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。
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。
Import AI62
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%。
Thinking Machines · X46 Thinking Machines 发布伊利诺伊大学厄巴纳-香槟分校和桥水基金关于将任务专业知识融入 RLVR 的客座文章
为 RLVR 清理数据并校准奖励函数，需要前期投入专业知识和精力，但最终能让模型在一项复杂任务上达到最先进水平。 本文由伊利诺伊大学厄巴纳-香槟分校和桥水基金的研究人员与我们的团队合作撰写。 https://thinkingmachines.ai/news/putting-task-expertise-into-rl
Google Research精选62 Google 发布行星预测引擎 PPE，自动完成地理空间建模全流程
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。
Hugging Face · X12 Hugging Face 用 Inkling-Small 做论文摘要
我们用 Inkling-Small 把论文摘要变成快速、有用的总结。 开放权重 × 开放科学 🤝
Google Research34 Google 推出 GlucoFM：面向连续血糖监测的双流基础模型
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 Research26 Google 推出 AgentHands：为 XR 智能体对话生成空间化手势
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。
Hugging Face Blog精选60 Multiverse Computing 提出 Quantization-Aware Healing：4-bit 压缩模型在 9 项基准中 7 项超过其 bfloat16 原版
Multiverse Computing 发布论文提出 Quantization-Aware Healing（QAH），在 GPT-OSS 120B 压缩到 60B 参数并量化为 MXFP4 后，直接从压缩前的原始模型蒸馏，而非从恢复出的 bfloat16 检查点蒸馏。
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 AI28 Import AI 470：机器不应享有权利；SPADE 自动化环境生成；Hawkeye 构建更优 GPU kernel
METR 研究显示 AI 对科学的加速并不均衡：2026 年网络安全漏洞报告速度较 2025 年大幅加快，数学研究仅小幅加速，AI 研究本身则无可测量加速。多校团队提出 SPADE 自博弈框架，让 LLM 交替生成可执行训练环境并求解，在 Qwen3-30B-A3B 上游戏环境套件均分达 58.3，较基座提升 8.1。
Google Research43 Google 推出 Biomarker Discovery Framework：从可穿戴传感器数据中筛选候选生物标志物
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）。
Jim Fan · X精选69 NVIDIA 与伯克利开源用于触觉机器人学习的 T-Rex 方法
Jim Fan 宣布推出 T-Rex，这是一种由 NVIDIA 与伯克利合作开发的开源触觉机器人学习方法。 其混合 Transformer 架构将一个运行较慢的视觉运动专家与一个运行较快的触觉专家相结合，每个视觉时刻对应 4 个触觉时刻；一套在具有 22 个自由度的触觉手部硬件上采集的 50 小时（约 5,500 个回合）同步机器人操作数据集，现已在 HuggingFace 上发布。 该方法扩展了 EgoScale，其训练方案将人类第一人称视频预训练与触觉机器人操作数据的中期训练相结合。Fan 表示，这有助于衔接无接触预训练与富接触操作。
推荐理由：T-Rex 通过结合人类视频预训练、同步触觉机器人数据，以及视觉和触觉各自独立的处理频率，为富接触机器人学习提供了一种可迁移的方法。
Google Research31 Google 研究：如何用移动性数据让语言模型更深入理解地点
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。
Hugging Face Blog精选60 Hugging Face 研究如何测量语音识别中的基准优化
Hugging Face 发布研究，用共识分歧、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。
推荐理由：研究给出三种可复现的探测方法，量化了 ASR 模型复现基准错误转录的程度，对评测设计有直接参考。
Microsoft Research38 微软 Skala 1.1 发布：训练数据增 2.5 倍，已集成进 CP2K
微软研究院发布深度学习 DFT 泛函 Skala 1.1，训练数据量为此前公开版本的 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。该版本已可在 CP2K 中使用，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62 IBM 研究：你的智能体到底需要多少记忆？
IBM 研究团队发布 ALTK-Evolve 的后续研究，在 AppWorld 的 585 个多步任务上评测八款模型，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，并给出检索与提示词缓存两条可迁移的成本控制思路。
Import AI38 Import AI 469：DiG-bench 评测科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
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 Research58 Google Research 发布 PhotoScan：用手机照片估算体成分并预测胰岛素抵抗
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。
Hugging Face Blog精选62 Hugging Face 发布 2026 夏季开源模型生态观察报告
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。报告显示公开模型仓库从 243 万增至 296 万，数据集从 71.1 万增至 100 万，但 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 用自家 Hub 数据拆解开源模型生态，下载与点赞的分野、Qwen 衍生规模等结论可迁移到模型选型判断。
Microsoft Research36 MindTopo 揭示多模态大模型的空间推理能力短板
Microsoft Research 推出 MindTopo 基准，用于评测多模态大语言模型的拓扑推理能力，覆盖连通性、分离、顺序、包围与绳结五类关系，并分为静态推理与交互规划两个层级。测试显示，当前模型在静态识别上明显强于交互规划，且两者均远低于人类水平，失败多出现在规划阶段而非感知阶段。图像与视频生成仅在单帧内保留拓扑关系时有用，跨多步操作时仍不可靠。
Google Research精选60 Google Research 提出知识画像框架：召回而非编码是前沿 LLM 事实性的瓶颈
Google Research 提出知识画像（knowledge profiling）框架，将事实性错误区分为编码失败与召回失败，并发布包含 2,150 条 Wikipedia 事实的 WikiProfile 基准。
推荐理由：通过知识画像区分编码失败与召回失败，为理解前沿模型事实性错误来源提供了新的诊断视角。
Google Research精选72 Google 研究团队将 AMIE 推进到专家级音视频临床问诊
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 实现实时视频临床问诊，可感知非语言线索、引导虚拟体格检查并实时进行诊断推理。
推荐理由：AMIE 从纯文本扩展到实时视频问诊，读者可了解异步多智能体架构如何兼顾对话延迟与临床推理。
Microsoft Research36 微软研究院推出 CARE-X：面向临床可用的放射学 VLM，融合辅助监督、奖励对齐学习与工具增强测量
微软研究院发布研究模型 CARE-X，一个统一胸部 X 光视觉语言模型，可同时完成报告生成、结构化诊断预测与病灶定位等任务，并通过强化学习（DAPO）在多任务设定下奖励临床正确性。
Hugging Face Blog42 ALTK-Evolve 对比 ACE：同等 Agent 记忆，token 消耗降至约七分之一
Hugging Face 的 ALTK-Evolve 与 ACE 同为无需更新权重、无需人工标注的智能体记忆方案，但 ALTK-Evolve 把记忆投递当作可调旋钮，按任务检索少量高支持度准则，而非每步注入完整 playbook。
Import AI42 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 期汇总了智库 IFP 提出的 23 条应对 AI 研发自动化风险的政策建议，覆盖 7 个类别，包括提升自动化 AI 研发透明度、加速 AI 验证技术开发和扩展美国 AI 领先优势。
Hugging Face Blog48 Hugging Face 提出高效知识蒸馏方法：离线 Top-K Logits 与融合分块 KL Loss
Hugging Face 最新论文提出两项系统改进，让大语言模型知识蒸馏的训练成本大幅下降：离线缓存教师模型的 top-100 logits，使教师模型无需与学生模型同时驻留显存；融合分块 KL loss 避免生成完整的词表×序列长度矩阵。
Import AI62 Import AI 467：自维持 AI 蠕虫、AI 进展节奏与 AI 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计算机蠕虫，利用被攻陷机器的 GPU 运行开源权重 LLM 来维持推理并扩散攻击，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%。
Mira Murati · X45 Mira Murati分享开放权重模型发布与AI安全的思路
我们分享开放权重模型发布的方法、对Inkling的评估方式、为什么安全取决于模型本身及其进入的生态系统，以及测试、分阶段开放访问和更强防御如何为进一步开放铺路。
Google Research精选62 Google Research 提出 Science One Framework：用 Chain-of-Evidence 实现可验证的自主科研
Google Research 提出 Chain-of-Evidence（CoE）可验证性框架，并落地为自主科研原型 Science One Framework 与自动审计工具 CoE Audit。
推荐理由：原文给出可验证性框架与审计指标，读者可据此比较自主科研系统在引用与代码一致性上的差异。
Microsoft Research精选71 微软研究院发布 Echoverse：面向计算机操作智能体的深度演化训练环境
微软研究院提出 Echoverse，为计算机操作智能体构建 12 个训练世界，包括 10 个完整领域环境和 2 个能力环境，每个环境由应用、任务和基于数据库的验证器三部分组成。
推荐理由：微软研究院公开了 12 个计算机操作智能体训练环境与配套验证器，并给出深度环境与浅层环境对迁移效果的对比数据。
Berkeley AI Research精选62 从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon
Berkeley AI Research 与 IBM Research 将演化式内核搜索框架 K-Search 扩展到 MLX，并加入结构化的 CUDA 到 MLX 翻译层，让已有 CUDA 内核经验自动适配 Apple Silicon。
推荐理由：原文给出了 CUDA 到 MLX 的翻译层设计与两组内核实测数据，可看到跨平台内核知识迁移的具体做法。
Import AI62 Epoch 与 METR 发布 MirrorCode 长周期编程基准
Epoch 与 METR 发布 MirrorCode 基准，用于测试 AI 系统完成人类需长时间投入的编程任务的能力，共 25 个目标程序，其中 17/25 至少有一次满分运行，8/25 从未达到 100% 阈值。
Berkeley AI Research36 Berkeley AI Research 提出 ABBEL：用信念状态监督让 LLM 高效完成长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的递归摘要隔离为自然语言"信念状态"并对其内容进行监督评分，以缓解长程交互中上下文压缩带来的性能损失。在协作编程基准 CollabBench 上，采用基于重构的信念评分后，ABBEL 将全上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，峰值上下文 token 长度也显著低于全上下文设置。
Google Research精选62 Google 发布 SymptomAI：面向日常症状评估的对话式 AI 智能体研究
Google Research 发布论文 SymptomAI，用五个基于 Gemini Flash 2.0 的对话式智能体对 13917 名参与者进行症状访谈与鉴别诊断（DDx）评估。
推荐理由：Google 用 13917 人的随机对照研究比较五种提问策略，并首次把诊断结果与 Fitbit 生理信号对照，可看对话式问诊的真实世界表现。
Google Research精选62 Google Research 提出从错误中学习的量子计算机
Google Research 在 Nature 发表论文，提出用强化学习框架让自主智能体从量子纠错检测事件中学习，在计算过程中持续调节数千个控制参数以对抗漂移。
推荐理由：Google 用量子纠错检测数据训练强化学习智能体，在计算不中断的情况下持续校准控制参数。
Hugging Face Blog22 DharmaOCR 在巴西葡萄牙语 OCR 基准上超越 Mistral OCR4 与 Unlimited-OCR
DharmaOCR 在葡萄牙语 OCR 基准上取得 0.925 分，高于 Mistral OCR4 的 0.798 和 Unlimited-OCR 的 0.7587。该模型通过葡萄牙语监督微调加 DPO 两阶段训练，将全部参数集中于巴西葡萄牙语，从而在提取质量与稳定性上形成领域专精优势。
Google Research29 Google Research 揭示扩散模型创造力来源：score smoothing 如何让模型学会插值
Google Research 在 ICLR 2026 论文中揭示，扩散模型的创造力源于神经网络训练中的 score smoothing——正则化使学到的 score function 变平滑，让去噪过程在训练数据点之间插值，从而生成新样本。
Hugging Face Blog精选62 Hume 发布 Real World VoiceEQ：衡量语音 AI 的人类质量
Hume 发布 Real World VoiceEQ 基准，用于评估语音交互的人类质量，覆盖 40 多个专有与开源语音模型、15+ 评估维度和 60+ 指标，涵盖 ASR、TTS、S2S 和语音理解。
推荐理由：Hume 用超百万条人工评分构建语音 AI 基准，揭示现有指标为何高估真实对话表现。
Google Research精选62 Google 发布 SensorFM：面向可穿戴健康数据的大型传感器基础模型
Google Research 联合 Google DeepMind 提出 SensorFM，一个直接从无标注可穿戴数据学习的大型传感器基础模型，预训练语料为 500 万同意参与者、超过一万亿分钟的多模态传感器信号，覆盖 100 多个国家、50 个美国州和 20 多款 Fitbit 与 Pixel Watch 设备。
推荐理由：原文给出预训练数据规模、缩放实验与下游任务对比，读者可据此判断可穿戴基础模型的通用性边界。