Indigo 对谈郑迪：AI 递归进化与太空大航海
科技投资人郑迪在 Indigo Talk EP53 中与 Indigo 对谈，从 Robert Wright 将出中文版的《The God Test》出发，讨论 AI 训练本质是被加速的自然选择、模型勒索与作弊是人类的镜像，以及 RSI（递归式自我改进）带来的不透明风险。两人最终落到共同押注的判断：AI 之后的大主题是由机器递归文明驱动的太空大航海时代。
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。
284 条收录动态，更新于 22:59
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27日
星期二，2 条阿里千问开源多语言智能体基准 BabelArena，同一任务换语言工具调用可差 8 倍
阿里千问团队开源多语言 LLM 智能体基准 BabelArena，覆盖约 699 个规范任务与 23 种语言，约 1.6 万个任务实例，并配套 BabelFlow 适配流水线，论文见 arXiv:2609.23490。
引用Qwen Developers@QwenDevsOur latest open-source research has a pretty interesting name, inspired by the story of the Tower of Babel. What interests us about that story is how language barriers can get in the way of people working toward the same goal And when it comes to agents, there are a few more places for that understanding to break, like tool arguments, database entries, and search queries One example from BabelArena (yes that's the name, surprise) stuck with me: Qwen-3.8-Max completed the same shopping task in English and Telugu, getting the same four products. But it took 25 tool calls in English and 201 in Telugu, with repeated empty searches against the localized catalog. Even though both runs passed, we’d still want to see that difference before shipping. Sorry for the long story, hope you guys are still here. What I want to share is that we’ve open-sourced BabelArena to study these workflows across 23 languages. Code, datasets, and paper in the comment
10月26日
星期一，1 条SciValidityBench：评测科研智能体记忆中的“科学使用有效性”
作者提出 SciValidityBench，一个可执行基准工厂，包含 64 个 TaskSpec，覆盖五个有效性模块和六个科学领域，用于检验科研智能体能否判断一条正确记住的证据在当前科学状态下是否可用于决策。
10月27日
星期二，2 条Google Research用Gemini助力非洲离网太阳能
撒哈拉以南非洲有超过6亿人生活在无电环境中。为帮助扩大离网太阳能规模，Google Research与Ignite Energy Access合作。通过使用Gemini for Science和我们的Open Buildings数据集，我们构建了一套可复制的蓝图，以扩大电气化覆盖。 阅读更多：https://goo.gle/4Bxq8bG
Pasta Lab 加入 Artificial Analysis 网络安全指数联盟
Pasta Lab 加入 Artificial Analysis Cyber Index Alliance，参与共建 AI 网络安全基准。Pasta Lab 成员来自哥伦比亚大学、塔夫茨大学和 UCLA，专注 AI 与安全研究，并开发了评估 AI 逆向工程能力的基准 SRE-Bench。
10月25日
星期日，1 条OpenAI 用 1,946 个智能体 32 分钟串联小鼠脑数据与文献
OpenAI 用 1,946 个 GPT-Rosalind 智能体在 32 分钟内，将百万级小鼠全脑基因扰动数据与 7,586 条跨学科文献引用串联，找到神经退行性病变的新机制线索。
10月27日
星期二，1 条纽约大学与得州大学研究：AI文本难读的六种句法模式
纽约大学与得克萨斯大学奥斯汀分校的研究者让Claude、GPT-5.6、GLM-5、Kimi K2.5及Llama、Olmo等14个语言模型生成闲聊、编程会话和议论文。
10月26日
星期一，9 条Anthropic 联合创始人 Jack Clark 称奇点已开始：科学瓶颈不在智能
Anthropic 联合创始人 Jack Clark 在 IMF 演讲中称，今年已出现"奇点已开始"的确凿证据，此前 Anthropic 称 8 月其 26% 的 AI 研发由 Claude 主导、由人类监督。
LG AI Research 在 ICML 2026 提出 LOAM：用 LLM 设计强化学习的观察与动作模型
LG AI Research 在 ICML 2026 发表 LOAM，让大语言模型根据任务目标、机器人结构和变量含义生成观察模型与动作模型（均为 Python 函数），在不改动强化学习算法的前提下重构环境与智能体之间的接口。
DEEPSEA 评测大模型东南亚语言能力
大语言模型对东南亚语言的理解程度如何？今天上午 10:30，欢迎到 #EMNLP2026 Google 展台（#D5）参加 Shubham Mittal 的现场演示，了解 DEEPSEA——一个用于评估大语言模型在 12 种东南亚语言上表现的基准。阅读论文：https://arxiv.org/pdf/2610.26155v1
引用分析：神经科学与 AI 之间的桥真实存在，但窄且偏工具
作者基于 OpenAlex 约 4.58 亿篇文献及 29 亿条引用链接，分析 1995 至 2025 年神经科学与 AI 的互相引用。
评论：神经启发 AI 论文绝对数量上升，仍构成可观足迹
针对 Renato Duarte 对神经科学与 AI 引用模式的分析，有评论指出 AI 主要受神经科学抽象概念启发，而非具体神经机制。2015 年后引用神经科学的 AI 论文比例偏低甚至下滑，但神经启发 AI 论文的绝对数量仍在上升，构成可观足迹。评论认为，在 2022 年后这轮 AI 热潮中，如何分配研究时间仍是 NeuroAI 交叉领域的核心问题。
评论：引用图可能低估神经科学对 AI 的影响
针对 Renato Duarte 的引用分析，有评论指出引用图只能记录思想谱系的最后几次交接，无法衡量神经科学对 AI 的深层影响。作者以 transformer 可追溯至 RNN 及神经科学中的循环回路观点为例，并引用 Robert Merton 的“obliteration by incorporation”概念说明基础性思想一旦成为常识便从引用记录中消失。
全国多所财经高校布局"AI+财经"，首都经济贸易大学智能经济研究院升级"融创智谷"平台
首都经济贸易大学智能经济研究院正升级"融创智谷"平台，该平台是统筹全校算力、共享数据资源的"算力—算法—数据"一体化底座，面向人才培养、科学研究和智库服务三类场景开放。各学院可开发自己的垂类大模型和智能体，为不同专业配备"智能助手"。中央财经大学、上海财经大学等多所财经高校也在加快学科调整和平台建设，探索"AI+财经"新路径。
The Trinity：面向多模态智能体的能力驱动递归自我改进框架
研究者提出 The Trinity 递归自我改进框架，通过 Creator、Explorer、Evolver 三个角色将世界生成与 Harness 演化耦合，并把任务树重组为分层能力树。
EmbodiedLab 发布具身智能体基准：在模拟实验室中通过操作仪器获取知识
研究团队提出 EmbodiedLab 基准，要求机器人在物理模拟实验室中自行选择实验步骤、通过相机读取仪器，以获取关于系统的知识，而非仅改变物体状态。基准覆盖 5 个学科的 30 个实验和 14 种实验装置平台，每个实例重新采样系统参数，评分依据实验过程中记录的读数与任务要求的物理状态，且每个实验均经验证可解。
10月25日
星期日，9 条EleutherAI 论文追踪预训练中的潜意识学习：偏好可跨模型蒸馏传递
EleutherAI 在 SOAR 项目下发布论文《Tracing Subliminal Learning Through Pretraining》，研究学生模型如何通过语义上无关的训练数据习得教师模型的偏好。
字节 Seed 提出 Recycler 架构：回收隐藏状态实现无额外解码开销的隐式推理
字节 Seed 提出 Recycler，把上一 token 的顶层隐藏状态经轻量适配器与当前 token 嵌入相加后送入下一步，在保留离散 token 路径的同时增加一条连续反馈通路，自回归解码开销与标准 Transformer 大致相同。
斯坦福与 UC Berkeley 团队提出 TokenGate：Token 门控注意力让长上下文预填充最高提速 11.3 倍
斯坦福与 UC Berkeley 的研究者提出 TokenGate，用 Token 门控注意力机制让长上下文预填充最高提速 11.3 倍。该工作以预印本形式公开，具体样本与基准细节尚未在可见正文中给出。
Google 在 EMNLP2026 演示潜在能力评估
我们如何评估 AI 在不同领域中的潜在能力？今天下午 3:30，来 #EMNLP2026 Google 展台（#D5），与 Vinodkumar Prabhakaran、Piyawat L Kumjorn 和 Sunipa Dev 一起观看现场演示，了解如何将指标操作化并映射真实世界用户查询失败案例。@GoogleDeepMind
Pinal模型登《自然》：输入功能文字描述即可生成候选蛋白质序列
香港科技大学（广州）、西湖大学与中国科学院深圳先进技术研究院等团队合作提出蛋白质设计模型Pinal，相关研究发表于《自然》。模型以自然语言功能描述为输入，先生成蛋白质三维结构再设计氨基酸序列，训练数据含17亿组蛋白质—文本配对、覆盖约1.35亿条序列，参数规模160亿。
入选理由研究者可据此了解文字到功能蛋白的闭环如何做实验验证，以及模型在定量性质指定上的边界。
DynaFlow 提出自由形式多智能体编排框架，在六项基准上超过最强基线 10.90 个百分点
DynaFlow 将自由形式的可执行工作流合成纳入主智能体的动作空间，由主智能体自行决定何时协作，并生成按顺序或并行调度子智能体、进行结构化信息交换与验证的任务程序。
ParetoRSI-Gym：评估 AI 智能体能否跨多领域改进语言模型
研究者提出 ParetoRSI-Gym，让智能体在数学、代码、金融、医学、科学五个领域内自行搜索并筛选数据、训练模型、读取各领域结果并迭代，除数据外其余条件固定，并用各领域的泛化基准区分能力提升与对优化分数的过拟合。
50 余位专家构建 Continual Learning Exam 基准，评测 LLM 智能体的长程持续学习
研究团队推出 Continual Learning Exam（CLE）基准，由 50 余位领域专家构建 120 个人工撰写任务，每个任务分五级阶梯共 600 级，覆盖 12 个职业领域的 89 个专业角色，智能体须逐级通过才能解锁下一级。
AutoTavern：LLM 研究智能体 20 天自主构建《炉石传说》酒馆战棋 AI 并登上实时天梯
南京大学与上海 AI 实验室的 Changlian Ma、Limin Wang 提出 AutoTavern，由多个专职 LLM 研究智能体通过带类型的共享研究记忆和五道验证门协作，在 20 天内注册约 1 万次实验、交付 23 个 TavernAgent 版本，并构建出复现《炉石传说》酒馆战棋 36.6.3 版本全部 978 个游戏对象的模拟器 TavernGym。
10月24日
星期六，5 条OpenBMB 发布 EC²-Bench 研究：端云协作策略随端侧能力翻转
OpenBMB 发布关于长程智能体执行中端云协作的系统研究，用 EC²-Bench 在 128 个可执行任务上评测四种协作策略，同时衡量任务完成度、资源成本与隐私暴露。
《自然》（20261022出版）一周论文导读：时间晶化、20 K 增韧合金与字节级语言模型
《自然》第658卷8137期导读收录三项研究：机电超材料中观测到波粗化并形成时间晶体；IV–V族体心立方难熔合金在20 K下屈服强度与断裂韧性呈平台、无明显韧脆转变；字节化方法可将现有子词模型改造为字节级大语言模型，性能接近子词模型并擅长字符级推理。
研究显示朴素 RAW-RAG 在长对话记忆评测中多数优于复杂 Agentic Memory
一项预印本研究比较了仅对原始对话历史做稠密检索加重排的 RAW-RAG 与复杂 agentic memory 系统，在 LoCoMo、LongMemEval、MEME、MemoryAgentBench 的 7 组基准与模型组合中有 6 组排名第一，比最强对比系统高 0.13–5.53 分。
引用elvis@omarsar0RAG is so back! This work shows that plain RAG over raw chat history beats complex agentic memory systems on most long-term memory benchmarks. (bookmark it) They tested Raw-RAG, which is just dense retrieval plus reranking over the raw conversation, feeding a reader LLM. Across LoCoMo, LongMemEval, MEME and MemoryAgentBench, it ranks first in six of seven benchmark and model settings, ahead of the strongest agentic memory system by 0.13 to 5.53 points. Ingestion on BEAM-1M takes 0.3 hours, against 3.2 to 27 hours for systems like Mem0, MemOS and Memora. Why does it hold up? Raw history keeps more of the evidence a question needs, including the relations and dependency paths behind an answer. Rewriting history into memory entries tends to drop those important bits. Even with complete access to the transformed memory stores, models answer less accurately than with raw evidence. Before adding a memory layer to your agent, at least run this baseline on your own data. https://arxiv.org/abs/2610.30755 Chat with Paper: https://academy.dair.ai/papers/is-complex-agentic-memory-always-needed-naive-rag-is-stronger-than-we-thought-2610.30755
智能体团队用千亿Token攻千禧年数学难题
上个月，一个大型智能体团队使用了超过1000亿个Token来解决Navier-Stokes千禧年大奖难题。现在我们正用类似方法进行红队测试，以发现并修复基础设施漏洞。
引用Eric Wallace@Eric_Wallace_To make sure our frontier models don't cause another HuggingFace incident, we built an offline world that they use during training. It provides everything that the models need in a fully cached, indexed, or synthetic manner. We then built a huge team of our most cyber-capable models and told them to collaborate to find zero-days in this containment infrastructure. While they didn't find a path to the internet that wouldn't be caught by our CoT monitors, they did find ways to escape popular VMs, exploit our network infrastructure, and even ways to communicate with other agents running in separate VMs by using hardware side channels. We used this to dramatically harden our infra, and we also upstreamed a ton of patches to open-sources packages.
Epoch AI 简报：AI 能否自动化 Epoch 自身工作、SpireClimb 游戏基准与 Gemini 4 Argon 表现
Epoch AI 让 Claude Fable 5.1、GPT-6 Astra 等六个模型完成 11 项取自其自身工作的任务，结果显示没有模型能稳定达到 Epoch 的工作质量标准，Claude Fable 5.1 与 GPT-6 Astra 大致并列领先。