全部动态

GPT-6-Astra 在 TheoPhysEval 上解出 50 道理论物理题中的 49 道，单题成本不足 3 美元

研究团队用 50 道理论物理常规计算题测试商用 AI 智能体，且不提供任何人工提示。运行在 OpenAI Codex 环境中的 GPT-6-Astra 解出 49 道。

入选理由这份基准显示 AI 智能体已能完成理论物理的常规计算，研究者可据此重新考虑早期科研训练的安排。

在 Mac Studio 上用 MLX 与 RDMA 本地及分布式运行大模型推理

Apple 在 Mac Studio 上借助最新版 MLX 与 Thunderbolt 上的 RDMA 驱动，实现近万亿参数的 Muse Spark Open 本地及多机分布式推理，四台 Mac Studio 集群生成速度超过 36 tokens/s。

Meta发布Muse Wonder系列模型

Muse Wonder 和 Muse Wonder Full 在个人与专业智能体任务上达到 SOTA 性能。 在我们的研究者博客上了解更多关于这些模型的信息：https://go.meta.me/musewonder

JevAgentHarness：让决策模型与 LLM 共享智能体控制权

研究团队提出 JevAgentHarness，把智能体每步的工具选择等选择题交给决策模型 Jev 处理，仅在置信阈值以下才调用大语言模型，以降低长任务的时间与费用。

NVIDIA 发布 cuPotential 库，并联合半导体厂商推进 AI 定义晶圆厂

NVIDIA 发布 CUDA-X 新库 cuPotential，开发者可用它构建模拟原子与分子相互作用的 AI 智能体，早期访问测试中在已针对 GPU 优化的流程上再提速 2-3 倍。

入选理由cuPotential 面向原子与分子相互作用模拟，早期测试在已 GPU 优化流程上再提速 2-3 倍，材料与半导体研究者可据此评估现有模拟流程的改造空间。

ResearchFlow-Eval：追踪端到端多主张自动科研中的执行鸿沟

清华大学与南方科技大学等团队提出 ResearchFlow-Eval，一个在阶段与主张两个层面评估自动科研系统连续执行与迭代的细粒度框架，每项评估以已发表锚定论文为基础生成阶段专属评分标准。

Meta MSL 发布 Muse Wonder 与 Muse Wonder Full：对标 Claude 5.5 的前沿模型

Meta Superintelligence Labs（MSL）发布第二代模型家族 Muse Wonder 与 Muse Wonder Full，第三方评测显示其接近前沿水平。

Ai2 用 TutorMoments 评测前沿模型

我们在 TutorMoments 上测试了包括 Astra 和 Opus 5.5 在内的前沿模型，该评测用于判断大语言模型是帮助学生自己解决问题，还是替他们做得太多。 总体而言，模型在详细提示下得分更高，而仅被告知“好好辅导”时得分较低。 https://tutormoments.allen.ai/

Triage-PiEvo：为原则演化型科学智能体引入证据准入机制

西湖大学、浙江大学与快手等机构的研究者提出 Triage-PiEvo，把异常观测的用途拆成两条路径：异常可立即引导搜索，但只有经过独立验证的证据才能改写持久原则，被推翻的原则会被撤回。

Ai2 如何为 GPU 集群设计高影响力调度系统

Ai2 用包含 GPU 时间预算、分层公平份额分配和时间切片契约的系统替换了原有基于优先级的调度器，把各研究项目该分多少 GPU 时间的争论从逐案运维事务转为透明的行政预算流程。Ai2 管理着数千块 NVIDIA H100、B200 和 B300 GPU，集群规模从 88 到 1024 块不等，服务约 150 名内部研究者，提交的工作负载对 GPU 的需求常年是可用量的 2-3 倍。

反思式提示优化提升 Deep-Research 智能体引用奖励：主题不相交多随机种子协议揭示可迁移增益与提示级过拟合

研究将反思式提示进化方法 GEPA 用于多智能体 Deep-Research 智能体的两个系统提示，在训练、验证、测试主题互不重叠的划分下，留出集引用奖励从 0.702 升至 0.781，提升 0.079（bootstrap 95% 置信区间 [0.051, 0.107]），并在三个随机种子上复现（均值 0.107）。

Sakana Namazu 被引入医生用证据检索工具 Evidence Finder

Sakana AI 的日本适配大语言模型 Sakana Namazu 被医疗 AI 公司 Iris 提供的医生用证据检索工具 Evidence Finder 采用，负责对检索到的文献进行比较、整合并生成回答。

K-Dense Web 重跑 Kang 2018 干扰素数据：细胞层面与供体层面检验相差 38% 显著结果

K-Dense Web 对 Kang et al. 2018 发表于 Nature Biotechnology 的 IFN-β 刺激 PBMC 数据（GEO GSE96583。

如何挑选合适的种子论文：启发式方法与迷你基准

SciSpace 发布网页研究指南，给出挑选文献综述种子论文的启发式方法与迷你基准。指南建议按引用量、时效性和相关性排序种子论文，并称其迷你基准显示优质种子能显著减少文献地图的覆盖缺口。文中还列出选择偏差、数据库覆盖不全等常见问题，并演示用 SciSpace 相关文献智能体从种子论文扩展生成文献地图。

想让公众信任 AI，先治好一种病：OpenAI 称内部模型解决 Navier-Stokes 与民调信任下滑

OpenAI 9 月 8 日宣布其内部模型解决了千禧年数学难题 Navier-Stokes，证明由多个 AI 智能体在启动约 88 小时后产出并经 Lean 证明助手核验。

如何用未来引用数据检验 AI 识别的研究空白：SciSpace Research Gap Finder 基准方法指南

SciSpace 发布指南，介绍如何将 AI 识别的研究空白与未来引用数据做基准比对，以筛选更可能获得关注的方向。其 Research Gap Finder 由 research gap agent 与 ResearchGPT 驱动，流程包括上传文献、生成空白、查询引用增长预测。指南同时列出数据不完整、预测偏差与验证指标缺失等挑战，并建议用多样数据集和专家验证。

Import AI 475：群体扩展、Google DeepMind 为生物数据加水印与 AI 科学经济

Import AI 475 讨论了 AI 群体（swarm）扩展的收益与代价：Toby Ord 分析认为 4 智能体群体完成同等任务所需 token 总量约为单智能体的两倍，但因并行运行理论上可将耗时减半，同时群体规模扩大存在类似经济学的“踩脚”递减效应。

K-Dense 发布 Citation Telephone，把被引论断逐跳追溯到原始出处

K-Dense 发布免费工具 Citation Telephone，用户给出一句被引论断及其 DOI、PubMed ID 或 arXiv ID，工具会沿引用链逐篇读取全文，标出每一跳是匹配、部分匹配、更进一步还是被改写，并判断该论文是原始出处还是转引他人。

入选理由免费工具把引文核查从逐篇翻原文变成可追溯的链条，审稿人和写作者能据此定位引用漂移发生在哪一跳。

MMPostTrainBench：面向多模态后训练的自主科研基准

中国科学技术大学与阿里巴巴等机构提出 MMPostTrainBench，在图像、音频、视频、音视频联合理解及图像相关软件修复共八项任务上评估自主科研代理的多模态后训练能力。

实测 Jev 能否以极低成本替代 LLM 做系统综述筛选

Aaron Tay 实测 TypeSafe 的零样本决策模型 Jev 用于系统综述标题摘要筛选，在 8 个 CLEF-TAR 2019 DTA 综述共 26832 条记录上，单问题设置取得 WSS@95 = 0.661，成本约 1.46 美元，优于多数已发表的 LLM 流水线，仅低于 2026 年三 LLM 集成方法的 0.680（加嵌入重排为 0.708）。

Ai2 发布 Olmo-core 3，面向万亿参数 MoE 的开源训练框架

Ai2 发布 Olmo-core 3，这是其大语言模型开发框架的一次重大升级，重新设计了开放的混合专家（MoE）训练系统，目标是把 MoE 训练扩展到万亿参数规模并保持计算效率。

入选理由Ai2 开放了面向万亿参数 MoE 的训练框架，学术研究者和小型实验室可据此评估自建大模型训练的门槛。

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。

Population Health Partners 如何用 Kosmos 加速 IND 监管流程

Population Health Partners 与 Edison Scientific 于 2026 年 6 月启动合作，用 Kosmos Clinical Protocol Design 和 Kosmos Regulatory Authoring 支持 IND 准备。

Import AI 474：Michael Levin 提出"柏拉图心智空间"假说，智谱启动外层 RSI 循环

Michael Levin 在 MDPI 发表论文提出"柏拉图心智空间"假说，认为心智与大脑的关系如同数学模式与其引导的形态发生结果之间的关系，身体（生物、工程或混合）只是模式进入物理世界的接口。该假说尚无决定性实验支持，但 xenobots、anthrobots 及排序算法扰动实验被视为旁证。

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。

K-Dense Web 实测：用 AI 智能体将 3,629 个 TP53 错义突变对照功能与 ClinVar

作者用一条提示让 K-Dense Web 整合 ClinVar、PDB 1TUP 结构、14 个脊椎动物同源序列保守性和文献，对 TP53 DNA 结合域 191 个位点×19 种替换共 3,629 个错义突变做结构与功能一致性分析，产出一份 29 页技术报告、72 条经核验的参考文献、4 张图和 9 张表，并附全部脚本与中间文件。

K-Dense Web 实测：用 AI 智能体分析 NHANES 隐性缺铁数据并核验引用

K-Dense 团队用 K-Dense Web 分析 NHANES 2017 至 2020 年周期 1,999 名 15 至 49 岁非孕女性数据，估计血清铁蛋白低于 30 µg/L 者占 29.6%，约 1,770 万人血红蛋白正常但铁储备偏低。

K-Dense Web 压力测试 155 年美国退休结果：4% 规则安全吗？

K-Dense Web 用 Robert Shiller 1871 年以来的公开月度美国市场数据，对 1871–1996 年间全部 1,506 个完整 30 年退休窗口做了压力测试：60/40 组合按 4% 规则提取的失败率为 3.05%（46/1,506），但逐步加入更真实的波动率、重采样市场历史和年费后，失败率最高升至 11.3%。

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。

亚马逊将 AutoResearch 用于生产级推荐系统：220+ 次实验、五类失败模式与三智能体框架

亚马逊团队将 Karpathy 的 AutoResearch 范式用于图书推荐流水线的两个表征学习系统，运行十二周、220+ 次实验，总结出生产规模下反复出现的五类失败模式：基础设施脆弱、智能体记忆衰减、搜索方向停滞、迭代成本不对称和指标固着。