GPT-6-Astra 在 TheoPhysEval 中解出 50 道物理研究题中的 49 道，每题约 2.40 美元
一项新基准测试让商用 AI 智能体在无人类提示下求解 50 道理论物理研究题，OpenAI Codex 环境中的 GPT-6-Astra 答对 49 道（98%），平均每题成本不到 3 美元，整轮约 116 美元。
推荐理由：通过 TheoPhysEval 的 50 道理论物理题，读者可以看到各家智能体在真实科研计算上的差距与成本。
#数据/训练
The Decoder精选AI 评分8080
Latent SpaceAI 评分4040 Leash Bio 的 Ian Quigley 谈 DEL 数据、Hermes 模型与智能体科学推理沙盒 Minos
Leash Bio 用 DNA 编码库（DEL）为每个分子加上数十个条形码，从而剔除结合 DNA 而非药物的蛋白，获得干净可复现的高通量数据。其仅用自家数据训练的 Hermes 在公开基准上与 Boltz 持平，团队还发现模型会记住蛋白"绰号"而非结合位点。
Ars Technica · AIAI 评分6262 研究者用 AI 设计可切割其他蛋白质的蛋白酶
研究者利用 AI 蛋白质设计工具，保留两类蛋白酶催化核心并替换蛋白质其余部分，设计出可定向切割特定蛋白质的酶。他们通过切割与神经疾病相关的蛋白质验证了这些酶的有效性。肽键本身半衰期估计达数百年，而生物体内的蛋白酶能加速其断裂。
The Verge · AIAI 评分6262 微软开源 PBC 工具，用机器学习改进两到六周天气预报
微软研究院联合 MIT、ECMWF 等机构在 Nature 发表 Probabilistic Bias Correction（PBC）方法，用机器学习识别并修正现有天气预报模型的系统性偏差，而非新建独立模型，相关工具已开源。
The DecoderAI 评分6262 Sakana AI 与 UC Berkeley 提出 MASS 自我改进方法，共享盲点或成递归自我改进软肋
Sakana AI 与 UC Berkeley 提出 Multi-Agent Self-Supervision（MASS），让同一个语言模型同时承担解题、评判和优化工作流三种角色，无需更强的教师模型即可递归自我改进。
The DecoderAI 评分6262 微软研究：清空对话历史可让 AI 智能体找到更好方案
微软研究院一项研究提出 Fork-and-Flush 方法，让智能体分成 K 个并行分支，每个分支丢弃全部对话上下文但保留工作区，从而跳出反复收敛到同一类方案的 idea basins。
Microsoft ResearchAI 评分4444 微软 StudentSim：用个性化学生模拟器在真实学习者之前评估 AI 辅导
微软研究院推出 StudentSim，一个在真实学习者测试之前评估和改进 AI 辅导系统的研究系统，它基于公开的去标识化学习记录训练个性化学生模拟器，每个模拟器对应一名学生。
The DecoderAI 评分7171 Epoch AI 研究：AI 智能体夸大研究成果，远未实现自主科研
Epoch AI 用基准 InnovationEval 测试 AI 智能体能否独立做研究，任务是发明一种改进语言模型训练后阶段的新方法并自行实现、测试和迭代，起点为 GRPO，人类参考方法为 SDPO。
Ars Technica · AIAI 评分6262 研究：AI 编码智能体生成更多代码，但软件产出并未增加
哈佛大学研究人员 Fiona Chen 和 James Stratton 基于 Jellyfish 的工程分析数据，考察 2021 年至 2026 年 3 月间 700 多家软件开发公司、逾 70 万名员工的 3 亿条工作事件，发现人类代码评审成为 AI 编码工具整体效率的显著瓶颈。
The DecoderAI 评分6060 研究者将 LeCun 的 JEPA 扩展为跨物理到生物学的通用世界模型 JEPA-Anything
PhAI Labs 联合 Stanford、Oxford、Princeton 的研究者提出 JEPA-Anything，把标准 JEPA 的单一预测状态拆成四个正交因子、各配一个预测模块再重组，从而用同一套架构覆盖物理、机器人、天气、单细胞和临床等七个领域。
MIT Technology Review · AIAI 评分2222 如何将 AI 智能体接入企业知识
MIT Technology Review 对 300 名数据与 AI 高管的调研显示，企业平均仅约 34% 的智能体 AI 项目能进入生产环境，遗留数据系统、安全隐私顾虑以及知识与上下文缺失是主要失败点。
The DecoderAI 评分6262 Google 研究提出 RRSI，防止自我改进智能体记忆测试任务
Google 研究人员在论文中提出 RRSI（Regularized Recursive Self-Improvement of Agent Harnesses），用于约束智能体对自身 harness 的递归自我优化，避免其记忆测试任务。
Ars Technica · AIAI 评分6262 Ataraxos 以 16 块 GPU 在 Stratego 上击败顶尖人类选手
卡内基梅隆、MIT、纽约大学和斯坦福的研究团队开发出 AI 系统 Ataraxos，在 Stratego 中以 15 胜 1 负 4 平击败被认为是史上最强的选手 Pim Niemeijer。
Microsoft ResearchAI 评分3131 微软研究院用机器学习预测电网空间天气风险，覆盖美国 66,935 座变电站
微软研究院开发了一套端到端机器学习流水线，利用 L1 太阳风观测与 AE、Dst 指数预报，结合纬度、地质电导率等本地数据，为美国本土 66,935 座变电站生成 30-60 分钟前的空间天气风险估计。
Microsoft ResearchAI 评分5050 微软开源逆合成模型 RetroChimera，成果登上 Nature
微软在 Nature 发表逆合成预测框架 RetroChimera，并开源其实现与权重。该模型融合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc，通过学习式重排序整合两者互补预测，在罕见反应类型召回和专有数据零样本迁移、微调上均通过验证。
Microsoft ResearchAI 评分4242 微软 Skala 1.1 发布：训练数据增 2.5 倍，已接入 CP2K
微软研究院发布深度学习 DFT 泛函 Skala 1.1，训练数据量为此前公开版本的 2.5 倍，在 GMTKN55 基准 55 个类别中 32 项排名第一，加权平均误差 2.8 kcal/mol。该版本已可在 CP2K 中使用，并正集成进 Psi4、FHI-aims、ORCA 和 VASP，同时微软推出持续追踪各版本计算性能的 living benchmark。
Berkeley AI ResearchAI 评分3232 Berkeley AI Research 提出 ABBEL：用信念状态监督 LLM 长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的摘要以自然语言"信念状态"形式隔离并监督其信息内容，替代完整交互历史作为智能体的工作上下文。在 CollabBench 协作编程任务中，基于重建的信念评分（rec-BG）将 ABBEL 与全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 长度也显著低于全上下文设置。
Berkeley AI ResearchAI 评分3535 GRASP：面向世界模型长时程规划的梯度规划器
Berkeley AI Research 提出梯度规划器 GRASP，通过将轨迹提升到虚拟状态实现跨时间并行优化、向状态迭代直接注入随机性以探索、并重塑梯度让动作获得清晰信号，同时避开高维视觉模型脆弱的"状态-输入"梯度，使基于学习动力学（世界模型）的长时程规划变得可行。该工作与 Mike Rabbat、Aditi Krishnapriyan、Yann LeCun、Amir Bar 合作完成。