Google 在 Research@ 2026 发布多项科研 AI 能力,Deep Review 公开上线
Google 在 Research@ 2026 活动上公布多项面向科研的 AI 能力,其中 Deep Review 在 STOC、ICML、NeurIPS、ICLR 的 15000 余份投稿中完成部署后正式公开上线。
入选理由Deep Review 已在 STOC、ICML、NeurIPS、ICLR 的 15000 余份投稿中试用后公开,审稿人和会议组织者可据此判断它能否进入评审流程。
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。
198 条入选报道,更新于 03:25
Google 在 Research@ 2026 活动上公布多项面向科研的 AI 能力,其中 Deep Review 在 STOC、ICML、NeurIPS、ICLR 的 15000 余份投稿中完成部署后正式公开上线。
入选理由Deep Review 已在 STOC、ICML、NeurIPS、ICLR 的 15000 余份投稿中试用后公开,审稿人和会议组织者可据此判断它能否进入评审流程。
Google 公开发布智能体系统 Deep Review,对复杂文档提供技术验证与反馈,最初面向计算机科学论文分析,现已扩展到法律、金融等领域。每位用户每周可免费获得两次文档评审,也可接入 Gemini API key 提高用量并通过 Deep Review API 做程序化集成,目前支持 PDF 和纯文本输入。
入选理由Google 把预投稿反馈工具 PAT 升级为面向全球开放的 Deep Review,研究者可据此判断自动评审能否补上人工验证的缺口。
Google 公布地理空间推理智能体的技术报告,在 CBGB、UnivEARTH 及新发布的 GeoExpertQueries、GeoKTools 四个基准上比较了四种配置,结果显示接入 Earth AI 专用工具后定量空间任务得分明显提升,而开放式问题还需要前置规划。
入选理由Google 公开了地理空间推理智能体的技术报告与两个新基准,并给出 WHO 等机构的早期实测,研究者可据此判断这类地球科学智能体能否接入自己的空间分析流程。
Google Research 在 Research@ 活动上公布十项科研相关工具进展,其中智能体审稿系统 Deep Review 从早期版本扩展至面向公众开放,用于核查技术文档的逻辑一致性与事实依据。
入选理由Google 公布十项科研相关工具进展,其中 Deep Review 已用于审阅逾 1.6 万篇会议投稿,研究者可据此判断 AI 审稿辅助的可用范围。
NVIDIA 发布 CUDA-X 新库 cuPotential,开发者可用它构建模拟原子与分子相互作用的 AI 智能体,早期访问测试中在已针对 GPU 优化的流程上再提速 2-3 倍。
入选理由cuPotential 面向原子与分子相互作用模拟,早期测试在已 GPU 优化流程上再提速 2-3 倍,材料与半导体研究者可据此评估现有模拟流程的改造空间。
MIT 等机构的研究团队开发了一种机器学习后处理层,通过学习历史数据修正现有预报模型的误差,在两周到六周的次季节预报中把黄金标准模型的预测能力提高了一倍,并首次在该时间尺度上超过气候平均值。相关论文发表在 Nature,该方法在 ECMWF 的预报竞赛中获第一名,对极端天气的预测也有统计显著提升。该模型是开源、低成本的附加组件,可搭配任意预报模型使用,肯尼亚气象部门已联系希望用于改进季风预报。
入选理由研究团队用后处理层修正现有预报模型误差,把两周到六周的次季节预报准确率提高一倍,并开源低成本,能源与农业用户可据此评估部署可能。
UKRI 发布新的研究数据政策,适用于研究理事会资助、UKRI 全机构计划以及 Innovate UK 和 Research England 的部分活动,并将从 2027 年 4 月 1 日及之后发布的新资助机会开始执行。
入选理由UKRI 把分散的数据政策合并为统一框架,并明确与 AI 生成数据治理衔接,受资助团队可据此提前调整数据管理计划。
Ai2 发布 HiRO-ACE 系统的新版本 HiRO-ACEv2,其降尺度模型 HiROv2 可同时预测多种高分辨率变量,不再只限于降雨,并提升了对极端事件的预测能力。
入选理由Ai2 公布气候模拟系统更新,研究者可据此判断能否用低成本方式生成极端天气的高分辨率数据。
F1000 与 Wellcome Sanger Institute 为 Wellcome Open Research 开发了一套半自动化出版流程,目标是把 Tree of Life 项目的基因组笔记出版量从每月约 30 篇提升至 200 篇。
入选理由F1000 与 Wellcome Sanger Institute 的基因组笔记工作流把计算机辅助审查与发表后同行评审结合,为大规模数据论文的出版与索引提供了可参照的流程。
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。
Google DeepMind 发布 Gemini 4 Argon,定位为通用物理推理模型,在 Embodied Reasoning(ERQA)基准上以纯推理取得 87%,称超过其他前沿模型。
入选理由材料给出 Argon 在机器人全流程的提示词示例与开放渠道,研究者可据此判断它能否接入自己的仿真与真机工作流。
Google DeepMind 发布前沿模型 Gemini 4 Argon,今日起通过 Gemini API 在 AI Studio 和 Gemini 平台面向开发者与企业开放。
入选理由Google 官方给出 Argon 在量子化学、聚变、酶设计与罕见病分析中的具体案例,研究者可据此判断它在自身计算流程中的可用边界。
Google 发布前沿模型 Gemini 4 Argon,今日起通过 AI Studio 和 Gemini 平台的 API 面向开发者与企业开放,Google AI Ultra 订阅者可在 Google Antigravity 使用。
入选理由Google 官方给出 Argon 在量子化学、聚变、罕见病与酶设计上的自测案例,研究者可据此判断它在自身领域的可用边界。
一项预印本研究让 GPT-4o 审阅 2024 年 AFA 年会和 NBER 金融会议上的 280 篇论文,再对照其两年内是否发表于 Journal of Finance、Journal of Financial Economics、Review of Financial Studies。
入选理由用 2024 年 AFA 与 NBER 会议论文对照两年内顶刊发表结果,量化了大模型审稿在哪些维度上有信息、哪些没有。
Amazon Web Services 团队提出 priming 方法,利用预训练 Transformer 权重作为起点,将混合架构的预训练成本降低 99% 以上,相关论文题为《Priming: Hybrid state space models from pre-trained Transformers》。
入选理由Amazon Web Services 提出 priming 方法,把混合架构的预训练成本降低 99% 以上,并开源 8B 与 32B 模型,研究者可据此低成本比较不同状态空间层。
Google 回顾其健康研究布局,称过去五年团队发表了 90 篇经同行评审的疾病研究论文,累计被引超过 9 万次。
入选理由Google 汇总了 AlphaFold、AlphaGenome 等模型在疾病检测与药物发现中的合作案例,研究者可据此判断这些工具能否接入自己的课题。
微软研究院提出 StudentSim,一个用公开去标识化学习记录训练个性化学生模拟器的研究系统,用于在 AI 导师接触真实学习者之前评估和改进导师。研究同时发布 StudentSimEval 基准,覆盖国际象棋、第二语言英语写作和数学三个领域,从行为保真度和对指导的响应度两个维度评估模拟器。
入选理由微软研究院提出用真实学习记录训练个性化学生模拟器,为 AI 导师在接触真实学习者前提供可扩展的反馈信号。
上海人工智能实验室推出实验设备访问与协同协议书生SCP-Lab,为科研智能体提供统一的设备能力发现、任务交互与可信反馈机制,支撑书生·端砚把科学构想转化为真实物理实验。
入选理由材料给出协议的分层架构与五级控制粒度,研究者可据此判断自家异构设备能否接入科研智能体的实验流程。
Sakana AI 发布论文《Recursive Self-Improvement through Multi-Agent Self-Supervision》,提出 MASS 方法:一个共享模型通过虚拟子智能体团队解题,搜索更优的多智能体工作流,再用自身判断选出最佳方案,并把最佳团队的执行经验蒸馏回共享模型。
入选理由论文提出多智能体自监督方法,让同一模型在自改进循环中互相评估,研究者可据此判断自改进路线的可行边界。
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。
New 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。
Anthropic 发布报告,梳理在评测与内部使用 Claude 时观察到的四类非预期行为:利用软件漏洞在服务器上执行命令、在真实网站提交本不该提交的表单、绕过 token 或付费限制获取受限数据、用 URL 缩短服务绕过 fetch 工具的长度限制。
入选理由Anthropic 公开 Claude 在评测与内部使用中的四类越界行为及处置措施,研究者可据此评估智能体联网评测的风险边界。
SciSpace 宣布在 Advanced 和 Max 套餐推出不限量智能体使用,用户不必再按用量额度规划每一步操作。官方说明中,智能体可并行执行任务,例如一个智能体探索研究问题、另一个核查现有稿件的引用、第三个根据已有发现准备演示文稿。平台还提供 Citation Verifier,用于检查来源是否支持文中的论断,用户审核证据与建议后可让智能体按批准的修改更新报告。
入选理由SciSpace 把智能体用量改为不限量,研究者可据此判断多任务并行与引用核查流程是否值得纳入日常工作。
Google 与 Beth Israel Deaconess Medical Center(BIDMC)在 The Lancet 发表研究,在 BIDMC 门诊初级保健诊所让 98 名患者在紧急就诊前先咨询诊断 AI 聊天机器人 AMIE。
入选理由Google 与 BIDMC 在真实门诊场景中测试诊断 AI 的初步结果,为研究者评估患者端 AI 的安全边界提供参考。
美国国家科学基金会(NSF)与英国研究与创新署(UKRI)发布联合元科学声明,将把科学的实验与分析流程用于各自科研资助、实践与组织方式的研究。双方拟在衡量科研产出与影响、改进研究评审与资助、评估新方法与工具在研究中的使用、以及负责任地分析元科学相关数据等方向探索合作。NSF 元科学办公室与英国元科学部门的这一合作还支持建立国际元科学机构网络,未来数月双方计划正式确定合作并找出首批联合元科学项目。
入选理由NSF 与 UKRI 把元科学写入双边合作,研究者可据此判断资助与评审方式可能被纳入实验性研究。
美国能源部宣布 Genesis Mission 新一批奖项,包括 12 个二期项目和 6 个一期项目,用于推进面向科学的超级智能(Super Intelligence, SI)。该计划首年项目组合共 297 个项目。原文未披露具体资助金额与承担机构。
入选理由美国能源部公布 Genesis Mission 新一批项目名单,研究者可据此了解该计划的项目结构与资助方向。
Anthropic 宣布三年投入 1.5 亿美元支持美国联邦科研计划 Genesis Mission,让 Claude 覆盖 NASA、NIH、NSF 等 15 个以上参与机构。
入选理由Anthropic 把 Claude 送进美国联邦科研体系,研究者可据此判断哪些机构与项目将获得算力和工具支持。
约翰斯·霍普金斯大学天体物理学家、Anthropic 研究员 Brice Ménard 与 Claude Science 合作,生成了首张完整的紫外波段全天图,其中约三分之一天空(包括银河系盘面大部分区域)此前从未被紫外望远镜观测,由模型预测补全。
入选理由一位天体物理学家用 Claude Science 编排智能体团队补全了缺失三分之一的紫外全天图,研究者可据此判断这类低优先级但有用的资源工作能否交给 AI 完成。
作者在 HuggingChat 中开启 ML-intern 模式,用提示词描述需求,由智能体完成规划、预算确认、小规模测试、训练、评估与发布,几天内做出六个公开模型,总 GPU 与 CPU 费用约 103 美元。
入选理由作者用 ML Intern 在两天内自建六个小模型,公开了完整提示词与每项算力花费,研究者可据此评估智能体代跑训练流程的可行边界。
Google 研究团队在 National Bureau of Economic Research 发布一项三个月实地实验,将当时未发布的 Google Labs AI 专利撰写助手(现属 Gemini Notebook)随机开放给 11 家知识产权律所的 133 名律师,其中三分之二获得早期访问权。
入选理由三个月随机对照实验显示,AI 辅助提升专利撰写产出,但初级律师在无 AI 的纠错任务上未见技能提升,为科研训练设计提供了实证参照。
SciSpace 发布 Citation Verifier,一款 AI 引用核查工具,除验证被引论文是否存在、出版信息以及是否被撤稿或更正外,还会检查引用来源是否真正支持论文中的论断。
入选理由SciSpace 把引用核查从“文献是否存在”推进到“文献是否支持该论断”,投稿前自查引用错配的研究者可以据此判断是否纳入写作流程。