研究论文、技术报告、基准与数据集
Convovo 的一项研究发现，在通过 API 提示模型从近 500 场中期选举中选择候选人时，Grok 4.7 在 92% 的回答中推荐共和党人，OpenAI 的 GPT-6.1 Sol 则在 97% 的回答中选择民主党人。面向消费者的应用拒绝了原始提示词，OpenAI 强调了这一区别。在一项禁用搜索、涵盖 30 场选举的后续抽样测试中，GPT 对民主党的偏好依然存在，而 Grok 大多拒绝选择；研究人员 Tapan Parikh 将这种差异归因于训练模式与搜索模式的不同。
禁用搜索进行比较，可以区分与检索到的来源相关的政治偏好，以及模型依赖训练数据时仍然存在的偏好。
Moonshot 推出了 Kimi K3.1 Pro，这是一款多模态 MoE 模型，总参数量为 2.8 万亿，激活参数量为 1040 亿，上下文窗口为 100 万 token。Artificial Analysis 给它排在第四位，得分为 55；权重尚未发布，Moonshot 承诺于 2026 年 11 月 4 日开放。标准版和 Highspeed 已在 Kimi 产品及 API 上线。Moonshot 称，Highspeed 的输出速度为标准版的 2–3 倍，价格则是标准版的两倍。
比较 token 价格和实测任务成本，可以看出，在评估智能体工作负载的经济性时，token 消耗增加可能抵消较低的单价。
Satya Nadella@satyanadella精选75Our MAI Diagnostic system is now 1.7x more accurate than physicians in the ED, even when they have access to the web to look things up. It's also lower cost & does fewer medical tests to get to its diagnosis. Published in the journal Science today... https://t.co/kPX3PkE6k0
与能够上网查阅资料的急诊科医生进行比较，为评估所报告的诊断准确率及检测成本提供了背景。
Google DeepMind、Google Research、WRI 和 IIASA 发布了 2020 年森林类型图（ForTy），这是一幅全球 10 米分辨率地图，将土地划分为六种森林和土地利用类别；同时还发布了涵盖 2017 至 2025 年的初步时间序列数据。在 9,000 多个地点进行的验证显示，森林类型识别准确率为 90%，区分森林与非森林土地的准确率为 95%。这些数据集采用开放许可，可在 Google Earth Engine 上免费获取，并展示了自然森林转变为种植园或农田等变化。
区分森林类型有助于揭示树冠覆盖地图可能遗漏的土地转变：被砍伐的天然林可能变成绿色种植园，从而为评估森林砍伐和退化提供更具体的依据。
Dharma AI 介绍了 VocabX，这是一种按成本加权的词汇适配方法。在基于 Qwen3-4B 构建的葡萄牙语作文评分器中，该方法将实测推理成本降低了 77.0%。使用相同的基础模型、数据和训练方案时，平均回复长度从 350 个 token 缩短到 101 个，基准测试得分则从 0.703 提高到 0.810。这些结果来自一篇仍在评审中的论文，发表前可能会有所变化。
评分器实验说明了为什么词汇压缩应保留影响决策的 token：将评分与周围的 JSON 内容分离后，实测成本节省和评估质量均有所提升。
Google Research 报告了一项发表于《JAMA Network Open》的前瞻性研究，评估 AI 根据由新手操作员在芝加哥和内罗毕进行的盲扫超声检查来判断孕龄的效果。在 385 名孕期 16 至 36 周的参与者中，该模型的平均绝对误差为 4.18 天，专家超声医师为 4.48 天，达到了研究设定的非劣效标准。微调使用了芝加哥 120 名参与者的数据，未使用内罗毕的数据进行本地优化。
在两个临床环境和不熟悉的超声设备上进行测试，为模型能否推广到训练队列之外提供了证据；这也是扩大产前筛查覆盖面的实际考量。
微软研究院的 Xinzhi Zhang 与合作者 Zhao Song 报告称，他们证明了这个提出 31 年的 KLS 猜想，为对数凹分布建立了一个与维度无关的普适界。研究人员指导 AI 智能体探索了 100 多种候选方法，随后开发出递归改进方法，完成了证明。文中介绍了独立完成的证明，以及之后结合他们的关键判据与其他研究成果进行的 Lean 4 形式化工作。
这篇报道提出了一种可迁移的研究方法：通过人类反复筛选 AI 的搜索轨迹，并将其与使用大致相同总 token 预算、但缺乏引导且未能成功的尝试进行对比。
OpenAI 与 PerturbAI 和斯克里普斯研究所合作，使用数千个 GPT-Rosalind 智能体分析了一份全脑 CRISPR 图谱，并在 32 分钟内完成了工作。每个智能体负责检查一种基因扰动并检索科学文献；团队估计，人工分析需要数月到一年的时间。在盲测比较中，人类专家有 75% 的时间更喜欢分布式智能体的报告，而非单个智能体的报告。由此生成的 Reasoning Atlas 已在 GitHub 上发布，并附有一篇 bioRxiv 论文。
据报告，专家更偏好分布式智能体而非单个智能体，这为比较智能体的组织方式如何影响生物学分析报告的实用性提供了一个具体案例。
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。
