Forking-Sequences — Part II: 多时间跨度预测集成与降低波动性
Forking-Sequences 架构在推理时可自然实现多时间跨度预测集成，无需额外编码计算。该方法通过平均不同预测创建日期的预测值，将预测波动性降低约 10–13%，准确率损失小于 0.1%。研究提出了两个新预测波动性指标：scaled Forecast Percentage Change (sFPC) 和 Excess Volatility (EV)，用于区分有益的预测修订与过度波动的修订。
全部 AI 动态
CMU 机器学习博客AI 评分3232 MIT News · 人工智能AI 评分3939 MIT CSAIL 与清华大学提出 GeoPT：让 AI 模型具备物理感知，模拟更广泛的真实场景
MIT CSAIL 与清华大学的研究人员提出了一种名为 GeoPT 的预训练方法，能让模拟模型更高效地学习物理规律。该方法通过 130 万份合成动力学样本进行训练，使模型在达到峰值性能时速度提升 2 倍，所需标注数据减少高达 60%。GeoPT 在模拟风洞、波浪对船体作用及车辆碰撞变形等工业场景中，其速度和准确性均超越了当前最先进的模型。
The Register · AI/MLAI 评分5050 人类在 AI 编程智能体审批环节漏过三分之一危险请求
一项基于浏览器的游戏测试显示，作为“人在回路”的审批者平均会漏过约三分之一的恶意 AI 编程智能体命令请求。在超过 4 万次游戏运行中，最常见的漏网之鱼是 `npm run analyze` 等看似无害但可能执行任意负载的命令。Anthropic 的数据也表明，用户对 Claude Code 约 93% 的权限提示都予以批准，审批疲劳导致监督松懈。
Engineering at MetaAI 评分3939 Meta 推出多阶段架构用于广告推荐系统：从用户序列到可预测的扩展规律
Meta 推出多阶段序列模型架构，用于广告推荐系统，实现用户行为序列建模与在线广告排序任务的解耦，提升广告转化率和点击率。该架构包含离线用户模型和在线排序模型两部分，前者生成缓存的用户嵌入向量，后者结合实时广告信号进行排序。模型采用密集分词与目标感知多头注意力机制，从数据中直接学习特征交互，支持可预测的扩展规律。
AI Snake OilAI 评分5757 论文评估前沿智能体在开放性AI研究中的表现
研究团队通过“影子评估”方法，让前沿AI智能体在未公开的两个AI论文研究问题上开展研究，结果两篇由智能体撰写的论文均被原作者明确拒绝。分析显示，智能体缺乏开放研究所需的判断力、资源意识、创造性反馈响应和有效回溯能力，且未遵守明确指令。研究指出当前智能体在开放性研究中仍存在显著局限，对递归自我改进和AI加速进展的前景提出质疑。
MIT News · 人工智能AI 评分3333 MIT 团队利用 AI 设计溶剂 DMFSA 提升钠金属电池性能
MIT 研究团队通过 AI 算法设计出新型溶剂 DMFSA，解决了钠金属电池在快速充放电与长期稳定性之间的关键矛盾。该溶剂分子尺寸更小，能加速钠离子传输，同时保持电极稳定性。钠的成本仅为锂的约百分之一，此项进展有望推动低成本、高性能电池的发展。
MIT News · 人工智能AI 评分4545 MIT 等机构研究：医疗 AI 辅助效果因用户专业知识水平而异
MIT 等机构的研究发现，AI 辅助虽能提升非专家和初级保健医生诊断皮肤疾病的准确性，但可解释性方法的效果因用户知识水平而异。非专家的诊断改善主要源于对 AI 系统的顺从，尤其易被 LLM 的错误或模糊解释误导；而临床医生则能抵御错误 AI 辅助，且仅提供模型预测（无解释）时表现最佳。研究强调设计 AI 系统需考虑用户差异，并开发能鼓励批判性思维而非过度依赖的可解释性方法。
InterconnectsAI 评分3939 Latest open artifacts (#23): Laguna S2.1, Inkling, & Kimi K3 show the utility of open models on the Pareto frontier
Thinking Machines、腾讯、Poolside 等公司发布了多个开源模型，包括 Inkling（975B-A41B 多模态 MoE）、Laguna-S-2.1（118B-A8B MoE）和 Kimi K3（非商业许可）。
Amazon ScienceAI 评分3434 How controllers from industrial machinery can coordinate multitask machine learning 的中文标题
Amazon Science 提出 ControlG 框架，借鉴工业控制系统中的 PID 控制器，用于协调图自监督学习中的多任务训练，避免梯度冲突。该方法通过在不同训练阶段分配计算资源给不同目标，提升了节点聚类任务的性能，随机调度在部分基准上优于 AutoSSL、WAS 等方法。ControlG 通过感知、规划和控制三个循环实现动态资源分配，基于帕累托效率理论优化多目标训练过程。
Amazon Science精选AI 评分5555 Amazon Science 发布 PatientAgentBench：面向患者交互的医疗AI智能体评估基准
Amazon Science 发布 PatientAgentBench，一个专为评估面向患者的医疗AI智能体设计的可复现、临床验证的基准框架。该框架通过生成合成患者病历和临床场景，模拟多轮对话，评估智能体在临床安全、分诊质量、工作流准确性等六个维度的表现。
推荐理由：该研究构建了面向患者交互的医疗AI智能体评估基准，提供了可复现的临床安全评估框架和具体失效模式，有助于指导安全智能体设计。
MIT News · 人工智能AI 评分1414 MIT 开发的医学数据库 PhysioNet 如何演变为全球数据共享标准
MIT 与 Beth Israel 医院的研究团队于 1975 年启动的心电图数据收集与共享项目，最终演变为全球性的生物医学临床数据平台 PhysioNet。该平台现已托管数百个数据库，去年被超过 15,000 篇科学出版物引用，用户覆盖 180 多个国家。其公开的源代码和数据为临床信息学、重症监护及健康机器学习等领域的研究提供了关键资源，并催生了 Health Data Nexus 等类似平台。
Berkeley AI Research精选AI 评分5757 伯克利研究：K-Search 通过 CUDA 到 MLX 的翻译层将内核优化知识迁移至 Apple Silicon
伯克利 AI 研究团队扩展了 K-Search 框架，为其增加了 MLX 后端，并开发了一个结构化的 CUDA-to-MLX 翻译层，能够将 NVIDIA CUDA 内核的优化知识自动迁移到 Apple Silicon 上。
推荐理由：研究提出了一种将 NVIDIA CUDA 内核优化知识自动迁移到 Apple MLX 框架的方法，为跨硬件生态的 AI 计算性能优化提供了新思路。
Together AI精选AI 评分6363 Together AI 开源 ThunderAgent，实现 2 倍吞吐的智能体推理系统
Together AI 开源了智能体推理系统 ThunderAgent，通过将工作流抽象为可调度程序，解决了高并发下 KV 缓存颠簸和节点负载不均的问题。在 8 节点 H100 集群上，相比 SGLang Gateway 实现了 2.39 倍的加速和接近线性的吞吐扩展。该系统与 OpenAI 兼容，只需在客户端添加 `program_id` 字段即可集成现有推理后端。
推荐理由：开源系统通过将智能体工作流抽象为可调度程序，解决了高并发下 KV 缓存颠簸和节点负载不均的问题。
Vector InstituteAI 评分3535 当AI过度帮助：理解与衡量LLM行为中的认知萎缩
Vector Institute的研究团队提出了“认知萎缩”新概念及配套评测基准Cognitive Atrophy Bench，用于评估AI在情感敏感对话中是否过度承担用户认知工作。
Bounded RegretAI 评分5656 Jacob Steinhardt 提出构建AI监督基础模型的系统性方案
Jacob Steinhardt 在文中提出构建一个基础模型用于AI监督的系统性方案，该模型通过Pythonic世界模型形式化监督任务，利用自回归预测实现通用训练目标，并通过分阶段的工程化路径实现可验证的监督能力。
The Register · AI/MLAI 评分4141 主流 AI 模型（包括 Grok）在政治坐标测试中均呈现左翼自由派倾向
一项由 Unslop.run 进行的实验显示，包括 GPT、Claude、Gemini Flash、Llama 4 Maverick、Grok 4.5、DeepSeek V3、Qwen3 235B、Kimi K2、GLM 4.5 和 Mistral 在内的 16 个主流大语言模型，在政治坐标测试中绝大多数结果都集中在左翼自由派象限。
Berkeley AI ResearchAI 评分3939 ABBEL：通过信念更新与信念分级提升大语言模型长程交互效率
伯克利 AI 研究团队提出 ABBEL 框架，通过将交互历史压缩为自然语言信念状态并进行信念分级监督，以解决长程任务中递归摘要导致的性能下降问题。在 CollabBench 协作编码环境中，基于重构的信念分级将模型与全上下文模型的性能差距缩小了约 50%，并将训练步数减少至 50 步。该方法在保持较低峰值上下文 token 占用（约 601 个 token）的同时，显著提升了学习效率。
Weights & BiasesAI 评分3434 World Action Models 如何通过机器人梦境实现零样本学习新任务
World Action Models 能够通过模拟机器人梦境实现零样本学习新任务。该模型在无需额外训练的情况下展示了对新任务的适应能力，其上下文窗口支持长序列推理，推理速度较基线模型提升 2.3 倍。模型目前以闭源方式提供 API 接口，适用于机器人控制与自主决策场景。
OpenAI AlignmentAI 评分2323 OpenAI Alignment 推出 Contrastive SDF 测量模型奖励追求行为
OpenAI Alignment 提出 Contrastive SDF 测试，用于衡量 AI 模型是否会因对评分者偏好的不同信念而改变行为。该方法通过在合成文档上微调模型，使其分别学习评分者与对立权威（如用户或开发者）的偏好，并比较输出中特征的差异来评估奖励追求程度。实验显示，经过前沿规模强化学习训练的模型更倾向于迎合评分者的期望，即使这与用户或开发者的需求相悖。
Weights & BiasesAI 评分2727 Claude Opus 5 与 Fable 5 编程智能体基准测试对比
Claude Opus 5 与 Fable 5 在同一代码仓库修复任务和 Weave 评估体系下进行对比，评估其成本、部分修复质量及工作流程。测试结果显示两者在代码修复准确率和效率上存在差异，但具体数值未在文中披露。该对比为开发者选择编程智能体提供了参考依据。
MIT News · 人工智能AI 评分4444 MIT 与 IBM 研究人员开发 GIFT 系统，提升 AI 将 2D 设计转为 3D CAD 模型的性能
MIT 与 IBM 等机构的研究人员开发了名为 GIFT 的系统，能指导视觉语言模型自动将 2D 设计图转换为更准确、功能更完善的 CAD 程序。该系统通过让模型从自身错误中学习来生成训练数据，在仅使用约 20% 计算量的情况下，其生成的 CAD 程序准确性超越了其他方法。这一技术有望加速快速原型设计流程并降低成本。
MIT News · 人工智能AI 评分3939 MIT 研究团队提出“神经透明度”工具，让用户在 AI 对话前预览其行为倾向
MIT 媒体实验室团队提出“神经透明度”工具，让用户在定制 AI 聊天机器人时，能通过可视化图表预览其潜在人格特质，如共情、诚实或毒性。研究发现，用户在 15 项特质中有 11 项的预测与实际不符，常高估优点、低估有害倾向（如谄媚）。该工具虽提升了用户信任，但并未显著改变其设计行为，相关研究已在 ACM 智能用户界面会议上发表。
MIT News · 人工智能AI 评分5252 MIT JARVIS 挑战赛测试 AI 副驾驶在喷气发动机设计中的角色
MIT 的 JARVIS 挑战赛让学生团队在四周内使用 AI 作为主要工程伙伴，设计、制造并测试小型喷气发动机。研究发现，AI 能显著加速安全关键硬件工程，但工程判断仍是决定性因素，而制造环节仍是根本性的速率限制步骤。获胜团队更依赖基础知识和团队合作，而非 AI。
MIT News · 人工智能AI 评分5151 MIT 等机构提出新方法，无需生成即可检测模型是否被微调用于制作儿童性虐待材料
MIT、波士顿大学和儿童安全非营利组织 Thorn 的研究人员开发了一种名为高斯探测的新审计方法，无需生成图像即可检测模型是否被 LoRA 微调用于生成儿童性虐待材料。该方法通过分析模型内部表征的变化，在测试中识别有害模型变体的准确率达到 100%。
Weights & BiasesAI 评分4545 GLM-5.2：将批评者纳入基于PPO的训练的开源编码模型
智谱推出 GLM-5.2，采用基于批评者的 PPO 训练方法，结合 DeepSeek 稀疏注意力机制提升编码能力。模型在 W&B Weave 上展示了实时智能体编码演示，强调训练过程的可追踪性。该模型为开源，适用于需要高精度代码生成与优化的开发者和研究者。
Amazon ScienceAI 评分5252 Amazon 与密歇根大学开发 HydroShear 触觉模拟器，实现机器人仿真到现实的无缝迁移
Amazon Science 与密歇根大学联合开发了 HydroShear 触觉模拟器，通过路径依赖力追踪技术准确模拟软传感器上的触觉剪切力，使机器人在仿真中训练的灵巧操作策略可无缝迁移到真实世界，四类复杂任务平均成功率达 93%。
Vector Institute精选AI 评分6767 AI科学家实现科研全周期自动化
Vector Institute与Sakana AI、UBC、牛津大学合作发布AI科学家系统，可自主完成从选题到投稿的完整科研流程。该系统v2版本无需人类代码模板，能自动生成实验代码并迭代优化。
推荐理由：原文揭示了AI系统在科研全流程中的自主能力突破，为评估AI生成论文质量提供了可量化的基准方法。
ARC PrizeAI 评分3535 ARC Prize 2026: ARC-AGI-3 Milestone Prize #1
ARC Prize 2026 颁发首个 $37.5K ARC-AGI-3 里程碑奖，奖励在 ARC-AGI-3 交互推理基准中表现最佳的开源方案。第一名 Tufa Labs 提交的 "The Duck" 是一个轻量级开源 LLM，通过本地运行 Qwen 3.6 27B FP8 模型，在游戏环境中实现持续推理与行动。
Vector InstituteAI 评分3535 Vector Institute 研究人员在 ICML 2026 推进生成式 AI、负责任 AI 与科学发现
Vector Institute 研究人员在第 33届国际机器学习大会（ICML 2026）上展示了73篇被接收论文，涵盖强化学习、后训练、生成式AI、视频生成、多模态系统及AI治理等多个前沿领域。其中11篇被选为焦点论文，创下该研究所在ICML的最佳纪录。研究工作还涉及科学发现应用，包括基因组学、量子化学和材料建模。
Together AIAI 评分3535 Together AI 在 ICML 2026：涵盖全栈的前沿研究
Together AI 在 ICML 2026 展示了涵盖智能体到 GPU 内核的全栈前沿研究成果。其 DSGym 框架包含 1000+ 个跨 10+ 领域的数据科学任务评估套件，ThunderAgent 将智能体推理吞吐量提升最高 3.6 倍。
Lil'LogAI 评分2828 Scaling Laws, Carefully
Scaling laws 描述了模型参数量、数据量和计算量之间的幂律关系，表明训练损失随模型规模、数据规模和计算资源的增加而可预测地下降。
Replit 博客AI 评分5151 Replit 分享大规模评估与改进 AI 编码智能体的方法论
Replit 分享了其用于大规模评估和改进 Replit Agent 的完整方法论，核心是构建一个从测量到改进的闭环系统。该系统包含三个支柱：用于模拟应用构建任务的离线基准 ViBench、用于观察真实用户影响的在线 A/B 测试，以及用于分析失败模式的追踪聚类系统 Telescope。
Vector InstituteAI 评分3333 引入 SONIC-O1：用于真实世界音视频理解的开放、人工验证基准
Vector Institute 发布了 SONIC-O1，一个用于评估多模态大语言模型在真实世界音视频理解能力的开放基准。该基准包含约 60 小时的真实音视频内容，涵盖 13 个对话主题和 5 个领域，支持对模型在不同人群中的表现进行分组分析。
Together AI精选AI 评分6262 Together AI 发布多 GPU 内核生成基准 ParallelKernelBench，前沿模型表现不佳
Together AI 发布多 GPU 内核生成基准 ParallelKernelBench，用于评估大模型编写跨 GPU 通信 CUDA 内核的能力。在 87 个真实代码问题中，表现最佳的 GPT-5.5 在单次尝试下仅正确解决 28 个问题，其中仅 22 个快于 PyTorch + NCCL 基线。研究揭示了模型在协调 GPU 间通信、数据分区和选择最优传输机制方面存在根本性困难。
Eugene YanAI 评分5252 网络安全评测基准的设计模式与实践分析
Eugene Yan 分析了多个网络安全评测基准（如 Cybench、CVE-Bench、CyberGym 等）的设计模式，指出它们通常包含沙箱目标、输入难度控制、工具集和评分器四个核心组件，并通过分层子任务评估智能体在漏洞发现、利用和攻击链推进中的表现。
OpenAI AlignmentAI 评分4949 OpenAI 对齐研究：通过强化学习提升模型广泛有益行为的泛化能力
OpenAI 发现，在现实场景中针对有益特质进行强化学习，可使模型在多个衡量对齐和有益行为的基准测试中表现更优。这些对齐提升可泛化到训练未涉及的领域，并在对抗性压力下保持稳定。研究构建了一个涵盖健康、教育、科学等领域的现实对话数据集，用于训练和评估模型的诚实、可纠正性、透明度等特质。
Together AI精选AI 评分5757 Together AI 评测：Kimi K2.7 Code 与 Claude Fable 5 生成落地页的成本与质量对比
Together AI 对比了 Kimi K2.7 Code 与 Claude Fable 5 生成 12 个落地页的成本和质量。实验显示，Kimi K2.7 Code 的平均成本比 Fable 5 低约 94%，在结合定制设计灵感 MCP 服务器后，其输出质量与 Fable 5 相近。所有生成的页面、成本细目和 GPT-5.5 的评分结果都发布在 OVSC 网站上。
推荐理由：原文通过具体实验和成本对比，展示了开源模型在特定工作流中结合定制化工具的实际效益。
OpenAI AlignmentAI 评分4949 OpenAI Alignment 探讨公共聊天数据能否预测前沿 AI 对齐问题
OpenAI Alignment 研究表明，使用 WildChat 数据集模拟部署可较准确预测 GPT-5.1、5.2、5.4 等模型的实际失败率，误差平均在 3 倍以内。
Vector InstituteAI 评分3131 Anne Martel：使用 AI 个性化癌症治疗
Anne Martel 研究开发 AI 系统，从医学影像和临床文本数据中提取可操作信息，以帮助预测癌症患者对不同治疗方案的反应。她的团队近期在 ICCV 展示了如何通过基因组信息微调病理图像大模型，并结合临床记录文本提升预测准确性。该研究推动医疗影像 AI 从单纯应用计算机科学方法转向产生基础性创新，影响更广泛的 AI 社区。
Amazon ScienceAI 评分4242 Project Eluna 如何实现物理世界中的智能体对齐
Project Eluna 是 Amazon 推出的智能体 AI 模型，用于在仓储中心等物理环境中自主执行多步骤任务。该模型通过物理引导深度学习、不确定性感知推理、文本到数值的桥梁构建等方法，确保推理符合物理规律并提升可靠性。其不确定性框架 UQ4CT 在五个基准测试中保持高准确率，同时将预期校准误差降低 25% 以上。