全部动态

为何 on-policy 自蒸馏不是持续学习的万能解

Base Labs 在 11 月 6 日的研究更新中论证，on-policy 自蒸馏（OPSD）虽在部分场景仍有用，但不值得继续投入研究。作者指出，带提示的教师模型已知答案、无需回溯或保留余地，这种稠密监督主要引入偏差，等于用干净但有偏的信号换掉噪声大但方向正确的奖励。

Anthropic 研究称 Claude 智能体可借“做梦”机制整理记忆

Anthropic 发布研究文章《The components of agent memory》，将 Claude 智能体记忆拆为会话日志、记忆笔记、知识表征和注入上下文四层，并引入“做梦”机制，让模型在两次交互之间的空闲时间回顾日志、纠错并更新知识库。

研究用任务模型估算 AI 对科研进展速度的影响

Peter McCrory 等人用基于任务的研发进展模型，探讨 AI 可能如何影响不同领域的整体科研进展速度。结果显示，若现有 AI 能力被广泛采用，部分领域的研究产出可能翻倍。

观察显示科学家主要用 Claude 做数据分析和写作

Peter McCrory 在 X 上称，科学家使用 Claude 时主要集中在数据分析和写作，数据分析约占 Claude 会话的三分之一、约占 Claude Code 会话的近一半。科研构思与数据收集的使用比例更低，尽管受访科学家将这些任务评为重要。原文未说明统计口径与样本范围。

Anthropic 报告分析 Claude 在不同学科与研究任务中的使用差异

Anthropic 发布报告《AI for scientific discovery: How researchers use Claude》，考察 AI 使用情况在不同科学领域和研究任务间的差异。报告评估采用模式后发现，Claude 在形式科学中的使用相对更多。

OpenRouter 十月数据回顾上线

完整回顾为每个部分都配有交互式图表，还包括各实验室内部的模型构成。 阅读更多：https://openrouter.ai/data/october-2026

Anthropic 拆解智能体记忆的组成：记忆笔记、dreaming 与 wiki 表示

Anthropic 在官方研究博客中说明其对 Claude 智能体记忆的设计思路，把记忆定义为跨会话保留、以可读上下文形式保存的经验知识，并区分于权重更新、会话内学习和上下文压缩。

Transluce 研究微调效果预测的规模定律：监督模型性能随模型与数据规模呈幂律提升

Transluce 训练不同规模的 Qwen3.5 监督模型，在给定微调数据集、提示词和基座模型回答的条件下预测微调后 Qwen3.5-2B 的回答，发现性能随模型与数据规模呈幂律提升。例外是与被监督模型同源的监督模型表现优于更大模型，且性能存在非零损失下限。研究还显示预测性能可泛化到更难的分布外数据集。

OpenClaw 如何发布版本

史上最大的开源项目之一是如何做发布的？🦞 @dallinfinite 讲解了 OpenClaw 的发布流程：dev、beta 和 stable 三个渠道，每周一班的 beta 列车，以及由一个智能体会话全程护航每次发布。

Inkling 2 Small 在 ARC-AGI 基准表现

来自 @thinkymachines 的 Inkling 2 Small 在 ARC-AGI（已验证）： - ARC-AGI-2：81.7%，每任务 $0.27 - ARC-AGI-1：96.5%，每任务 $0.08 在我们评估过的所有开放权重模型中，它在 ARC-AGI-1 和 ARC-AGI-2 上均表现最佳。 Thinking Machines 计划下周发布完整权重。

Anthropic 科学博客：AI 如何改变科学建模

Anthropic 科学博客发文讨论 AI 如何开始改变科学建模：科学家仍主要手工编写模型，并需在多个竞争性版本间权衡。客座作者 Jakob Macke、Daniel Gedon 与 Stefan Wahl 描述 AI 可将科学模型以代码形式编写、运行、拟合和修订，从而探索多种可能的模型结构，并找出数据支持的解释。

Anthropic 资助研究者谈如何教 AI 构建科学模型

Anthropic AI for Science 资助的 ELLIS Institute Tübingen 与图宾根大学研究者 Jakob Macke、Daniel Gedon、Stefan Wahl 撰文讨论 AI 如何改变科学建模。文章以 Hodgkin-Huxley 模型为例，将建模拆为构建、约束与解释三步，指出 AI 在参数约束上进展最大，但仅给出拟合模型并不等于带来理解。

ARC Prize 榜单新增 Thinky Machines 结果

@thinkymachines - 排行榜：https://arcprize.org/leaderboard - 复现公开结果：https://github.com/arcprize/arc-agi-benchmarking - 测试政策：https://arcprize.org/policy - Inkling 2 Small 完整结果：https://arcprize.org/results/thinky-inkling-2-small

Inkling 2 Small 的 ARC-AGI-2 得分翻倍

@thinkymachines 与 7 月 30 日发布的原版 Inkling Small 相比，Inkling 2 Small 的 ARC-AGI-2 半私有得分翻了一倍多，从 40.14% 提升至 81.67%。

MedGemma与AMIE进展

讨论的关键里程碑： • 开源影响：MedGemma 如何为全球各地的本地社区卫生工作者提供支持 • 影像工作流程：为何将乳腺X线摄影阅片时间从数天缩短至数分钟可能有助于挽救生命 • 前沿研究：深入了解 AMIE——Google 的多模态诊断 AI

OpenAI 推出 BioBasicsBench，用 100 项任务评测 AI 智能体处理湿实验室日常科研的能力

OpenAI 推出 BioBasicsBench，这是一个包含 100 项任务的基准，用于衡量 AI 智能体解读原始实验数据以及处理湿实验室日常科研工作的表现。原文链接：https://openai.com/index/measuring-how-ai-agents-handle-wet-lab-science

入选理由OpenAI 把评测对象从问答转向湿实验室原始数据的解读，研究者可据此判断智能体能否接手日常实验数据处理。

MIT 团队发布分子性质预测基础模型 CheMeleon，少样本下优于现有方法

MIT 团队开发的基础模型 CheMeleon 用 PubChem 中 100 万个分子的约 1600 种分子描述符做预训练，可在少量数据下微调预测溶解度、黏度、生物活性等性质，在 58 个测试案例中表现优于其他基础模型和依赖专家规则的经典模型。

OpenAI 与 Ligo 推出 BioBasicsBench 评测智能体处理湿实验室常规分析

OpenAI 与专注酶设计的生物技术公司 Ligo 推出 BioBasicsBench，用 100 项来自真实实验的任务评测 AI 智能体能否解读实验室原始数据、识别错误，以及判断证据是否支持某一结论。

微软研究实习助本科生建立科研信心

怎样才能对自己作为研究者的未来更有信心？ 对 Tony Chae 而言，在 Microsoft Research 的本科研究实习提供了一个探索新想法、与研究人员合作、并在实验室之外建立联系的机会。 这段经历帮助 Tony 拓展了知识、发展了新视角，并在他为未来的博士学业做准备时建立了信心。

OpenClaw 无需更新即可用新模型

新模型不该意味着要等新的 OpenClaw 版本发布 @obviyus 深入介绍他在模型目录、基于账户的发现以及 Codex 版本管理方面的工作 来自我们的工程系列：https://openclaw.ai/blog/use-new-models-in-openclaw-without-an-update

AI 智能体设计并运行机器人实验室

该报道聚焦 AI 智能体在自动化实验室中的角色，称其可设计由机器人驱动的实验室并代为运行。由于页面正文未能加载，具体工具名称、发布机构、证据阶段与样本量等信息无法核实。

Terence Tao 博客汇总 AI 与数学研究相关文章

Terence Tao 博客新帖汇总了 Pavel Etingof《Use of AI in Mathematical Research: A Guide for Young Mathematicians》、Anna Gilbert 两篇及 Larry Guth、Atoosa Kasirzadeh 等关于数学与 AI 的文章链接，并延续以往做法邀请读者在评论区补充更多文章。

AI 仅凭鸣声即可长期追踪单只鸟

一种新方法可仅凭鸟鸣长期追踪单只鸟，为科学家提供更快捷、更温和的鸟类种群健康评估手段。

Longtail-SWE：面向低覆盖编程语言的高质量软件工程任务基准

Longtail-SWE 发布 202 个 issue 解决任务，覆盖 Clojure、Dart、Elixir、Erlang、F#、Haskell、Julia、Kotlin、Lua、OCaml、R、Scala、Swift 共 13 种在现有仓库级基准中覆盖不足的语言。

Artificial Analysis 推出 VIALS-AA 生命科学视觉推理榜单

Artificial Analysis 发布 VIALS-AA 榜单，评测 Handshake AI 的 VIALS 生命科学视觉推理基准，161 项任务覆盖八个领域，需解读凝胶印迹、流式细胞图、质粒图谱和系统发育树等图像并得出科学结论。

This Week in AI：Gemini 4 Carbon、Mistral Large 4 与 Genie 4 密集发布，投资者质疑 AI 支出

Google 推出面向网络安全与多步骤任务的 Gemini 4 Carbon，Mistral 公开万亿参数 Large 4（“Le Chonk”）权重，Google DeepMind 预览世界模型 Genie 4。

Google DeepMind 用 AI 智能体加速密码分析，在 1024 位 RSA 基准上发现两类弱点

Google DeepMind 公布新研究，称在人工监督下用 AI 智能体对已退役的 1024 位 RSA 密码系统做压力测试，发现两类主要弱点，说明这些系统可在比此前认为更低的计算预算下被攻破。

Google DeepMind 团队用 AI 智能体在数周内取得两项密码分析进展

Google DeepMind Science 团队与密码分析专家合作，展示 AI 智能体在数周内取得两项密码分析进展，可绕过较旧的数字签名保护，并批量分解遗留的 1024 位 RSA 密钥。

AI智能体加速加密压力测试研究

我们分享一项新研究，展示AI智能体如何加速加密压力测试的科学进程。 在人类引导下，我们的模型发现了传统1024位RSA密码系统中的两大弱点。 我们的科学副总裁@Pushmeet 进一步解释 ↓ https://x.com/pushmeet/status/2118752095859794390

AI时代密码学标准需持续压力测试

尽管现代2048位系统仍能抵御这些特定攻击，但这项工作揭示了一个关键转变。 随着我们进入AI驱动的数学与计算新时代，我们不能再依赖历史上的困难性假设，必须持续对密码学标准进行压力测试。