小鹏联合北大、港大发布 GroundingPI 具身感知基座模型
小鹏集团联合北京大学、香港大学等团队发布具身感知基座模型 GroundingPI，约 40 亿参数，在 34 项公开感知基准的综合评测中位列第一，得分 73.68，对比 GPT-6 Astra 的 71.54。
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。
262 条收录动态，更新于 03:03
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。
11月4日
星期三，8 条OpenAI 展示 GPT‑6 Astra 辅助硬件研发：一周出图、一月出样，并与马自达合作汽车设计
OpenAI 公布 GPT‑6 Astra 在实体产品研发中的应用：两名员工用不到一周完成可与 Codex 交互的测试设备设计，模型承担外观、外壳结构、电子元件选型、电路板布局及固件生成，代工厂不到一个月制成小批量原型机。OpenAI 承认模型未始终充分考虑生产限制、尺寸公差与装配细节，投产仍需多轮审核迭代。公司同时与马自达的空气动力学及碰撞安全工程师合作，用气流与结构仿真探索新车设计。
OpenAI 称 GPT-6 Astra 不到一周从零设计出一款硬件设备
OpenAI 称其硬件团队用 GPT-6 Astra 设计了一款让用户与 Codex 编程智能体对话的设备，作为副项目在不到一周内完成。据 OpenAI 说法，Astra 承担了外壳设计、含元件选型与走线的 PCB 布局、固件和用户界面等全部环节，代工厂在不到一个月内产出小批量原型，但因 Astra 未总能考虑制造约束、公差和装配细节，经历了几轮修改。
斯坦福研究：50 条被广泛引用的 LLM 结论中 44% 已失效，平均寿命 15.7 个月
斯坦福研究者 Owen Queen 和 James Zou 用 8 家开发者在 2024 年 7 月至 2026 年 9 月间发布的 20 个模型，复测了 50 条被广泛引用的大语言模型结论，发现 44% 已经失效，另有 34% 明显减弱，仅 16% 仍然成立、6% 反而增强。
OpenAI 加速物理世界工程化
这些是早期的步骤，我们正在寻找工程师、工程公司和软件合作伙伴，共同塑造接下来的发展。 https://openai.com/index/accelerating-engineering-for-the-physical-world/
FinDendro 基准：大模型自报知识边界不可靠，金融回测或存在信息泄漏
研究团队提出 FinDendro 基准，用 1999 至 2026 年的 2,226 条带日期的美国事实（月度宏观序列、月末股价和美联储决议）检验大模型对自身知识边界的判断。
Ai2 发布 StateBench 评估大模型状态追踪
大语言模型能否在长文本中追踪状态变化——比如一个物体几经转手，或一个变量被重新赋值？ 在我们新推出的 StateBench 评估中，包括 GPT-6 Sol 和 Claude Opus 5.5 在内的前沿模型，在最难、最长的问题上准确率降至 13% 或更低。🧵 https://github.com/allenai/state-bench
Ai2 测试开放预训练模型与前沿模型
我们测试了开放预训练模型和前沿模型，包括 Gemini 3.8 Flash、Claude Opus 5.5，以及 GPT-6 Sol 和 Luna。 前沿模型在较简单的问题上表现良好。但随着任务变难、输入变长，准确率急剧下降——在最长的通用有限问题上降至 13% 或更低。
11月3日
星期二，8 条研究：GPT-4o 评审基金申请时对高新颖性提案更保守
一项发表于 Scientometrics 的研究让 GPT-4o 对 2021 年提交给奥地利科学基金的 139 份真实申请做两两比较排序，模型与人类评审最终资助决定的一致率为 60%，但对新颖性评分高的提案系统性更不愿资助。
HistGramBench：多模态模型将历史数学图重绘为 TikZ 时的结构还原评测基准
研究者提出 HistGramBench，用 2,507 幅来自 1551–1933 年间 95 部著作、8 种语言的历史数学图，评测多模态模型把图重绘为 TikZ 程序时的结构还原能力。每幅图由两家不同厂商的 AI 模型就读者可从图中读出的事实达成一致，再在模型自己绘出的图上核验这些事实。评测 6 个平价模型，最佳者约还原五分之三的事实，多数遗漏来自始终未生成图形的程序，平行与相切关系最难复现。
MIT CSAIL 提出权重空间编程：GPT-6 Astra 改 Qwen3.5-0.8B 约 0.016% 权重，MATH-500 成绩升至 6 倍
MIT CSAIL 研究者提出「权重空间编程」，让 OpenAI 的 GPT-6 Astra 直接读取并修改 Qwen3.5-0.8B 的神经网络权重，仅调整约 0.016%（131072 个）参数，就使该模型在 MATH-500 上的成绩从 7.9% 提升至 48.1%，GSM8K 从 13.8% 提升至 67.1%，IFEval 从 21.0% 提升至 62.3%。
MIT CSAIL 团队提出权重空间编程，GPT-6 Astra 直接改写 Qwen3.5-0.8B 权重提升数学能力
MIT CSAIL 博士生 Rikiya Takehi 及团队提出“权重空间编程”，让 GPT-6 Astra 直接读写神经网络权重，不训练也不算梯度。据其博客介绍，实验只改动 Qwen3.5-0.8B 约 0.016% 的权重，MATH-500 从 7.9 升到 48.1，GSM8K 从 13.8 升到 67.1，并称修复了该模型的推理循环、指令遵循提升 3 倍。
引用Rikiya Takehi@rikiyatakehiWe asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: https://rikiyat.github.io/blog/weight-space-programming/
MIT 博客：GPT-6 Astra 直接编辑 Qwen3.5-0.8B 权重，MATH-500 从 7.9% 升至 48.1%
alphaXiv 转述 MIT 的一篇博客，称 GPT-6 Astra 能在不计算梯度、不重新训练的情况下直接读取并编辑 Qwen3.5-0.8B 的权重，使其 MATH-500 成绩从 7.9% 提升到 48.1%。
研究将 LLM 科研智能体当作统计检验评估其收益可预测性判断
意大利特伦托大学 Chang Liu 在 arXiv 预印本中把 LLM 科研智能体视为统计检验，在已知真值的模拟世界中评分其对“预测模型是否跑赢静态基准”的判断。
GPT-6 Astra 直接改写模型权重
Astra 不断让我惊叹 🤯
引用Rikiya Takehi@rikiyatakehiWe asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: https://rikiyat.github.io/blog/weight-space-programming/
《纽约时报》等媒体起诉浏览器 Brave，指控其抓取内容并转售给 Anthropic、Perplexity 等 AI 公司
《纽约时报》周一起诉隐私浏览器公司 Brave，指控其抓取受版权保护内容并分发给 Anthropic、Perplexity、Mistral、xAI 和 Cohere。
11月2日
星期一，6 条Olam Labs 让 50 个 AI 智能体在 Minecraft 中生存三小时，自发形成官僚式分工
Olam Labs 将 50 个 GPT-6.1 Sol 智能体放入 Minecraft 生存世界三小时，唯一指令是建立繁荣文明，期间交换约 5900 条消息。
Import AI 479：Realtime-Bench 评测低延迟任务、太空战报告与 Genie 4
多机构联合构建的 Realtime-Bench 用 50 个交互式游戏与网页任务评测前沿模型的实时决策能力，GPT-6 Astra（high）在真实延迟条件下通过率仅 36%，暂停时钟下高推理模型可达 70%–80%。
研究者在《我的世界》测试 AI 智能体集群：协作易官僚化，GPT 对战 Claude 胜率更高
Y Combinator 与 Olam Labs 研究人员在《我的世界》中测试上百个智能体集群的协作与对抗。Civ50 测试中 50 个 GPT-6.1 Sol 智能体三小时内未能发展壮大，还出现四个智能体花 11 分钟任命“唯一肥料操作员”的官僚化行为。
研究比较五种 LLM 论文评审范式：排序相关性与录用决策质量出现分离
中国人民大学与安特卫普大学的研究者在 232 篇分层抽样的 ICLR 2025 投稿上比较了五种 LLM 评审范式（Direct、Anchor、Group Rating、Elo、Swiss tournament）、三种输入形式和三个模型，并在全部 11,513 篇有评分的投稿上复现。
SemiAnalysis 推出 GDPx 基准，衡量前沿模型在芯片设计、金融、生物等领域的智能体能力
SemiAnalysis 发布 GDPx 基准，覆盖芯片设计、网络安全、生物、金融、法律、量化交易、递归自我改进、硬件设计、材料科学、对齐和软件工程等领域，最高分模型仅得 12%。
数学家 Frank Calegari：OpenAI 发布 700 余篇论文后，数学界应如何自处
OpenAI 于 10 月 6 日发布 700 余篇研究论文，数学家 Frank Calegari 认为这标志着 AI 已能在数学多个领域做出突破性贡献。他指出这些论文写作质量糟糕、违反署名规范，部分甚至有误，但数学家更应把精力放在招聘、发表与培养学生上。他以有限单群分类的历史为例，提醒同行不要因“著名问题被解决”而放弃领域，而应借新工具开拓更深层的问题。
11月1日
星期日，3 条专访沃尔夫数学奖得主多贝西：AI不会取代数学家
沃尔夫数学奖得主、杜克大学荣休教授英格丽·多贝西在2026世界顶尖科学家论坛期间表示，AI不会让数学家集体“退休”，其本质是高效的文献检索与信息重组工具。她认为OpenAI等公司发布的数学成果尚缺乏真正原创性想法，AI至今未展现自主构建全新数学概念的能力，数学证明与推导仍需人类理解。她建议资深数学家把AI用于繁重的文献梳理，将精力投入需要创造力的研究步骤。
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。
OpenAI 将于 11 月 29 日起用 Daybreak Blue 会话数据训练模型，引发研究者担忧
OpenAI 向 Trusted Access 项目成员发邮件确认，自 11 月 29 日起将把此前被排除在训练之外的 Daybreak Blue 会话数据用于模型训练，即便用户关闭了"为所有人改进模型"设置。
10月30日
星期五，1 条OpenAI 分享创作者、学者与法律专家关于合理使用支持 AI 训练的法庭意见
OpenAI 公开了创作者、学者、无障碍倡导者和法律专家等提交的法庭简报节选，论述合理使用如何支持 AI 训练与创新。这些材料以法庭意见形式呈现，未披露具体案件名称或简报数量。
10月31日
星期六，1 条
10月30日
星期五，3 条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。
Sam Altman 同情数学家的处境，但称 OpenAI 的数学成果发布不会停
OpenAI CEO Sam Altman 在 Cheeky Pint 播客中表示，他同情难以消化大量 AI 生成数学结果的研究者，但认为公众了解宇宙运行方式的权利高于这些干扰，公司也不会停止发布。
This Week in AI：智能体重写规则，从安全漏洞到科研应用
O'Reilly Radar 的 This Week in AI 节目梳理了本周智能体进展：开源渗透测试框架 ARTEX 相关供应链攻击波及超 2,250 个 Microsoft 365 租户，PHP2Shell 两个 CVSS 9.2 漏洞于 10 月 21 日披露后 CISA 敦促尽快修补。