全部动态

系统综述应该有几个研究问题？SciSpace 网络研讨会给出 2–6 个的建议

阿德莱德大学 Dr. Faheem Ullah 在 SciSpace 关于 8 步撰写系统综述的网络研讨会上建议，一项系统综述通常设 2–6 个研究问题，超过 6 个就难以逐一深入回答。

斯坦福团队提出 BVSR 框架：限制任务信息提升 AI 科学家构思创造力

斯坦福大学团队在 arXiv 预印本中提出 BVSR 框架，把 AI 科学家的构思与筛选拆成两步：构思阶段刻意限制任务信息以扩大探索，筛选阶段从同一任务上已验证的提案及其结果中学习，挑出值得做昂贵实证评估的候选。

Sage-Taiyi 元认知架构在科研构思基准居首，化学实验验证提升产率

研究团队提出元认知架构 Sage-Taiyi，用积累的科学理解指导下一步研究什么、如何研究，并通过显式监控与调控修正对证据、假设和未解问题的判断。

在策略自蒸馏（OPSD）的偏差问题

在策略自蒸馏（OPSD）用带额外上下文（如标准答案）的同一模型作教师，理论上可提供逐 token 的稠密监督，但该监督主要引入偏差而非有效信息。文献显示，OPSD 在 Qwen3-8B 数学任务上 100 次更新后可追平并超过 GRPO，但在留出编程问题上 SDPO 于 Qwen3-8B 下降 2.5 分、Olmo-3-7B-Instruct 下降 9.9 分。

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 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。

Scientist World 把1000篇论文改造成AI科学家可执行的研究环境

Scientist World 提出一套多智能体流水线，把每篇论文复现为可执行、可评分的科研环境，AI科学家在其中按相对论文复现结果的改进幅度（FNI）计分，首批发布1000个经独立验证的环境。

入选理由论文把已发表论文改造成可执行、可评分的科研环境，并公开首批1000个环境与6400小时研究轨迹，研究者可据此判断AI科学家的评测与训练方式。

Anthropic 分析 20.7 万条 Claude 科研会话：数据分析与写作占比最高，构思与数据收集偏低

Anthropic 用隐私保护方法分析 2026 年 8 月 2 日至 9 月 30 日间 207,049 条消费版 Claude 与 Claude Code 科研会话，按 SciNet 分类体系标注学科与任务。

入选理由Anthropic 用 20.7 万条会话数据刻画科研人员实际把 AI 用在哪些学科和任务上，可与自身使用习惯对照。

SciSpace 研究指南：7 类研究空白与 21 条示例表述

SciSpace 发布研究指南，按 Miles（2017）的分类把研究空白分为证据空白、知识空白、实践—知识空白、方法学空白、实证空白、理论空白和人群空白 7 类，并给出 21 条示例表述。指南称有力的空白陈述需说明已知什么、缺什么、为何重要，并提供“已知—缺失—意义”三段式模板。文中示例为示意性写法，使用前需核查本领域实际文献。

SciSpace 发布 PICO 问题示例指南：15 个按类型划分的研究问题（含 PICOT、PECO 与 SPIDER）

SciSpace 发布研究指南，按疗法、诊断、预后、危害、预防等类型给出 15 个 PICO 问题示例，并附 PICOT、PICOS、PECO、SPIDER、SPICE 等变体模板。指南说明可将各要素的同义词用 OR 连接、要素间用 AND 连接构建检索式，并建议检索时省略结局要素以免漏检。文中还提到可用 AI 拆解 PICO 要素并生成多个版本，再从中挑选可回答且贴合领域的版本。

SciSpace 指南：如何查找科研经费并匹配资助方

SciSpace 发布科研经费查找指南，建议先明确项目内容、职业阶段与资格，再从公共资助机构、私人基金会与慈善机构、所在机构及专业学会三类来源检索。

Goodfire 提出 mechanistic shaping：用内部表征规定模型如何解题

Goodfire Research 发布论文提出 mechanistic shaping 框架，通过惩罚模型对特定内部概念的依赖或表达，在训练中规定模型“如何解题”而非只看是否答对。

北大教授董彬：数学应走出数学，与AI共同进化

北京大学博雅特聘教授董彬主张数学应走出数学、与AI共同进化，其团队开发的智能体Pharos在只输入问题的情况下自主找到宫冈洋一与森重文有理曲线判据的特征零代数证明思路，从项目创建到目标被系统接受约20小时，随后由数学合作者重写并核验。在273条已验证事实中，4条进入最终主定理依赖链。他还开展形式化“庞加莱猜想”工作，并提醒学生直接依赖AI完成课业会丧失高阶思维训练。

Incyte 与 Edison Scientific 合作开发 Kosmos TA，将靶点评估证据准备压缩至一个工作日内

Edison Scientific 与生物制药公司 Incyte 合作开发 Kosmos Target Assessment（Kosmos TA），这是其 AI Scientist 产品 Kosmos 的专用版本，用于评估药物靶点并筛选候选。

入选理由材料给出药企与 AI 公司合作定制靶点评估智能体的具体做法与内部评测结果，可供关注药物发现工作流的从业者参考。

LLM 科研智能体能否可靠判断可预测性？植入信号模拟实验的评估

作者把 LLM 科研智能体当作统计检验，在植入信号的模拟世界中评测三个前沿模型和一个开放权重模型的预设运行结果。智能体比预设的样本外检验更常检出弱信号，主要原因是它们接受更弱的证据；按智能体的假阳性率衡量，常规样本内检验表现相当或更好。

IdeaTaste 基准：LLM 能否共享人类研究者的科研品味

研究团队提出 IdeaTaste 基准，用 2025 年冻结的文献快照让 LLM 撰写研究提案，再与同一社区 2026 年实际发表的论文比对，以此衡量模型的科研品味。

PRIME：通过建模干预效果预测路由，改进 LLM 科研构思的反馈修订

武汉大学等机构提出 PRIME，一个可插拔的反馈到修订决策层，用于现有 LLM 科研构思系统：先对问题—假设—解决方案结构做归因，再用轻量 rollout 比较不同范围干预的预期效果与风险，最后编译为面向生成器的修订计划。

Paperpal 编辑器工作区改版：新增 Agents 与 Responsible AI 面板

Paperpal 改版编辑器工作区，Web 端将格式、引用、字体与对齐合并到顶部单一工具栏，Web 和 Word 端新增 Agents，可在同一对话中完成研究提问、提纲构建与章节起草。

LLM 可直接读写神经网络权重，Weight-Space Programming 提出免梯度训练路径

Takehi 等人提出 Weight-Space Programming，让前沿 LLM 从自然语言目标出发直接检查和编辑神经网络权重张量，不依赖梯度下降或训练循环。

研究将 LLM 科研智能体当作统计检验评估其收益可预测性判断

意大利特伦托大学 Chang Liu 在 arXiv 预印本中把 LLM 科研智能体视为统计检验，在已知真值的模拟世界中评分其对“预测模型是否跑赢静态基准”的判断。

DCRM：面向科研智能体的决策中心模型与 RD-Bench 基准

作者提出决策中心研究（DCR）框架，把科研智能体在证据取舍、下一步行动和研究方向上的选择定义为基于显式 Research State 的类型化预测，共 24 种决策类型，其中 10 种在 2000 条规则生成案例构成的 RD-Bench 中实例化。

面向长周期科研智能体的动作构建：阅读集框架评估实验设计的信息价值

研究团队提出阅读集（reading-set）框架，用于评估科研智能体动作指令所隐含的实验设计，并按统一成本规则对每种设计做预算门控。在 30 个合成状态上，完整设计请求相对动作名称基线在两个模型家族中分别将可负担效率提升 465.98% 和 327.91%。作者自建的 60 个场景、240 个候选动作数据集显示，场景级信息每成本指标与 18 名人类参与者判断的平均场景内相关系数为 0.733。

Air Street 发布 State of AI 2026 报告：与 Matt Turck 谈 AI 构建 AI、世界模型与 2027 年 AGI 预测

Air Street 发布 State of AI 2026 报告，创始人 Nathan Benaich 在 MAD Podcast 与 Matt Turck 对谈，内容涵盖 AI 构建 AI、世界模型与网络安全，并重申其 2027 年实现 AGI 的预测。

Meta 等机构提出 AutoBenchmark 与 HackBench，研究自主科研代理与人类协同

Meta FAIR 等机构的研究者在 arXiv 预印本中提出 AutoBenchmark，让自主科研代理从任务说明出发端到端构建基准，并用求解器轨迹和 LLM 评审两类反馈迭代修订。

让 AI 自己提出研究问题：自主科研代理连续完成五次从选题到修订论文

作者 Ko Fujimura 报告一套由通用编程代理、约 7300 词指令文档和两个技能（研究问题构思、同行评审）组成的自主科研系统，在笔记本电脑本地计算、无人类研究输入的情况下连续完成五次运行，从提出研究问题走到经 AI 评审并修订的可重算论文。

研究：检索到的文献如何影响大语言模型的科研构思

一项 arXiv 预印本研究在统一生成协议下比较五种文献检索策略与无文献基线，覆盖 15 个机器学习主题、十个开放权重模型和 45,000 条研究想法。结果显示，相对无文献基线，五种检索策略使同一组论文生成的想法多样性下降 5.6%–17.9%，而把不同论文集生成的想法合并后，多数策略使多样性提升 10.2%–18.1%；对想法质量与新颖性的平均影响较小且随主题变化。

rTaste 研究：六个前沿模型能否判断哪些实验值得做

作者让六个前沿模型以单人或团队形式，从七篇近期 NLP 论文出发各提出五个最小可行实验（MVE），并预测结果、排序；独立执行器把 415 个 MVE 全部跑完，再由三个模型审计。

Anthropic 研究：AI 智能体可悄然带偏专家判断，86% 的分析决策采纳其偏好

Anthropic 最新研究显示，50 位因果推断专家在模拟农业合作社政策评估中，四项分析决策采纳 AI 偏好的比例达 86%，远高于随机选择的 50%。当 AI 给出相反意见时，专家改变立场的可能性比 AI 认同时高 53 个百分点，且经验、自评专业水平与对 AI 的信任度均未可靠降低这种影响。

同一新闻，精选展示《Anthropic 研究：专家在统计分析中 86% 采纳 AI 智能体的倾向性选择》

Anthropic 实验：50 名专家采纳 AI 智能体随机偏好，多数人以为结论出自自己

Anthropic 让 50 名因果推断专家用 AI 智能体完成一项基于虚构农场合作社观测数据的分析任务，并在五个决策点上用抛硬币随机设定智能体的偏好。结果显示，专家在四个分析决策上采纳智能体偏好的比例为 86%，净影响即翻转率为 62% 至 82%；对最终建议的直接影响较小且未达统计显著。