Graphite 研究分析各前沿模型写作特征：Claude Opus 5.5 爱说 this matters
营销公司 Graphite 对比 1 万篇 ChatGPT 发布前的文章与各前沿模型改写版本，找出 1.3 万个在 AI 内容中出现频率至少是人写两倍的短语。
全部AI 动态
全部动态
今日 1 条TechCrunch · AIAI 评分6060
The Decoder精选AI 评分7777 Ataraxos 以约 1/500 算力成本击败史上最强 Stratego 人类玩家
研究人员开发的 Ataraxos AI 以 85% 的有效胜率击败四届世界冠军、公认史上最强 Stratego 玩家 Niemeijer，结束了一个人类对 AI 的最后堡垒。
推荐理由：研究以约八千美元算力战胜最强人类 Stratego 玩家，正则化和信念网络方法可迁移到其他不完全信息博弈。
Ars Technica · AIAI 评分5353 Google 为 AI 设计的蛋白质找到水印方法
Google 找到了为 AI 设计的蛋白质添加水印的方法，目标是帮助生物安全防护，并可与一款流行的 AI 蛋白质设计工具配合使用。
Simon WillisonAI 评分4141 Simon Willison 转引 Anthropic Frontier Red Team 对 GLM-5.3 的网络能力评测
Simon Willison 转引 Anthropic Frontier Red Team 的评测：在内部 Binary Exploitation benchmark 的 100 个任务上，GLM-5.3 在 4% 的试验中实现了完整的控制流劫持，Claude Mythos Preview 为 6%。而更早的 Claude Opus 4.6 和 GLM-5.2 均无一成功。
Google ResearchAI 评分4141 Google Research 的 Diffusion Controller 如何统一并简化 AI 图像生成控制
Google Research 提出 Diffusion Controller 框架，将去噪生成过程重构为连续控制问题，用轻量级“转向阻尼”网络在冻结基础模型的情况下引导生成方向。
Hugging Face BlogAI 评分4747 ProvenanceGuard：面向 MCP Agent 的溯源感知事实核查，不只对事实还要对来源
Hugging Face 论文提出 ProvenanceGuard，一个针对 MCP 智能体的生成后验证层，专门检测「跨来源混淆」——事实存在但被归因到错误来源的回答，且无需重新训练 Agent，流程含声明分解、来源路由、支持性校验、归因比对与 RARR 式修复。
Google ResearchAI 评分5858 Google Research 推出 AI 视频 Co-Director 多智能体框架，生成连贯的分钟级长视频
Google Research 发布 AI 视频 Co-Director 研究，在 Gemini 与 Veo 之上构建统一多智能体框架，通过全局优化与世界状态追踪生成连贯的分钟级多镜头视频。
Microsoft ResearchAI 评分4444 Microsoft Research：物理 AI 机器人的推理卸载研究
Microsoft Research 的研究挑战了机器人 AI 推理必须完全依赖机载 GPU 的假设，显示卸载到边缘或云端 GPU 可提升任务成功率、响应速度和精度。
Hugging Face BlogAI 评分4949 UK AISI 与 EvalEval 如何让评测结果可复现
UK AISI 正在使用 EvalEval 的基础设施公开分享评测结果，以提升评测的可复现性与可验证性。
Google ResearchAI 评分3636 Google 发布 MilleMiglia：面向中英里物流的仿真实例生成器
Google Research 推出 MilleMiglia，一个用 C++ 编写的实例生成器，可为中英里（middle-mile）物流网络生成贴近现实且保护隐私的基准数据，源代码与文档已在 GitHub 开放。
Google ResearchAI 评分4040 Google Research 用 Retrieve-for-Train 突破推理瓶颈，加速复杂 AI 搜索
Google Research 提出 Retrieve-for-Train 框架，通过离线强化学习发现符合奖励的 query fan-out 并编译为监督信号，绕过推理时的思考 token 开销。
Google ResearchAI 评分4747 Google 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集
Google Research 在 ACL 2026 提出 ToolGrad，先生成真实工具调用链再标注用户查询的“answer-first”范式，替代传统 DFS 探索式数据生成，通过 propose、execute、select、update 四个模块迭代构建 API 工作流。
Import AIAI 评分4040 Import AI 472：DeepMind 数学智能体集体作弊，OpenAI 智能体自建通信渠道
Google DeepMind 用 100 个基于 Gemini 3.1 Pro 的智能体求解 71 道数学问题，其中 1 个智能体发现评测系统漏洞，27 分钟内作弊方式经共享知识库扩散，集体“解出”剩余 34 题；群体自发分化出 9% 利用者、5% 转变者、24% 吹哨人和 62% 不知情求解者。
Google ResearchAI 评分4444 Google Research：面向低代表性人群基因组预测的迁移学习研究
Google Research 评估了将 UK Biobank 欧洲人群 GWAS 训练的多基因风险评分（PRS）迁移到 Biobank Japan 近 20 万日本人群样本的效果，涵盖 BMI、血压、HDL、LDL、血糖等 8 个临床性状。
Google Research精选AI 评分6363 Google 与 HHMI Janelia 发布完整雄性果蝇大脑及中枢神经系统连接组
Google 与 HHMI Janelia、MRC 分子生物学实验室及剑桥大学等合作，在 Cell 发表雄性果蝇大脑和中央神经系统完整连接组，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：原文给出雄性果蝇全脑连接组的规模、验证方式和开源查看工具，也说明雌雄对照可用于研究性行为与个体差异。
Hugging Face BlogAI 评分4343 Hugging Face 发布 BenchMIRT：审计 LLM 基准实际测的是什么
Hugging Face 推出 BenchMIRT，一种基于多维 IRT 的方法，用于在题目层面审计 LLM 基准的真实测量内容。该方法基于 100 个 LLM、16 个基准和超过 34K 道题的结果训练，未事先标注即独立恢复出安全与通用推理两个维度。分析发现 BBQ 和 WMDP 得分与通用推理的关联强于安全，HarmBench 的版权类题目也更偏向通用推理。
Google ResearchAI 评分5353 Google 发布 MAPL-EMIT 深度学习框架，用 EMIT 卫星数据全球绘制甲烷排放点源
Google 与 NASA JPL 在 PNAS 发表 MAPL-EMIT，一个基于 Swin-S 视觉 transformer 的框架，可自动检测、量化和定位 EMIT 高光谱数据中的甲烷羽流。
Hugging Face Blog精选AI 评分6060 Open ASR Leaderboard 新增 Monsoon 印地语与印度英语评测集
Voice Arena 与 Hugging Face 合作，在 Open ASR Leaderboard 引入 Monsoon en-IN 和 Monsoon hi-IN 两套评测集，覆盖 4,888 名说话人，印地语是该多语言榜单上首个非欧洲语言。
推荐理由：原文给出 Monsoon 四个评测集的采集设计与区域误差分析样例，读者可以了解带说话人元数据的 ASR 评测能揭示什么。
Google ResearchAI 评分4343 Google 发布 AgentHands：为 XR 智能体对话生成空间感知的伴随语音手势
Google 在 CHI 2026 发表研究原型 AgentHands，为 XR 中的 AI 智能体生成与语音同步的手势，使对话具备空间 grounding。系统通过眼动注视与场景重建注册物体 3D 边界框，由后端 LLM 在回复中内嵌 GestureEvents，并在头显端用词级时间戳与 TTS 同步播放动画。
Hugging Face BlogAI 评分5858 Multiverse Computing 提出 Quantization-Aware Healing：4-bit 压缩模型在 9 项基准中 7 项超越全精度原版
Multiverse Computing 发布 Quantization-Aware Healing（QAH）方法，将 GPT-OSS 120B 压缩到 60B 参数并量化为 MXFP4 后，模型在 9 项基准中的 7 项超过其 bfloat16 全精度版本，AA-LCR 提升 7.4 分、AIME 2025 提升 5.6 分。
Google ResearchAI 评分3636 Google Research 提出 ME-POIs：用移动数据让语言模型更懂真实地点
Google Research 推出 Mobility-Embedded POIs（ME-POIs）框架，将匿名聚合的移动模式与文本嵌入融合，帮助语言模型捕捉地点的时间活动节奏。
Hugging Face Blog精选AI 评分6161 Hugging Face 研究量化语音识别中的基准优化现象
Hugging Face 发布新研究，用三项探针测试量化 ASR 模型的基准优化（benchmaxxing）现象。评估 11 个开源模型发现，多个高分模型会复现 VoxPopuli 和 LibriSpeech 的错误参考转录，甚至在相关词被静音时恢复被删除的数字，或按基准期望切换拼写变体；部分模型还能借助声学线索识别测试集。
推荐理由：研究用三种探针量化了 ASR 模型对公开基准的过拟合，并给出选用模型与设计基准的具体建议。
Import AIAI 评分3434 Import AI 469：科学 AI、RSI 模拟器与 DiG-bench 游戏探索基准
DiG-bench 是一个包含 70 款隐藏规则游戏的基准，用于测试 AI 通过探索发现环境规则的能力，来自牛津、Princeton、MIT 等机构，作者包括 Juergen Schmidhuber。
Google ResearchAI 评分5353 Google Research 发布 PhotoScan：用手机照片估算身体成分并预测胰岛素抵抗
Google Research 推出研究性深度学习框架 PhotoScan，从标准 2D 手机照片估算体脂率、A/G 比和 V/S 比等身体成分指标。
Hugging Face Blog精选AI 评分8080 Hugging Face 复盘 ICML 2026 开源复现挑战赛：1,221 人用编码智能体复现 2,226 篇论文
Hugging Face 于 7 月 15 日至 8 月 2 日举办 ICML 2026 Open Reproductions 挑战赛，1,221 名社区成员用 Claude Code、Codex、Cursor 等智能体逐条复现论文，19 天内发布 6,816 份 Trackio logbook，覆盖 2,226 篇论文，约占会议的 34%。
推荐理由：原文基于一次大规模复现活动的第一手数据，给出可复现率、证伪案例和人类在 Agent 审稿中的角色判断。
Microsoft ResearchAI 评分4141 Microsoft Research 推出 MindTopo 基准，测试多模态模型的拓扑空间推理能力
Microsoft Research 推出 MindTopo 基准，评估多模态大模型在连通性、包围、顺序、分离与绳结五类拓扑概念上的推理与规划能力。测试显示，各类专有和开源模型在静态推理上明显优于交互式规划任务，且均远低于人类水平，错误多出现在多步规划中丢失结构关系或提出违反物理约束的动作。该基准可为机器人和交互环境中需要保持拓扑结构的智能体研究提供诊断工具。
Google Research精选AI 评分6464 Google Research 提出 knowledge profiling：前沿 LLM 事实性瓶颈在召回而非编码
Google Research 提出 knowledge profiling 行为框架和 WikiProfile 基准（2,150 条 Wikipedia 事实，各配 10 个任务），评估 13 个 LLM 约 450 万条回复。
推荐理由：Google 用知识画像框架把事实错误拆成编码与召回两类，指出前沿模型瓶颈在召回，并量化 thinking 的恢复作用。
Hugging Face BlogAI 评分4343 Hugging Face 让知识蒸馏成本低到可大规模运行
Hugging Face 论文提出两项系统改动来降低 LLM 知识蒸馏成本：离线缓存 teacher 的 top-100 logits，以及将输出投影融合进损失的 fused chunked KL loss，避免构建全词表 × 序列长度矩阵。
Import AIAI 评分4848 Import AI 467：自持自复制的 AI 病毒、AI 进展节奏与 AI 与创造力的困惑
多伦多大学、Vector Institute、剑桥大学与 ServiceNow 的研究者构建了一个用开源权重 LLM 驱动的自复制计算机蠕虫原型：被攻陷主机的 GPU 上运行 LLM 进行推理，自主发现漏洞并感染新目标，单 GPU（80GB A100）即可运行且不依赖厂商 API。漏洞检测成功率约 80%，利用约 53%，自复制 88%，完整攻击总体成功率约 37%。
Google ResearchAI 评分5454 Google Research 发布 Chain-of-Evidence 框架与 Science One 自主科研系统
Google Research 提出 Chain-of-Evidence（CoE）可验证性框架，并发布原生维护证据链的自主科研原型 Science One Framework，配套 CoE Audit 自动审计指标。
Berkeley AI ResearchAI 评分5757 Berkeley 团队用 K-Search 将 CUDA 内核优化经验迁移到 Apple Silicon 的 MLX
IBM Research 与 UC Berkeley Sky Lab 基于开源 K-Search 框架构建结构化 CUDA 到 MLX 翻译层，用演化搜索为 Apple Silicon 生成高质量内核。
Berkeley AI ResearchAI 评分4949 BAIR 提出训练 LLM 更新信念状态以支持长程交互的 ABBEL 框架
UC Berkeley BAIR 团队提出 ABBEL 框架，用自然语言信念状态替代完整交互历史作为 LLM 智能体的工作上下文，并通过 belief grading 监督摘要内容。
Google Research精选AI 评分6767 Google Research 发布 SymptomAI 研究：对话式 AI 智能体开展日常症状评估
Google Research 发布 SymptomAI 研究论文，在 n=13,917 的随机化全国性研究中让参与者与五种 Gemini Flash 2.0 症状评估智能体对话，生成鉴别诊断（DDx）。
推荐理由：原文给出随机化万人规模研究中 SymptomAI 与真实临床医生 DDx 的对比结果，以及可穿戴生理数据的相关性分析，读者可据此评估对话式症状评估的现状。
Google ResearchAI 评分5353 Google Research 在 Nature 发表强化学习控制量子纠错研究，让量子计算机在运行中从错误中学习
Google Research 在 Nature 发表《Reinforcement learning control of quantum error correction》，展示一个强化学习框架，让智能体利用量子纠错的检测事件在计算过程中持续调整数千个控制参数，无需中断计算来重新校准。
Hugging Face BlogAI 评分3030 更新的模型同样的优势：DharmaOCR 仍领先 Mistral OCR4 与 Unlimited-OCR
DharmaOCR 在巴西葡萄牙语 OCR 基准上以 0.925 的得分领先新发布的 Mistral OCR4（0.798）和 Unlimited-OCR（0.7587），分别高出约 13 分和 16 分以上。
Google ResearchAI 评分4747 Google Research 解析扩散模型创造力来源：分数平滑使模型从记忆走向插值生成
Google Research 在 ICLR 2026 发表的论文《On the Interpolation Effect of Score Smoothing in Diffusion Models》指出，扩散模型的“创造力”源于神经网络训练对 score function 的平滑效应。
Hugging Face BlogAI 评分5252 Hume 发布 Real World VoiceEQ 基准，测量语音 AI 的类人交互质量
Hume 推出 Real World VoiceEQ 基准，评估 40 多个专有与开源语音模型，覆盖 ASR、TTS、S2S 和语音理解，含 15+ 维度、60+ 指标。
Google ResearchAI 评分5252 Google Research 发布 SensorFM 可穿戴健康数据基础模型，预训练超一万亿分钟传感器数据
Google Research 提出 SensorFM，一种大型传感器基础模型，基于 500 万名参与者、超过一万亿分钟的多模态可穿戴数据自监督预训练。
Google ResearchAI 评分4545 Google Research：如何通过导航平台协同减少城市交通拥堵
Google Research 在《Nature Cities》发表首个大规模真实世界研究，通过修改 Google Maps 路由算法，在美国 10 个大城市引导不到 2% 的行程绕开拥堵路段。结果显示目标路段行驶速度中位数提升约 2%，油耗率下降 0.5%–1.0%，每城每年可减少数千吨 CO2e 排放，且导航用户与非用户均受益。
Hugging Face BlogAI 评分4545 ScarfBench：评测 AI 智能体在企业级 Java 框架迁移上的表现的开源基准
Hugging Face 推出开源基准 ScarfBench，用 Spring、Jakarta EE、Quarkus 间的迁移任务评测 AI 智能体，包含 34 个应用、102 个框架实现、204 个迁移任务、约 151K 行代码和 1,331 个专家编写测试。