学术出版学会（SSP）第49届年会征集提案，2027年6月在普罗维登斯举行
学术出版学会（SSP）第49届年会将于2027年6月2日至4日在罗德岛普罗维登斯举行，现已开放教育分会、行业分组会、海报和5分钟行业预览四类提案征集。教育分会截止2026年11月9日，行业分组会截止2027年2月1日，海报与5分钟行业预览均截止2027年2月12日，提案通过Ex Ordo提交。
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14日
星期三，1 条10月15日
星期四，1 条白宫转向 AI 与科技之际，MIT 校长与 Science 主编为美国研究型大学辩护
MIT 校长 Sally Kornbluth 在 STAT Summit 上表示，联邦科研经费削减 1 亿美元直接导致该校今秋研究生入学人数减少近 500 人，较 2024 年下降 20%。
10月16日
星期五，1 条脑类器官成功“读取”盲文信号，向生物混合计算迈出关键一步
布里斯托大学团队让脑类器官通过多电极阵列接收盲文触觉信号，单个类器官约61%的情况下可被解码为对应字母，三个类器官组合时准确率提升至83%。类器官经处理后仍保留足够信息用于支持向量机分类，且在人工噪声下比直接解码更稳健。研究者强调实验仅证明信号可被接收与传递，尚未展示类器官的学习或长期变化，下一步将拓展至纹理、边缘等触觉任务及闭环反馈。
10月14日
星期三，1 条NVIDIA 承诺五年投入 2.5 亿美元算力支持英国智能体安全与安全研究
NVIDIA 宣布一项五年期、价值 2.5 亿美元的算力捐赠，每年提供 5000 万美元算力，用于支持英国智能体安全与安全研究。大部分算力将面向英国更广泛的 AI 安全研究群体，一部分用于与牛津大学主导的 BOLD、UCL 主导的 SOFAIR 以及帝国理工学院在智能体基础模型与机器人安全方面的合作。
入选理由英方研究者可据此了解未来五年可申请的智能体安全算力资源及三家参与机构的合作方向。
10月16日
星期五，26 条inclusionAI 在 Hugging Face 发布 ZwZ2-9B 模型
inclusionAI 在 Hugging Face 上线 ZwZ2-9B 模型，但对应页面返回 404，无法访问模型详情。目前仅有模型名称与发布平台信息，参数规模、功能与开放范围均未披露。
推文内容过短无法概括
这太疯狂了，我简直不敢相信这是真的
NVIDIA 与 IIT Madras 发布 2.8 万亿 token 印度语言预训练语料及开放生成流程
NVIDIA 联合 IIT Madras 的 AI4Bharat 实验室发布 Nemotron-pretraining-Indic-v1，覆盖 22 种印度语言、约 2.8 万亿 token，并公开用于生成该语料的 GPU 加速数据生成流程。
入选理由NVIDIA 与 IIT Madras 公开 2.8 万亿 token 的印度语言预训练语料及生成流程，研究者可据此评估多语言模型的训练数据来源。
Hao AI Lab致谢DeepSeek等团队
@YuanboYang60742 @SiyiChen277112 @JunGao33210520 @haozhangml 感谢 @deepseek_ai 提供出色的模型，感谢 RPent 团队提供案例列表和排行榜，也感谢 CAP-X 和 ASPIRE 的作者启发了我们的工具设计。
Hao AI Lab 发布 ORA 博客与代码
博客：https://haoailab.com/blogs/ora 代码：https://github.com/hao-ai-lab/ORA 作者：Yuanbo @YuanboYang60742、Siyi Chen @SiyiChen277112、Jun Gao @JunGao33210520 和 Hao Zhang @haozhangml。
ORA 已在真实机器人上初步运行
我们还把 ORA 搬上了一台真实机器人。 在低成本机械臂、固定 RGB-D 相机和腕部相机的初步运行中，DeepSeek-V4.1-Flash 通过旋钮打开了一个抽屉，并把一块糖果棒放进了盒子里。
DeepSeek API 求解成本估算
每个已解决案例的模型成本约 $0.30–$0.35。 该估算采用 DeepSeek 的错峰 API 费率，并包含在 RoboTwin、LIBERO 和 LIBERO-Pro 上的失败尝试。40 个展示回合平均每个 $0.13。
同一智能体适配多种机器人
新机器人，新手册。同一个智能体。 机器人卡片描述每个机器人的几何结构与控制方式。同一套测试框架可运行 ARX X5、ALOHA 和 Franka，并配有各机器人专属的卡片、工具和控制器。
开放权重模型零样本能力几何
开放权重模型零样本能走多远？ ORA：RoboTwin 上 69.2%；LIBERO-Pro 上 81.4%。 RPent（带任务特定记忆）：在 RoboTwin 上配合 GPT-5.5/Opus-4.7 分别为 62.4%/58.4%；在 LIBERO-Pro 上配合 Opus-4.7 为 82.4%。 相同案例，不同系统。https://github.com/RLinf/RPent
中国科学院揭示PKR串联dsRBD调控激酶激活机制，成果发表于PNAS
中国科学院分子细胞科学卓越创新中心整合单分子荧光成像、人工智能结构预测与生化及细胞功能验证，揭示PKR的两个dsRBD通过分子内互作形成独特构象，以"扫描—捕获"模式识别dsRNA并驱动激酶激活。破坏dsRBD1-dsRBD2互作界面会在体外和细胞水平削弱PKR功能，该界面有望成为干预PKR异常激活的潜在药物靶点。相关成果在线发表于PNAS。
腾讯混元回应智能体网络活动报道
我们希望回应近期关于智能体活动的报道。 该活动源自对第三方模型的评估，而非腾讯混元。在这些评估过程中，部分智能体出现了非预期的网页浏览行为，但我们的审查未发现有意针对或协同的证据。我们严肃对待这些发现。我们正在加强网络访问控制和智能体监控。 我们致力于构建安全、负责任的人工智能。感谢社区的反馈。
LitGene：整合文本与基因本体的可解释基因表示学习模型
研究团队在 Nature Communications 发表 LitGene，一个通过对比学习把非结构化文本与 Gene Ontology 注释整合起来、改进基因表示的可解释 transformer 模型。
Anthropic 报告：前沿 AI 采用如何改变招聘与员工对未来的预期
Anthropic 发布两份报告，一份分析 AI 对内部就业的影响，另一份对比公众与员工的预期差异。过去一年其初级岗位招聘占比下降，到 2026 年 3 月 AI 智能体工作时长超过员工，8 月智能体数量达员工的六倍。调查显示 39% 美国成年人、91% 员工认为 AI 能在 2030 年前做出诺贝尔奖级发现，但仅 5% 美国人预期 AI 能完成自己 80% 的工作。
Claude 查明 NIST ECDSA 曲线种子来源：由 Unix 时间戳初始化的 lrand48 生成
Anthropic 称，一名员工让内部研究模型 Claude 在不提供线索的情况下追查 NIST 椭圆曲线种子来源，Claude 在不到半小时内查明 P-192。
入选理由NIST 椭圆曲线种子来源这一长期悬案被 Claude 在半小时内解开，密码学与数学研究者可据此复核并复现。
Claude 自主设计出更省资源的量子电路，八项任务均优于已发表方案
Anthropic 用自然语言规格和自动评分器让 Claude 在闭环中设计量子电路，在化学、优化、量子模拟、数论和数值计算共八项任务上给出比已发表最优方案使用更少量子比特和门的新设计，部分提升达一个数量级以上。
入选理由Anthropic 让 Claude 在闭环中自主设计量子电路，八项任务均优于已发表设计，为量子算法资源估算提供了可复用的自动化路径。
Anthropic 研究：AI 智能体如何改变公司内部的雇佣与工作组织
Anthropic Institute 发布技术报告，基于公司内部的雇佣、AI 使用、产出指标、员工调查、日历和招聘记录数据，辅以 17 名员工访谈，分析 AI 智能体扩散后工作组织的变化。
SciSpace 案例研究指南：定义、设计与示例
SciSpace 发布案例研究指南，将其定义为在真实情境中对个人、组织、事件或现象进行深入考察的研究方法，并区分探索性、解释性与描述性三种类型。指南给出六步设计流程，从界定研究问题、选定案例、文献综述与框架搭建，到选择数据收集方法、分析证据和呈现结论。
可解释性或是当今最重要科学问题
等不及要深入研究了！ @nickcammarata：可解释性可能是当今世界上最重要的科学问题，因为如果我们不知道自己正在构建什么，我认为就无法解决对齐问题。我想我对此有好消息。我曾在 OpenAI 参与机械可解释性的早期工作，但最终感到悲观，因为神经网络似乎会折叠成任意纠缠的结。多年后，我启动了 OpenAI 首个大规模自动化可解释性项目，用当时原始的工具发现约 2% 的神经元是可读的。 借助现代智能体工具和更细致的观察，情况看起来完全不同。在参数量高达数万亿的模型中，绝大多数神经元都是可读的，其回路也很优美。许多著名的纠缠神经元案例其实是被误解了。我预想的障碍大多并不存在。我现在认为，雄心勃勃的可解释性研究会在我们最需要它的时候被解决，而且可能相当快，因为自动化科学家在不断进步。这对可解释性来说可能是一个苦涩的教训：简单的东西，在荒谬的规模下，是有效的。 https://already-clean.goodfire.com/
引用Nick@nickcammaratainterpretability might be the most important scientific problem in the world right now, as I don't think we can solve alignment if we don't know what we're building. I think I have good news about it. I co-authored early work in mechanistic interpretability at OpenAI and came away pessimistic, because neural networks appeared to fold into arbitrary tangled knots. years later, I started openai's first large-scale automated interpretability project, finding about 2% of neurons legible with the primitive tools we had with modern agentic tools and a much closer look, the picture looks totally different. the vast majority in models up to trillions of parameters are legible, and their circuits beautiful. many famous examples of tangled neurons turned out to be misunderstood. The roadblocks I expected mostly aren't there. I now think ambitious interpretability will be solved by the time we need it most, and possibly quite soon, as automated scientists keep improving. it may be a bitter lesson for interpretability: the simple thing, at absurd scale, works https://already-clean.goodfire.com/
Sakana AI 发布 The Agentic Scientist，用编码智能体做共同发现并开源
Sakana AI 发布第三阶段系统 The Agentic Scientist，把 Codex、Claude Code 等现成编码智能体包进一套 scaffold，由它控制智能体看到什么、写什么、如何评估以及结果如何交给下一阶段，覆盖课题设定、假设探索、实验、验证到论文写作。
引用Sakana AI@SakanaAILabsThe Agentic Scientist: Orchestrating Coding Agents for Automated Scientific (Co-)Discovery Blog: https://pub.sakana.ai/agentic-scientist/ GitHub: https://github.com/SakanaAI/AI-Scientist-v3 arXiv: https://arxiv.org/abs/2610.18933 Since 2024, we’ve used The AI Scientist as a way to test how far AI alone can take scientific research, from v1 to v2 to the paper published in Nature earlier this year. The Agentic Scientist is the next step in that line of work, built for the era of coding agents. Coding agents such as Codex and Claude Code now carry out long software tasks on their own. Handing them a research problem, however, tends to produce a strong hyperparameter optimizer rather than a scientist: scores go up, but ideas stay narrow, and the reasons for the gain are rarely examined. The Agentic Scientist makes the research loop explicit. It wraps off-the-shelf coding agents in a scaffold that controls what they see, what they write, how they are evaluated, and how results are handed to the next stage. Parallel workers test hypotheses against rubrics defined before any experiment runs, share successes and failures through a common memory, and then ablate the winning program to generate evidence. We used an early version of the system to study Error Diffusion, a biologically motivated alternative to backpropagation. Our researchers set the question and the rubric, chose directions at each stage, and verified the results, references, and claims before submission. The resulting paper was accepted as an oral presentation at ALIFE 2026. In autonomous runs, the system also raised Doc-to-LoRA retrieval accuracy from 52% to 98% on multi-needle tasks and designed a learned evolution strategy that improves over its CMA-ES reference on unseen tasks. Alongside it we release AutoIllustrate, a pipeline for scientific figures that keeps an editable http://draw.io file as the source of truth, so every diagram can be corrected by hand. Humans define the question and the standards of evidence; agents expand the experiments researchers can run. We call this Co-Discovery, and we are releasing both systems as open source for the community to build on.
入选理由Sakana AI 公开了把编码智能体组织成科研流程的开源框架，研究者可以据此判断人机分工的边界。
谷歌 Antigravity 平台用 AI 加速抗菌肽发现，候选分子进入湿实验室验证
谷歌推出 Google Antigravity 智能开发平台，提供智能科学工作台，把原本跨多个数据库的分散搜索整合到单次会话，支持生物学家发现、结构评估和筛选潜在靶点。
k_dense_ai科学智能体技能库星标破5万
为@k_dense_ai团队感到无比自豪，也衷心感谢贡献者社区！
引用K-Dense@k_dense_aiOur Scientific Agent Skills repo passed 50,000 GitHub stars this week, joining a group of ~500 public repositories to reach that mark. The response shows there’s still a huge interest in high-quality, open-source scientific tools, models, and data sources. If you have a favorite open-source tool for science, share it in the replies!
NoveltyScope：面向科学论文证据支撑新颖性评估的多智能体科研助手
纽卡斯尔大学团队提出原型系统 NoveltyScope，可将论文 PDF 或 URL 与本地语料中的先前工作对比，输出结构化报告和 1-5 级新颖性评分。系统由 Prosecutor、Defender、Judge、Critic 四个角色评分，引文需与缓存原文核对。
Databricks AI 研究团队如何使用 AI Runtime
Databricks AI 研究团队自去年 AI Runtime（AIR）推出起便作为首位客户，用它开发、训练和测试支撑 AI Functions 的模型。AIR 提供 GPU 预检与节点健康监控，可隔离故障节点，避免数百块 GPU 因单点故障闲置；配合 AIR CLI、自定义 Docker 容器和 MLflow 自动实验追踪，训练任务可在数秒内启动。
