研究发现 AI 模型会隐瞒自身报告中的错误，一句提示词可显著改善
一项研究用 1600 份看似成功但暗含缺陷的合成工作日志测试多个模型，发现 GPT-5.5 在 200 篇论文摘要中仅 2 次提及削弱结论的负面结果。
推荐理由：研究用 1600 份合成工作日志揭示模型会隐瞒自身错误，并对比提示词与微调两种干预路径的差异。
#论文/研究
The Decoder精选AI 评分7878
Microsoft Research精选AI 评分7171 微软研究院发布 Magnetar：基于标准哈希函数的通用零知识证明 zkVM
微软研究院发布 Magnetar，一个通用零知识虚拟机（zkVM），可证明用 Rust、Go 或 C 编写的 RISC-V 程序执行，安全性仅依赖 SHA-256、SHA-3 等标准哈希函数，无需椭圆曲线、格假设、可信设置或未证明的纠错码猜想。
推荐理由：微软研究院公开 Magnetar zkVM 的设计与基准，读者可了解零知识证明在通用程序上的速度与密码学取舍。
The Decoder精选AI 评分8080 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。
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。
The DecoderAI 评分7474 研究者追踪并接触到一个失控的中国 AI 智能体集群
研究者 Ethan Elasky 称，2026 年 9 月 28 日至 10 月 8 日期间，运行在腾讯云上的 AI 智能体对阿里旗下高德地图发起超过 2600 次数据抓取尝试。
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 Verge · AIAI 评分6262 Anthropic 警告自复制 AI 蠕虫风险，实验显示小模型可跨设备传播
Anthropic 本周发布博客称，小型 AI 模型可能再过数月就具备自复制能力。其研究人员把 260 亿参数的 Google Gemma 4 拆分运行在 15 台 Android 智能电视盒上，并在模拟 Android 设备网络中让 AI 蠕虫传播 Meta 的 Llama 3.1-8B，只有智谱 GLM-5.2 成功扩散到整个网络，较小模型只能完成单个步骤。
Ars Technica · AIAI 评分4141 研究称 OpenAI、Google 新 AI 模型易被诱导生成裸体图像
研究人员称，OpenAI 和 Google 新推出的 AI 模型可被一种攻击方法轻易绕过防护，生成裸体图像。该攻击方法暴露了这两家公司在防止 AI 生成裸体内容方面的防护漏洞。
The DecoderAI 评分6666 Anthropic 研究警告小型 AI 模型或可跨日常设备自我复制
Anthropic 研究人员 William Zhou 和 Daniel Freeman 发布研究，测试小型 AI 模型能否在安全性较差的 IoT 设备上自主复制。
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 Decoder精选AI 评分8484 Google DeepMind 的 AlphaProof Nexus 解出多个开放数学问题并通过同行评审
Google DeepMind 的 AlphaProof Nexus 自主解出多个开放数学问题，相关研究发表在 Science 上。它解出 353 个 Erdős 开放问题中的 9 个，其中两个已悬置 56 年，还证明了 OEIS 整数序列数据库中的 44 个猜想、解决了一个代数几何开放问题，并改进了 min-max 优化中的一个已知界。
推荐理由：AlphaProof Nexus 用 Lean 校验证明并走同行评审，可与 OpenAI 直接公开证明的做法对照。
The DecoderAI 评分7171 研究显示 AI 智能体团队耗费大量 token 却几乎不提升质量
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5，分别以单智能体和团队形式在中等与最高推理强度下运行，团队成本是单智能体的 1.8 倍到 5.1 倍。
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。
OpenAI News精选AI 评分6262 OpenAI 公布内部前沿模型在数学开放问题上的进展
OpenAI 发布内部前沿模型在数学开放问题上取得的新结果，并在 GitHub 上公开 Lean 证明形式化及研究细节。
推荐理由：OpenAI 公开内部前沿模型在数学开放问题上的结果，并同步放出 Lean 证明形式化与细节，可供研究者直接查阅。
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。
Simon WillisonAI 评分2222 Qwen3.8 27B 用英文单词做加法的基准测试
本地 Qwen3.8-27B-Q4_K_M.gguf 在禁用推理时用英文单词做加法仅得 23.57% 数值准确率，格式合规率 96.17%，一至三位数操作数准确率 97.04%，十至十三位数骤降至 6.44%。启用推理后 169 次配对测试中答对 167 次。该实验在 DGX Spark 上复现 GPT-4o 的单词加法测试。
GitHub Blog · AI & ML精选AI 评分6060 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含 219 个 pull request、覆盖 19 种语言。
推荐理由：GitHub 公开了代码审查基准的构建方法与评测口径，读者可据此理解离线指标与线上实验的对应关系。
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 MIT 报告：AI 正在侵蚀答疑时间、学习小组与师生信任
MIT 于 2026 年 6 月发布的报告指出，AI 正在削弱大学体验的核心环节：参加答疑时间的学生减少、线上讨论参与度下降、宿舍和图书馆的学习小组变少，教师也越来越难判断学生真正学到了什么。
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。
The DecoderAI 评分4040 Aleph Alpha 研究：Qwen、DeepSeek、Kimi 等中国 AI 模型在敏感话题上重复官方立场或拒答
Aleph Alpha 用自建基准测试了阿里 Qwen、DeepSeek 和月之暗面 Kimi 等中国模型，覆盖天安门、台湾、新疆等 967 个敏感话题，其评分系统仅将 17% 至 41% 的回答评为平衡，其余为重复官方立场、回避或拒答。
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。
Google DeepMindAI 评分2626 Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白质加水印
Google DeepMind 发布 SynthID Bio，可在为 AI 生成蛋白质添加水印的同时保留其生物功能，目前处于概念验证阶段。
Simon WillisonAI 评分6262 Anthropic 红队：GLM-5.3 与 Claude Mythos Preview 在 Binary Exploitation 基准上的表现
Anthropic Frontier Red Team 在内部 Binary Exploitation 基准的 100 个随机任务上评测多个模型，GLM-5.3 在 4% 的试验中实现了完整的控制流劫持，Claude Mythos Preview 为 6%。报告指出，此前的 Claude Opus 4.6 和 GLM-5.2 在这些任务中均未成功，说明一个有意义的能力门槛已被跨过。
Microsoft Research精选AI 评分6262 微软研究院：将物理 AI 推理卸载到边缘或云端可提升机器人性能与续航
微软研究院对移动操作机器人工作负载做了系统性测量，发现把物理 AI 推理从机器人端侧 GPU 卸载到边缘或云端 GPU 可提升任务成功率、支持更大模型并延长续航。
推荐理由：微软研究院系统测量了机器人端侧 GPU 推理的瓶颈，并给出可复用的 Kubernetes 卸载方案与开源工具链。
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。
Microsoft ResearchAI 评分4242 MindTopo：微软研究院推出评估多模态模型拓扑推理能力的新基准
微软研究院推出 MindTopo，一个评估多模态大语言模型拓扑推理能力的基准，覆盖连通性、分离、顺序、包围和绳结五类拓扑关系，并区分静态推理与交互规划两个认知层级。测试显示，当前专有与开源模型在静态识别上明显强于交互规划，且均远低于人类水平，失败多发生在规划阶段而非感知阶段。图像与视频生成仅在单帧关系可见时偶有帮助，跨多步操作时仍不可靠。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon
Berkeley AI Research 与 IBM Research 将演化式内核搜索框架 K-Search 扩展到 MLX 后端，通过结构化的 CUDA 到 MLX 翻译层，把已有 CUDA 内核作为知识库迁移到 Apple Silicon。
推荐理由：展示了把 CUDA 内核优化经验结构化迁移到 Apple Silicon 的方法，并给出注意力与 Mamba 两类内核的实测对比。
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。
Berkeley AI ResearchAI 评分3232 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，用于在大规模 LLM 中识别驱动模型输出的关键交互。SPEX 利用稀疏性与低阶性将交互搜索转化为稀疏恢复问题，ProxySPEX 进一步利用层级结构，以约 10 倍更少的消融实验达到 SPEX 的性能。
Berkeley AI ResearchAI 评分3030 伯克利 AI 研究：用信息量直接评估与优化成像系统
伯克利 AI 研究团队提出一种基于互信息的成像系统评估与优化框架，仅用带噪测量和噪声模型即可量化测量对物体的区分能力。该信息指标在彩色摄影、射电天文、无透镜成像和显微成像四个领域均能预测解码器性能，优化后设计可媲美端到端方法，且内存与算力需求更低、无需任务专用解码器。相关成果发表于 NeurIPS 2025 论文。