Sakana AI 提出 MASS：多智能体自监督实现递归自我改进
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。
全部动态
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。
679 条收录动态，更新于 17:06
全部收录包含没有通过评分的资料，标题以常规字体显示并标为“未入选”，只供检索，不写入选理由。
10月11日
星期日，1 条10月10日
星期六，3 条Triage-PiEvo：为原则演化型科学智能体引入证据准入机制
西湖大学、浙江大学与快手等机构的研究者提出 Triage-PiEvo，把异常观测的用途拆成两条路径：异常可立即引导搜索，但只有经过独立验证的证据才能改写持久原则，被推翻的原则会被撤回。
SciCurateBench：从异构科学文献中整理实验数据的基准与 LangPoli 智能体
研究团队提出 SciCurateBench，一个由 200 篇专家标注论文组成的基准，要求系统从原始文献、补充材料和托管数据中联合验证多项实验条件，例如是否为新生成的 scRNA-seq 数据且带免疫治疗响应结果。
深度学习势如何揭示 AgPd 纳米合金中的原子尺度位错形核
西北工业大学陈福义团队在 Computational Materials Science 发表研究，用基于 DP-GEN 主动学习构建的深度学习势对 Pd309@Ag1106 核壳纳米团簇在 500 K 下进行 200 ps 分子动力学模拟，观察到八面体到二十面体的结构转变。
10月9日
星期五，5 条中科院团队提出 JANUS：用协同演化世界模型提升长周期自主科研效率
中科院计算所团队提出 JANUS 框架，用协同演化的世界模型把自主科研从生成-执行-反馈循环改为预测-验证-演化循环，在执行前对候选方案打分并剪枝。
Ai2 在 COLM 2026：从 Olmo Hybrid 到科研智能体 Asta 的开放研究
Ai2 在 COLM 2026 展示了 Olmo Hybrid 研究，该架构将注意力与线性循环层结合，在 MMLU 上以少 49% 训练 token 达到 Olmo 3 7B 的同等准确率，并已用于正在预训练的新一代 Olmo 混合专家模型。
腾讯混元联合复旦、清华发布 ExplorationBench，评测 AI 自主探索与规则发现能力
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。
引用Tencent Hy@TencentHunyuanNew 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。
Google 与 BIDMC 在 The Lancet 发表 AMIE 临床研究
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。
OneSearch-VL：面向图像与视频的统一多模态深度研究智能体
arXiv 预印本提出 OneSearch-VL，一个以视觉锚定证据图 VGEG 为核心、统一处理单图、多图与视频深度研究的智能体，将视觉定位、外部检索与事实组合的依赖关系编码为任务级参照，用于数据构建、过程监督与操作级评测。
10月8日
星期四，8 条DataSense-Bench：评估 AI 智能体能否在训练前判断数据价值
研究者提出 DataSense-Bench，让 CLI 智能体在只能推理、不能训练模型或接触评测任务的条件下，从候选轨迹池中选出五组互不重叠的训练数据并按预期训练价值排序，随后用监督微调 Qwen3-4B 并分别在 TBLite 和 BFCL 上验证。
研究智能体的研究契约：仅凭输出评审无法验证什么
帝国理工学院 Ben Glocker 等人提出"研究契约"（study contracts），将申报的实验选择、执行义务与主张范围绑定到记录的执行证据上，并区分契约相对验证与科学真伪。
SAIL：面向文献研究与科学编程的35B开源科研智能体模型
研究团队发布 SAIL，一个总参数 35B、激活参数 3B 的开源模型，面向文献研究、科学编程和多步研究流程。该模型通过科学感知的改进循环开发：由前沿 AI 模型驱动的智能体分析其任务失败，并针对文献任务中的检索与证据选择、编程中的科学假设与推理、长流程研究中的规划与修订等能力缺口构造训练任务，再经监督微调、专项训练、多教师同策略蒸馏和智能体强化学习训练。
Sakana AI 提出以矛盾检测为核心的 LLM 辅助同行评审框架与基准
Sakana AI 团队在预印本中提出以验证为中心的 LLM 辅助同行评审视角，把错误检测作为评审的关键任务，并构建 Contradiction Benchmark：从 ACL、AISTATS、CVPR、ICML 2025 和 NeurIPS 2024 共 257 篇论文中合成插入矛盾，生成 1164 个评测点。
Anthropic 研究员用 Claude Science 生成首张完整紫外全天图
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。
面向太阳能电池板分割的 AutoResearch 实验洞察
一项研究将 AutoResearch 协议用于光伏电池板分割：编码语言模型在一小时 GPU 预算内修改训练程序，仅当验证 IoU 提升才保留改动，架构固定为 DeepLabV3–ResNet-50。
研究者提出以科研制度组织上万自主科研智能体的 Society of Researchers
arXiv 预印本提出 Society of Researchers，把大量持久化科研智能体置于明确制度下：由项目负责人通过招标、独立评审和资助竞争有限算力，人类市长只分配资源、不指派任务。作者称已在 Research City 部署约一万名研究者，围绕改进语言模型预训练展开，其中一个实验室报告以约 30% 更少算力达到同等质量，但测试该结果的实验室尚未达成一致；论文称这些论文尚未经过外部评审。
Kernaut 用编码智能体自动发现核函数，在未见任务上迁移
预印本论文提出 Kernel Autoresearch（Kernaut），让编码智能体以程序形式编写核函数组件，由可信解释器按保正半定的构造契约组装，只有通过 Tier 2 校验的程序才进入质量-多样性存档。
10月7日
星期三，5 条AI 逼近唯一游戏猜想证明，研究者抢先冲刺
2026 年 9 月 11 日，MIT 教授 Dor Minzer 收到朋友短信，询问他是否即将解决理论计算机科学中最著名的开放问题之一。Minzer 是“唯一游戏”猜想领域的顶尖专家，起初以为这是玩笑，随后更多消息接连传来。
Ai2 的 Bolmo 字节级语言模型研究发表于 Nature，并开源新检查点
Ai2 宣布其 Bolmo 字节级语言模型研究已发表于 Nature，并在 Hugging Face 发布新检查点，把 byteifying 方法从 Olmo 扩展到其他模型家族。
入选理由Ai2 公开了把子词模型转换为字节级模型的 byteifying 流程与检查点，研究者可据此评估字节级路线能否替代固定词表方案。
DrugTargetWorld：可生成模拟生物样本库的 AI 科学家训练与评测框架
作者提出 DrugTargetWorld，一个程序化生成模拟生物样本库的框架，每个世界包含 54,000 名参与者的基因型、蛋白质、健康记录、结局和合成 MRI，因果结构对评测者已知但对智能体隐藏。
OpenAI 发布 AI×数学成果
AI×数学，太棒了。OpenAI 今天发布的东西太惊人了 🤯 要让物理科学领域的模型达到同等水准还有很多工作要做，但想想我们实现那一步时的种种可能吧。而且我们一定会实现。
引用will depue@willdepuei asked GPT 6 Pro and Fable 5.1 to rank all discoveries in the last three years 🔵 for Human discovered 🔴 for AI discovered (before October 6th) 🟢 for AI discovered from OpenAI/math repo 81% of them have been released today. wtf
Google 与 Northwestern、Jacaranda Health 合作研究：AI 解读盲扫超声可识别孕龄与胎位
Google 研究人员与 Northwestern Medicine、Jacaranda Health 合作，在肯尼亚内罗毕和芝加哥各招募 1000 名孕妇开展研究，训练医护人员执行简单的盲扫超声，并用机器学习模型分析视频，识别孕龄和胎位，准确率与受过训练的超声技师相当。
入选理由研究者可了解盲扫超声配合端侧 AI 模型在资源匮乏地区替代专业超声技师的一条可行路径。
10月6日
星期二，5 条TargetAgent：面向药物靶点识别的数学 AI 科研助手框架
美国佐治亚大学 Guo-Wei Wei 团队在 arXiv 预印本中提出 TargetAgent，一个把最优传输、张量分解、拓扑数据分析与 LLM 智能体解读串联起来、依次分析多批次空间转录组数据的 AI 科研助手框架。
Google 用地球 AI 人口动态基础模型 PDFM 支持全球公共卫生建模
Google 以 Earth AI 中的 Population Dynamics Foundation Model（PDFM）为概念验证，把搜索趋势、人口流动、建成环境密度和环境决定因素压缩为按月更新的位置嵌入，无需任务微调即可作为即插即用输入接入现有流行病学模型。
入选理由Google 公开 PDFM 位置嵌入在五类公共卫生任务中的合作评估结果，研究者可据此判断地理空间基础模型能否接入现有流行病学建模流程。
Google Earth AI 联合全球卫生伙伴发布公共卫生预测研究
Google 发布与全球卫生伙伴合作的多篇研究论文，展示 Google Earth AI 结合卫星影像、移动性数据与 AlphaEarth Foundations、Population Dynamics Foundation Model（PDFM）等基础模型，用于疾病暴发预测与社区健康趋势分析。
入选理由Google 把地理空间基础模型与人口动态模型接入公共卫生预测，研究者可据此判断这类模型能否用于疾病监测与资源调度。
Gan Jiang：面向粉末 X 射线衍射的自学习科学代理
香港科技大学（广州）、伦敦大学学院等团队提出自学习衍射分析代理 Gan Jiang，它把分析经验写成可执行技能，通过诊断失败、修改技能指令与代码并在复用前验证，在不重训语言模型、不改物理模型的前提下改进分析流程。
Fork-and-Flush：让自主科研智能体跳出思路盆地
微软研究院团队提出 fork-and-flush 干预方法，让自主科研智能体在保留已积累工作区的同时清空对话上下文，分叉出多条并行轨迹并保留得分最高的一条，以跳出作者所称的 idea basins。
10月5日
星期一，2 条SciKGExtract：面向材料文献的 schema 引导智能体抽取框架
TIB 莱布尼茨科学与技术信息中心的研究者提出 SciKGExtract，一个由 schema 引导的智能体框架，把大语言模型抽取、化学归一化、基于智能体的评估与修正串成流程，再接入知识图谱。
MMPostTrainBench：面向多模态后训练的自主科研基准
中国科学技术大学与阿里巴巴等机构提出 MMPostTrainBench，在图像、音频、视频、音视频联合理解及图像相关软件修复共八项任务上评估自主科研代理的多模态后训练能力。
10月4日
星期日，1 条MechHypoBench：首个评测 AI 科学家从观测数据生成机制假设的基准
研究提出 MechHypoBench，用于评测 AI 智能体和 AI 科学家能否从实证数据生成机制假设。该基准结合来自 14 个科学领域的论文机制与含 1798 万条记录的真实数据集，保留经验数据的观测复杂性并给出已知的底层机制，智能体分析观测后提出开放式假设，评测框架通过被隐藏条件下的推论来评估这些假设。