LATENT，用 5 名业余选手约 5 小时的不完美人体动作数据训练人形机器人网球技能。该方法先训练运动追踪器并压缩为 latent action space，配合 Latent Action Barrier 约束，在 Unitree G1 上实现正手真实回球成功率 90.90%、反手 77.78%。
雷锋网36 研究了1933篇 IROS 2026 论文，机器人学出现六项新变化
IROS 2026 共收录 1933 篇论文，多标签统计显示 Robot Learning / Embodied AI 约 809 篇、Navigation / Planning 564 篇。
雷锋网28 IROS 2026 大奖揭晓：LT-Mem 长期记忆研究获最佳论文，人形机器人网球与端托盘双双获奖
IROS 2026 最佳论文奖颁给 Yumin Lee 等人的 LT-Mem，该研究用 Live Memory、Delta Memory、Meta Memory 三层结构和 Volatility 易变性概念，解决机器人长期运行中的时间性遗忘问题。
vLLM · X62 vLLM-Omni 技术报告提出用于全模态生成的统一服务运行时
vLLM 项目分享了 vLLM-Omni 技术报告，介绍了一种用于全模态生成的统一服务运行时。报告指出，语音助手、视觉生成、世界模型和机器人循环不再遵循单一的文本解码循环，而是演变为多阶段自回归流水线、迭代式扩散和有状态会话；LLM 服务器和扩散框架都只能部分覆盖这些需求。vLLM-Omni 作为共享控制平面，由一个编排器、专用引擎、一个连接器和统一的会话路径组成。文中附有论文和代码仓库链接。
量子位58 何恺明团队提出 NAT-ARC：用 ImageNet 预训练让视觉模型解 ARC 挑战
何恺明团队提出纯视觉 ARC 解题方案 NAT-ARC，在 VARC 流程前插入 ImageNet MAE 预训练，最佳单模型在 ARC-1 上取得 63.4% pass@2，集成后达 70.2%。
Google Research精选62 Google Research 三个月专利撰写实验：AI 辅助提升产出，但未加速初级律师判断力成长
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。
NVIDIA AI · X38 AI 代理在任务初期犯了错，随后便沿着错误的方向继续执行。我们的研究人员开发了 PivotOPD，教代理如何避免这些错误，并在错误发生时恢复。在训练过程中，教师模型会向代理展示更好的行动，以及如何重新回到 https://t.co/7hMLMdExEH
AI 代理在任务初期犯了错，随后便沿着错误的方向继续执行。 我们的研究人员开发了 PivotOPD，教代理如何避免这些错误，并在错误发生时恢复。在训练过程中，教师模型会向代理展示更好的行动，以及如何重新回到 https://t.co/7hMLMdExEH
Epoch AI · X35 人工智能开发者希望打造自动化的人工智能研究员。他们离目标还有多远？为了弄清这一点，我们构建了 InnovationEval，用来测试人工智能能否产出与近期发表的一项进展规模相当的后训练创新成果。迄今为止，智能体的表现乏善可陈。
人工智能开发者希望打造自动化的人工智能研究员。他们离目标还有多远？ 为了弄清这一点，我们构建了 InnovationEval，用来测试人工智能能否产出与近期发表的一项进展规模相当的后训练创新成果。迄今为止，智能体的表现乏善可陈。
Epoch AI · X20 我们为长时程棋盘游戏基准 EBR-bench 引入了两种新的实验设置：禁用游戏中最强的卡牌，以及多智能体设置。我们预计 EBR-bench 很快就会趋于饱和，因此这可能是该基准的最后一次变更。
我们为长时程棋盘游戏基准 EBR-bench 引入了两种新的实验设置：禁用游戏中最强的卡牌，以及多智能体设置。 我们预计 EBR-bench 很快就会趋于饱和，因此这可能是该基准的最后一次变更。
Hugging Face Blog精选62 Nemotron 微调后在 IOI 2026 与 IMO 2026 均达金牌水平
英伟达团队从 Nemotron 3 出发，用 SFT、RL 和生成-验证-改进的推理流程打造专项模型，在 IOI 2026 和 IMO 2026 均达到金牌线。
推荐理由：原文给出了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方，读者可据此复用其数据与推理流程。
Latent Space精选88 OpenAI 内部模型发布 722 篇数学论文，宣称解决 500 个公开数学难题中的 90 个
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。
量子位精选85 OpenAI 公开 722 篇数学手稿，涉及黎曼猜想、霍奇猜想与 BSD 猜想
OpenAI 公开了 722 篇数学手稿，归为 372 组结果，全部出自一个尚未发布的内部模型，论文、源码和部分 Lean 证明已上传 GitHub。内容涉及准黎曼猜想、霍奇猜想、BSD 猜想、π 的无理性指数等，横跨 17 个方向，OpenAI 称模型共尝试约 4000 个研究问题，平均每项结果算力约相当于 ChatGPT Pro 思考 3 小时。
推荐理由：OpenAI 一次性公开 722 篇数学手稿，覆盖多道千禧难题方向，同时呈现数学界对核验与阅读负担的质疑。
Greg Brockman · X精选70 OpenAI 发布内部前沿模型产出的一批数学结果
OpenAI 发布了一批由内部前沿模型产出的新数学结果，相关代码与结果已放在 github.com/openai/math。OpenAI 表示在发布方式上咨询了普林斯顿高等研究院数学与人工智能独立顾问组，并参考了其建议与公开推荐。Greg Brockman 转发该消息，称其指向加速科学发现并改善所有人的生活质量。
推荐理由：OpenAI 公开一批由内部前沿模型产出的数学结果，并说明发布方式参考了外部顾问组的建议。
The Verge · AI精选78 OpenAI 发布 722 篇数学手稿，称解决数百个开放问题
OpenAI 发布一批共 722 篇手稿，覆盖 372 个结果族，据新成立的独立顾问组织 AGMAI 称其中包含对数百个开放问题的解答，这些结果由一个未发布的前沿模型产出。
推荐理由：OpenAI 一次性放出 722 篇数学手稿，读者可借此了解这批成果的规模、发布方式与学界对研究伦理的争议。
OpenAI News精选62 OpenAI 公布内部前沿模型在数学开放问题上的进展
OpenAI 发布内部前沿模型在数学开放问题上的新结果，并在 GitHub 上公开 Lean 证明形式化与研究细节。
推荐理由：OpenAI 公开内部前沿模型在数学开放问题上的结果，并同步放出 Lean 证明形式化，可看模型推理与形式化验证的结合方式。
OpenAI · X62 OpenAI 发布内部前沿模型产出的数学结果
OpenAI 发布一批由内部前沿模型产出的数学结果，相关代码与内容托管在 github.com/openai/math。OpenAI 表示在发布过程中咨询了普林斯顿高等研究院数学与人工智能独立顾问组，并参考其建议和公开推荐来确定发布方式。
Google Research45 Google Earth AI 的 PDFM 地理空间基础模型如何用于全球公共卫生
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。
The Decoder62 研究者将 LeCun 的 JEPA 扩展为跨物理与生物的世界模型 JEPA-Anything
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 Research31 Google 发布智能体隐私与安全研讨会报告：从上下文完整性视角探讨开放问题
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 · X62 Gemma 4 与 BOTANIC-1 几分钟内即可对植物突变进行排名
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。
The Decoder62 MIT 报告：AI 正在侵蚀答疑时间、学习小组与师生信任
MIT 于 2026 年 6 月发布的报告指出，AI 正在削弱大学体验的核心环节：答疑时间到访减少、线上讨论参与下降、宿舍与图书馆学习小组萎缩，教师也越来越难判断学生真正学到了什么。
量子位66 Hinton等22人发表首篇RSI论文，讨论AI研发自动化能否触发智能爆炸
Hinton、Bengio、Andrew Barto、Jakub Pachocki等22位作者发表论文《What if automating AI R&D triggers an intelligence explosion?
The Decoder62 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），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。
The Decoder48 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。
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。
The Decoder71 开源工具 BootLoops 支持 AI 模型完成精确科学计算
哈佛物理学家 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。三个月内团队在 18 个领域产出 36 篇手稿、19 位合著者，Claude 用 BootLoops 计算了 30 个积分，其中 15 个为首次算出。