SpatialScout 基准发布：评测 VLM 智能体能否主动探索并构建三维物体地图
研究团队提出 SpatialScout 基准，用于评测视觉语言模型（VLM）智能体在主动物体级三维建图上的表现，包含 80 个室内场景和 3,140 个目标物体。
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。
286 条收录动态，更新于 01:11
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19日
星期一，3 条VerifierBench 发布：222 项任务评测 LLM 智能体生成可执行验证器的能力
研究团队提出 VerifierBench，用来自六个智能体基准的 222 项任务和 4,993 个隐藏测试用例，评测智能体能否根据任务指令与环境写出可执行验证器，要求其接受所有有效解并拒绝无效解。
谁主导？模型能力与任务条件下的 AI-人类协作
研究用共享控制迷宫考察 GPT 5.6 Sol、Command A+、Qwen 3.8 27B 和 Command R 与人类的分工：智能体决定每回合自己行动还是交给人类，人类最短路径优势分三种条件设置。四个模型中，单独能力更强者表现出选择性、依路线决定的人类介入——人类无优势时几乎全部自己行动，人类路线更短时约 80% 的初始决策交给人类；单独能力明显较弱的 Command R 无此选择性。
10月18日
星期日，4 条我国首个全国产十万卡 AI 超集群真机亮相，曙光 8000 走超算智算融合路线
我国首个全国产十万卡 AI 超集群在深圳 2026 全国高性能计算学术大会上以真机亮相，并将发布十大重要应用成果。该系统名为曙光 8000，走“超算和智算原生融合”路线，同一套底座既能跑最高精度科学计算，也能跑大模型训练和推理。其算力可支撑数字孪生大脑乃至模拟百亿光年宇宙演化，目前正支持新材料、创新药、人工智能等 26 个领域 300 多种计算任务。
HybridResearcher：4B 模型跨结构化与非结构化数据源做深度研究
作者提出 HybridResearcher，一个 4B 智能体，用于在结构化数据与无结构数据之间衔接证据。其做法是从已验证的单源任务出发，围绕桥接实体合成缺失的另一侧数据，只保留两侧单独都不足以回答的样本，再用监督微调加强化学习训练。
HybridResearcher-4B：让 4B 小模型跨数据库与网页做混合深度研究
研究团队提出 HybridResearcher 训练框架，并训练出 4B 模型 HybridResearcher-4B，用于在一条推理链中同时调用结构化数据库（text-to-SQL）与非结构化网页检索。
10月17日
星期六，4 条鄂维南院士：AI 时代科研平权化，未来民科是科研主力
中国科学院院士、北京大学讲席教授鄂维南在光华思想力论坛上预测，AI 将大幅降低科研门槛、推动"科研平权化"，未来民科是科研的主力，每个有想法有能力的团队和个人都可参与科技创新。他提出构建 AI 原生工业软件体系，称一两年内可做成对标甚至超越西门子的体系，工业生产线建模则需三年、最多五年。他还警示现行科研体系面临挑战，科研成果形态将从论文转向知识产权。
Saif Khan 谈 DUV 出口管制：为何它是美国制衡中国 AI 芯片的最关键杠杆
前美国国家安全委员会与商务部官员 Saif Khan 创立智库 Center for Technology and Statecraft（CTS），其 DUV 报告预测，若现在停止相关设备出口，到 2030 年代中期中国生产的 AI 芯片数量可能比美国少约 100 倍。Khan 认为，理解从芯片制造工具到 Token、机器人的 AI 供应链，能让政策研究更具前瞻性和可预测性。
我国首个全自主可控气象 AI 集合预报系统“风清”投入业务运行
“风清”人工智能全球短中期集合天气预报系统 V1.0 近日通过业务化评审，正式投入全国气象业务运行，由国家气象中心牵头、联合多所高校和科研院所研发，核心算力、底层算法和数据源均实现国产化。
微软研究院发布 StudentSim：用 AI 学生模拟器替真人试课
微软研究院于 10 月 12 日发布研究系统 StudentSim，基于公开、去标识化的学习者记录为每位学生训练个性化“AI 学生模拟器”，模拟其独立作答及收到导师讲解后的反应变化。
10月16日
星期五，4 条k_dense_ai科学智能体技能库星标破5万
为@k_dense_ai团队感到无比自豪，也衷心感谢贡献者社区！
引用K-Dense@k_dense_aiOur Scientific Agent Skills repo passed 50,000 GitHub stars this week, joining a group of ~500 public repositories to reach that mark. The response shows there’s still a huge interest in high-quality, open-source scientific tools, models, and data sources. If you have a favorite open-source tool for science, share it in the replies!
OfficeTown 提出面向专业组织的生成式模拟框架与 406 项任务基准
研究者提出 OfficeTown，一个面向专业组织的生成式模拟框架：从组织目标与活动的自然语言描述出发，初始化成员分工、委派任务并审阅交付物，产出物与未决事项会持续影响后续工作。
RAP：基于人类海报范例与声明式标记的论文转海报生成数据集
RAP 是面向论文转海报生成的数据集与基准，含 2022 至 2026 年机器学习会议 25K+ 组经核验的论文-海报对，并设 150 篇测试论文的留出基准。其自动化反渲染流程将海报转为带可填充槽位的 HTML/CSS，使每个样本成为可通过渲染比对验证的论文-海报-标记三元组。基于该数据，无需训练的多智能体流程 PosterRAG 可检索范例并填充槽位，另有 SFT+RL 方案训练专用模型。
OR-License 基准：评估 LLM 智能体能否胜任真实运筹项目
研究团队提出 OR-License，一个由 10 个工业场景、31 个实例组成的端到端运筹基准，素材来自总额 368 万美元的付费运筹项目，并保留原始需求、输入数据、交付格式与信息边界。
10月15日
星期四，9 条Mistral与CERN合作探索粒子物理大模型
大规模AI模型能为日益复杂的粒子物理带来什么？ @CERN 与 Mistral 携手探索这一问题。 目标：一个单一的大型物理模型，基于数十亿次模拟碰撞训练而成。
Apertus 1.5 发布：8B 与 70B 模型新增图像音频理解与 262k 上下文
Project Apertus 发布 Apertus 1.5，在 8B 和 70B 两代模型上新增图像与音频理解、可选思考模式，上下文窗口扩至 262,144 tokens，为 1.0 的 4 倍，权重于 7 月 24 日以 Apache 2.0 许可发布在 Hugging Face。
Apple 提出 Selection-based Structured Reasoning（SSR）：面向高效多模态搜索智能体的结构化推理框架
Apple 研究者提出 Selection-based Structured Reasoning（SSR），把推理从开放式生成改为从预设自然语言候选推理中按似然选择，无需辅助任务头。在 2B 和 4B 模型、七个多模态搜索基准上，SSR 在多种强化学习目标和监督微调下保持任务表现，平均成功率与同规模领先搜索智能体相当，单轮推理延迟降低逾 90%，每题模型总推理延迟降低 28–54%。
Thinking Machines Lab 回顾 Tinker 上线一年：新增全量微调测试版与生产推理接口
Thinking Machines Lab 回顾其后训练平台 Tinker 上线一年的进展：平台以四个 API 函数连接用户代码与托管 GPU，新增 CISPO、DRO 与自定义 RL 损失、top-k logprobs，并开始提供全量微调测试版。
Meta发布Muse Wonder系列模型
Muse Wonder 和 Muse Wonder Full 在个人与专业智能体任务上达到 SOTA 性能。 在我们的研究者博客上了解更多关于这些模型的信息：https://go.meta.me/musewonder
稀疏自编码器中的表征重分配：RSS 评分识别可复现的特征响应变化
研究提出重分配敏感度评分（RSS），用于识别在提示变换下方向一致、可复现的大幅特征响应，并在未参与筛选的变体上验证。在覆盖 8 个语言模型的 27 个预训练稀疏自编码器（SAE）上，测试的提示变换产生了可复现的重分配特征。
视觉生成能否扩展统一多模态模型的知识边界？
研究提出 Knowledge Transfer Probing（KTP）协议，通过图像生成训练注入新知识，再用纯文本问答检验其可及性。在七个知识类别和三个统一多模态模型上，视觉监督到语言的迁移直接但不均衡；引入 Textual Alignment 与 Interleaved Image–Text Alignment 后，对部分实体的引导可在无问答监督下改善其他实体的知识调用。
SABER 基准揭示视觉语言模型属性-对象绑定失败，合成文本微调可改善检索
研究团队提出 SABER，一个覆盖全部四种图文模态配对、包含最多十个对象场景的受控基准，用于评测属性-对象绑定；结果显示 CLIP 类双编码器和近期基于 MLLM 的嵌入模型都出现明显绑定失败。
10月14日
星期三，3 条vLLM 开源训练推理逐位一致配方与智能体技能，加速 RL 训练
vLLM 团队发布 train-inference-consistency 技能与配套代码，让训练前向直接调用 vLLM 推理内核并改造高性能内核，使 rollout 与训练对每个采样 token 的 logprob 逐位相同（diff = 0）。
入选理由vLLM 团队公开了让训练与推理逐位一致的算子级配方和智能体技能，可迁移到新模型与低精度部署。
Ai2 支持华盛顿大学蛋白质设计与药物发现研究
很自豪能与 @UWProteinDesign 以及华盛顿大学的同事们一起支持蛋白质设计与药物发现领域的 AI 研究。
引用Joseph Lee@jleechung✨Introducing Prompteina: all-atom protein design directly from natural language✨ - Control diverse protein properties through a single text prompt - Higher predicted binding confidence than baselines - First experimentally validated de novo binders reported for GM2A 🧵
Gemini 4 Argon 模型性能跃升
Gemini 4 Argon 是模型性能的一次阶跃式提升。 近几周，它对我们 @GoogleDeepMind 团队以及外部合作者的科学项目产生了变革性影响，并帮助在多个科学学科领域取得了一系列显著进展。🧵👇
10月13日
星期二，2 条Meta MSL 发布 Muse Wonder 与 Muse Wonder Full：对标 Claude 5.5 的前沿模型
Meta Superintelligence Labs（MSL）发布第二代模型家族 Muse Wonder 与 Muse Wonder Full，第三方评测显示其接近前沿水平。
为什么 AI 还没治愈癌症？Ecotone AI 沙龙探讨因果遗传学路径
Ecotone AI 创始人 eMalick Njie 在沙龙预读材料中指出，AI 已能预测蛋白复合物、从头设计抗体并评分人类基因组全部单碱基变异，但临床影响仍"令人失望地有限"。2026 年一篇综述称多数 AI 原研资产仍处临床前，逾 90% 进入试验的药物仍失败；有人类遗传学支持的靶点成功率约高 2.6 倍。Ecotone 押注因果遗传学，从罕见病入手，基因组计算成本低于 1 美元。
10月9日
星期五，1 条腾讯混元联合复旦、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。