OpenAI 分享数学领域 AI 进展
OpenAI 发布内部前沿模型在数学开放问题上的新结果，并在 GitHub 上公开 Lean 证明形式化和研究细节。
推荐理由：原文给出了数学开放问题的新结果，并公开了 Lean 形式化证明，读者可据此了解前沿模型在数学推理上的进展。
全部 AI 动态
OpenAI News精选AI 评分6262
Google ResearchAI 评分5252 Google 发布 Earth AI 地理空间基础模型在公共卫生领域的验证研究
Google Research 介绍 Earth AI 的人口动态基础模型 PDFM，通过五个独立公共卫生案例验证其地理空间嵌入在疫苗接种、心血管疾病、登革热、产后抑郁和霍乱预测中的增益。PDFM 嵌入无需微调即可接入现有模型，在多项任务中匹配或优于传统输入，并已通过 Google Maps Platform 以 Population Dynamics Insights 提供商业预览。
The DecoderAI 评分6262 JEPA-Anything：将 LeCun 的 JEPA 扩展为跨物理到生物学的通用世界模型
PhAI Labs 联合斯坦福、牛津、普林斯顿的研究者提出 JEPA-Anything，将预测状态拆分为四个正交因子并分别预测，在物理、机器人、天气等十个任务上优于标准 JEPA，动态系统预测误差降低 35%。该模型还从生物数据中提出 IL-18 与 CD73 阻断的肝癌治疗组合，在类器官、肿瘤组织和免疫细胞共培养中显示更强杀伤与免疫激活，但尚未确立为实际疗法。代码与模型已公开。
TechCrunch · AIAI 评分4848 研究人员正追踪中国 AI“智能体舰队”
独立研究人员正追踪一批疑似运行于腾讯基础设施、查询阿里巴巴高德地图的 AI 智能体，并称其为“智能体舰队”而非“蜂群”。urlquery 记录显示，它们在查询公园、动物园和医院等公共场所不同入口的路线，目前未发现智能体之间存在通信。
The DecoderAI 评分6060 Google研究人员提出RRSI，防止自改进AI智能体记忆测试任务
Google研究人员提出RRSI，通过逐步收紧编辑预算和批评器审查，减少智能体在自优化过程中记忆测试任务的问题。基于冻结的Claude Opus 4.8，RRSI在8个基准上测试，训练任务最高提升14.1分，并在5个未见基准上最高提升4.7分。其运行时token用量比未正则化版本少约30 percent，代码已发布在GitHub。
Ars Technica · AIAI 评分6868 MCP 智能体间通信为何可能成为高风险协议
过去五个月，Google 和另外四家机构承认其 AI 智能体存在漏洞，攻击者可借一个内部智能体向其他智能体传播恶意指令。这种特殊提示词注入针对具体智能体而非 LLM，并利用下游智能体对上游智能体的明确信任。独立研究员 Syed Anas Mohiuddin 的概念验证攻击利用了 MCP 中的信任缺口。
Google ResearchAI 评分3232 Google 发布智能体隐私与安全报告：从上下文完整性视角看开放与新兴问题
Google 发布《Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle》 workshop 报告，汇集 50 多位学界与业界专家，于 2025 年底在纽约 CAPS Workshop 上研讨完成。
The Decoder精选AI 评分7676 Quinnipiac民调显示多数美国人希望放缓或暂停AI开发
Quinnipiac University民调显示，47%的美国成年人希望放慢AI开发，30%希望在安全性得到确认前完全暂停，仅5%支持加快开发。86%支持可能减缓进展的独立安全标准，73%担忧AI最终威胁人类生存，74%对AI公司领导者缺乏信任。调查于9月24日至27日访问1,202名美国成年人，误差范围为+/- 3.5个百分点。
推荐理由：调查呈现了公众对发展速度、安全标准与企业领导者信任的并行态度，为理解美国AI治理诉求提供了量化背景。
GitHub Blog · AI & ML精选AI 评分7373 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 AI 代码审查开放基准 ReviewBench，其 219 个 pull request 来自 187 个公开开源许可仓库，覆盖 19 种语言，分布参考了对 103.9M 个 GitHub pull request 的分析。
推荐理由：公开数据集、评分规则和自助运行器形成可复现评测链路，线上实验案例也展示了离线指标筛选代码审查改进的用法。
MIT Technology Review · AIAI 评分5757 AI 智能体如何连接企业知识
MIT Technology Review Insights 调查300名数据、AI及其他技术高管，发现企业平均仅有34%的智能体项目进入生产，旧有数据系统、安全与隐私问题以及知识和上下文不足是主要障碍。生产领先组织平均有61%的项目越过试点阶段，55%的受访者将数据碎片化列为扩大知识访问的主要挑战。企业计划优先投资数据摄取管道、AI-ready APIs、RAG、AI 评估智能体和知识图谱。
Import AIAI 评分5252 Import AI 475 聚焦智能体群扩展、Google DeepMind 生物水印与 AI 科学经济
Import AI 475 汇总并分析了智能体群扩展、Google DeepMind 的 SynthID Bio，以及面向自主科学发现的 AI 科学经济。4-agent swarm 达到同等性能约需两倍总 token，但每个智能体只需一半 token，并行执行理论上可将耗时减半。
The DecoderAI 评分7373 MIT报告称AI正在削弱答疑时间、学习小组和师生信任
MIT于2026年6月发布的报告称，AI正在减少学生参与答疑时间、在线讨论和学习小组，并使教师更难判断学生是否真正掌握知识。委员会反对使用不可靠的AI文本检测软件，建议各课程先明确学习目标和考核设计，再制定具体AI政策，并增加口试、学期作品集、面对面讨论和项目制学习。报告还警告，付费AI工具的获取差异可能扩大成绩差距，教师以AI智能体替代学生研究助理也可能削弱UROP的育人功能。
Simon WillisonAI 评分4545 Qwen3.8 27B 英文单词加法能力评测
Qwen3.8-27B-Q4_K_M.gguf 在正整数相加并仅用英文单词输出结果的评测中，关闭推理时数值准确率为23.57%。5,070个样例的格式合规率达96.17%，准确率从1-3位操作数的97.04%降至10-13位的6.44%。启用中等推理后，169次测试答对167次。
Hugging Face Blog精选AI 评分8282 Microsoft ThinkingBox 用数据库终态检验 AI 智能体是否真正完成任务
Microsoft ThinkingBox 根据智能体执行后留下的数据库终态和副作用评分，并让507个有状态业务工作流各重复运行20次，以衡量结果一致性。在覆盖12个LLM、121,680次有效试验的消融中，79,853次未通过可执行检查，其中67.24%仍正常结束、调用了状态变更工具且未报告最终工具错误。
推荐理由：它把智能体评估从回答与工具调用转向数据库终态，并以连续20次运行揭示单次成功率难以代表工作流可靠性。
Google Research精选AI 评分6262 Google 探索基于 TEE 的可验证隐私联邦学习
Google Research 公布新一代基于 TEE 的联邦学习系统，通过可远程证明的执行和公开透明日志提供可验证、可审计的数据匿名化保障。系统仅向操作方暴露指标和差分隐私模型权重，设备加密数据只能按预授权策略在 TEE 内限时解密处理。Gboard 已用其训练英文和日文下一词预测模型，获得更强隐私保障和更高准确率，并将此前每个模型 1-2 个月的训练瓶颈转移到服务器端并行计算。
推荐理由：文章拆解了从访问策略、KMS 到透明日志的端到端设计，可用于理解联邦学习如何兼顾可审计隐私与训练效率。
Hugging Face BlogAI 评分4949 AutoSynthData：为企业智能体生成训练数据
ServiceNow CoreAI 构建 AutoSynthData，将企业环境中目标模型的能力缺口转化为可执行、可验证的智能体训练任务，并随模型改进动态调整课程。它结合目标模型的失败与更强教师模型的成功表现，生成由系统规范、用户提示和验证器组成的新任务，经环境检验后用于后训练，并以 EnterpriseOps Gym 数据集演示流程。
Ars Technica · AIAI 评分6060 Ataraxos以15胜1负4平击败Stratego顶尖选手
卡内基梅隆大学、MIT、纽约大学和斯坦福大学研究者开发的Ataraxos，以15胜1负4平击败Stratego选手Pim Niemeijer。该系统仅使用16 GPUs、花费数千美元完成训练，而此前DeepMind未能构建可稳定击败最佳人类玩家的系统。Stratego每方有40枚身份隐藏的棋子，身份仅在交战时揭晓，隐藏信息会在很长时间跨度内逐步展开。
Microsoft ResearchAI 评分4848 Microsoft Research 用机器学习预测电网空间天气风险
Microsoft Research 开发机器学习管线，利用太阳风信息为美国本土66,935座变电站生成位置特定的空间天气风险预估。系统结合AE、Dst预测与纬度、地质及地面电导率，可提前30-60分钟预警；对重大、严重和极端事件的检出率分别为76.5%、81.2%和64.1%。
Ars Technica · AIAI 评分5454 Google找到为AI设计蛋白质添加水印的方法
Google找到一种为AI设计蛋白质添加水印的方法，目标是帮助提升生物安全。该方法可与一种流行的AI蛋白质设计工具配合使用。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 SynthID Bio 蛋白质水印研究
Google DeepMind 发布 SynthID Bio 概念验证研究，可在 AI 生成的蛋白质序列和预测 3D 结构中嵌入可检测水印，并在合成后的实体蛋白上验证。
推荐理由：该研究把水印从数字设计延伸到合成后的实体蛋白，并用湿实验检验功能保持，为生物设计溯源提供了可复核路径。
Hugging Face Blog精选AI 评分6363 Hugging Face 推出 Open TTS Leaderboard，评测多语种文本转语音与声音克隆模型
Hugging Face 推出 Open TTS Leaderboard，以客观指标评估开源多语种文本转语音与声音克隆模型。榜单使用 Qwen3 ASR 计算 WER/CER，在 H200 GPU 和 CPU 上测量 RTFx 与 TTFA，并以 WavLM 嵌入的余弦相似度评估说话人相似性，将单个模型的评测时间从数周缩短至数小时。该榜单不取代人工偏好排名，也不直接衡量自然度、表现力或听众偏好。
推荐理由：榜单以统一客观指标覆盖开源多语种 TTS，将评测周期从数周缩至数小时，可缓解竞技场对开放权重模型覆盖不足的问题。
Simon WillisonAI 评分6262 Anthropic Frontier Red Team：GLM-5.3 在 100 项二进制漏洞利用任务中 4% 实现完整控制流劫持
Anthropic Frontier Red Team 在内部 Binary Exploitation 基准中随机抽取 100 项任务评测多个模型，GLM-5.3 在 4% 的试验中实现完整控制流劫持，Claude Mythos Preview 为 6%。此前的 Claude Opus 4.6 和 GLM-5.2 在这些任务中均未成功，红队认为一个有意义的能力门槛已被跨过。
Google ResearchAI 评分4646 Diffusion Controller 如何统一并简化 AI 图像生成
Google 提出 Diffusion Controller，将扩散模型去噪统一为连续控制问题，兼顾用户偏好、图像质量与稳定性。其轻量附加网络可在冻结基础模型时修正生成轨迹，并以 Stable Diffusion v1.4、HPS-v2 评估；轻量方案超越行业标准，完全解锁版本对基线胜率达 90%。
Microsoft Research精选AI 评分6161 Microsoft Research 推出面向复杂生物学的 AI 研究系统 Quine
Microsoft Research 推出 Quine，这套实验性 AI 研究系统由多模态生物世界模型和连接模型、科学工具、文献、湿实验及研究人员的交互框架组成。
推荐理由：案例展示了如何用跨模态生物世界模型筛选实验候选，再以湿实验反馈迭代，提供了可迁移的计算与实验闭环思路。
Hugging Face BlogAI 评分5151 ProvenanceGuard 为 MCP 智能体提供来源感知事实核验
ProvenanceGuard 是面向 MCP 智能体的生成后核验层，可在不重新训练智能体的情况下，逐条检查声明是否由答案所指向的正确来源支持。在40个答案的361条声明中，专家认为139条不应通过，系统拦截了其中138条；其 Reject/block F1 为0.802，并为每条声明输出来源 ID。面对多个相似来源时，其拦截 F1 为0.846，但精确识别来源的正确率为50.3%。
OpenAI NewsAI 评分2222 OpenAI 发布前沿 AI 训练安全案例早期指南
OpenAI 公布前沿 AI 训练安全案例的早期指南，覆盖技术防护措施、运营实践以及失准事件调查三方面。该指南旨在为前沿模型训练过程中的安全论证提供框架。
Import AIAI 评分5858 Import AI 474 讨论柏拉图式心智空间、太空 TPU 与智谱外层 RSI 循环
Import AI 第 474 期梳理了柏拉图式心智空间、Google 太空 TPU 计划，以及智谱用 GLM-5.3 自动优化自家推理基础设施的进展。Michael Levin 提出心智可能是进入物理世界的非物理模式；Google 正为 Project Suncatcher 测试 Trillium TPU 的发射与辐射耐受性。
Google Research精选AI 评分6767 Google 以多智能体框架自动生成连贯长视频
Google 提出 AI video co-director、CANVAS、A²RD 和 VQQA，以多智能体编排提升长视频的叙事、角色与场景一致性。该体系构建于 Gemini 和 Veo 之上，通过全局创意优化、持久视觉记忆、自回归片段生成及 VLM 闭环提示词优化，支持生成数分钟视频。
推荐理由：研究将长视频一致性拆解为全局编排、视觉记忆、时序生成和闭环优化，为多镜头生成系统提供了可迁移的工程框架。
NVIDIA Blog精选AI 评分6767 NVIDIA 等机构如何用开放病毒蛋白数据为下一次大流行病做准备
NVIDIA 联合 Google DeepMind、EMBL-EBI 等机构，公开了超过 2,800 种病毒的蛋白复合物预测 3D 结构，帮助研究人员储备疫情应对所需的结构生物学知识。
推荐理由：材料同时给出数据集规模、推理流程与置信度标注方式，为病毒结构研究提供可直接复用的开放资源。
Microsoft Research精选AI 评分6262 Microsoft Research 研究机器人物理 AI 推理卸载：提升成功率与续航
Microsoft Research 发布机器人物理 AI 推理卸载研究，发现将推理从机载 GPU 卸载到边缘或云端可显著提升任务成功率、支持更大模型并延长电池寿命。研究还推出基于 Kubernetes 的工具集，支持自动容器化和分布式推理，并作为 Physical AI Toolchain 的新能力发布。
推荐理由：研究量化了推理卸载对机器人任务成功率、延迟和续航的改善，并给出可复用的 Kubernetes 工具链。
OpenAI NewsAI 评分3434 OpenAI 推出 MentalHealthBench
OpenAI 发布 MentalHealthBench，一个由专家参与构建的基准，用于评估 AI 在真实心理健康对话中回复是否有帮助且安全。
Microsoft ResearchAI 评分5454 RetroChimera 通过模型集成改进大规模小分子合成预测
Microsoft Research 在 Nature 发表逆合成模型 RetroChimera，并开源其实现与权重。该模型通过学习式集成融合 Transformer 模型 R-SMILES 2 与图神经网络模型 NeuralLoc，按排名为候选反应分配权重。
Import AIAI 评分4949 Import AI 473：美国的超级智能战略、鼠颅中的人脑与机器诠释学
Import AI 473 聚焦美国超级智能战略、在小鼠脑内培育类人脑组织，以及机器诠释学。RAND建议美国在通往超级智能的高度不确定路径上维持“行动自由”，围绕人类-AI生态、AI安全架构、国家安全机构改造和社会响应能力投入。研究人员还在脑组织被刻意削弱的幼鼠体内培育出类人脑组织。
Google ResearchAI 评分4343 MilleMiglia：面向中程物流的逼真实例生成器
Google 推出 MilleMiglia，一款用 C++ 编写的中程物流实例生成器，可生成逼真且保护隐私的基准数据。它以时空图上的多商品流问题建模跨配送中心运输、换车与暂存，源代码和文档已在 GitHub 提供。
Google ResearchAI 评分5757 Google 研究探索用生成式 UI 帮助教师创建互动学习模拟
Google 的生成式 UI 研究实验可按教师的课程目标，动态生成定制、互动且带引导的教育模拟。团队发布了超过 30 个面向初高中 STEM 学科的英语学习互动内容，均由 AI 生成并经教师审核；美国 12 名教师的初步研究给出平均 8/10 的质量评分。
OpenAI NewsAI 评分2222 OpenAI 经济研究：员工如何解锁新的工作方式
OpenAI 经济研究显示，员工使用 AI 的方式已超出传统岗位职责，部分新活动正成为其工作中的常规组成部分。该研究聚焦员工实际使用行为，而非仅限既有职位定义。
Google ResearchAI 评分4747 绕过推理瓶颈：用 Retrieve-for-Train 加速复杂 AI 搜索
Google Research 的 Retrieve-for-Train 通过离线 RL 发现符合奖励的查询扇出并编译为监督数据，再蒸馏至轻量扩散检索器，以单次非自回归推理绕过测试时 CoT 开销。其 53.9M 参数扩散模型可直接将查询嵌入映射为目标嵌入集合，监督样本由冻结的扇出语言模型离线生成，无需人工标注。
Hugging Face Blog精选AI 评分6565 ALTK-Evolve 引入一致性指南，将智能体重复运行一致性差距减半
IBM Research 在 ALTK-Evolve 中引入一致性指南，通过一致性分析器定位智能体易翻转的决策点，将 AppWorld 上 GPT-4.1 ReAct 智能体的 Pass^5 从 53.0% 提升至 69.0%，一致性差距从 24.4pp 降至 12.0pp，且平均准确率不降反升。
推荐理由：原文提出用一致性分析器定位智能体易翻转的决策点，并给出可复用的诊断与修复方法。
Google ResearchAI 评分5050 ToolGrad：利用文本“梯度”高效生成工具使用数据集
Google Research提出ToolGrad，以答案优先范式和文本“梯度”构建已验证API工作流，降低长链工具使用数据的生成成本。ToolGrad-12B在BFCL得83.1分，接近gemini-2.5-pro的83.2，并高于claude-4.5 Opus与gpt-5。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 AlphaGenome Atlas，绘制人类基因组90亿种单碱基变化预测图谱
Google DeepMind 推出 AlphaGenome Atlas，预计算人类基因组约90亿种单核苷酸变异的分子影响。该平台包含1-petabyte数据，并以AVI评分整合AlphaGenome与AlphaMissense的预测，可通过免费网站、AlphaGenome API及Google Antigravity技能访问。
推荐理由：它把90亿种单核苷酸变异的预计算结果与AVI评分集中到同一入口，便于研究者排序变异并追溯其分子影响。