全部动态

Coral Discovery：为自主科研智能体引入方向板以分工认知劳动

Coral AI Labs 与多所高校的研究者提出 Coral Discovery，在 MIT CORAL 的多智能体自主科研框架上加入方向板：验证器按程序 diff 给每次尝试标注方向与方法，方向板按方向统计收益、为少尝试方向加探索奖励并估算新方向价值，智能体先完成自己的方向再参考方向板。

AutoTavern 让 LLM 研究智能体自主构建炉石酒馆战棋 AI，天梯评分升至约 15000

研究团队提出 AutoTavern，由多个专用 LLM 研究智能体共享类型化研究记忆、每条主张经过验证关卡，并用实时对局闭环改进模拟器、对手与策略。

RSI Arena：十款前沿模型自主后训练，八款在人类反馈后评分提升

研究团队提出 RSI Arena，用两阶段实验考察 AI 智能体能否借助用户反馈自主训练并改进语言模型。

PatEx-Gym 框架发布：用智能体做专利审查中的现有技术检索与新颖性评估

研究团队提出 PatEx-Gym，用于开发和评估专利审查智能体，包含 1K 个真实审查任务、超过 1M 件专利与 52K 篇科学论文的检索语料，以及支持迭代检索、文档查阅、推理和审查意见书（OA）生成的运行环境。

Google Research 用 MedGemma 等基础模型推进结核病筛查落地

Google Research 与 Google for Health 在 IDWeek 2026 上介绍了其结核病筛查 AI 从研究走向临床的路径：与南非公司 Nexus AI 合作将胸部 X 光算法转化为通过 CE MDR class IIb 认证的诊断工具。

Google Research 用 MedGemma 助力结核筛查

结核病（TB）仍是全球最致命的传染病之一，每年估计夺去 123 万人的生命。本周在 IDWeek 2026 上，我们重点展示 MedGemma 等开放基础模型如何将 AI 带到结核筛查一线，以扩大早期检测范围。了解更多：http://goo.gle/4i7HS4o

Kimi K3.1 Pro 发布：3T 级开源权重模型，支持 100 万 token 上下文

Moonshot AI 推出 Kimi K3.1 Pro，这是其 K3.1 系列首款模型，也是迄今最强的 3T 级开源权重模型，具备 100 万 token 上下文窗口。

Kimi K3.1 Pro 发布，Artificial Analysis 智能指数排第 4 得 55 分

Moonshot 发布推理模型 Kimi K3.1 Pro，在 Artificial Analysis 智能指数上得 55 分排第 4，比 Kimi K3 的 44 分高 11 分，仅次于 Claude Opus 5.5、Claude Sonnet 5.5 和 Muse Wonder Full。

Kimi K3.1 Pro 发布

认识 Kimi K3.1 Pro，我们能力最强的 3T 级模型。

Ai2 发布 LitPivot：围绕文献动态组织证据，辅助科研构思修订

Ai2 与宾夕法尼亚大学合作发布 LitPivot，该系统用 Asta Paper Finder 检索的论文，把研究提案拆成问题、贡献和评估方案三部分，围绕正在编辑的部分组织文献、给出带原文摘录的批评和可接受或拒绝的修改建议。

入选理由Ai2 把文献检索与科研构思的修订过程绑定，研究者可据此判断这类工具能否介入早期选题。

Ai2 与宾大推出 LitPivot：按研究构思的组成部分组织文献并给出修订建议

Ai2 与宾夕法尼亚大学合作推出 LitPivot，把研究提案拆成问题、贡献和评估方案三部分，围绕正在编辑的部分组织经 Asta Paper Finder 检索到的论文，给出附文献摘录的批评和可接受、编辑或拒绝的修订建议。

同一新闻，精选展示《Ai2 发布 LitPivot：围绕文献动态组织证据，辅助科研构思修订》

OpenAI 联合 PerturbAI 与斯克里普斯研究所用数千个 AI 智能体分析小鼠脑细胞图谱

OpenAI 联合 PerturbAI 和斯克里普斯研究所利用数千个 AI 智能体分析覆盖整个小鼠大脑的 CRISPR 图谱，32 分钟完成数百万个脑细胞数据的分析，团队估计人类研究人员完成同等工作需数月到一年。

H-CDLM：分层连续扩散语言模型提升文本生成

H-CDLM 通过联合去噪 token 与其粗粒度语义聚类，让高层信息引导 token 重建，缓解连续扩散语言模型难以从噪声表示恢复精确 token 的问题。应用于 CoBit 后，在 LM1B 上文本生成质量提升 33%、OpenWebText 上提升 29%，GSM8K 数学准确率从 25.4% 升至 27.4%，且去噪步数减半。

腾讯混元与港科大（广州）提出 Poseidon 流水线，从科学代码库构建 97,659 个智能体训练环境

香港科技大学（广州）与腾讯混元团队提出 Poseidon，一个从科学代码库自动生成可验证训练环境的流水线，并据此构建 Pearl 数据集，包含来自 7,110 个公开仓库、覆盖 10 个学科的 97,659 个环境。

Li 等人提出 EdenGNN-Uni 通用电荷密度预测等变框架

Nature Machine Intelligence 在线发表 Li 等人的研究，提出覆盖元素周期表的通用电荷密度模型 EdenGNN-Uni，用于材料的电子结构计算。摘要称其速度比部分现有方法快一个数量级以上，可支持高效且准确的电子结构计算。doi:10.1038/s42256-026-01326-5

Anthropic 用 Claude 对上百个开源库完成形式化验证

Anthropic 在 Frontier Red Team 博客中介绍，与 Theoremlabs 合作使用 Claude 在数周内为一百多个真实开源库证明安全属性。

OmniDR-Bench：面向视频中心深度研究报告的智能体基准

研究提出视频中心深度研究报告生成任务，并发布 OmniDR-Bench 基准，含 50 个中英文任务、覆盖 19 个真实子类，共 6,414 条评分标准。评测采用 Omni Atomic Rubric Trees（Omni-ARTs），从视听依据、多模态证据使用和交互呈现三维度打分。18 种智能体配置中最佳系统仅得 63.3 分（满分 100），代码与数据已公开。

清华与智谱提出 RIDAR：自动检测自主科研智能体的科研诚信违规并实时干预

清华大学与智谱 AI 的研究者提出 RIDAR 框架，用于检测自主科研智能体在科研全流程中的科研诚信违规（RIV），并在运行中给出反馈纠正。团队先构建覆盖科研构思、文献综述、实验、论文写作四个阶段共 14 类违规的 RIVT 分类，其事后检测模块 RIDAR-Post-hoc 在 60 条专家标注轨迹的 RIV-Gold 基准上取得 85.2% 的实例级 F1。

CiteAnchor 提出来源感知框架，检测并还原虚构引用

作者提出 CiteAnchor 框架，按论文、图书、网页等来源类型分别检索并逐字段核验，把引用是否有效与能否唯一还原来源分开判断。在 CiteAudit 的 3356 条引用上，搭配 GPT-5.6 Luna 检测 F1 为 0.841，比同底座基线高 7.9 点；搭配开源权重 OpenResearcher-30B-A3B 为 0.784，高 36.8 点。

MIT 研究：13 个 Eko 智能体在虚拟荒岛无任务探索 30 小时后自发"玩耍"

MIT 研究团队将 13 个基于 Claude Opus 4.7 的 Eko 智能体无任务地放在模拟荒岛上 30 小时，它们自发创造挑战并表现出玩耍特征，相关论文已发布在 arXiv 预印本平台。

微软推出 AI 医疗诊断系统 MAI-DxO：复杂病例准确率 83%，成果登《科学》

微软发布 AI 诊断系统 MAI-DxO（Microsoft AI Diagnostic Orchestrator），通过编排多个 AI 智能体模拟医生联合会诊，协同问诊、开具化验检查并辩论潜在诊断。

微软与 Hugging Face 开源 ThinkingBox-Training：用数据库终态校验作强化学习奖励训练智能体

微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的可执行校验直接当作强化学习奖励，用于训练有状态业务工作流中的智能体，代码已在 GitHub 以 MIT 许可开放。

黎曼 ζ 函数临界零点比例新进展：从 Montgomery 到 Anthropic 与 Lamzouri

Caroline Turnage-Butterbaugh 在 Terence Tao 博客客座撰文，梳理黎曼 ζ 函数临界线上非平凡零点比例下界的研究脉络，从 Selberg、Levinson、Conrey 到 2020 年 Pratt 等人的 41.7%。

入选理由作者以第一手视角梳理黎曼 ζ 函数临界零点比例的最新进展，并解释 Anthropic 模型与 Lamzouri 两条证明路径的差异。

多模态大模型（MLLM）的检索头是否随模态扩展：一项跨 18 个检查点的分析

研究以音视频配对输入考察多模态大模型的检索头机制，在 18 个语言、视觉语言与全模态检查点上发现检索头在新模态下仍保持稀疏，且跨模态大量共享，全模态模型基本保留其骨干网络的检索头。

Principia：在测试时从假设迭代构建科学原则的 LLM 框架

研究者提出基于大语言模型的框架 Principia，在测试时从相关输入与观测结果中形成对比性因果假设，再把反复出现的关系归纳为原则，并用新观测修正假设、重建原则。在分子优化、蛋白质工程、基因扰动和分子性质预测等基准上，该框架优于依赖内部知识、外部来源或经验总结的基线，生成的原则与科学文献相符；代码已在 GitHub 公开。

TTME 在科学发现任务上优于测试时训练，算力开销降低逾八成

研究提出测试时记忆演化（TTME），一种即插即用的测试时适配方法，通过持续更新外部记忆、蒸馏经验来指导后续发现，而不更新模型权重。在相同的科学发现框架下仅替换测试时适配方法后，TTME 在全部五个数学任务上优于测试时训练（TTT），FLOPs 降低 82.8-84.6%，运行时间缩短 47.7-58.4%。

Hugging Face 联合 TIGEM 等机构发布开放 DNA 模型 Carbon-X

Hugging Face 与 TIGEM、那不勒斯费德里科二世大学和中关村学院合作训练了 Carbon-X，这是一个 14B 开放模型，可直接读取原始 DNA 并用自然语言描述。

入选理由开放权重、可在笔记本上运行的 DNA 模型，让学术实验室能自行评估它能否用于变异解读这类日常任务。

微软 MAI-DxO 多智能体诊断系统在《Science》发表模拟研究，复杂病例准确率 83%

微软 AI 的诊断系统 MAI-DxO 在《Science》发表的模拟研究中，对《新英格兰医学杂志》复杂病例的诊断准确率为 83%，而单独工作的全科医生和普通内科医生为 36%；这些复杂病例通常由专科医生或团队处理，后者未纳入对照。

微软 MAI-DxO 诊断系统在 Science 发表，复杂病例准确率高于医生

微软 Health MAI 团队发布 AI 诊断系统 MAI-DxO，并配套提出逐步诊断基准 SDBench，成果发表于 Science。在 304 个 NEJM 复杂病例上，MAI-DxO 诊断准确率为 83%，医生在有外部参考资料时为 36%、无参考资料时为 22%；在 MIMIC-IV-ED 的急诊常见病例上为 80%，医生为 47%。

入选理由微软团队公开了逐步诊断基准与开源代码，研究者可据此复现评测并检验诊断推理系统的成本与准确率权衡。

Google Research 在 Nature 发表个人健康智能体 PHA 论文并开源框架

Google Research 宣布个人健康智能体（Personal Health Agent，PHA）研究发表于 Nature，并将该框架开源给社区。据其引用的团队介绍，PHA 是 Google Health Coach 背后的基础多智能体架构，通过编排多个专用智能体处理可穿戴设备与生物标志物数据，团队称其建立了安全、个性化健康 AI 的基准。论文链接：https://www.nature.com/articles/s41586-026-11161-8