全部动态

基于蛋白质语言模型的 KaML-ESM 预测蛋白质电离态与 pKa

美国马里兰大学药学院团队在 Nature Communications 发表 KaML-ESM，用 ESM 蛋白质语言模型构建序列神经网络，在 GAINES 增强的 PKAD-3r 数据集上训练，预测 Asp/Glu/His/Cys/Tyr/Lys 残基电离常数。

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。

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。

Coral Discovery：为自主科研智能体引入方向板以分工认知劳动

Coral AI Labs 与多所高校的研究者提出 Coral Discovery，在 MIT CORAL 的多智能体自主科研框架上加入方向板：验证器按程序 diff 给每次尝试标注方向与方法，方向板按方向统计收益、为少尝试方向加探索奖励并估算新方向价值，智能体先完成自己的方向再参考方向板。

AutoTavern 让 LLM 研究智能体自主构建炉石酒馆战棋 AI，天梯评分升至约 15000

研究团队提出 AutoTavern，由多个专用 LLM 研究智能体共享类型化研究记忆、每条主张经过验证关卡，并用实时对局闭环改进模拟器、对手与策略。

RSI Arena：十款前沿模型自主后训练，八款在人类反馈后评分提升

研究团队提出 RSI Arena，用两阶段实验考察 AI 智能体能否借助用户反馈自主训练并改进语言模型。

Google Research 用 MedGemma 等基础模型推进结核病筛查落地

Google Research 与 Google for Health 在 IDWeek 2026 上介绍了其结核病筛查 AI 从研究走向临床的路径：与南非公司 Nexus AI 合作将胸部 X 光算法转化为通过 CE MDR class IIb 认证的诊断工具。

Ai2 发布 LitPivot：围绕文献动态组织证据，辅助科研构思修订

Ai2 与宾夕法尼亚大学合作发布 LitPivot，该系统用 Asta Paper Finder 检索的论文，把研究提案拆成问题、贡献和评估方案三部分，围绕正在编辑的部分组织文献、给出带原文摘录的批评和可接受或拒绝的修改建议。

入选理由Ai2 把文献检索与科研构思的修订过程绑定，研究者可据此判断这类工具能否介入早期选题。

Ai2 与宾大推出 LitPivot：按研究构思的组成部分组织文献并给出修订建议

Ai2 与宾夕法尼亚大学合作推出 LitPivot，把研究提案拆成问题、贡献和评估方案三部分，围绕正在编辑的部分组织经 Asta Paper Finder 检索到的论文，给出附文献摘录的批评和可接受、编辑或拒绝的修订建议。

同一新闻，精选展示《Ai2 发布 LitPivot：围绕文献动态组织证据，辅助科研构思修订》

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。

H-CDLM：分层连续扩散语言模型提升文本生成

H-CDLM 通过联合去噪 token 与其粗粒度语义聚类，让高层信息引导 token 重建，缓解连续扩散语言模型难以从噪声表示恢复精确 token 的问题。应用于 CoBit 后，在 LM1B 上文本生成质量提升 33%、OpenWebText 上提升 29%，GSM8K 数学准确率从 25.4% 升至 27.4%，且去噪步数减半。

腾讯混元与港科大（广州）提出 Poseidon 流水线，从科学代码库构建 97,659 个智能体训练环境

香港科技大学（广州）与腾讯混元团队提出 Poseidon，一个从科学代码库自动生成可验证训练环境的流水线，并据此构建 Pearl 数据集，包含来自 7,110 个公开仓库、覆盖 10 个学科的 97,659 个环境。

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。

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。

MIT 研究：13 个 Eko 智能体在虚拟荒岛无任务探索 30 小时后自发"玩耍"

MIT 研究团队将 13 个基于 Claude Opus 4.7 的 Eko 智能体无任务地放在模拟荒岛上 30 小时，它们自发创造挑战并表现出玩耍特征，相关论文已发布在 arXiv 预印本平台。

微软推出 AI 医疗诊断系统 MAI-DxO：复杂病例准确率 83%，成果登《科学》

微软发布 AI 诊断系统 MAI-DxO（Microsoft AI Diagnostic Orchestrator），通过编排多个 AI 智能体模拟医生联合会诊，协同问诊、开具化验检查并辩论潜在诊断。

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。

黎曼 ζ 函数临界零点比例新进展：从 Montgomery 到 Anthropic 与 Lamzouri

Caroline Turnage-Butterbaugh 在 Terence Tao 博客客座撰文，梳理黎曼 ζ 函数临界线上非平凡零点比例下界的研究脉络，从 Selberg、Levinson、Conrey 到 2020 年 Pratt 等人的 41.7%。

入选理由作者以第一手视角梳理黎曼 ζ 函数临界零点比例的最新进展，并解释 Anthropic 模型与 Lamzouri 两条证明路径的差异。

多模态大模型（MLLM）的检索头是否随模态扩展：一项跨 18 个检查点的分析

研究以音视频配对输入考察多模态大模型的检索头机制，在 18 个语言、视觉语言与全模态检查点上发现检索头在新模态下仍保持稀疏，且跨模态大量共享，全模态模型基本保留其骨干网络的检索头。

TTME 在科学发现任务上优于测试时训练，算力开销降低逾八成

研究提出测试时记忆演化（TTME），一种即插即用的测试时适配方法，通过持续更新外部记忆、蒸馏经验来指导后续发现，而不更新模型权重。在相同的科学发现框架下仅替换测试时适配方法后，TTME 在全部五个数学任务上优于测试时训练（TTT），FLOPs 降低 82.8-84.6%，运行时间缩短 47.7-58.4%。

微软 MAI-DxO 多智能体诊断系统在《Science》发表模拟研究，复杂病例准确率 83%

微软 AI 的诊断系统 MAI-DxO 在《Science》发表的模拟研究中，对《新英格兰医学杂志》复杂病例的诊断准确率为 83%，而单独工作的全科医生和普通内科医生为 36%；这些复杂病例通常由专科医生或团队处理，后者未纳入对照。

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

微软诊断编排器在病例测试中准确率超医生，成果发表于 Science

微软的 Diagnostic Orchestrator 用多个 AI 智能体模拟专家会诊，在取自《新英格兰医学杂志》数百份病例报告的测试中诊断准确率约 83%，使用参考资料的全科医生约 36%，不使用的约 22%。

DeepSeek V4.1 Flash 1017 的 ARC-AGI 成绩

来自 @deepseek_ai 的 DeepSeek V4.1 Flash 1017 在 ARC-AGI 上（已核验）： - ARC-AGI-2：78.1%，$0.16/任务 - ARC-AGI-1：94.5%，$0.06/任务 DeepSeek Flash 系列模型的最佳 ARC-AGI-2 成绩从 61.4%（V4 Flash 0731）升至 72.9%（V4.1 Flash），再升至 78.1%（V4.1 Flash 1017）。

Google DeepMind 联合 WRI、IIASA 发布 10 米分辨率全球森林类型图 ForTy 2020

Google DeepMind 与 Google Research 联合世界资源研究所（WRI）和国际应用系统分析研究所（IIASA）发布 Forest Typology（ForTy）2020，把全球每块 10×10 米土地按 FAO 定义划为原始林、自然再生林、人工种植林、商品林、木本作物与农林复合、其他土地六类，并给出 2017–2025 年逐年变化序列。

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。

TokenGate 可学习剪枝让长上下文 Prefill 提速约 11 倍

斯坦福与伯克利研究者提出可插拔模块 TokenGate，插在现有 LLM 浅层，学习只把重要的 top-K token 传给上层，实现长上下文“跳读”。论文自报无精度损失时首 token 时间快 1.4–11.3 倍、峰值显存降 1.5–3.4 倍，相对最强免训练剪枝最高约 6.4 倍更快、2 倍更省显存。训练成本接近 LoRA，无需从零预训练。