AW-0：把代码规划与视频动作预测结合的智能体世界动作模型框架
研究团队提出 AW-0，一个将代码规划与视频、动作联合预测整合的智能体世界动作模型框架，在统一的 mixture-of-transformers 架构中把代码、未来视频和机器人动作作为三条耦合生成流建模。
全部动态
按时间排列的全部内容。默认只显示通过双重评分的入选条目；切换到“全部收录”可以检索所有抓到的资料。
703 条收录动态，更新于 03:33
全部收录包含没有通过评分的资料，标题以常规字体显示并标为“未入选”，只供检索，不写入选理由。
10月21日
星期三，2 条DeepEvolve 以未来事件预测为环境实现智能体递归自我改进
研究团队提出 DeepEvolve，一个以未来事件预测为任务环境的可持续演化智能体系统，智能体与动态变化的环境持续交互，并把每次预测背后的推理轨迹转化为能力。
10月23日
星期五，2 条微软诊断编排器在病例测试中准确率超医生，成果发表于 Science
微软的 Diagnostic Orchestrator 用多个 AI 智能体模拟专家会诊，在取自《新英格兰医学杂志》数百份病例报告的测试中诊断准确率约 83%，使用参考资料的全科医生约 36%，不使用的约 22%。
DeepSeek V4.1 Flash 1017 的 ARC-AGI 成绩
来自 @deepseek_ai 的 DeepSeek V4.1 Flash 1017 在 ARC-AGI 上（已核验）： - ARC-AGI-2：78.1%，$0.16/任务 - ARC-AGI-1：94.5%，$0.06/任务 DeepSeek Flash 系列模型的最佳 ARC-AGI-2 成绩从 61.4%（V4 Flash 0731）升至 72.9%（V4.1 Flash），再升至 78.1%（V4.1 Flash 1017）。
10月21日
星期三，1 条Quant-Arena：用真实 A 股数据评测 LLM 智能体的量化研究能力
研究团队推出 Quant-Arena，这是一个面向端到端量化研究的基准与公开排行榜，使用真实 A 股数据：模型需自行构建特征与选股代码，仅能获得 2022–2023 年的反馈，并冻结一个策略在封存的 2024 年接受评估。
10月22日
星期四，3 条Ai2 发布 PLANTEUR 热带作物制图基准，扩展 PASTIS 至六个热带地区
Ai2 发布 PLANTEUR，将作物类型制图基准 PASTIS 扩展到留尼汪、瓜德罗普、马提尼克、法属圭亚那、马约特和圣马丁六个热带地区，数据来自法国土地地块识别系统。
Ant Ling 开源医疗增强 MoE 模型 Ling-3.0-flash-Sante
Ant Ling 正式开源 Ling-3.0-flash-Sante，这是一个医疗增强的 MoE 模型，总参数 124B，每 token 仅激活 5.1B，在专业医疗任务和复杂医学推理上于同规模模型中表现领先。模型面向真实医疗研究与工作流，强化了深度研究、多智能体协作和工具调用能力，权重已开放，供研究者、开发者和医疗从业者使用。
Recursive 发布 Flint 模型，由 Eureka Machine 自动完成研发流程
AI 初创公司 Recursive 发布首个语言模型 Flint，研发过程几乎每一步都有其自动研究系统 Eureka Machine 参与，由它提出想法、实现、测试并规划后续实验。
10月21日
星期三，1 条CulturalRiddles：覆盖 62 种文化的谜语基准发布
CulturalRiddles 是一个由人类通过社区参与式创作、覆盖 62 种文化（45 个国家、51 种语言）的原创文化谜语基准，用于评估大语言模型对多元文化的理解与应用。研究用自动评测和大规模人工评估测试了 28 种 LLM 配置，前沿模型在部分文化群体中准确率最高仅 22%。全部材料已公开，并开放贡献流程以扩展语言与文化覆盖范围。
10月22日
星期四，8 条Google DeepMind 联合 WRI、IIASA 发布 10 米分辨率全球森林类型图 ForTy 2020
Google DeepMind 与 Google Research 联合世界资源研究所（WRI）和国际应用系统分析研究所（IIASA）发布 Forest Typology（ForTy）2020，把全球每块 10×10 米土地按 FAO 定义划为原始林、自然再生林、人工种植林、商品林、木本作物与农林复合、其他土地六类，并给出 2017–2025 年逐年变化序列。
Google DeepMind 发布森林类型地图 ForTy
并非所有森林都一样，现在我们可以把差异绘制出来。🌳 认识一下森林类型图（ForTy）：一张 10 米分辨率的天然林、人工林和农用林地图，帮助识别毁林并保护最重要的森林。🧵
清华与 Z.ai 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 Z.ai 团队提出 RIDAR 框架，用于检测自主科研智能体在选题、文献综述、实验和论文写作中的科研诚信违规（RIV），并给出覆盖全生命周期的 14 类违规分类 RIVT。
TokenGate 可学习剪枝让长上下文 Prefill 提速约 11 倍
斯坦福与伯克利研究者提出可插拔模块 TokenGate，插在现有 LLM 浅层，学习只把重要的 top-K token 传给上层，实现长上下文“跳读”。论文自报无精度损失时首 token 时间快 1.4–11.3 倍、峰值显存降 1.5–3.4 倍，相对最强免训练剪枝最高约 6.4 倍更快、2 倍更省显存。训练成本接近 LoRA，无需从零预训练。
引用Liana@lianapatel_Introducing ✨Token-Gated Language Models✨ for up to 11x faster prefill by learning to skim context, conditionally forwarding only tokens that matter. Akin to the shift from dense models to MoEs, the next frontier of efficient LLMs is conditional computation over a new scaling axis: context tokens🧵👇
Hugging Face 开源 DNA 模型 Carbon-X，基于 Qwen3-14B 训练
Hugging Face 发布开源 DNA 模型 Carbon-X，以 Qwen3-14B 为基础，在 300B tokens 的 DNA、英文与交错数据上做中训练，并采用英文 BPE 加 DNA 6-mer 的混合分词器。
Ai2 发布 OlmoEarth v1.3 卫星嵌入模型及全球预计算嵌入
Ai2 发布 OlmoEarth v1.3 卫星嵌入模型，读取一年 Sentinel-1 雷达与 Sentinel-2、Landsat 多光谱时序，为全球每个 10 米像元生成 128 维向量，前 64 维可单独使用。
入选理由Ai2 公开了全球卫星嵌入、权重与预计算数据，地球观测研究者无需 GPU 即可用少量标注做地表分类与变化分析。
Cohere 发布 CulturalRiddles 文化基准
大语言模型在数学和科学上越来越强。但令人意外的是，许多模型连一个简单的谜语都解不开。 @Cohere_Labs 的 CulturalRiddles 是一个新基准，将文化作为交织的、切身经历来测量。秉持开放科学精神，它由一支意想不到的团队打造。
Citrini Research 与 Anthropic 用 Claude 尝试研发蝎子抗毒血清未果
投资研究公司 Citrini Research 与 Anthropic 合作，用一款未发布的 Claude 模型设计能结合蝎子毒素的蛋白质，最终未造出药物。Anthropic 称 Claude 在 64 小时内生成近 32 万个候选，筛出 180 个设计，另加 31 个共 211 个；外部实验室测试中 17 个蛋白能结合目标，但每个最多只结合一种毒素，且未验证能否中和毒素。
10月21日
星期三，2 条SpatialBrain：从经验中生长的空间智能框架
SpatialBrain 框架在保持视觉语言主干固定的前提下，通过 3DFusionMemory、Spatial Skill Library 和 Spatial Cognition 积累"如何推理"的经验，而非迁移场景坐标或参考答案。在五个空间推理基准上，它在其中四个上优于同一主干的直接作答，第五个持平。
LASAGNA 框架评估 450 组 RAG 配置：单项技术增益叠加后大幅缩水
研究团队提出开源框架 LASAGNA，用于受控评估 RAG 流程，在八个基准和 5K 至 200K 文档规模的语料上测试了 450 组配置。三项预注册假设的结果显示，三项检索技术单独预测可带来 +47% 提升，组合使用后实际只有 +17%；检索质量与答案忠实度偏好的设计不同，优化其一可能损害另一项；最优组合还会随语料规模变化。
10月22日
星期四，2 条Perplexity 与 NVIDIA 研究人员提出 JOLT：一种师生联合强化学习方法
Perplexity 与 NVIDIA 研究人员提出 JOLT，一种师生联合强化学习方法。现有材料仅包含网页 Cookie 声明，未提供方法细节、实验数据或发布渠道信息。
OpenAI 智能体 32 分钟完成小鼠全脑 CRISPR 图谱分析
OpenAI 与 PerturbAI、Scripps Research 合作，用数千个基于 GPT-Rosalind 的 AI 智能体分析数百万个小鼠细胞的全脑 CRISPR 图谱，每个智能体负责一个基因扰动并检索文献解释细胞反应，整个分析耗时 32 分钟，团队估算人工完成需数月至一年。
10月21日
星期三，2 条Sarvam AI 介绍面向企业智能体的知识织构构建方法
Sarvam AI 发文介绍其为企业智能体构建的知识织构，把组织文档一次性解析为可导航的知识树，并叠加可按数据库方式查询的领域本体，让智能体在回答时能引用原文段落、表格行和来源页。
El Agente Cuántico 用多智能体自动完成量子模拟计算
研究团队提出 El Agente Cuántico，由协调智能体把任务分派给对应不同软件包的专职智能体，产出代码、数值结果和图表，覆盖分子能量计算、纠缠态、耗散动力学、时间晶体、量子纠错与硬件资源估计等任务。
10月22日
星期四，1 条微软研究者证明 31 年未解的 KLS 猜想，AI 智能体参与探索证明路径
微软研究院机器学习与优化组的 Xinzhi Zhang 与合著者 Zhao Song 证明了 1995 年提出的 Kannan-Lovász-Simonovits（KLS）猜想，证明该关系在高维下由固定常数界定、不随维度增长。
入选理由微软研究者用人类主导的智能体搜索证明 KLS 猜想，展示了 AI 在数学证明中承担探索、研究者负责判断的分工。
10月21日
星期三，4 条面向 AI 智能体的以记忆为中心的持续学习（MCCL）
论文提出 Memory-Centric Continual Learning（MCCL），主张记忆应以能否改进未来行动而非检索命中来评判。MCCL 包含三轴记忆分类法与内外双环生命周期、衡量干扰下保持、变化适应与任务迁移的评估协议，以及刻画智能体性能随经验、存储容量与算力预算变化的记忆扩展框架。
TraceForge：用模型自身风格生成推理轨迹以蒸馏训练数据
TraceForge 提出一种替代方案：不依赖教师模型返回的隐藏推理，而是以上下文和教师答案生成符合学生模型家族风格的推理轨迹，训练分监督与对抗两阶段。独立评审给出的真实性得分为生成轨迹平均 0.68、真实轨迹 0.66、评审从四个候选中选出的轨迹 0.82。
多模态具身智能体：从计算机使用到机器人使用的统一能力视角框架 PAPAV
研究者提出 PAPAV 能力中心框架，将多模态具身智能体（MMEA）拆解为感知状态、预判动作效果、规划可行路径、通过接口或本体执行、验证结果五项功能，并据此比较 MMEA 与多模态智能体及机器人系统。在 64 个基准中，显式评估集中在“执行”一项，仅 5 个评估“预判”、3 个评估“验证”，后两者多被任务成功率掩盖。
Claude 在 Claude Science 中自主设计蛋白结合体，靶向蝎毒神经毒素
Anthropic 的 Claude 在面向研究者的 Claude Science 环境中，针对 4 种蝎子的 5 种毒素自主生成 318,484 个蛋白结合体设计，首次提示后自行工作 24 小时，随后由研究团队追加指令引导。
入选理由材料给出从设计到湿实验验证的完整链条与命中率，研究者可据此判断自主智能体在蛋白设计中的实际位置。
10月22日
星期四，2 条Frontiers in Science：靶向 GPCR 网络或可延缓衰老
研究人员在 Frontiers in Science 发表论文提出，靶向 G 蛋白偶联受体（GPCR）信号网络的疗法有望同时干预多种衰老相关疾病。作者认为，AI、系统生物学与精准医学的进展可支持基于个体衰老生物标志物的个性化治疗，并与代谢疗法、再生医学等长寿策略互补。该方案目前仍属研究构想，尚待验证。
超越来源归属：LLM 构建的学术知识图谱中的作者身份与可比性决策
针对 LLM 抽取并核验后进入知识图谱的论断，PaRAGraph Casebook 用四个可复跑案例展示：同一地名在不同文献分类方案中的归属与层级差异，无法靠核对引文或检索冲突值发现。平台现将记录地址（地名在各来源方案中的位置、名称指单位而非地点的判定、地址来源）作为可比性一个维度的决策对象存储，使工作分类可随新来源修订，而每条比较到证据的路径保持固定。