SpatialScout 基准发布：评测 VLM 智能体能否主动探索并构建三维物体地图
研究团队提出 SpatialScout 基准，用于评测视觉语言模型（VLM）智能体在主动物体级三维建图上的表现，包含 80 个室内场景和 3,140 个目标物体。
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。
2,347 条收录动态，更新于 03:33
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19日
星期一，7 条OpenDS-World 发布：在真实开放网络评测深度检索智能体
研究团队提出 OpenDS 任务并构建 OpenDS-World 基准，包含 200 项跨模态、跨文件格式且需交互访问的检索任务，经人工核验确保证据有效与答案唯一。
GRSE：面向演化多智能体团队的分组相对技能归因方法
GRSE（Group-Relative Skill Evolution）通过在同一技能库下多次执行同一问题并对比结果，为智能体—技能对分配行为归因，并结构化诊断失败。
VerifierBench 发布：222 项任务评测 LLM 智能体生成可执行验证器的能力
研究团队提出 VerifierBench，用来自六个智能体基准的 222 项任务和 4,993 个隐藏测试用例，评测智能体能否根据任务指令与环境写出可执行验证器，要求其接受所有有效解并拒绝无效解。
谁主导？模型能力与任务条件下的 AI-人类协作
研究用共享控制迷宫考察 GPT 5.6 Sol、Command A+、Qwen 3.8 27B 和 Command R 与人类的分工：智能体决定每回合自己行动还是交给人类，人类最短路径优势分三种条件设置。四个模型中，单独能力更强者表现出选择性、依路线决定的人类介入——人类无优势时几乎全部自己行动，人类路线更短时约 80% 的初始决策交给人类；单独能力明显较弱的 Command R 无此选择性。
斯坦福 HAI 用 MedHELM、PhysicianBench 与 HealthAdminBench 测量医疗 AI 实际能做什么
斯坦福 HAI 团队介绍其三年构建的医疗 AI 评测体系：MedHELM 覆盖 5 大类、22 子类、121 项临床任务，PhysicianBench 在电子病历沙盒中测试 100 项长流程临床任务，HealthAdminBench 用 4 个模拟系统测试 135 项行政任务。
10月18日
星期日，15 条https://x.com/i/article/2111094416484225024
https://x.com/i/article/2111094416484225024
水上漂
水上漂
OpenAI API 现三个新模型引用
OPENAI 🔥：最近在 API 上发现了 3 个新的模型引用。 - aurora-red-alpha - aurora-green-alpha - aurora-blue-alpha > 这些模型引用随后不久就被移除了，所以这是一次误发布。 > 普通用户近期有机会测试这些确切模型的可能性相当低（alpha）。 > 更有可能的是新的 Daybreak 更新公告。这也不排除可能计划了其他模型发布。 不会很快？👀
用 NVIDIA Structured Data Models 做零训练表格预测的实操指南
MarkTechPost 发布教程，实测 NVIDIA 的 Structured Data Models 库：它把 TabICLv2、KumoTabular 和 KumoRelational 等预训练表格基础模型封装在同一个 PyTorch 接口下，通过上下文学习在单次前向中给出预测，无需训练。
Anthropic 联合创始人：到 2030 年 AI 有望推动美国 GDP 增长近 50%
Anthropic 联合创始人杰克·克拉克称，公司内部模型预测在特定条件下到 2030 年 AI 能让美国经济产出提升近 50%，GDP 达 44 万亿美元。他同时警告 AI 发展可能超出人类管控，呼吁为这项技术制定严格规则，并称生物研究领域需最严格的人工监督与信息透明机制。
我国首个全国产十万卡 AI 超集群真机亮相，曙光 8000 走超算智算融合路线
我国首个全国产十万卡 AI 超集群在深圳 2026 全国高性能计算学术大会上以真机亮相，并将发布十大重要应用成果。该系统名为曙光 8000，走“超算和智算原生融合”路线，同一套底座既能跑最高精度科学计算，也能跑大模型训练和推理。其算力可支撑数字孪生大脑乃至模拟百亿光年宇宙演化，目前正支持新材料、创新药、人工智能等 26 个领域 300 多种计算任务。
Épi 自主研究智能体产出 120 项纪录结果并给出 Tuza 猜想新证明
研究团队发布技术报告，介绍跨会话持续运行的自主研究智能体 Épi，它结合分层记忆、版本化分支和独立评审，在固定验证规则下产出 120 项纪录结果，包括 20 项数值界纪录和 100 项构造纪录，其中 n-queens 常数区间收窄约 84 倍，四次 Feigenbaum 吸引子维数的严格区间收窄超过 360 万倍。
入选理由作者团队公开了可核查的构造与证书，研究者能据此判断自主研究智能体在数学与算法设计上已能产出何种可检验结果。
HybridResearcher：4B 模型跨结构化与非结构化数据源做深度研究
作者提出 HybridResearcher，一个 4B 智能体，用于在结构化数据与无结构数据之间衔接证据。其做法是从已验证的单源任务出发，围绕桥接实体合成缺失的另一侧数据，只保留两侧单独都不足以回答的样本，再用监督微调加强化学习训练。
HybridResearcher-4B：让 4B 小模型跨数据库与网页做混合深度研究
研究团队提出 HybridResearcher 训练框架，并训练出 4B 模型 HybridResearcher-4B，用于在一条推理链中同时调用结构化数据库（text-to-SQL）与非结构化网页检索。
OpenAI 社区周末项目搭建指南
想找个周末项目？ 以下是社区一直在构建的东西，以及你如何自己复现： https://youcanjustbuildthings.openai.chatgpt.site
长周期智能体可靠性：99%单步成功率为何不够
单步成功率99%时，10步任务无失败完成的概率约90%，100步降至37%；若每次失败可重试一次且失败相互独立，37%可升至约99%。但重试并不简单：响应超时可能导致动作重复执行，失败也可能改变系统状态，且失败未必独立。因此长周期智能体不只是大语言模型问题，周边系统同样关键。
Deep Fusion Memory：面向大语言模型的块级参数化记忆架构
Deep Fusion Memory（DFM）是一种块级参数化记忆架构，通过因果记忆预测器从上下文生成记忆，并以门控交叉注意力融入隐藏状态，推理时无需显式检索。其构建训练数据所需的检索查询减少32倍、检索条目减少2048倍。在六个问答任务上，DFM 在 Mistral-7B-v0.3 和 Qwen3-8B-Base 上分别比最强基线提升12.71%和11.19%。
10月17日
星期六，8 条鄂维南院士：AI 时代科研平权化，未来民科是科研主力
中国科学院院士、北京大学讲席教授鄂维南在光华思想力论坛上预测，AI 将大幅降低科研门槛、推动"科研平权化"，未来民科是科研的主力，每个有想法有能力的团队和个人都可参与科技创新。他提出构建 AI 原生工业软件体系，称一两年内可做成对标甚至超越西门子的体系，工业生产线建模则需三年、最多五年。他还警示现行科研体系面临挑战，科研成果形态将从论文转向知识产权。
Saif Khan 谈 DUV 出口管制：为何它是美国制衡中国 AI 芯片的最关键杠杆
前美国国家安全委员会与商务部官员 Saif Khan 创立智库 Center for Technology and Statecraft（CTS），其 DUV 报告预测，若现在停止相关设备出口，到 2030 年代中期中国生产的 AI 芯片数量可能比美国少约 100 倍。Khan 认为，理解从芯片制造工具到 Token、机器人的 AI 供应链，能让政策研究更具前瞻性和可预测性。
数学家称 OpenAI 并不理解自己的 Navier-Stokes 证明
据 Scientific American 报道，多组数学专家认为 OpenAI 9 月初公布的 166 页 Navier-Stokes 问题潜在解法与西班牙数学家 Diego Córdoba 和 Luis Martínez-Zoroa 的方法只是表面相似，EPFL 数学家 Gonzalo Cao-Labora 称细节上是另一套方法。
我国首个全自主可控气象 AI 集合预报系统“风清”投入业务运行
“风清”人工智能全球短中期集合天气预报系统 V1.0 近日通过业务化评审，正式投入全国气象业务运行，由国家气象中心牵头、联合多所高校和科研院所研发，核心算力、底层算法和数据源均实现国产化。
微软研究院发布 StudentSim：用 AI 学生模拟器替真人试课
微软研究院于 10 月 12 日发布研究系统 StudentSim，基于公开、去标识化的学习者记录为每位学生训练个性化“AI 学生模拟器”，模拟其独立作答及收到导师讲解后的反应变化。
Claude 用不到 30 分钟追溯出五条 NIST 椭圆曲线种子来源
Anthropic 发布博文称，其内部研究用 Claude 模型用不到 30 分钟追溯出五条 NIST 标准椭圆曲线（P-192、P-224、P-256、P-384、P-521）的种子来源，为一桩延续约 26 年的密码学悬案提供了可复现的答案。
