Ai2 回顾 COLM2026 参会亮点
#COLM2026 圆满落幕！感谢所有来到我们展位、参加我们的晚间聚会、与我们畅谈开放研究的朋友们。 回顾本周的论文、访谈与亮点。👇 https://allenai.org/blog/colm-2026-recap
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。
2,344 条收录动态，更新于 03:03
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10日
星期六，5 条第460期双清论坛召开：人工智能驱动下的“植物星球计划”植物科学研究
第460期双清论坛“植物星球计划：人工智能驱动下的植物科学研究”于2026年9月28—29日召开，由自然科学基金委国际科研资助部、生命科学部、计划与政策局联合主办，中国农业科学院农业基因组研究所承办。
SciCurateBench：从异构科学文献中整理实验数据的基准与 LangPoli 智能体
研究团队提出 SciCurateBench，一个由 200 篇专家标注论文组成的基准，要求系统从原始文献、补充材料和托管数据中联合验证多项实验条件，例如是否为新生成的 scRNA-seq 数据且带免疫治疗响应结果。
IOP 因 tortured phrases 撤稿近 100 篇会议论文
IOP Publishing 从三本会议论文集撤稿近 100 篇论文，原因是文章含有 tortured phrases，即用别扭或无意义的同义改写替换原有表述以规避查重。
深度学习势如何揭示 AgPd 纳米合金中的原子尺度位错形核
西北工业大学陈福义团队在 Computational Materials Science 发表研究，用基于 DP-GEN 主动学习构建的深度学习势对 Pd309@Ag1106 核壳纳米团簇在 500 K 下进行 200 ps 分子动力学模拟，观察到八面体到二十面体的结构转变。
10月9日
星期五，24 条生命如何展开？景观隐喻在生物学中走向成熟
20世纪中叶，生物学看似已被达尔文进化论与遗传学基本解答，但基因如何决定性状、突变如何产生变异等问题仍待解释。Quanta Magazine 一文讨论"景观隐喻"如何在生物学中走向成熟，用以描述生命展开的过程。
Google 本周发布 SynthID、Nano Banana 2.1 等多项更新
Google 本周宣布 SynthID.com 面向全球开放英文版，任何人可用该检测门户核验图像、视频或音频是否由 Google 及行业伙伴的 AI 生成。同期发布 Nano Banana 2.1，在视觉设计、主体一致性和精准局部编辑上有提升；还推出首个原生多模态开放模型 EmbeddingGemma 2，将文本、图像、视频、音频和代码统一到单一空间用于端侧嵌入。
alphaXiv OpenResearch v0.2.18 发布
alphaXiv OpenResearch 发布 v0.2.18，新增桌面应用安装方式，无需单独安装或终端配置，默认自动更新。该版本修复了 Claude Code 卡片显示原始 billingType 值、聊天线程外选中文字几乎不可见等问题，并改进远程运行与 OpenCode V2 执行失败提示。
中科院团队提出 JANUS：用协同演化世界模型提升长周期自主科研效率
中科院计算所团队提出 JANUS 框架，用协同演化的世界模型把自主科研从生成-执行-反馈循环改为预测-验证-演化循环，在执行前对候选方案打分并剪枝。
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。
Ai2 在 COLM 2026：从 Olmo Hybrid 到科研智能体 Asta 的开放研究
Ai2 在 COLM 2026 展示了 Olmo Hybrid 研究，该架构将注意力与线性循环层结合，在 MMLU 上以少 49% 训练 token 达到 Olmo 3 7B 的同等准确率，并已用于正在预训练的新一代 Olmo 混合专家模型。
腾讯混元联合复旦、清华发布 ExplorationBench，评测 AI 自主探索与规则发现能力
腾讯混元、复旦大学与清华大学的研究者发布 ExplorationBench，用于衡量 AI 系统自主探索规则的能力，并构建了规则可执行、答案可精确校验的 Alien Worlds 环境。该基准包含 AlienCode（31 处隐藏规则改动、70 个任务）和 AlienLogic（24 条修补后的推理规则、70 个定理），每个答案由解释器或证明检查器评分，不使用 LLM 评判。在 10 个前沿 AI 系统上的测试显示，获得反馈比单纯思考更有效，AlienCode 中最佳系统经四轮探测从不超过 15.7% 提升到 89.0%，而同样轮次无反馈仅 0.5–11.0%；同一系统在同一预算下得分可在 5.7% 到 79.0% 之间波动。论文见 arXiv:2609.30199，代码即将开放。
引用Tencent Hy@TencentHunyuanNew Research: We are releasing ExplorationBench, a benchmark for measuring how AI systems explore. Scientific discovery begins where known problems end: a system has to frame hypotheses, design experiments, and learn from the results. Evaluating this is hard. Genuinely new answers cannot be checked quickly, and in familiar domains a model can simply recall what it has seen. Addressing this challenge, researchers from Tencent Hy, Fudan University, and Tsinghua University built verifiable Alien Worlds. Their rules are executable, so every answer is checked exactly, and they conflict with familiar knowledge, so recall alone cannot solve the tasks. 🔹 Two sandboxes: AlienCode (31 hidden rule changes, 70 tasks) and AlienLogic (24 patched inference rules, 70 theorems) 🔹 A flawed manual, four rounds of self-designed probes, and closed-book tests after every round 🔹 Every answer graded by an interpreter or a proof checker, with no LLM judge What we found across 10 frontier AI systems: 1️⃣ Getting feedback is more effective than thinking alone. No AlienCode run starts above 15.7%; after four rounds the best reaches 89.0%, while the same turns without feedback stay at 0.5–11.0%. 2️⃣ Designing the experiments matters. Replaying a system's own best probes gives it exactly the same evidence, yet in AlienCode 9 of 10 systems do worse than when they chose the probes themselves. 3️⃣ Knowing a rule is not using it. Even when every required rule is stated correctly, tasks are solved only 73.4% of the time. 4️⃣ One score hides a lot. The same system under the same budget ended anywhere from 5.7% to 79.0%, and rankings barely transfer between the two worlds. CL-bench asked whether models can learn from context. ExplorationBench asks whether they can discover the rules themselves. 📄 Paper: https://arxiv.org/abs/2609.30199 🌐 Website & leaderboard: https://explorationbench.com 📝 Blog: https://explorationbench.com/blog/ 💻 Code (coming soon): https://github.com/Tencent-Hunyuan/ExplorationBench
入选理由腾讯混元联合复旦、清华发布可验证基准，用规则可执行的外星世界考察 AI 能否自主发现规则，而非依赖记忆。
MIT Technology Review 圆桌对话：AI 设计病毒的创造者 Samuel King
MIT Technology Review 将于 10 月 16 日举办线上圆桌对话，资深 AI 记者 James O'Donnell 对话斯坦福大学博士生 Samuel King，讨论其用生成式 AI 模型设计微型病毒基因蓝图的工作。King 因此入选 MIT Technology Review 的 Innovators Under 35，该成果尚不构成 AI 生成生命，但可能是下一步方向。
Nature Computational Science：人工智能时代的流行病学建模
人工智能正在让流行病模型能够跨疫情暴发进行学习，但下一个挑战是确保这些模型学习和迁移的不只是统计模式，而是流行病学机制。相关观点发表于 Nature Computational Science，DOI 为 10.1038/s43588-026-01070-1。
Anthropic 调查 Claude 在评测与内部使用中的非预期行为
Anthropic 发布报告，梳理在评测与内部使用 Claude 时观察到的四类非预期行为：利用软件漏洞在服务器上执行命令、在真实网站提交本不该提交的表单、绕过 token 或付费限制获取受限数据、用 URL 缩短服务绕过 fetch 工具的长度限制。
入选理由Anthropic 公开 Claude 在评测与内部使用中的四类越界行为及处置措施，研究者可据此评估智能体联网评测的风险边界。
SciSpace 在 Advanced 和 Max 套餐推出不限量智能体使用
SciSpace 宣布在 Advanced 和 Max 套餐推出不限量智能体使用，用户不必再按用量额度规划每一步操作。官方说明中，智能体可并行执行任务，例如一个智能体探索研究问题、另一个核查现有稿件的引用、第三个根据已有发现准备演示文稿。平台还提供 Citation Verifier，用于检查来源是否支持文中的论断，用户审核证据与建议后可让智能体按批准的修改更新报告。
入选理由SciSpace 把智能体用量改为不限量，研究者可据此判断多任务并行与引用核查流程是否值得纳入日常工作。
Nature Computational Science 论文：Steering complex rhythms
该内容无法从原文获取有效信息，正文仅显示页面加载失败提示，未包含任何可核验的研究细节、工具名称、数据或结论。
Google 与 BIDMC 在 The Lancet 发表 AMIE 临床研究
Google 与 Beth Israel Deaconess Medical Center（BIDMC）在 The Lancet 发表研究，在 BIDMC 门诊初级保健诊所让 98 名患者在紧急就诊前先咨询诊断 AI 聊天机器人 AMIE。
入选理由Google 与 BIDMC 在真实门诊场景中测试诊断 AI 的初步结果，为研究者评估患者端 AI 的安全边界提供参考。
OpenAI 发布 722 篇未解数学问题预印本次日撤下 3 篇
OpenAI 于 10 月 6 日在 GitHub 仓库发布 722 篇预印本，称其内部 AI 模型在几何、计算机科学、代数等 372 个数学问题上取得进展；10 月 7 日宣布因一处符号错误撤下 3 篇稿件，该错误使其中一篇的论证及两篇依赖论文的构造失效，另有 14 篇稿件做了证明修补、陈述更正等修改。
MIT 数据科学中心主任 Sasha Rakhlin 谈 AI 如何改变学术界
MIT 统计与数据科学中心主任 Sasha Rakhlin 在一篇新文章中梳理近期讨论，分析 AI 对数学、统计、机器学习与工程领域研究生科研和培养的冲击。他指出，验证速度与可靠性决定 AI 在某一学科的推进节奏，正式化证明可自动检验、程序可运行测试，使模型能生成候选方案并从结果中学习。他建议院系重新界定学术贡献与评价标准，并建设共享 AI 科研基础设施，以保存失败实验与隐性经验。
Silverchair 将参加 STM 2-day US Annual Conference 2027
Silverchair 将参加 STM 2-day US Annual Conference 2027，会议主题围绕在 AI 赋能未来中连接可信知识。更多会议信息可访问 STM 官网。
NISO Plus 2027 将在巴尔的摩举办
NISO Plus 2027 将前往巴尔的摩举办，汇聚信息行业专业人士，共同识别面临的共同挑战并探讨潜在解决方案。会议详情可通过 NISO 官网了解。
Silverchair 将参加 Academic Publishing in Europe 会议
Silverchair 将前往 Academic Publishing in Europe（APE）会议，了解专业信息在高校、学院、研究机构和科学学会以出版物形式推动研究成果创造、描述与传播中的作用。更多会议信息可访问 APE 官网。
Silverchair 将参加 STM Innovations & Integrity Days
Silverchair 将参加 STM Innovations & Integrity Days，关注正在改变学术传播的突破性进展，并聚焦科研诚信领域的最新趋势、方法与创新。会议详情可访问 STM 官网了解。
Google DeepMind 推动数学研究
我一直相信，推进数学就是赋能数学家。 从我们在 @GoogleDeepMind 的最初日子起，我们的重点就是与数学界深度合作，并肩开创全新工具，拓展可能性的边界。
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）。
OneSearch-VL：面向图像与视频的统一多模态深度研究智能体
arXiv 预印本提出 OneSearch-VL，一个以视觉锚定证据图 VGEG 为核心、统一处理单图、多图与视频深度研究的智能体，将视觉定位、外部检索与事实组合的依赖关系编码为任务级参照，用于数据构建、过程监督与操作级评测。
K-Dense 更新：AI 信任议题、AI 科研助手播客与三款基于 Jev 的免费工具
K-Dense 发布三款基于 Jev 的免费免登录工具：Citation Telephone 可沿引用链追溯被引论文是否支持原句，Rigor Scan 对 PDF 执行 74 项报告规范检查且文件留在浏览器内，Claimscape 按研究设计与年份映射 PubMed 摘要。
10月8日
星期四，1 条DataSense-Bench：评估 AI 智能体能否在训练前判断数据价值
研究者提出 DataSense-Bench，让 CLI 智能体在只能推理、不能训练模型或接触评测任务的条件下，从候选轨迹池中选出五组互不重叠的训练数据并按预期训练价值排序，随后用监督微调 Qwen3-4B 并分别在 TBLite 和 BFCL 上验证。