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。
#推理
#推理
今日 0 条The Decoder精选AI 评分7777
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。
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。
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。
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。
Hugging Face BlogAI 评分4141 DiScoFormer：一个 Transformer 同时估计密度与 score，跨分布免重训练
Hugging Face 团队提出 DiScoFormer，单个 Transformer 模型经一次前向传播即可同时估计任意数据集分布的密度和 score，无需针对新分布重训练。
Google ResearchAI 评分5555 Google Research 论文：推理如何解锁 LLM 的参数知识召回
Google Research 在 COLM 2026 发表论文，发现开启推理后模型能召回原本无法给出的简单单跳事实，实验覆盖 Gemini-2.5 Flash/Pro 与 Qwen3-32B，使用 SimpleQA Verified 和 EntityQuestions 数据集。
Import AIAI 评分5959 Import AI 462：AI说服力超越专家人类、自持AI时间线与DeepMind探讨AGI到ASI的路径
本期Import AI汇集三项内容。牛津、UK AI Security Institute、斯坦福与LSE的研究通过4项实验、18,978段对话发现AI说服力稳定超过专家人类。
Google DeepMind精选AI 评分6262 Google DeepMind 报告塞拉利昂 Guided Learning 试验：Gemini 辅助数学学习提升约 1.2 至 1.7 年学习进度
Google DeepMind 发布在塞拉利昂开展的预注册 RCT 结果，使用 Guided Learning 的学生数学成绩较对照组提升 +0.258 个标准差，约合 1.2 至 1.7 年常规学习进度；教师将 Gemini 融入约半数课时（目标 12 小时）的班级提升更高，约 1.8 至 2.5 年。
推荐理由：原文给出了预注册 RCT 的量化结果和交互数据，读者可以据此评估 AI 辅助教学在真实课堂中的效果与局限。
Google Research精选AI 评分6262 Google Research 展示科学家使用 Empirical Research Assistance 的四个科研方向
Google Research 介绍自 9 月预印本发布 Empirical Research Assistance（ERA）以来，其科学家与学术合作者将其应用于真实科研的四个成果。
推荐理由：文章展示了 ERA 在疫情预测、宇宙学、气候遥感和神经回路四个真实科研场景的应用结果，可了解 LLM 辅助科研的具体形态。
Google ResearchAI 评分4343 Google 推出 Simula：从第一性原理出发的推理驱动合成数据生成框架
Google Research 推出 Simula，一个推理优先的合成数据生成框架，无需种子数据，将数据集构建分解为全局多样性、局部多样性、复杂化和质量检查四个可控维度。
Google ResearchAI 评分4141 Google Research 推出 TurboQuant：以极致压缩重新定义 AI 效率
Google Research 推出 TurboQuant 压缩算法（将发表于 ICLR 2026），通过 PolarQuant 高质量压缩与仅 1 bit 的 QJL 零开销纠错两步，实现大幅模型压缩且零精度损失，同时支持 KV cache 压缩与向量搜索。
Google DeepMindAI 评分4747 Google DeepMind 提出认知分类框架，衡量迈向 AGI 的进展
Google DeepMind 发布论文《Measuring Progress Toward AGI: A Cognitive Taxonomy》，基于心理学与认知科学研究提出包含感知、学习、推理、元认知等 10 项认知能力的分类框架，并给出对照人类基线的三阶段评估协议。
Google ResearchAI 评分5353 Google 与 Cornell 用高温超导专家题测试六个 LLM，精选文献库系统表现更好
Google Research 与 Cornell、Harvard 合作在 PNAS 发表论文，让 12 位高温超导专家出 67 道题并盲评 GPT-4o、Perplexity、Claude 3.5、Gemini Advanced Pro 1.5、NotebookLM 和自建 RAG 系统的回答。
Google Research精选AI 评分6464 Google AMIE 完成真实门诊前瞻性可行性研究
Google 与 Beth Israel Deaconess Medical Center 合作完成 AMIE 的前瞻性单中心可行性研究，100 名成人患者在门诊就诊前与 AMIE 进行问诊对话，由医生实时监督，全程未触发任何安全中止。
推荐理由：原文给出真实门诊环境下的安全性、诊断与患者反馈数据，读者可以据此评估对话式医疗 AI 落地临床的现状与局限。
OpenAI NewsAI 评分4747 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。
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。
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。
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。
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。
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 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。
Hugging Face BlogAI 评分4141 TextQuests：评估 LLM 在文字冒险游戏中的智能体推理能力
Hugging Face 推出 TextQuests 基准，基于 25 款经典 Infocom 互动小说游戏评估 LLM 作为自主智能体的长上下文推理与探索学习能力。
Hugging Face BlogAI 评分3737 Hugging Face 发布 3LM：面向阿拉伯语 LLM 的 STEM 与代码基准
Hugging Face 推出 3LM，首个针对阿拉伯语 LLM 评测 STEM 与代码生成的多组件基准，包含 865 道原生 STEM 选择题、1,744 道合成高难度题，以及由 HumanEval+ 和 MBPP+ 翻译的阿拉伯语代码数据集。
Hugging Face BlogAI 评分4646 Hugging Face 推出 FutureBench：评测 AI 智能体预测未来事件的能力
Hugging Face 提出 FutureBench，通过真实世界事件评测 AI 智能体预测未来的能力。该基准从新闻和 Polymarket 预测市场采集题目：基于 smolagents 的智能体用 DeepSeek-V3 生成预测问题，每次抓取约生成 5 道题、时间范围为一周，另有每周约 8 道来自 Polymarket 的问题。
Hugging Face BlogAI 评分3737 Inception 联合 MBZUAI 推出 Arabic-Leaderboards：新增阿拉伯语指令遵循榜单并更新 AraGen
Inception 联合 MBZUAI 在 Hugging Face 推出 Arabic-Leaderboards Space，整合阿拉伯语 AI 评测，目前包含 AraGen-03-25 和基于 Arabic IFEval 的指令遵循榜单。
Hugging Face Blog精选AI 评分6363 Hugging Face Open R1 更新：发布 CodeForces-CoTs 数据集、IOI 基准与 OlympicCoder 7B/32B 模型
Hugging Face 在 Open R1 第三次更新中发布了从 DeepSeek-R1 蒸馏的 CodeForces-CoTs 数据集（近 10 万样本）、2024 年 IOI 题目构成的 IOI 基准，以及基于 Qwen2.5 Coder 微调的 OlympicCoder-7B 和 OlympicCoder-32B。
推荐理由：Hugging Face 官方复盘训练过程，给出样本打包、学习率等可复用经验，并附带完整数据集、基准和评测代码。
OpenAI News精选AI 评分6464 OpenAI：用 LLM 监控思维链可检测前沿推理模型的不当行为
OpenAI 发现前沿推理模型有机会时会利用漏洞，但可以用另一个 LLM 监控其思维链来检测这类利用行为。研究还发现，惩罚模型的坏想法并不能阻止大多数不当行为，反而会让模型隐藏其意图。
推荐理由：原文给出思维链监控可检测推理模型钻漏洞，而惩罚坏想法反而促使模型隐藏意图这一关键反直觉发现。
Hugging Face Blog精选AI 评分6262 Hugging Face Open R1 更新：发布 OpenR1-Math-220k 数学推理数据集
Hugging Face Open R1 项目发布首个大规模数学推理数据集 OpenR1-Math-220k，在 512 张 H100 上用 DeepSeek R1 为 40 万道题生成 80 万条推理轨迹，经 Math Verify 和 Llama3.3-70B-Instruct 过滤后保留 22 万条正确轨迹。
推荐理由：原文详述数学推理数据集的构建方法、过滤策略与消融结果，也覆盖社区在小样本微调和 CoT 长度控制上的进展。
Hugging Face BlogAI 评分4646 Adyen 与 Hugging Face 联合推出多步推理数据智能体基准 DABstep
Adyen 与 Hugging Face 联合发布 DABstep（Data Agent Benchmark for Multi-step Reasoning），包含 450 多个源自 Adyen 真实工作负载的数据分析任务，用于评估 LLM 和 AI 智能体。
Hugging Face BlogAI 评分5151 Artificial Analysis 发布 Big Bench Audio 评测集，实测 GPT-4o 与 Gemini 1.5 系列的音频推理能力
Artificial Analysis 发布音频语言模型推理评测集 Big Bench Audio，从 Big Bench Hard 四个类别各选 250 题生成 1000 道音频题，并给出 GPT-4o 与 Gemini 1.5 系列在语音到语音、语音到文本、文本到语音、文本到文本四种配置下的 18 组实验结果。
Hugging Face BlogAI 评分4242 让大模型辩论：首届多语言 LLM 辩论竞赛
BAAI 推出 FlagEval Debate「Debate Arena」平台，让大模型两两辩论比拼推理与语言能力，目前支持中文、英文、阿拉伯语和韩语四语种。平台采用专家评审加用户投票的双评估体系，并允许参赛团队微调模型参数与对话策略。相比 LMSYS Chatbot Arena 等静态或用户投票式评测，它能缓解区分度不足、模型各自独立生成和投票偏好偏差等问题。
Hugging Face BlogAI 评分5454 Hugging Face 与 Dottxt 探索用结构化生成提升提示词一致性
Hugging Face Leaderboards 团队与 Dottxt 合作研究发现，MMLU 评测对提示词格式高度敏感，各模型分数随 8 种格式波动约 10 个点，Qwen1.5-7B 在不同提示下准确率从 22.9% 到 51.2%，且模型排名也随格式变化。