全部动态

Tree-Ising 用比特级 Ising 编辑修复语言模型推理循环

Tree-Ising 把语言模型推理循环的修复转化为对模型自身 BF16 权重的稀疏离散优化问题，将目标精确分解为逐输出行的独立 QUBO（Ising）问题，在 GPU 上用模拟退火或量子启发式模拟分岔求解。

WikiTrace 用证据链接记忆减少 LLM 智能体的记忆诱发退化

研究者提出证据链接记忆系统 WikiTrace，让 LLM 智能体在采用某条经验前可沿链接回溯其来源轨迹，核对或修正错误经验。每条经验以简洁洞见形式存储，并链接到该轨迹成功或失败原因的摘要及原始轨迹；新任务中遇到细节不足、相互冲突或来自失败任务的经验时，智能体用终端工具沿链接下探补全或纠正后再行动。

蚂蚁 inclusionAI 发布 ZoomGain-9B 视觉语言模型及配套基准与 RL 数据

蚂蚁 inclusionAI 发布 ZoomGain-4B 与 ZoomGain-9B 模型检查点，并同步开放 arXiv 论文、ZoomGainBench 评测基准和 RL 训练数据。

蚂蚁 inclusionAI 发布 ZoomGain-4B/9B 模型、ZoomGainBench 基准与 RL 训练数据

蚂蚁 inclusionAI 发布 ZoomGain-4B 与 ZoomGain-9B 视觉语言模型，并同步开放 arXiv 论文、ZoomGainBench 评测基准和 RL 训练数据。

上海AI实验室上线元认知智能体框架书生·太一，接入书生·端砚科学发现平台

上海AI实验室推出元认知智能体框架书生·太一（Sage·Taiyi），将科研猜想、探索路径与实证结果串联，通过科学搜索与认知调控两层架构驱动智能体迭代研究方案，已接入书生·端砚科学发现平台并向全球科研人员开放体验。

入选理由上海AI实验室公开了书生·太一框架的接入入口与跨学科实证案例，研究者可据此判断这类元认知智能体能否嵌入自己的构思与实验迭代流程。

MMDM 基准发布：5,448 道题评测决策模型在多任务决策中的表现

研究者提出 MMDM（Massive Multitask Decision Making）基准，包含 16 个任务类别的 5,448 道题，覆盖智能体状态跟踪、工具与技能选择、偏好判断和评分量表打分等场景，选项空间从 2 到 1,024，输入最长 64,817 Token。

PFN 小鼠尾静脉自动注射机器人 AUTiv 获第12届机器人大奖“日本机械工业联合会 会长奖”

Preferred Networks（PFN）设计开发的小鼠尾静脉自动注射系统 AUTiv 获第12届机器人大奖“日本机械工业联合会 会长奖”，评奖肯定其高精度给药、降低穿刺失误与针刺事故、减轻实验者负担。该系统据称是全球首次实现无麻醉小鼠尾静脉自动穿刺与给药，已向日本国立研究机构、大学和制药企业交付约20台，并决定追加生产。

Google 用 Gemini 4 Carbon 与 AlphaProof Code 形式化验证 Signal 协议代码

Google 团队用 Gemini 4 Carbon 配合 AlphaProof Code，对 Signal 协议底层代码做形式化验证，一直核验到编译后的设备代码。Gemini 4 Carbon 生成超过 600 万行经机器校验的 Lean 证明，把原本需要数年的专家人工验证压缩到数周，约 1% 的代码库需要人工复核，其余由 Lean 自动检查。Google 表示将向安全社区开源这一结果。

CyberBinGym 基准：AI 智能体能否把二进制补丁变成真实漏洞利用

加州大学伯克利分校 RDI 等机构发布预印本 CyberBinGym 基准，考察 AI 智能体在只有已打补丁与未打补丁二进制、无源码和触发输入时，能否恢复漏洞并完成利用。

微软研究：重编程休眠神经元可在AI智能体中植入后门

Microsoft Research 新研究显示，重编程 AI 智能体中少量休眠神经元即可植入后门，使智能体平时表现正常、遇到特定触发条件才激活异常行为。微软建议企业核查模型来源并审慎管理权限，Microsoft Foundry 为 Azure Direct Models 和 Hugging Face 模型提供来源安全机制。

Berkeley RDI 提出 Aqueduct：用 Lean 证明智能体改写程序与原程序等价

UC Berkeley 与 AWS 的研究者提出让编码智能体加速现有函数，并在 Lean 4 证明助手中证明加速版本 f′ 与原函数 f 对所有输入返回相同结果，以现有代码本身作为规格。

Gemini 4 Carbon 在 ARC-AGI 基准上的成绩

来自 @Google 的 Gemini 4 Carbon 在 ARC-AGI 上（已核验）： - ARC-AGI-3：99.1%，$4.6K（provider adapter），65.1%，$7.2K（标准测试框架） - ARC-AGI-2：94.2%，$0.38/任务 - ARC-AGI-1：98.5%，$0.16/任务 在标准测试框架下，Carbon 在 ARC-AGI-3 上以 18 个百分点击败了其前代 Argon。

Gemini 4 Carbon 登 ARC Prize 排行榜

@Google - 排行榜：https://arcprize.org/leaderboard - 复现公开结果：https://github.com/arcprize/arc-agi-benchmarking - 测试政策：https://arcprize.org/policy - Gemini 4 Carbon 完整结果：https://arcprize.org/results/google-gemini-4-carbon

Gemini 4 Carbon 在 ARC-AGI 基准上的成绩

来自 @Google 的 Gemini 4 Carbon 在 ARC-AGI 上（已核验）： - ARC-AGI-3：97.7%，$4.4K（provider adapter），65.1%，$7.2K（标准测试框架） - ARC-AGI-2：49.6%，$0.10/任务 - ARC-AGI-1：98.5%，$0.16/任务 在标准测试框架下，Carbon 在 ARC-AGI-3 上以 18 个百分点击败了其前代 Argon。

Gemini 4 Carbon 登 ARC Prize 排行榜

@Google - 排行榜：https://arcprize.org/leaderboard - 复现公开结果：https://github.com/arcprize/arc-agi-benchmarking - 测试政策：https://arcprize.org/policy - Gemini 4 Carbon 完整结果：https://arcprize.org/results/google-gemini-4-carbon

Baseten 与 Genspark 后训练 Qwen3.5-397B 打造深度研究模型，称在自有评分上超过 Opus 5.5

Baseten Applied Research 与 Genspark 合作，将 Qwen3.5-397B 后训练为专用 Deep Research 模型，在 Genspark 自建质量评分器上得分 0.759。

Gemini 4 Carbon 正式开放，谷歌称其在开放式科研与漏洞发现上更强

谷歌将 Gemini 4 Carbon 从面向安全专家的两周测试转为正式可用，称其与 Gemini 4 Argon 并存，Argon 更适合多数软件工程与知识工作任务，Carbon 面向复杂多步编码调试和开放式科学研究等任务。

亚马逊发布表格基础模型 Mitra-v2，扩大合成预训练规模并开放权重

亚马逊发布表格基础模型 Mitra-v2，同时支持分类与回归，在 Hugging Face 以 Apache-2.0 许可开放微调版本及推理与微调代码。模型架构未变，预训练表格的行数是 Mitra-v1 的 10 倍、列数约 3 倍，并新增混合 SCM 先验。

入选理由表格基础模型在公开基准上的表现与开放权重，让需要处理结构化数据的科研人员多了一个免训练的选择。

Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2：同一模型，不同安全防护

Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2，两者为同一底层模型，Fable 5.2 增加分类器拦截高风险网络安全任务和多数研究生物学任务，Mythos 5.2 则移除这些限制、需通过 Cyber Verification Program 与 Life Sciences Verification Program 使用。

谷歌 DeepMind 用 AI 智能体完成 Signal 协议形式化验证

谷歌 DeepMind 团队用具备自主执行能力的 AI 智能体对 Signal 加密协议完成形式化验证，以数学方法证明其满足安全性承诺，整个分析过程耗时约四周。该验证针对协议本身而非 Signal 应用的整体安全审查；团队还用该方法测试了含已知漏洞的旧版协议实现，AI 识别出问题并判定其未通过验证。谷歌表示尚无法确定该技术在更大范围推广的实际可行性，也未公布所需算力规模。

Google DeepMind 用 AlphaProof Code 形式化验证 Signal 协议生产代码

Google DeepMind 团队宣布用新智能体验证框架 AlphaProof Code 对 Signal 消息协议的实际生产代码完成形式化验证，作者称这是首次有广泛部署协议的真实生产代码被验证到这一深度。

用 LLM 构建并审核化学数据集：面向均相催化 PET 解聚的 LLM-as-a-Judge 框架

德国亚琛工业大学等机构的研究者提出一套带引用溯源的化学文献数据抽取与审核流程，由抽取模型生成带 chunk UUID 引用的结构化记录，再由独立的 LLM 审核模型逐字段核对原文并提出带引用的修正。

Goodfire 研究称 Qwen3.6-35B-A3B 的神经元可作为可解释计算单元

Goodfire Research 发布研究，用稀疏化、归因工具和科研智能体分析 Qwen3.6-35B-A3B 的 MLP 神经元，提出神经元本身就是可解释的计算单元。

La-JEPA 用潜空间世界建模训练紧凑机器人策略

alphaXiv 介绍论文 La-JEPA，它用预训练的 V-JEPA 视觉表征训练紧凑机器人策略，训练时同时预测未来场景表征和机器人动作，推理时只生成动作。在 RoboTwin 2.0 上，其 1B 模型达到 60.8%，对比 12.4B 的 Fast-WAM 为 39.9%，运行速度快 5 倍，并在四个任务上取得与 π0.5 相当的真实机器人表现。

斯坦福团队提出 BVSR 框架：限制任务信息提升 AI 科学家构思创造力

斯坦福大学团队在 arXiv 预印本中提出 BVSR 框架，把 AI 科学家的构思与筛选拆成两步：构思阶段刻意限制任务信息以扩大探索，筛选阶段从同一任务上已验证的提案及其结果中学习，挑出值得做昂贵实证评估的候选。

PARIS：面向PRISMA系统综述的开源多智能体LLM框架

PARIS（PRISMA Agentic Research Intelligence System）是一个开源框架，由运行在Claude Code中的调度智能体编排15个专用LLM智能体，覆盖从研究问题界定到导出稿件草稿的系统综述流程，并在研究纳入、语料充分性和综述提纲三处设置人工检查点。

Sage-Taiyi 元认知架构在科研构思基准居首，化学实验验证提升产率

研究团队提出元认知架构 Sage-Taiyi，用积累的科学理解指导下一步研究什么、如何研究，并通过显式监控与调控修正对证据、假设和未解问题的判断。

ABACUS+DP 如何揭示液态水氢键网络在液态高次谐波产生中的关键作用

中国科学院精密测量科学与技术创新研究院团队在 Physical Review A 发表研究，用国产开源密度泛函理论软件 ABACUS 结合深度势分子动力学与 rt-TDDFT，揭示液态水氢键网络对高次谐波产生的影响机制。

Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2，重夺全球 LLM 第一

Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2，在 Artificial Analysis Intelligence Index v5 上以 65 分重回第一，超过 Gemini 4 Carbon（60）与 Opus 5.5（59）。

Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2，编程基准超 GPT-6 Astra

Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2 两款前沿模型，官方称编码、推理、科学研究等领域显著提升，输出速度最高提高 30%、成本下降 20%。