OpenAI 推出 CoT-Control：推理模型难以控制自己的思维链，而这反而是好事
OpenAI 推出 CoT-Control，发现推理模型难以控制自己的思维链（CoT）。这一局限使思维链保持可被监控的状态，强化了可监控性作为 AI 安全保障手段的价值。
全部AI 动态
全部动态
今日 1 条OpenAI NewsAI 评分4747 Google ResearchAI 评分4848 Google Research：教 LLM 像贝叶斯派一样推理
Google Research 通过“Bayesian teaching”监督微调，让 LLM 模仿 Bayesian Assistant 的最优贝叶斯推理预测，弥补其默认简单启发式的不足。在简化航班推荐任务中，各系列 LLM 原本表现明显差于 Bayesian Assistant，且常在单轮交互后停滞；训练后不仅显著提升推荐任务表现，还能泛化到其他任务。
Hugging Face Blog精选AI 评分6363 IBM 与 UC Berkeley 用 IT-Bench 和 MAST 诊断企业级 Agent 的失败原因
IBM Research 与 UC Berkeley 将 MAST（多智能体系统失败分类法）应用于 ITBench，标注了 310 条由 Gemini-3-Flash、Kimi-K2 和 GPT-OSS-120B 产生的 SRE 执行轨迹，把成功率之外的黑盒失败转成结构化失败签名。
推荐理由：原文把基准的单一成功率拆解为结构化失败模式，并针对三类模型给出对应的工程修复方向。
OpenAI NewsAI 评分3636 OpenAI 与 Paradigm 推出智能体安全评测基准 EVMbench
OpenAI 与 Paradigm 联合推出 EVMbench，一个评估 AI 智能体能否检测、修补和利用高危智能合约漏洞的评测基准。该基准聚焦智能体在智能合约安全场景下的实际能力。
Google ResearchAI 评分5050 Google Research 推出 MapTrace：教 AI 在地图上做路径追踪
Google Research 发布 MapTrace，这是面向多模态大语言模型（MLLM）地图路径追踪任务的新任务、数据集与合成数据生成管线。
Google ResearchAI 评分3535 Google Research 推出 DialogLab：编写、模拟和测试动态人-AI 群组对话的开源框架
Google Research 在 ACM UIST 2025 上推出开源原型框架 DialogLab，用于编写、模拟和测试动态的人-AI 群组对话。框架通过“author-test-verify”三阶段工作流，将社交设置与对话时间推进解耦，提供拖放画布、human control 模式和可视化验证仪表盘。
Google ResearchAI 评分3939 Perch 2.0 如何把鸟类生物声学训练迁移到水下鲸类研究
Google Research 与 Google DeepMind 在 NeurIPS 2025 工作坊论文中展示，以鸟类等陆生动物声音训练的生物声学基础模型 Perch 2.0，虽未使用水下音频，仍能通过嵌入向量迁移学习对鲸类发声进行分类。
Google ResearchAI 评分3939 Google 提出 Sequential Attention：让 AI 模型更精简快速且不牺牲准确率
Google Research 提出 Sequential Attention，一种用于特征选择等子集选择问题的贪心算法，利用注意力分数逐步选出最有价值的组件。它将选择过程集成到单次模型训练中，避免了传统贪心方法每步重新训练的高昂开销，以极小代价应用于大规模模型。该方法在多个神经网络基准上取得 SOTA 结果，并支持并行评估候选、提升可解释性。
Google Research精选AI 评分6161 Google Research 提出智能体系统扩展科学：多智能体何时有效、何时失效
Google Research 发布论文《Towards a Science of Scaling Agent Systems》，通过 180 种智能体配置的受控评测，挑战了“智能体越多越好”的假设。
推荐理由：原文用 180 种配置给出多智能体系统何时有效何时退化的量化规律，为架构选择提供了可依据的任务属性判断方法。
Google Research精选AI 评分6868 Google Research 发布 ATLAS 多语言模型缩放定律，将亮相 ICLR 2026
Google Research 发布 ATLAS（Adaptive Transfer Scaling Laws），迄今最大规模公开多语言预训练研究，覆盖 774 次训练、10M–8B 参数模型、400+ 语言数据和 48 语言评测。
推荐理由：原文给出多语言训练的跨语言迁移矩阵和预训练与微调的token分界点，开发者可据此规划语言混合与算力预算。
Hugging Face BlogAI 评分3535 Alyah：面向阿拉伯语 LLM 阿联酋方言能力的稳健评测基准
Hugging Face 团队推出 Alyah（意为阿联酋方言中的"北极星"），一个评测阿拉伯语大模型阿联酋方言能力的基准，包含 1,173 个由母语者人工采集的多选题样本，覆盖问候语、诗歌、历史遗产和方言语言等类别。
Google ResearchAI 评分3939 Google Research 推出 GIST：智能采样的下一阶段
Google Research 在 NeurIPS 2025 上提出 GIST（Greedy Independent Set Thresholding）算法，用于训练数据子集选择，兼顾数据多样性与效用。它将问题分解为一系列最大独立集近似问题，并首次为多样性-效用权衡提供可证明的强保证：所得子集的价值至少为最优解的一半。GIST 在图像分类等任务上超越现有 SOTA 基准。
Google ResearchAI 评分4747 Google Research：小模型也能出色提取用户意图——通过任务分解实现在端侧意图理解
Google Research 在 EMNLP 2025 发表的论文提出一种两阶段分解方法，让小型多模态 LLM 在设备端理解用户 UI 交互轨迹：先逐屏总结交互，再从总结序列提取意图。
Hugging Face BlogAI 评分4545 AssetOpsBench：弥合 AI 智能体评测与工业现实之间的差距
Hugging Face 推出 AssetOpsBench，一个面向工业资产运维（如冷水机组、空气处理机组）的智能体评测基准，从异常检测、故障诊断、KPI 预测、工单摘要等任务评估智能体。
Google ResearchAI 评分4343 Google Research 用智能手表估计高级步行指标
Google Research 展示搭载 TCN 架构多输出深度学习模型，仅凭 Pixel Watch 50 Hz IMU 信号和用户身高，即可直接估计步速、步长、双支撑时间、摆动/站立时间等时空步态指标。在 246 名参与者、约 70,000 个步行片段的验证中，多数指标 Pearson r>0.80、ICC>0.80，与手机方案性能相当，且无显著差异（p>0.05）。
Google ResearchAI 评分4545 Google Research：急刹车事件可作为路段事故风险的先导指标
Google Research 基于Android Auto的匿名数据验证了急刹车事件（HBE，减速超过 -3m/s²）与路段实际事故率呈显著正相关。分析加州和弗吉尼亚州 10 年事故数据发现，观测到 HBE 的路段数量是记录到事故的 18 倍；加州一条 HBE 率约为州均高速 70 倍的匝道路段位列全路段前 1%。
Berkeley AI ResearchAI 评分4242 基于信息驱动的成像系统设计：Berkeley AI Research 提出以互信息直接评估与优化成像系统
Berkeley AI Research 在 NeurIPS 2025 论文中提出一个基于信息含量的成像系统评估与优化框架，仅用噪声测量数据和噪声模型估计互信息。该指标在彩色摄影、射电天文、无透镜成像和显微成像四个领域预测解码器性能，优化后可匹配 SOTA 端到端方法，同时内存和计算量更低，且无需任务专属解码器设计。
Google ResearchAI 评分3131 Google Research 2025：更大胆的突破，更深远的影响
Google Research 发布年度回顾，介绍 2025 年在 AI、量子计算与科学发现方面的研究进展。Gemini 3 成为其迄今最强、事实性最好的 LLM，在 SimpleQA Verified 与新发布的 FACTS 基准上达到 SOTA，并在 Gemini 3 中引入可动态生成交互界面的 generative UI；Gemma 多语言扩展至 140+ 种语言。
OpenAI NewsAI 评分5151 OpenAI 推出思维链可监测性评估框架，覆盖 13 项评估和 24 个环境
OpenAI 推出面向思维链（chain-of-thought）可监测性的新框架与评估套件，覆盖 13 项评估、24 个环境。研究结果显示，监测模型内部推理远比只监测输出更有效，为 AI 能力增强下的可扩展控制提供了有前景的路径。
OpenAI NewsAI 评分2727 OpenAI 发布 FrontierScience 基准，评估 AI 完成科研任务的能力
OpenAI 推出 FrontierScience 基准，用于测试 AI 在物理、化学、生物学领域的推理能力，衡量其迈向真实科学研究水平的进展。
OpenAI NewsAI 评分5454 OpenAI 发布评估 AI 加速湿实验室生物研究能力的真实评测框架
OpenAI 推出一个真实世界评测框架，衡量 AI 能否加速湿实验室中的生物研究。团队用 GPT-5 优化分子克隆实验方案，同时探讨了 AI 辅助实验的潜力与风险。
Google ResearchAI 评分3636 Google 发布 Urania：面向 AI 聊天机器人使用洞察的差分隐私框架
Google Research 在 COLM 2025 发表 Urania 框架，用差分隐私（DP）从 LLM 聊天机器人对话中提取洞察，提供数学化的端到端隐私保证。框架通过 DP 聚类、DP 关键词提取（三种方法生成关键词）和仅基于匿名关键词的 LLM 摘要生成，确保单条对话不影响输出。评测显示更强隐私设置会降低摘要粒度，但 LLM 评估者最多 70% 的情况更偏好该 DP 框架生成的摘要。
Google DeepMindAI 评分5050 Google DeepMind 联合 Kaggle 发布 FACTS Benchmark Suite 评测大模型事实性
Google DeepMind 与 Kaggle 于 2025 年 12 月 9 日发布 FACTS Benchmark Suite，在原 FACTS Grounding 基础上新增 Parametric、Search 和 Multimodal 三个基准，共 3513 条公开样例，并保留私有评测集由 Kaggle 托管公开排行榜。
Google ResearchAI 评分4747 Google Research 发布 Titans 架构与 MIRAS 框架，让 AI 拥有长期记忆
Google Research 在两篇新论文中推出 Titans 架构和 MIRAS 理论框架，将 RNN 的速度与 Transformer 的精度结合。Titans 用多层感知机作为神经长期记忆模块，通过“惊喜度量”（surprise metric）在运行时选择性存储意外信息，并辅以动量和自适应遗忘机制，实现无需离线重训练的测试时记忆。
Google ResearchAI 评分3737 Google 发布 Massive Sound Embedding Benchmark（MSEB）：面向听觉智能的新基准
Google Research 发布声音嵌入基准 MSEB，已在 NeurIPS 2025 上展示。该基准统一评估检索、推理、分类、转写、分割、聚类、重排序、重构 8 项听觉能力，核心数据集 SVQ 包含 177,352 条口语查询，覆盖 26 个地区和 17 种语言，已在 Hugging Face 开源。初始实验显示，现有声音表示远非通用，全部 8 项任务仍存在较大性能提升空间。
OpenAI NewsAI 评分3838 OpenAI 如何用“忏悔”机制让语言模型保持诚实
OpenAI 研究人员正在测试一种名为“忏悔（confessions）”的方法，训练模型主动承认自己的错误或不当行为，以提升 AI 的诚实性、透明度和模型输出的可信度。
Google DeepMindAI 评分5959 AlphaFold 助力解析心脏病关键蛋白 apoB100 结构
密苏里大学研究人员结合冷冻电镜与 AlphaFold，解析了'坏胆固醇'LDL 核心蛋白 apoB100 的结构，该蛋白困扰科学界约 50 年。模型显示 apoB100 形成包裹 LDL 颗粒的笼状外壳和维持颗粒完整性的带状结构，为高胆固醇和动脉粥样硬化性心血管疾病（ASCVD）的预防、诊断与治疗提供新方向。
Google ResearchAI 评分3131 Google Research 用简单 AI 模型预测充电桩可用性，缓解电动车里程焦虑
Google Research 发布一个轻量级线性回归模型，预测特定时间后电动车充电桩可用的概率。团队在加州和德国的真实充电网络数据上训练，以一天中各小时为特征，在 30 和 60 分钟预测窗口、100 座随机选取的站点上评估，表现优于"保持当前状态"基线。该简单模型依赖易获取的特征即可实现低延迟部署，有助于减少里程焦虑。
Hugging Face BlogAI 评分4444 Open ASR Leaderboard 新增多语言与长音频赛道，并发布 ASR 趋势洞察
Hugging Face 的 Open ASR Leaderboard 新增多语言与长音频转写赛道，目前对比 18 个机构的 60 多个开源与闭源模型，覆盖 11 个数据集。
OpenAI NewsAI 评分3333 OpenAI 通过稀疏电路理解神经网络
OpenAI 正在探索机制可解释性，以理解神经网络的推理方式。其新的稀疏模型方法有望让 AI 系统更透明，支持更安全、更可靠的行为。
Google ResearchAI 评分5858 Google Quantum AI 发布 DQI 量子优化算法，将优化问题转化为解码问题
Google Quantum AI 与 Stanford、MIT、Caltech 合作者在 Nature 论文中提出 Decoded Quantum Interferometry（DQI），利用量子干涉并结合解码算法，为某些优化问题寻找近似最优解。
Google DeepMindAI 评分5050 Google DeepMind 研究：让 AI 视觉表征更接近人类的方式看世界
Google DeepMind 在 Nature 发表论文，分析 AI 视觉模型组织视觉世界的方式与人类不同，并提出一种对齐方法。该方法基于预训练模型 SigLIP-SO400M 和包含数百万条人类“找出不同项”判断的 THINGS 数据集，训练教师模型后生成百万图像规模的新数据集 AligNet，再用其微调学生模型。对齐后的模型内部表征按类别清晰组织，鲁棒性和泛化能力得到提升。
Google Research精选AI 评分6060 Google Research 提出嵌套学习范式并发布 Hope 架构应对持续学习
Google Research 在 NeurIPS 2025 发表 Nested Learning 论文，将机器学习模型视为多层嵌套的优化问题，统一模型架构与优化算法两个层面。
推荐理由：原文提出把模型架构与优化算法统一为嵌套优化问题的新范式，并给出 Hope 架构的实验验证，对持续学习方向有方法层面的参考价值。
Google ResearchAI 评分3232 Google 发布 DS-STAR：达到 SOTA 水平的通用数据科学智能体
Google Research 推出 DS-STAR 数据科学智能体，通过数据文件分析模块、LLM 判官验证和顺序规划迭代三项创新，支持 JSON、非结构化文本等异构数据格式。
Google DeepMindAI 评分4545 Google 用 AI 绘制物种分布图、预测森林砍伐并升级生物声学模型 Perch
Google DeepMind 发布三项生物圈研究：与 World Resources Institute 合作建立基于 vision transformers 的森林砍伐风险预测模型，分辨率达 1km²、预测可细至 30 米，覆盖 2000-2024 年，并发布预测基准数据集。
Google ResearchAI 评分4545 Google 发布 ForestCast：用深度学习预测森林砍伐风险
Google Research 与 World Resources Institute 合作发布 ForestCast，一个基于纯卫星数据、用 vision transformers 预测森林砍伐风险的深度学习模型，准确度可持平或超过依赖道路等专用输入的现有方法。
Google Research精选AI 评分6565 Google 发布 Project Suncatcher 预印论文，探索基于卫星的可扩展太空 AI 基础设施
Google 发布预印论文，提出 Project Suncatcher 计划，设想在晨昏太阳同步低地球轨道部署搭载 TPU、以自由空间光链路互联的太阳能卫星星座来扩展 AI 算力。
推荐理由：Google 官方给出太空 AI 算力设想的关键数据与验证进展，读者可据此了解星载 TPU、星间光链路与发射成本的具体可行性分析。
Berkeley AI ResearchAI 评分4747 不基于 TD learning 的强化学习：分治法训练价值函数
这篇 Berkeley AI Research 博客介绍一种基于分治而非 TD learning 的 off-policy RL 价值学习范式。
Google ResearchAI 评分4747 Google 推出 StreetReaderAI：用情境感知多模态 AI 让街景对视障用户可用
Google Research 在 UIST'25 上发布 StreetReaderAI，一个基于 Gemini 的无障碍街景概念验证原型，可为盲人和低视力用户提供实时 AI 场景描述与对话导航。
Google Research精选AI 评分6262 Google 发布 Earth AI 技术论文，详解基础模型与跨模态地理空间推理
Google 发布 Google Earth AI 相关技术论文，介绍新的 Imagery 与 Population 基础模型，以及由 Gemini 驱动的 Geospatial Reasoning 智能体，用于多步地理空间问答。
推荐理由：官方同步放出技术论文和评测数字，读者可以据此了解跨模态地理空间推理的实际能力边界与应用案例。