研究论文、技术报告、基准与数据集
Anthropic 的 Claude 针对来自四种蝎子的五种毒素，生成了 318,484 种蛋白质结合剂设计，并在研究人员提供进一步指示前自主工作了 24 小时。在实验室测试的 211 种设计中，有 17 种符合结合标准，且两个独立实验室确认了结果。结合力最强的两种结合剂紧密附着在 Cn2 上，位置靠近一种已知中和抗体的结合位点，但它们作为抗蛇毒血清的有效性尚未经过测试。
这项研究说明了设计出能与毒素结合的蛋白质，与证实其具有抗蛇毒活性之间的区别；实验室结合结果为理解这一差距提供了具体依据。
Ai2推出了FairStress，这是一项基准测试，依据以平等为中心的公平性定义，检验LLM在决策稳定性、解释和内部激活方面的群体差异。其300个场景扩展为超过1300万个测试用例，其中FairStress-Core子集包含5万个项目。在15个模型中，放弃正确答案的差距在身份暗示下平均为6.9个百分点，在明确标注身份时平均为9.3个百分点，倾向于被编码为少数群体的候选者。在三个经过测试的模型系列中，反事实思维链降低了稳健性差距，同时基本保持准确率，但并未消除所有不对称性。
与BBQ的比较表明，问题措辞和答案评分方式会改变测得的群体偏见方向，因此评估设计会影响对公平性结果的解读。
IBM Research 报告称，ALTK-Evolve 会从智能体的训练尝试中提取行为准则，并将其附加到提示中，从而提升客户服务表现，无需更新权重或人工标注。在留出的 τ²-bench 零售任务中，GPT-4.1 的 Pass^4 从 57.5% 提高到 67.5%；较小的准则集对航空任务的可靠性提升最大。其完整基础划分的零售成绩也超过了 2026 年 10 月 12 日排行榜快照中的所有参赛结果。准则增加了输入 token 成本，同时在匹配的成功运行中略微减少了对话轮数。
这些实验提供了一种可迁移的方法，通过学习得到的提示准则提升智能体可靠性，同时表明准则数量与输入 token 成本之间需要根据领域权衡。
AI at Meta@AIatMeta精选67这份报告将架构、蒸馏和量化方面的选择与在消费级硬件上运行智能体模型联系起来，为其所述的部署要求提供技术背景。
Google 研究人员推出并开源了 Harness²。这套系统可在执行期间修改智能体执行框架代码、系统提示、工具和技能。它将任务级提案、探测和组合与持久化的改进经验库结合起来，并支持 OpenCode 和 Codex。报告中的 WorkBuddy-Bench 结果显示，GLM-5 使用 OpenCode 经过一次改进后，得分从 64.2 提升至 75.7，超过未经修改的 Gemini 3.5 Flash 得分 72.4。
报告中的对比显示，在同一基准测试中，执行框架的变化会改变模型排名，因此评估智能体性能时，执行环境设置是一个影响重大的变量。
据 Anthropic 称，其内部 Claude 研究模型在不到半小时内重建了五个 NIST 椭圆曲线种子的生成过程，并由赏金活动组织者 Filippo Valsorda 独立验证。Claude 发现了与 lrand48 一致的模式，使用 LLL 格约化恢复生成器状态，并将初始化值追溯至 1997 年 5 月至 1998 年 4 月之间的 Unix 时间戳。一些被跳过的候选曲线、B-163 种子以及某些曲线基点仍未得到解释。
这份叙述展示了如何通过检验数值模式，使调查方向从受历史回忆影响的路径转向别处；可复现的生成器输出则为重建这些种子的来源提供了具体依据。
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。
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@GoogleDeepMind精选72Four Gemini 4 Argon agents, one shared Minecraft world, one goal: defeat the Ender Dragon. 27 hours and 2,783 self-written programs later, the dragon fell. https://t.co/Cx7Djg1VTx
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。
NVIDIA 与 IIT Madras 的 AI4Bharat 推出 Nemotron-pretraining-Indic-v1，涵盖 22 种印度语言、约 2.8 万亿个 token，并将很快与其开放式 GPU 加速生成流程一同发布。该语料库包含全部 22 种语言的本土文字文本，以及 12 种语言的罗马化文本；这些文本由精选英文来源翻译而来，并经过质量检查和来源追溯。一个印度语系继续预训练阶段提升了五项已报告基准的成绩，但该阶段混合了合成数据与自然数据，因此这项比较无法单独确定该语料库的贡献。
该流程通过将翻译、质量评估、修复和文字系统转换分开，同时保留与源文档的链接，为多语言数据生成提供了一种可复用的方法。
Microsoft Research 推出 Magnetar，这是一种零知识虚拟机，使用仅基于标准哈希函数的安全机制来证明 RISC-V 程序的执行。它支持用 Rust、Go 或 C 编写的程序，无需开发者将其改写为密码学电路。Microsoft 报告称，在 15 个基准测试程序中，Magnetar 在同一台机器上的平均速度比现有最快的可比 zkVM 快 10 至 39 倍，证明验证时间约为 12 毫秒。
基准测试对比将证明速度与通用执行和标准哈希函数联系起来，阐明了限制可验证计算更广泛采用的权衡。
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。
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。
徐迪生团队在一项人机协作中使用了上海人工智能实验室的书生-S2 模型，证明了三维 Ghys 猜想，相关预印本已发布在 arXiv 上。研究人员指导了七轮递归探索，问题图的节点数从 15 个扩展到 389 个。北京大学团队使用其 SHEAF 框架，将全部四个主要定理形式化，在约五天内生成约 55 万行 Lean 代码，并通过了 Lean 检查。
这种工作流程为研究数学提供了一种可迁移的方法：将专家指导与模型递归探索结合起来，并围绕由可检查证明任务构成的依赖图组织形式化验证。
Ai2 推出了 HiRO-ACEv2，这是一款升级版气候模拟器，可生成全球 3 公里分辨率的降雨、风和气压数据，成本约为 X-SHiELD 的 1/300。输入经过降尺度处理的 X-SHiELD 数据后，其 HiROv2 降尺度模型生成的高分辨率统计数据与参考值相差不超过 3%，即使对于每百万个数据点中仅出现一次的事件也是如此。目前，该系统只能与经过调校以匹配 X-SHiELD 的 ACE 配合使用，尚不能为其他气候生成高分辨率数据；可下载的模型、教程笔记本和网页演示现已开放。
与 X-SHiELD 的比较为研究人员提供了极端天气模拟的具体成本和准确度参照，但目前适用范围仅限于训练数据所代表的气候。
宝玉@dotey精选76
Excited to share a research blog post that Daniel Freeman (@bucketofkets) and I have been working on for the past few months: https://www.anthropic.com/research/self-replicating-ai
实验设置有助于区分简化条件下的成功复制与在消费级设备上的自主扩散，从而厘清对小模型时间预测的局限。
QbitAI 报道称，数学爱好者 nor 使用 GPT-6 Astra 证明了在圆内装填 15、16、17、18 和 20 个单位圆盘时的最优性，从而完成了 N≤20 的剩余情形。该方法结合了几何约束、有限的计算枚举和精确的最优性论证。nor 表示，过程中有大量人工参与，包括引导模型、修复问题、手动验证有效性，以及使用 Astra 和 Opus 5.5 重新检查结果。
据报道，这种证明策略展示了几何约束如何将无限搜索空间缩减为有限情形，并通过刚性论证将计算排除与精确的最优性证明联系起来。
微软研究院推出 StudentSim，这是一套研究系统，利用公开可用且已去标识化的学习者记录训练个性化学生模拟器，以评估和改进 AI 辅导工具。StudentSimEval 在国际象棋、英语作为第二语言的写作和数学领域，衡量行为保真度和对指导的响应能力；在这些领域，StudentSim 的表现均优于领先基线。在一项国际象棋辅导研究中，使用 StudentSim 反馈进行训练的准确率达到 90.5%，而不使用强化学习时为 75.7%，使用 GPT-5.4 反馈时为 71.6%；对真实学习者开展研究仍不可或缺，论文和代码均已公开。
同时评估模拟学习者的起始能力及其对指导的反应，为评估辅导反馈提供了一种具体方法，评估范围超越了解释本身是否正确。
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。
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。
10月7日，OpenAI发布了722份数学手稿，其中包括两篇关于Kakeya猜想的手稿：一篇97页的论文声称得到了比Wang和Zahl更强的三维极大函数结果，另一篇175页的论文声称解决四维Hausdorff维数情形。两篇均署名OpenAI，未经Lean形式化，也未经同行评审，且OpenAI的README称部分未形式化的结果可能存在缺陷。
文章梳理了两篇OpenAI手稿如何将Wang和Zahl的三维Kakeya工作扩展为更强的极大函数版本并推广至四维，同时指出这些证明缺乏同行评审。
Sundar Pichai@sundarpichai精选66
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。
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。
