PersonaScienceBench 发布：用多样模拟研究者评测科研智能体
作者提出 PersonaScienceBench，从 DiscoveryBench、BixBench、EXP-Bench、SciConvBench 和 ASI-Bench 五个基准中选取 200 项任务，覆盖生命科学、物理与工程、数学与计算机、社会与人文四个领域，把模拟研究者的人格设为变量，任务目标与评分标准保持不变。
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。
2,350 条收录动态，更新于 06:26
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23日
星期五，16 条PersonaScienceBench：用多样化模拟研究者评测科学智能体的协作能力
作者提出 PersonaScienceBench，从 DiscoveryBench、BixBench、EXP-Bench、SciConvBench 和 ASI-Bench 五个基准中选取 200 项任务，覆盖生命科学、物理与工程、数学与计算机、社会与人文四个领域，把任务改造成需要与模拟研究者澄清、评审和修订的交互形式。
https://x.com/i/article/2113464491367395328
https://x.com/i/article/2113464491367395328
SkyRL 把 GLM-5.3-Flash 训练上下文做到 100 万 token，称相对 Megatron 基线提升 64 倍
SkyRL 团队称在 B200（约 178 GiB）上通过四类系统优化，把 GLM-5.3-Flash 的单序列训练长度做到 100 万 token，峰值约 144.5 GiB，约为开箱 Megatron 基线的 64 倍。
引用avi basnet@avigyabasnetSuper excited to share some of the work I’ve been doing on supporting 1M token context training on SkyRL for GLM 5.3 Flash, 64x higher than the out of the box Megatron baseline! 🚀 This work was done in collaboration with the amazing folks at @LilaSciences! 🤩 Getting there took key algorithmic and systems optimizations in four main areas: 1) DeepSeek Sparse Attention: run DSA on a sparse kernel; chunk and shard its quadratic indexer. 2) Activation recompute and offloading: recompute activations in backward and offload saved inputs to CPU. 3) Context parallelism: split each sequence across GPUs, with new CP support for KDA and a fix for DSA. 4) Avoiding unnecessary precision upcasts: keep FP32 copies out of memory and off the network. For more details on our implementations and our results, check out our full technical blog here: https://blog.skyrl.ai/blog/1m-context-glm-5-3-flash! This work benefited from the contributions of many people along the way. Big thanks to @pcmoritz, @erictang000, @sumanthrh, @CyrusHakha, @richliaw from @anyscalecompute and Keith Truongcao, Tushar Khot, Vivek Subramanian, Semih Kara from Lila Sciences for all the help and guidance!
用AI处理单元玩游戏？
真不敢相信人们用AIPU来玩电子游戏。
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。
EditorCheck 分析发现 PLOS 与 MDPI 逾万篇论文违反编辑与作者合作政策
法国图卢兹大学计算机科学家 Jules Di Scala 等人开发的 EditorCheck 通过扫描论文元数据获取责任编辑姓名，再在 Dimensions 中检索其与作者的共同署名记录，在 PLOS 逾 34 万篇和 MDPI 逾 17.2 万篇论文中分别发现 8000 余篇和约 2500 篇违反出版商关于编辑与作者既往合作的规定。
施普林格·自然首席出版官谈顶级期刊建设、AI 政策与中国角色
施普林格·自然首席出版官哈什·杰加迪桑在专访中表示，学术出版的未来在于开放获取、AI 与全球合作。该机构今年9月更新 AI 编辑政策，以“绿灯”“黄灯”“红灯”区分允许、有条件允许和禁止的 AI 使用，并明确 AI 不能列为作者。2025年其投稿量达310万篇，发表原创研究文章53.9万篇，其中53%以开放获取模式出版。
PyTorch Conference North America 2026：共同加速开放智能
PyTorch Conference North America 2026 于 10 月 20–21 日在圣何塞举行，吸引 3,500+ 名参会者，聚焦 PyTorch、vLLM、DeepSpeed、Ray、Helion 和 Safetensors 等 PyTorch Foundation 项目。
拿货了，包装好小一只
拿货了，包装好小一只
OpenClaw 将亮相 GitHub 开源星期五
明天，@hrudolph 将与 @crazy4pi314 一起参加 @github 的 Open Source Friday，届时将有 OpenClaw 现场演示和社区问答。 Oct 23 · 1pm ET / 10am PT / 11am MDT https://www.twitch.tv/github 感谢 @acolombiadev 和 GitHub 团队的邀请！
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。
OpenAI 奥尔特曼谈 AI 冲击数学研究：数学家会经历“哀悼”五阶段后接受现实
OpenAI CEO 萨姆·奥尔特曼在斯坦福大学演讲称，面对 AI 进入数学研究，数学家会经历类似“哀悼”的阶段：从“我们完蛋了”到愤怒，再到把 AI 视为不可或缺的工具。他承认数学界受 AI 冲击的速度快于其他领域，但认为不会造成就业大灾难。
DeepSeek V4.1 Flash 上线 OpenClaw
DeepSeek V4.1 Flash 现已在 OpenClaw 上线，来自 @deepseek_ai。 已经在你的智能体中使用它了吗？告诉我们使用效果如何。
10月22日
星期四，1 条Anthropic 公开征集生命科学客座研究员，合作 8–12 周并开源数据代码
Anthropic 面向学术机构、非营利组织和政府实验室的 PI 及其研究组公开征集客座研究员提案，用 Claude 研究因果人类生物学、结构与计算分子生物学、药物化学、药物发现和临床科学等问题。
入选理由Anthropic 公开征集生命科学客座研究员，由公司承担模型与工具成本并开放数据代码，研究者可据此判断申请路径与产出归属。
10月23日
星期五，3 条微软与 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。
Meta 调整商业条款后，法律专家称其 AI 仍可抓取新闻网站
Meta 修改商业账户条款，删去用抓取内容“训练”AI 的表述，但法律专家认为仍不足以限制抓取。康奈尔法学院教授 James Grimmelmann 指出，条款中“与你的产品或服务相关”的措辞仍允许 Meta 抓取整站。
10月21日
星期三，1 条Databricks AI Runtime 正式可用，在 Lakehouse 内提供托管 GPU 训练
Databricks 宣布 AI Runtime（AIR）正式可用，把全托管 GPU 基础设施接入 Databricks，让用户在数据所在的 Lakehouse 内训练模型，并通过 Unity Catalog 对数据访问、检查点、日志等执行统一权限控制。
10月23日
星期五，9 条SubQ Snap 1.1 登顶决策指数并列第一
Subquadratic 发布决策模型 SubQ Snap 1.1，在 Artificial Analysis Decision Index v1.0 上得 65 分，与 d1-ultra、Elephant 9B 并列第一，领先第三名 Jev 1.14（57）8 分。
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。
Demis Hassabis 入选 WSJ 创新者特刊
很荣幸登上 @WSJ 创新者特刊。我一直相信人类的创造力能够解决最棘手的问题。我坚信，我们能够共同应对前沿模型带来的潜在挑战，开启科学发现的新黄金时代！
引用The Wall Street Journal@WSJFrom childhood prodigy to AI pioneer to Nobel Prize winner, Demis Hassabis has always had a simple plan. Step one, solve intelligence. Step two, solve everything else. 🔗 https://on.wsj.com/4i0Axoo
RSIHub 发布可组合框架，统一构建与比较智能体进化方法
RSIHub 是一个开源框架，用于在共享基础设施上构建、比较和扩展智能体进化方法，由框架提供执行、评估、恢复和血缘记录，研究者只需关注进化策略。
前沿 VLM 智能体能否胜任机器人通用任务？Embodied Agent Arena 实证评测
研究团队提出 Embodied Agent Arena，在 Geometry、Spatial Reasoning、Affordance、Task Planning 和 Manipulation 五个维度评测十个 VLM 智能体，1000 个用例整合 32 个已有来源与自建的 168 例 GeoProbe 基准（覆盖相机、运动、深度与尺度估计）。
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%。
TraceTrial-Bench 发布：评测 AI 智能体运行框架的可靠性与失败归因
研究者提出 TraceTrial-Bench，把智能体运行框架（harness）的可靠性拆为上下文、执行、治理、生命周期、可观测性、工具和验证七个组件，并构建 95 个专家级、机制导向且带可执行或基于状态的标准答案的任务。