Nature Machine Intelligence 报道 DeepEvidence：从知识检索转向证据探索与综合
Nature Machine Intelligence 刊文介绍 DeepEvidence，一个深度研究智能体，它不止于检索事实，而是构建科学证据的显式表示。文章指出生物医学发现已进入限制资源不再是数据、而是整合与解读证据能力的阶段。DOI 为 10.1038/s42256-026-01313-w。
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。
697 条收录动态，更新于 23:56
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1日
星期四，4 条Google AI 流感预测模型在 CDC 2025-26 季评中排名第一
美国 CDC 本周公布的 2025-26 流感季赛后分析显示，在 39 个合格模型中，Google 用 AI 构建的流感预测模型对流感相关住院人数的预测最接近实际观测值。
入选理由CDC 对 2025-26 流感季的赛后评估显示，Google 的 AI 模型在 39 个合格模型中预测住院人数最准，研究者可据此了解 AI 生成优化算法在真实公共卫生预测中的位置。
Google DeepMind 发布 Gemini 4 Argon，输出上限提至 100 万 token
Google DeepMind 发布前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络防御方开放，随后逐步扩展到开发者、企业和消费者，起步价为每百万输入 token 2 美元、每百万输出 token 10 美元。
入选理由Gemini 4 Argon 把长程推理和百万级输出用于代码迁移、漏洞发现与科研优化，研究者可据此判断它在自身工作流中的位置。
微软研究院用机器学习预测电网空间天气风险，覆盖美国 66,935 座变电站
微软研究院实习生开发了一套端到端机器学习管线，利用 L1 太阳风观测、AE 与 Dst 指数预报及变电站所在地的纬度与地质电导率数据，为美国本土 66,935 座变电站生成 30 至 60 分钟前的局地空间天气风险估计。
9月30日
星期三，8 条ConflictGuide：让竞争行为可见，提升 AutoResearch 的模型演化效果
新加坡国立大学等机构的研究者提出 ConflictGuide，在基于大语言模型的 AutoResearch 循环中引入竞争行为反馈：先用标量任务反馈做广泛探索，待任务增益减弱后，用文献分类体系识别模型特有的行为冲突并设计探针，把探针结果反馈给代码智能体以引导修改和保留决策。
腾讯混元联合复旦、清华发布 ExplorationBench，评测 AI 系统自主探索能力
腾讯混元与复旦大学、清华大学的研究者发布 ExplorationBench，用于测量 AI 系统在未知规则环境中自主探索的能力，论文见 arXiv:2609.30199。
中科院团队提出 EEM 框架，用实验经验建模降低自主科研实验成本
中国科学院计算技术研究所等机构的研究者提出 Experimental Experience Modeling（EEM）框架，用于自主科研中的实验决策：从既往实验轨迹中提取可复用的经验条目，判断历史经验是否足以决定某个方向是否值得继续投入，不足时再执行低成本的针对性试点实验，并将新经验回填经验库。
AutoMIP：面向混合整数规划的自主科研框架在 MIPLib 与 MINLPLib 上找到新最优解
作者提出 AutoMIP，一个用于混合整数线性与非线性规划（MILP/MINLP）的自主科研框架，通过持久化想法池与算法树联合管理研究方向与可复用实验状态。在 MIPLib 的 60 个实例中，AutoMIP 为 31 个找到新的最优解；在 MINLPLib 的 60 个实例中为 52 个找到新的最优解，均超过所比较的自主科研框架。
DAGent：面向深度研究智能体的 Evaluate-then-Grow 增量规划框架
纽约大学等机构的研究者提出 DAGent，一个基于有向无环图的多智能体框架，用 Evaluate-then-Grow 增量规划替代先规划后修补：Orchestrator 依据已完成节点的置信度与不确定性信号逐批扩展任务图，并配套 DAG 条件强化学习 DAGRPO。
SimEX：用仿真整合的自动科研框架让编码智能体自主获取机器人操作能力
得克萨斯大学奥斯汀分校与 Amazon FAR 等机构的研究者提出 SimEX，一个把仿真实验与编码智能体结合的自动科研框架：第一阶段智能体在仿真中自主生成任务、探测能力库弱点并迭代优化，第二阶段用少量真机试验校正仿真并筛选修复方案。
PathAnchor：用路径化证据组织提升科学智能体的检索与引用完整性
华东理工大学、复旦大学与腾讯的研究者提出 PathAnchor，一个基于路径化证据工作区的科学推理系统，把文献证据组织为 Material–Sensor–Signal–System 功能轨迹，保留角色、方向与每条转换的来源证据，控制器用三个只读工具检索、追踪路径并打开原文，输出带引用的答案和明确的证据边界。
Nature Machine Intelligence：自监督预训练推动能量前沿异质中微子探测器基础模型
Alonso-Monsalve 等人在 Nature Machine Intelligence 发表研究，证明自监督预训练能帮助深度学习模型解读复杂的中微子探测器事件，在分类、重建和数据效率上均有提升，并支持在不同中微子探测器技术之间迁移。论文在线发表于 2026 年 9 月 30 日，DOI 为 10.1038/s42256-026-01309-6。
9月29日
星期二，7 条微软研究院发布生物学 AI 研究系统 Quine，并开放 Quine Fellows 计划申请
微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由生物学世界模型和连接模型、科学工具、文献与研究者的交互式 harness 两部分组成。
入选理由微软研究院公开了面向生物学的多模态世界模型 Quine，并给出胰腺癌细胞状态预测经湿实验验证的案例，研究者可据此判断这类系统在实验设计中的可用边界。
AutoMark：让自主科研代理发现更优的 LLM 水印方案
arXiv 预印本提出 AutoMark，用自动验证与评估框架让编码代理自主搜索 LLM 水印方案，在 GPT-6 Astra、Opus 5、Gemini-3.8 Flash 上共生成 52 个方案，其中 ConcordMark 与 RotationFirst 在留出测试集上优于 AAR、SynthID、TextSeal 等基线。
Synthetic Universes 基准：AI 科学家预测通过不等于还原机制
arXiv 预印本提出 Synthetic Universes 基准，为每个经典物理世界配一个由相近非经典机制控制的孪生世界，用留出延续与迁移执行检验预测，用独立检查器检验是否还原生成机制。
DeepRewind：预测并修复深度研究智能体的过早定论
不列颠哥伦比亚大学作者提出 DeepRewind，一个叠加在 Open Deep Research 之上的控制层，把智能体的认知状态表示为含来源、证据、论断、假设、承诺、计划与草稿的类型化图，在中间结论被接受前用基于提示的世界模型预测其可逆性并决定是否放行，后续证据推翻承诺时只回滚受影响子图。
FinAutoRubric：专家引导的金融研究智能体评分细则自动生成框架
LinqAlpha 与 UNIST 等机构提出 FinAutoRubric，让专家只写一次可复用的评测指引，由智能体和代码按查询与信息截止日生成、复核并校验评分细则，失败时转人工。
FinAutoRubric：专家引导的金融研究智能体自动评分标准生成
FinAutoRubric 用专家指定的可复用评估指引驱动智能体与代码自动生成、审查并验证针对具体查询的评分标准，失败案例会升级给人工处理。在三个专家编写的金融基准上，其评分标准与专家打分的一致程度不逊于所评估的最强生成器，且覆盖更多标准项，内部分析师在盲评中更偏好该标准。团队同时发布 100 条查询的 FinAutoRubric Benchmark，覆盖 78 项任务和八类资产。
AI Night-Scientist：用强化学习训练模型在科研构思中偏离常规推理
伊利诺伊大学厄巴纳-香槟分校与 Microsoft Research 的研究者提出 AI Night-Scientist，一个基于强化学习的智能体框架，把创造力拆成动作层（怎么做）、过程层（何时探索或利用）和结果层（想法的新颖性与有用性），用 GRPO 训练模型生成长期科研提案。
9月28日
星期一，6 条AfS（Agent for Science）：面向长周期科研智能体的极简节点、可复验工作流与累积记忆架构
论文描述为长周期科研工作设计的平台 AfS（Agent for Science），把科研纪律编码为机械强制执行的"铁律"，使不合规状态在系统中无法表示，而非依赖提示模型自觉。
PEAR：面向工业搜索系统的渐进式循证 AutoResearch 框架
针对工业搜索中 AutoResearch 的 keep-if-better 规则在非稳态流量下易把短期增益误判为持续提升、以及多保真度评估证据难以统一利用的问题，研究者提出 PEAR 框架，包含 Evidence-driven AutoResearch 与 Confidence-Gated Verifier Ladder 两部分。
Dr.Credit：用评分标准为深度研究智能体的中间步骤分配过程奖励
中国科学院自动化所与阿里巴巴 Token Hub 等团队提出 Dr.Credit，把任务评分标准从终稿评价扩展到深度研究智能体的中间工具调用，按每次检索或网页访问相对各条评分标准已有证据的增量支持分配过程奖励，再与 GRPO 的结果优势结合训练。
Nature Machine Intelligence：人工网络在多任务学习中自发形成模块化结构并与脑网络架构相似
Wu 等人的研究显示，学习多个任务的神经网络会组织成专门化的模块，在容量受限时尤为明显。增量式多任务学习会强化这种模块化，并产生与脑网络相似的架构。该研究发表于 Nature Machine Intelligence，DOI 为 10.1038/s42256-026-01306-9。
Nature Machine Intelligence 提出 GenFocal：用概率机器学习从气候模型评估区域气候风险
Nature Machine Intelligence 发表研究，提出名为 GenFocal 的生成式 AI 框架，用于气候降尺度，从粗分辨率气候预估生成逼真的精细尺度天气，并改进热浪、热带气旋等复合极端事件的区域风险评估。论文在线发表于 2026 年 9 月 28 日，DOI 为 10.1038/s42256-026-01308-7。
Quorum：以同行评审为货币的免收费开放获取信息技术期刊设计与仿真
一篇论文描述了免向读者和作者收费的开放获取期刊 Quorum（jquorum.org），以同行评审为"货币"：学者完成一篇稿件的首次完整评审可获 1 学分，1 学分可支付一次投稿，每篇稿件获 3 份双盲评审并由系统按专长自动匹配。
9月27日
星期日，2 条Sakana AI 与东京大学提出 SAIL：用测试时扩展提升机器人轨迹生成可靠性
Sakana AI 与东京大学合作提出 SAIL（Scaling In-Context Imitation Learning），将策略 VLM 作为机器人轨迹生成器，在少量成功演示条件下生成轨迹，并在仿真器中测试、由评估 VLM 查看视频指出进展停滞处，再借助蒙特卡洛树搜索（MCTS）探索并修正候选轨迹，只把选中的轨迹发送给实体机器人。
Inspire：面向开放科研问题的科学文献检索基准
香港中文大学与微软亚洲研究院提出 Inspire 基准，用“隐去解法”的研究问题简报评估智能体检索先行文献的能力，检索语料为截止目标论文发表前 3 个月的公开文献，目标论文及其引用谱系对智能体不可见。
9月26日
星期六，2 条BioLitBench：用组合可控性检验生物医学文献综述智能体排行榜
作者提出组合可控性框架，为文献综述智能体的评测定义比较窗口与可采纳性检验，在查看分数前先拒绝不可比的比较，并只对超过采样与干扰半径的差距给出排序认证。配套的 BioLitBench 基准包含 2,042 篇生物医学文章、246,102 条论断和 832,487 条类型化关系，同主题综述作为集合值参考。
Claude 在平面 N=4 超杨-米尔斯模型中完成九圈散射振幅计算
Anthropic 在 Science Blog 中称，Claude 在 Claude Science 中依据单条描述九圈问题的提示词、基本无人监督运行数天，用 Lance Dixon 等人发展的方法完成了平面 N=4 超杨-米尔斯模型的九圈计算，总花费数千美元，Dixon 独立核验了结果。此前该简化模型的纪录是 Dixon 与合著者做出的八圈，多数计算止步两三圈；这一挑战由物理学家兼科学作者 @4gravitons 上月提出，要求只用学术机构可合理获得的算力预算。Kevin Weil 转发该消息，称自己在研究生阶段算过大量费曼图，并期待 AI 在未来 12 个月给高能物理带来变化。详情见 https://www.anthropic.com/research/yes-claude-can-do-nine-loops
引用Anthropic@AnthropicAINew on the Science Blog: Yes, Claude can do Nine Loops. Theoretical physicists predict how particles behave using formulas called scattering amplitudes. These are notoriously hard to compute, so researchers work with layers of increasingly fine corrections called “loops”—each added loop makes the answer more precise but takes exponentially more computation. Most calculations stop at two or three loops. Eight loops was the previous record in a simplified model physicists use as a testing ground (planar N=4 super-Yang-Mills), set by SLAC's Lance Dixon and collaborators. Last month, physicist and science writer @4gravitons issued a challenge: could an AI push past eight loops in this model, using only the compute budget an academic could reasonably access? Given a single prompt describing the nine-loop problem, Claude ran largely unsupervised for days in Claude Science and solved it using methods developed by Dixon and his colleagues, at a total cost of a few thousand dollars. Dixon independently verified the result, and von Hippel wrote about the experience for our blog. Read more: https://www.anthropic.com/research/yes-claude-can-do-nine-loops
9月25日
星期五，1 条Claude 在 Claude Science 中自主算出 N=4 超杨-米尔斯九圈散射振幅
物理学者 Matt von Hippel 记录，Anthropic 的 Liam Fitzpatrick 和 Siddharth Mishra-Sharma 使用 Fable 5.1 在付费科研平台 Claude Science 中。
入选理由一位理论物理学者记录了 Claude 在付费科研平台上自主完成九圈散射振幅计算并被专家验证的过程，可供研究者判断 AI 在具体计算任务中的边界。