全部动态

OpenAI 联合 PerturbAI 与斯克里普斯研究所用数千个 AI 智能体分析小鼠脑细胞图谱

OpenAI 联合 PerturbAI 和斯克里普斯研究所利用数千个 AI 智能体分析覆盖整个小鼠大脑的 CRISPR 图谱，32 分钟完成数百万个脑细胞数据的分析，团队估计人类研究人员完成同等工作需数月到一年。

Anthropic 用 Claude 对上百个开源库完成形式化验证

Anthropic 在 Frontier Red Team 博客中介绍，与 Theoremlabs 合作使用 Claude 在数周内为一百多个真实开源库证明安全属性。

OmniDR-Bench：面向视频中心深度研究报告的智能体基准

研究提出视频中心深度研究报告生成任务，并发布 OmniDR-Bench 基准，含 50 个中英文任务、覆盖 19 个真实子类，共 6,414 条评分标准。评测采用 Omni Atomic Rubric Trees（Omni-ARTs），从视听依据、多模态证据使用和交互呈现三维度打分。18 种智能体配置中最佳系统仅得 63.3 分（满分 100），代码与数据已公开。

清华与智谱提出 RIDAR：自动检测自主科研智能体的科研诚信违规并实时干预

清华大学与智谱 AI 的研究者提出 RIDAR 框架，用于检测自主科研智能体在科研全流程中的科研诚信违规（RIV），并在运行中给出反馈纠正。团队先构建覆盖科研构思、文献综述、实验、论文写作四个阶段共 14 类违规的 RIVT 分类，其事后检测模块 RIDAR-Post-hoc 在 60 条专家标注轨迹的 RIV-Gold 基准上取得 85.2% 的实例级 F1。

FLAWS 基准：用 713 组论文错误对评测大模型能否定位论文错误

卡内基梅隆大学等机构的研究者提出 FLAWS 基准，包含 713 组论文与错误配对，用于评测大模型能否识别并定位论文中会推翻核心结论的错误。基准从 2025 年 ICML 录用论文出发，用 Gemini 2.5 Pro 和 GPT 5 插入错误并经多步过滤，再让模型在编译后的 PDF 中按重要性排序输出至多 10 段候选错误文本。

CiteAnchor 提出来源感知框架，检测并还原虚构引用

作者提出 CiteAnchor 框架，按论文、图书、网页等来源类型分别检索并逐字段核验，把引用是否有效与能否唯一还原来源分开判断。在 CiteAudit 的 3356 条引用上，搭配 GPT-5.6 Luna 检测 F1 为 0.841，比同底座基线高 7.9 点；搭配开源权重 OpenResearcher-30B-A3B 为 0.784，高 36.8 点。

alphaXiv OpenResearch v0.2.21 发布

alphaXiv OpenResearch 发布 v0.2.21，新增 Trackio 的 Spaces、hf runs、零配置本地运行与 Visualize 视图及 orx metrics，并支持 SSH 与 Slurm 的可配置远程存储根目录。

微软与 Hugging Face 开源 ThinkingBox-Training：用数据库终态校验作强化学习奖励训练智能体

微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的可执行校验直接当作强化学习奖励，用于训练有状态业务工作流中的智能体，代码已在 GitHub 以 MIT 许可开放。

Databricks AI Runtime 正式可用，在 Lakehouse 内提供托管 GPU 训练

Databricks 宣布 AI Runtime（AIR）正式可用，把全托管 GPU 基础设施接入 Databricks，让用户在数据所在的 Lakehouse 内训练模型，并通过 Unity Catalog 对数据访问、检查点、日志等执行统一权限控制。

RSIHub 发布可组合框架，统一构建与比较智能体进化方法

RSIHub 是一个开源框架，用于在共享基础设施上构建、比较和扩展智能体进化方法，由框架提供执行、评估、恢复和血缘记录，研究者只需关注进化策略。

Principia：在测试时从假设迭代构建科学原则的 LLM 框架

研究者提出基于大语言模型的框架 Principia，在测试时从相关输入与观测结果中形成对比性因果假设，再把反复出现的关系归纳为原则，并用新观测修正假设、重建原则。在分子优化、蛋白质工程、基因扰动和分子性质预测等基准上，该框架优于依赖内部知识、外部来源或经验总结的基线，生成的原则与科学文献相符；代码已在 GitHub 公开。

Hugging Face 联合 TIGEM 等机构发布开放 DNA 模型 Carbon-X

Hugging Face 与 TIGEM、那不勒斯费德里科二世大学和中关村学院合作训练了 Carbon-X，这是一个 14B 开放模型，可直接读取原始 DNA 并用自然语言描述。

入选理由开放权重、可在笔记本上运行的 DNA 模型，让学术实验室能自行评估它能否用于变异解读这类日常任务。

微软 MAI-DxO 诊断系统在 Science 发表，复杂病例准确率高于医生

微软 Health MAI 团队发布 AI 诊断系统 MAI-DxO，并配套提出逐步诊断基准 SDBench，成果发表于 Science。在 304 个 NEJM 复杂病例上，MAI-DxO 诊断准确率为 83%，医生在有外部参考资料时为 36%、无参考资料时为 22%；在 MIMIC-IV-ED 的急诊常见病例上为 80%，医生为 47%。

入选理由微软团队公开了逐步诊断基准与开源代码，研究者可据此复现评测并检验诊断推理系统的成本与准确率权衡。

Google Research 在 Nature 发表个人健康智能体 PHA 论文并开源框架

Google Research 宣布个人健康智能体（Personal Health Agent，PHA）研究发表于 Nature，并将该框架开源给社区。据其引用的团队介绍，PHA 是 Google Health Coach 背后的基础多智能体架构，通过编排多个专用智能体处理可穿戴设备与生物标志物数据，团队称其建立了安全、个性化健康 AI 的基准。论文链接：https://www.nature.com/articles/s41586-026-11161-8

OmniParseBench 开发者指南：排行榜基准与 OCR 测试

Datalab 开源文档解析器基准 OmniParseBench 以 16,288 项通过/失败测试覆盖 2,937 页文档，并公布 27 个解析器的判定结果。该教程基于这些判定重建排行榜，发现排名前两位的解析器在统计上并列，且多数文档切片上领先者会变化。作者还在 50 页样本上自行运行 Tesseract 与 Indra OCR，并指出一项发布数字与公开文件不符。

AW-0：把代码规划与视频动作预测结合的智能体世界动作模型框架

研究团队提出 AW-0，一个将代码规划与视频、动作联合预测整合的智能体世界动作模型框架，在统一的 mixture-of-transformers 架构中把代码、未来视频和机器人动作作为三条耦合生成流建模。

Ai2 发布 PLANTEUR 热带作物制图基准，扩展 PASTIS 至六个热带地区

Ai2 发布 PLANTEUR，将作物类型制图基准 PASTIS 扩展到留尼汪、瓜德罗普、马提尼克、法属圭亚那、马约特和圣马丁六个热带地区，数据来自法国土地地块识别系统。

Ant Ling 开源医疗增强 MoE 模型 Ling-3.0-flash-Sante

Ant Ling 正式开源 Ling-3.0-flash-Sante，这是一个医疗增强的 MoE 模型，总参数 124B，每 token 仅激活 5.1B，在专业医疗任务和复杂医学推理上于同规模模型中表现领先。模型面向真实医疗研究与工作流，强化了深度研究、多智能体协作和工具调用能力，权重已开放，供研究者、开发者和医疗从业者使用。

Recursive 发布 Flint 模型，由 Eureka Machine 自动完成研发流程

AI 初创公司 Recursive 发布首个语言模型 Flint，研发过程几乎每一步都有其自动研究系统 Eureka Machine 参与，由它提出想法、实现、测试并规划后续实验。

清华与 Z.ai 提出 RIDAR：自动检测自主科研智能体的科研诚信违规并实时干预

清华大学与 Z.ai 团队提出 RIDAR 框架，用于检测自主科研智能体在选题、文献综述、实验和论文写作中的科研诚信违规（RIV），并给出覆盖全生命周期的 14 类违规分类 RIVT。

Hugging Face 开源 DNA 模型 Carbon-X，基于 Qwen3-14B 训练

Hugging Face 发布开源 DNA 模型 Carbon-X，以 Qwen3-14B 为基础，在 300B tokens 的 DNA、英文与交错数据上做中训练，并采用英文 BPE 加 DNA 6-mer 的混合分词器。

Ai2 发布 OlmoEarth v1.3 卫星嵌入模型及全球预计算嵌入

Ai2 发布 OlmoEarth v1.3 卫星嵌入模型，读取一年 Sentinel-1 雷达与 Sentinel-2、Landsat 多光谱时序，为全球每个 10 米像元生成 128 维向量，前 64 维可单独使用。

入选理由Ai2 公开了全球卫星嵌入、权重与预计算数据，地球观测研究者无需 GPU 即可用少量标注做地表分类与变化分析。

LASAGNA 框架评估 450 组 RAG 配置：单项技术增益叠加后大幅缩水

研究团队提出开源框架 LASAGNA，用于受控评估 RAG 流程，在八个基准和 5K 至 200K 文档规模的语料上测试了 450 组配置。三项预注册假设的结果显示，三项检索技术单独预测可带来 +47% 提升，组合使用后实际只有 +17%；检索质量与答案忠实度偏好的设计不同，优化其一可能损害另一项；最优组合还会随语料规模变化。

OpenAI 智能体 32 分钟完成小鼠全脑 CRISPR 图谱分析

OpenAI 与 PerturbAI、Scripps Research 合作，用数千个基于 GPT-Rosalind 的 AI 智能体分析数百万个小鼠细胞的全脑 CRISPR 图谱，每个智能体负责一个基因扰动并检索文献解释细胞反应，整个分析耗时 32 分钟，团队估算人工完成需数月至一年。

Recursive 发布可在笔记本运行的免费编程模型 Flint，称主要由 AI 构建

AI 初创公司 Recursive 发布首个免费编程模型 Flint，可在笔记本本地离线运行，采用 Apache 2.0 许可在 Hugging Face 开放下载。

超越来源归属：LLM 构建的学术知识图谱中的作者身份与可比性决策

针对 LLM 抽取并核验后进入知识图谱的论断，PaRAGraph Casebook 用四个可复跑案例展示：同一地名在不同文献分类方案中的归属与层级差异，无法靠核对引文或检索冲突值发现。平台现将记录地址（地名在各来源方案中的位置、名称指单位而非地点的判定、地址来源）作为可比性一个维度的决策对象存储，使工作分类可随新来源修订，而每条比较到证据的路径保持固定。

FutureLens：学术文本与未来工作引用中的纵向主题模式

FutureLens 对 2012–2022 年 5,655 篇 ACL 论文（其中 4,005 篇含未来工作引用文本）做纵向主题测量研究，比较 NMF 与 LDA 的主题表示可靠性。

阿里团队发布 SciTaste-Bench：六学科评估大语言模型判断论文科研品味的基准

阿里巴巴团队等提出 SciTaste-Bench，一个覆盖物理、数学、化学、生物、医学、金融六个学科的金标准基准，用于评估大语言模型判断论文科学价值与潜力的能力，创新性只是其七个评估维度之一。

CIDOC CRM 元素周期表：可测试的文档如何推动人文领域科研本体采用

博洛尼亚大学与哈佛大学 I Tatti 的 Remo Grillo 发布 CIDOC CRM Periodic Table，将 CIDOC CRM 7.1.3、CRMsci 3.2、CRMdig 5.0 和 CRMinf 1.2.1 的 131 个类与 480 条属性条目渲染为单页可导航界面。

面向合金合成研究的开源数据基础设施：第一阶段——成分筛选与文献交叉比对

一位材料科学研究者独立开发了面向单一合金合成实验室的开源数据基础设施第一阶段，包含成分与合成记录的关系型数据库模式、成分/质量计算器、VEC、原子尺寸失配与混合焓三项筛选指标及熔点/沸点合成可行性检查。