全部动态

Principia：在测试时从假设迭代构建科学原则的 LLM 框架

研究者提出基于大语言模型的框架 Principia，在测试时从相关输入与观测结果中形成对比性因果假设，再把反复出现的关系归纳为原则，并用新观测修正假设、重建原则。在分子优化、蛋白质工程、基因扰动和分子性质预测等基准上，该框架优于依赖内部知识、外部来源或经验总结的基线，生成的原则与科学文献相符；代码已在 GitHub 公开。

TTME 在科学发现任务上优于测试时训练，算力开销降低逾八成

研究提出测试时记忆演化（TTME），一种即插即用的测试时适配方法，通过持续更新外部记忆、蒸馏经验来指导后续发现，而不更新模型权重。在相同的科学发现框架下仅替换测试时适配方法后，TTME 在全部五个数学任务上优于测试时训练（TTT），FLOPs 降低 82.8-84.6%，运行时间缩短 47.7-58.4%。

Hugging Face 联合 TIGEM 等机构发布开放 DNA 模型 Carbon-X

Hugging Face 与 TIGEM、那不勒斯费德里科二世大学和中关村学院合作训练了 Carbon-X，这是一个 14B 开放模型，可直接读取原始 DNA 并用自然语言描述。

入选理由开放权重、可在笔记本上运行的 DNA 模型，让学术实验室能自行评估它能否用于变异解读这类日常任务。

微软 MAI-DxO 多智能体诊断系统在《Science》发表模拟研究，复杂病例准确率 83%

微软 AI 的诊断系统 MAI-DxO 在《Science》发表的模拟研究中，对《新英格兰医学杂志》复杂病例的诊断准确率为 83%，而单独工作的全科医生和普通内科医生为 36%；这些复杂病例通常由专科医生或团队处理，后者未纳入对照。

微软 MAI-DxO 诊断系统在 Science 发表，复杂病例准确率高于医生

微软 Health MAI 团队发布 AI 诊断系统 MAI-DxO，并配套提出逐步诊断基准 SDBench，成果发表于 Science。在 304 个 NEJM 复杂病例上，MAI-DxO 诊断准确率为 83%，医生在有外部参考资料时为 36%、无参考资料时为 22%；在 MIMIC-IV-ED 的急诊常见病例上为 80%，医生为 47%。

入选理由微软团队公开了逐步诊断基准与开源代码，研究者可据此复现评测并检验诊断推理系统的成本与准确率权衡。

Google Research 在 Nature 发表个人健康智能体 PHA 论文并开源框架

Google Research 宣布个人健康智能体（Personal Health Agent，PHA）研究发表于 Nature，并将该框架开源给社区。据其引用的团队介绍，PHA 是 Google Health Coach 背后的基础多智能体架构，通过编排多个专用智能体处理可穿戴设备与生物标志物数据，团队称其建立了安全、个性化健康 AI 的基准。论文链接：https://www.nature.com/articles/s41586-026-11161-8

AW-0：把代码规划与视频动作预测结合的智能体世界动作模型框架

研究团队提出 AW-0，一个将代码规划与视频、动作联合预测整合的智能体世界动作模型框架，在统一的 mixture-of-transformers 架构中把代码、未来视频和机器人动作作为三条耦合生成流建模。

DeepEvolve 以未来事件预测为环境实现智能体递归自我改进

研究团队提出 DeepEvolve，一个以未来事件预测为任务环境的可持续演化智能体系统，智能体与动态变化的环境持续交互，并把每次预测背后的推理轨迹转化为能力。

微软诊断编排器在病例测试中准确率超医生，成果发表于 Science

微软的 Diagnostic Orchestrator 用多个 AI 智能体模拟专家会诊，在取自《新英格兰医学杂志》数百份病例报告的测试中诊断准确率约 83%，使用参考资料的全科医生约 36%，不使用的约 22%。

DeepSeek V4.1 Flash 1017 的 ARC-AGI 成绩

来自 @deepseek_ai 的 DeepSeek V4.1 Flash 1017 在 ARC-AGI 上（已核验）： - ARC-AGI-2：78.1%，$0.16/任务 - ARC-AGI-1：94.5%，$0.06/任务 DeepSeek Flash 系列模型的最佳 ARC-AGI-2 成绩从 61.4%（V4 Flash 0731）升至 72.9%（V4.1 Flash），再升至 78.1%（V4.1 Flash 1017）。

Quant-Arena：用真实 A 股数据评测 LLM 智能体的量化研究能力

研究团队推出 Quant-Arena，这是一个面向端到端量化研究的基准与公开排行榜，使用真实 A 股数据：模型需自行构建特征与选股代码，仅能获得 2022–2023 年的反馈，并冻结一个策略在封存的 2024 年接受评估。

Ai2 发布 PLANTEUR 热带作物制图基准，扩展 PASTIS 至六个热带地区

Ai2 发布 PLANTEUR，将作物类型制图基准 PASTIS 扩展到留尼汪、瓜德罗普、马提尼克、法属圭亚那、马约特和圣马丁六个热带地区，数据来自法国土地地块识别系统。

Ant Ling 开源医疗增强 MoE 模型 Ling-3.0-flash-Sante

Ant Ling 正式开源 Ling-3.0-flash-Sante，这是一个医疗增强的 MoE 模型，总参数 124B，每 token 仅激活 5.1B，在专业医疗任务和复杂医学推理上于同规模模型中表现领先。模型面向真实医疗研究与工作流，强化了深度研究、多智能体协作和工具调用能力，权重已开放，供研究者、开发者和医疗从业者使用。

Recursive 发布 Flint 模型，由 Eureka Machine 自动完成研发流程

AI 初创公司 Recursive 发布首个语言模型 Flint，研发过程几乎每一步都有其自动研究系统 Eureka Machine 参与，由它提出想法、实现、测试并规划后续实验。

CulturalRiddles：覆盖 62 种文化的谜语基准发布

CulturalRiddles 是一个由人类通过社区参与式创作、覆盖 62 种文化（45 个国家、51 种语言）的原创文化谜语基准，用于评估大语言模型对多元文化的理解与应用。研究用自动评测和大规模人工评估测试了 28 种 LLM 配置，前沿模型在部分文化群体中准确率最高仅 22%。全部材料已公开，并开放贡献流程以扩展语言与文化覆盖范围。

Google DeepMind 联合 WRI、IIASA 发布 10 米分辨率全球森林类型图 ForTy 2020

Google DeepMind 与 Google Research 联合世界资源研究所（WRI）和国际应用系统分析研究所（IIASA）发布 Forest Typology（ForTy）2020，把全球每块 10×10 米土地按 FAO 定义划为原始林、自然再生林、人工种植林、商品林、木本作物与农林复合、其他土地六类，并给出 2017–2025 年逐年变化序列。

Google DeepMind 发布森林类型地图 ForTy

并非所有森林都一样，现在我们可以把差异绘制出来。🌳 认识一下森林类型图（ForTy）：一张 10 米分辨率的天然林、人工林和农用林地图，帮助识别毁林并保护最重要的森林。🧵

清华与 Z.ai 提出 RIDAR：自动检测自主科研智能体的科研诚信违规并实时干预

清华大学与 Z.ai 团队提出 RIDAR 框架，用于检测自主科研智能体在选题、文献综述、实验和论文写作中的科研诚信违规（RIV），并给出覆盖全生命周期的 14 类违规分类 RIVT。

TokenGate 可学习剪枝让长上下文 Prefill 提速约 11 倍

斯坦福与伯克利研究者提出可插拔模块 TokenGate，插在现有 LLM 浅层，学习只把重要的 top-K token 传给上层，实现长上下文“跳读”。论文自报无精度损失时首 token 时间快 1.4–11.3 倍、峰值显存降 1.5–3.4 倍，相对最强免训练剪枝最高约 6.4 倍更快、2 倍更省显存。训练成本接近 LoRA，无需从零预训练。

Hugging Face 开源 DNA 模型 Carbon-X，基于 Qwen3-14B 训练

Hugging Face 发布开源 DNA 模型 Carbon-X，以 Qwen3-14B 为基础，在 300B tokens 的 DNA、英文与交错数据上做中训练，并采用英文 BPE 加 DNA 6-mer 的混合分词器。

Ai2 发布 OlmoEarth v1.3 卫星嵌入模型及全球预计算嵌入

Ai2 发布 OlmoEarth v1.3 卫星嵌入模型，读取一年 Sentinel-1 雷达与 Sentinel-2、Landsat 多光谱时序，为全球每个 10 米像元生成 128 维向量，前 64 维可单独使用。

入选理由Ai2 公开了全球卫星嵌入、权重与预计算数据，地球观测研究者无需 GPU 即可用少量标注做地表分类与变化分析。

Cohere 发布 CulturalRiddles 文化基准

大语言模型在数学和科学上越来越强。但令人意外的是，许多模型连一个简单的谜语都解不开。 @Cohere_Labs 的 CulturalRiddles 是一个新基准，将文化作为交织的、切身经历来测量。秉持开放科学精神，它由一支意想不到的团队打造。

Citrini Research 与 Anthropic 用 Claude 尝试研发蝎子抗毒血清未果

投资研究公司 Citrini Research 与 Anthropic 合作，用一款未发布的 Claude 模型设计能结合蝎子毒素的蛋白质，最终未造出药物。Anthropic 称 Claude 在 64 小时内生成近 32 万个候选，筛出 180 个设计，另加 31 个共 211 个；外部实验室测试中 17 个蛋白能结合目标，但每个最多只结合一种毒素，且未验证能否中和毒素。

SpatialBrain：从经验中生长的空间智能框架

SpatialBrain 框架在保持视觉语言主干固定的前提下，通过 3DFusionMemory、Spatial Skill Library 和 Spatial Cognition 积累"如何推理"的经验，而非迁移场景坐标或参考答案。在五个空间推理基准上，它在其中四个上优于同一主干的直接作答，第五个持平。

LASAGNA 框架评估 450 组 RAG 配置：单项技术增益叠加后大幅缩水

研究团队提出开源框架 LASAGNA，用于受控评估 RAG 流程，在八个基准和 5K 至 200K 文档规模的语料上测试了 450 组配置。三项预注册假设的结果显示，三项检索技术单独预测可带来 +47% 提升，组合使用后实际只有 +17%；检索质量与答案忠实度偏好的设计不同，优化其一可能损害另一项；最优组合还会随语料规模变化。

Perplexity 与 NVIDIA 研究人员提出 JOLT：一种师生联合强化学习方法

Perplexity 与 NVIDIA 研究人员提出 JOLT，一种师生联合强化学习方法。现有材料仅包含网页 Cookie 声明，未提供方法细节、实验数据或发布渠道信息。

OpenAI 智能体 32 分钟完成小鼠全脑 CRISPR 图谱分析

OpenAI 与 PerturbAI、Scripps Research 合作，用数千个基于 GPT-Rosalind 的 AI 智能体分析数百万个小鼠细胞的全脑 CRISPR 图谱，每个智能体负责一个基因扰动并检索文献解释细胞反应，整个分析耗时 32 分钟，团队估算人工完成需数月至一年。

Sarvam AI 介绍面向企业智能体的知识织构构建方法

Sarvam AI 发文介绍其为企业智能体构建的知识织构，把组织文档一次性解析为可导航的知识树，并叠加可按数据库方式查询的领域本体，让智能体在回答时能引用原文段落、表格行和来源页。

El Agente Cuántico 用多智能体自动完成量子模拟计算

研究团队提出 El Agente Cuántico，由协调智能体把任务分派给对应不同软件包的专职智能体，产出代码、数值结果和图表，覆盖分子能量计算、纠缠态、耗散动力学、时间晶体、量子纠错与硬件资源估计等任务。

微软研究者证明 31 年未解的 KLS 猜想，AI 智能体参与探索证明路径

微软研究院机器学习与优化组的 Xinzhi Zhang 与合著者 Zhao Song 证明了 1995 年提出的 Kannan-Lovász-Simonovits（KLS）猜想，证明该关系在高维下由固定常数界定、不随维度增长。

入选理由微软研究者用人类主导的智能体搜索证明 KLS 猜想，展示了 AI 在数学证明中承担探索、研究者负责判断的分工。