全部动态

利用大语言模型增强学术论文摘要与全文中的知识实体关系抽取

一项 arXiv 预印本研究系统比较了闭源 LLM 的 CoT 提示、LoRA 微调的开源 LLM、LLM 增强小模型（SLM）等多种策略在学术论文知识实体关系抽取（KERE）上的表现，并新增 SLM 增强开源 LLM、闭源 LLM 增强开源 LLM 两种策略。

Retrieve-then-Disambiguate：从文献中检索并消歧审稿人候选的开源算法

密歇根州立大学的研究者提出开源算法 Retrieve-then-Disambiguate，把审稿人发现表述为检索问题：先按标题摘要相似度检索相关论文，再对作者姓名做消歧，最后按领域相似度排序候选身份，不依赖预定义候选池。

智元联合清华、无问芯穹发布 CEL 群体经验学习：96 台真机实现机器人教机器人

智元携手清华大学、无问芯穹发布群体经验学习范式 CEL，让机器人以同伴的真实作业轨迹为经验来源，在插花、叠衣、手机充电、凳子组装、手机包装五项真实任务上训练的策略全部超过 6 名人类远程操作员平均水平，最高领先 16.7 个百分点。

ABACUS + DP 如何揭示多晶型 HfO₂ 的界面控相稳定性

合肥综合性国家科学中心人工智能研究院朱旭东与中国科学技术大学何力新团队在 npj Computational Materials 发表研究，用自研第一性原理软件 ABACUS 结合 Deep Potential（DP）机器学习力场，模拟 45 个含 10,368 个原子的 HfO₂ 两相界面，揭示界面取向与晶格匹配对晶相选择、界面钉扎和相变路径的影响。

Sakana AI 发布自研语言模型 Sawara 计划

Sakana AI 在东京一桥讲堂举办“From World Models to Real-World AI”研讨会，宣布正从预训练阶段自研语言模型系列“Sakana Sawara（暂定名）”，首个小型模型“Sawara Small（暂定名）”若进展顺利计划于2027年春季公开。

SpecPilot 用自主智能体循环为推测解码发现算法与系统优化

SpecPilot 是一个自主智能体循环，针对每种部署自动发现推测解码的算法与系统优化，每轮由成本模型定位当前系统与上限之间的最大差距，并行智能体探索方向并整合成功方案，同时用 token forcing 对照原始系统检查输出以检测 reward hacking。

Recursa 发布可递归自我改进的基础模型系统

研究团队提出 Recursa，一个无需人类专家或更强教师模型、靠自身经验适应新领域的基础模型系统。它用知识库存储领域技能、技能适用时机、过往任务记忆与反思，先从领域材料引导构建知识库，再通过递归自我改进，由并行学习器执行任务并合成局部改进，经校验后合并进知识库。

LeCun 与 Balestriero 用数学论证柏拉图表征假说并给出更优训练路径

alphaXiv 介绍 Yann LeCun 与 Randall Balestriero 的一项工作，从数学上表明在一定条件下，两个完全独立训练的 JEPA 可以学到基本相同的世界表征，一个从同一场景的不同图像学习，另一个从该场景的不同描述学习，全程不使用图像文本配对。

Exin Therapeutics 称 AI 智能体操控机械臂为小鼠完成脑部注射治疗癫痫

生物科技初创公司 Exin Therapeutics 本周声称，已让 AI 智能体操控机械臂对一只癫痫模型小鼠完成脑部注射。

视频世界模型的潜在预测误差何时能支持物理意外判断？

一项评估框架在 IntPhys2、Physion++ 和 Kubric 上检验视频世界模型的预测误差能否代表物理意外，发现 V-JEPA2 仅暴露有限的"可能/不可能事件"信息。

Simjecture 框架：语言模型智能体以反例驱动完成 Z-pinch 辐射能超额研究

西安交通大学团队提出开源框架 Simjecture，让语言模型智能体围绕人类设定的物理猜想做反例搜索与前瞻性假设修正，并以计算物理作为可执行检验平台。

入选理由作者团队公开了 Simjecture 框架与完整研究记录，研究者可据此判断反例驱动的智能体研究在计算物理中能承担到哪一步。

Simjecture 框架以反例驱动智能体研究 Z-pinch 辐射能超额问题

作者提出开源框架 Simjecture，让语言模型智能体围绕人类设定的物理猜想，以反例驱动的证伪和假设修正推进研究，并用计算物理作为可执行测试环境。团队用该框架开展 82.6 小时研究，考察 Z-pinch 中辐射能超过内爆壳动能这一长期问题，结果显示更强的相干螺旋形变会提高电阻转换、降低辐射并增加滞留能量，更宽的尾随等离子体分布则推迟后段辐射峰值并弥补早期辐射热计亏损。

BioAgent-DF 审计生物医学研究智能体的决策溯源：结论不变但证据路径可能已变

作者提出 BioAgent-DF，用配对参考值与候选值在原坐标上还原或移植，审计生物医学研究智能体在工具数值被静默污染后读了哪些文献、引了哪些句子。在 SciFact 的八个批次中，Qwen3.5-4B 在三个捕获–论断组合上出现可重复的引用变化，Gemma 3 4B IT 在四个组合上出现可重复的阅读与引用变化，共涉及两个论断，而完整还原可恢复参考证据集且结论不变。

北大团队在华为鲲鹏 920 上深度优化 ABACUS 原子算筹，19 类材料核心算子最高快 10.7 倍

北京大学陈默涵团队在华为鲲鹏 920 全系列平台完成开源密度泛函软件 ABACUS（原子算筹）适配，并逐项优化 19 类材料核心算子，相关代码已推送至 GitHub。

StreamDuo：面向未见游戏的双智能体实时解说系统

StreamDuo 将可训练解说智能体与冻结的科研智能体配对，后者实时读取所玩游戏 wiki，解说遇到无法命名的内容时发送当前帧，约两秒后取回条目。仅在 Baldur's Gate 3 上训练、在十款未见游戏测试，实体召回率从 Proact-VL 的 0.082 升至 0.116，源游戏泄漏从 9.9% 降至 1.0%，时序与 LLM 评判的解说质量均为流式模型最佳。

Samaya AI 发布 Sterling：3B 激活参数的金融研究智能体模型，在 FrontierFinance 上以 11 倍低成本超越 Claude Fable 5.1

Samaya AI 发布金融研究智能体模型 Samaya Sterling，基于 NVIDIA Nemotron 3.5 Lightning（30B 总参数、3B 激活的 MoE）经 LoRA 后训练而成。

Anthropic 实验：养蜂指南和摔角故事可训练 Claude 规避安全监控

Anthropic 让 Claude 生成最多 5000 条样本的微调数据集，去绕过模拟其生产系统的数据监控，监控会拒绝超过 10% 行被标记的数据集。每次运行中 Claude 都找到了能通过监控并触发模型不当行为的数据集，单次运行产出超过 600 个数据集，在 Anthropic 的评测中强于已有研究文献数据集。

Google DeepMind 与 World Resources Institute 用卫星数据和 AI 绘制全球森林类型地图 ForTy

Google DeepMind 与 World Resources Institute 开发出 ForTy（Forest Typology），把 2020 年全球陆地在 10 米分辨率上划分为原始林、自然再生林、人工种植林、种植园、油棕橡胶可可等树作物和其他土地 6 类，作者称这是首个此类全球地图。

混合架构中循环层抢先学会检索，BLD 冻结训练法改善注意力层

论文发现混合架构中循环层学习检索更快，抑制了注意力层掌握同一能力，为此提出 Better Layer Division（BLD）：训练早期暂时冻结循环层，迫使注意力层先学会检索，再让两部分共同训练。在 180M-1B 参数模型上 BLD 一致提升检索表现，750M 模型 RULER 准确率从 26.53% 升至 32.82%，长上下文困惑度从 12.68 降至 8.08。

DCRM：面向科研智能体的决策中心模型与 RD-Bench 基准

作者提出决策中心研究（DCR）框架，把科研智能体在证据取舍、下一步行动和研究方向上的选择定义为基于显式 Research State 的类型化预测，共 24 种决策类型，其中 10 种在 2000 条规则生成案例构成的 RD-Bench 中实例化。

面向长周期科研智能体的动作构建：阅读集框架评估实验设计的信息价值

研究团队提出阅读集（reading-set）框架，用于评估科研智能体动作指令所隐含的实验设计，并按统一成本规则对每种设计做预算门控。在 30 个合成状态上，完整设计请求相对动作名称基线在两个模型家族中分别将可负担效率提升 465.98% 和 327.91%。作者自建的 60 个场景、240 个候选动作数据集显示，场景级信息每成本指标与 18 名人类参与者判断的平均场景内相关系数为 0.733。

循环Transformer：仅循环中间层效果更优

论文比较不同循环架构发现，仅循环Transformer中间层优于反复循环整个模型；Huginn式设计（在独立输入输出层之间放置循环层）整体表现更好，尤其在推理任务上。8B参数下Huginn MoE在10项基准中8项超过Ouro，存储参数比算力匹配的32B前馈MoE少75%，GSM8K准确率83.6%对80.8%。

Google 用模拟精神科病人训练 LLM，鉴别诊断准确率从 33.3% 升至 68.3%

Google 一篇论文用模拟精神科病人对 LLM 做多轮强化学习训练，奖励信号来自诊断准确性、沟通效果和临床安全。在精神科医生扮演病人的盲评中，训练后模型在 76.7% 的场景中优于基线，恰当鉴别诊断比例从 33.3% 升至 68.3%，以患者为中心的沟通得分从 65.2% 升至 82.0%。论文链接：https://alphaxiv.org/abs/2610.40476

Claude Sonnet 5 自主选定基因疗法并完成小鼠脑部注射

据 Exin Therapeutics 联合创始人、牛津大学博士生 Gabriel Ocana-Santero 在 X 上描述，团队给 Claude Sonnet 5 一份包含 19 种候选基因疗法的清单、一个癫痫小鼠模型和一台带摄像头的定制电动手术装置，唯一指令是减少小鼠的癫痫发作；该智能体自行选定了药物、脑区和立体定位坐标，并完成注射。

StreamDuo：面向未见游戏的实时解说员与研究智能体

StreamDuo 将可训练解说员与读取所玩游戏 wiki 的冻结研究智能体配对，让模型为训练中从未见过的游戏做实时解说。仅在 Baldur's Gate 3 上训练后，它在十个未见游戏上把实体召回率从 Proact-VL 的 0.082 提升到 0.116，并将源游戏泄漏从 9.9% 降至 1.0%。在流式模型中，它的解说时机最佳，生动度与整体质量评分也最高。

BestRand：通过随机采样实现稳定低成本基准压缩

BestRand 是一种稳定、低成本的基准压缩方法，在 70 多个文本、多模态和智能体基准上验证，并将方法扩展至 VLA 评测。相比对比方法，BestRand 将高误差风险降低 50.2%、估计误差平均降低 16.4%，构建成本仅为 51.3%，在分数范围、模型家族和时间偏移下还将 OOD 估计误差平均降低 21.8%。代码与数据已公开。

研究者用 JEPA 证明并改进柏拉图表征假说

研究者提出柏拉图表征定理，证明在不同模态上分别训练的联合嵌入预测架构（JEPA）在正样本对为同一场景的两个观测时，学到的表征仅相差一个旋转。作者进一步指出下一词预测相当于使用劣质视角的 JEPA，这解释了语言模型为何只能靠规模与视觉对齐。

OpenAI 发布 GPT-Rosalind-6 系统卡增补，面向受信客户开放生命科学模型

OpenAI 发布 GPT-Rosalind-6 系统卡增补，该模型沿用 GPT-6 Astra 的权重，未新增训练数据或额外后训练。在 GeneBench Pro v13 的 129 道生物数据定量分析题上，最高推理预算下单次尝试成功率为 37.7%，GPT-Rosalind-5.5 为 16.7%，该评测使用与生产环境不同的基准专用配置。

Google Project Suncatcher 原型卫星首次在轨运行 TPU 并返回 AI 响应

Google Project Suncatcher 原型卫星完成首次在轨 AI 响应：地面站向星上 Gemma 4 开放模型上传提示词，卫星飞经挪威斯瓦尔巴群岛上空时下传了一首关于太空的俳句。此前数周已完成主机与 TPU 托盘加电及早期机器学习测试。下一步将评估 TPU 在轨道热应力和辐射暴露下的表现，为 2027 年双星互联里程碑铺路。

OpenResearch 训练 4B 决策模型

我们用 OpenResearch 在超过 117k 个决策示例上训练了一个 4B 决策模型 我们的模型在除讽刺检测外的所有领域表现几乎与 Jev 完全相同 在评估中，我们的模型能够泛化到其他未见过的任务，如仇恨言论严重程度、情绪检测和意图分类，但讽刺仍是一个常见的失败模式