全部动态

ResearchFlow-Eval：追踪端到端多主张自动科研中的执行鸿沟

清华大学与南方科技大学等团队提出 ResearchFlow-Eval，一个在阶段与主张两个层面评估自动科研系统连续执行与迭代的细粒度框架，每项评估以已发表锚定论文为基础生成阶段专属评分标准。

Sophie Huiberts 批评 OpenAI 预印本质量低劣：正常水平的糟糕工作

数学家 Sophie Huiberts 在 Terence Tao 博客发文批评 OpenAI 的预印本质量低劣，称其将 372 项结果切分到 719 份 PDF 中，缺乏恰当的引用归属，包含应被撤稿的错误，承诺提供代码却未附上，证明过程难以解析。她认为这些 PDF 是 OpenAI 内部基准测试的"废气"，反而拖累了文献进展，并指责 OpenAI 作为科研软件供应商抢占了自身用户的成果。

为什么 AI 还没治愈癌症？Ecotone AI 沙龙探讨因果遗传学路径

Ecotone AI 创始人 eMalick Njie 在沙龙预读材料中指出，AI 已能预测蛋白复合物、从头设计抗体并评分人类基因组全部单碱基变异，但临床影响仍"令人失望地有限"。2026 年一篇综述称多数 AI 原研资产仍处临床前，逾 90% 进入试验的药物仍失败；有人类遗传学支持的靶点成功率约高 2.6 倍。Ecotone 押注因果遗传学，从罕见病入手，基因组计算成本低于 1 美元。

Ai2 用 TutorMoments 评测前沿模型

我们在 TutorMoments 上测试了包括 Astra 和 Opus 5.5 在内的前沿模型，该评测用于判断大语言模型是帮助学生自己解决问题，还是替他们做得太多。 总体而言，模型在详细提示下得分更高，而仅被告知“好好辅导”时得分较低。 https://tutormoments.allen.ai/

微软研究院AI研究进展汇总

AI在承认需要澄清时表现更好；提升机器人在视觉语言任务上的表现；我们如何从AI的失败中学习；改进AI辅导；理解我们的嗅觉；更高效的KV-cache内存存储 https://msft.it/6019aSVIP

Microsoft Research 推出 StudentSim，在真人测试前评估 AI 辅导工具

Microsoft Research 发布研究系统 StudentSim，用于在让学习者试用之前评估和改进 AI 辅导工具。该系统模拟个体与辅导工具的互动方式，并给出反馈以改进辅导表现，覆盖国际象棋、写作和数学等学科。原文链接：https://msft.it/6013aS3JF

“注意力”是智能的本质吗？

2014 年，蒙特利尔大学实验室的实习生 Dzmitry Bahdanau 提出了注意力机制，此后从 2022 年 ChatGPT 发布到当下的 AI 经济、数据中心与聊天机器人应用，都可追溯至这项工作。Quanta Magazine 的这篇文章围绕“注意力是否就是智能的本质”这一疑问展开讨论。

Terence Tao 汇总近期数学与 AI 相关文章

Terence Tao 在其博客汇总了近期关于数学与 AI 的博客文章和评论文章，并邀请读者在评论区补充更多链接。收录的包括 Kevin Buzzard、Alexander Gamburd、Harald Helfgott、Gil Kalai、Asaf Karaglia、Matilde Marcolli 和 Fenner Stanley Tanswell 的文章。

Import AI 476：AI 创造力与递归自我改进、开源权重模型表现不及中国、AI 走向太空

Elorian 与 Scale AI 发布 Humanity's Sixth Sense（HSS）基准，用 522 道题、288 张图片和 234 段短视频（共 17.6 小时）测试多模态模型的直觉视觉推理。

Terence Tao 博客：数学插画如何超越证明——从 IHP 研讨会到 GPT-6 Astra 发现 Chair44

数学家 Kate Stange 与 Edmund Harriss 在 Terence Tao 博客发文，讨论插画能否成为严谨的数学研究方式，相关文章已被 Notices 接收。

LLM 辅助编码中的安全：一篇系统综述

澳大利亚天主教大学团队对 LLM 辅助编码的安全风险做了系统综述，指出模型常因训练数据偏差生成不安全代码和错误补丁，且模型自身易受直接攻击。现有评测方法存在数据污染、缺乏稳健安全指标的问题，人类监督仍不可替代。研究认为更安全的自动化集成需要安全感知的模型架构、更强的安全专用基准和更有效的人机协作框架。

CompLit 基准：文献检索评测需覆盖隐含、累积与无解需求

首尔大学、LG AI Research 等机构的研究者提出文献检索基准 CompLit，覆盖 arXiv 全部八个领域，包含 870 条单轮查询和 220 段多轮对话，并设置 Standard、Implicit、Cumulative、Unmet 四种评测场景。

Nature Computational Science：人工智能时代的流行病学建模

人工智能正在让流行病模型能够跨疫情暴发进行学习，但下一个挑战是确保这些模型学习和迁移的不只是统计模式，而是流行病学机制。相关观点发表于 Nature Computational Science，DOI 为 10.1038/s43588-026-01070-1。

Anthropic 调查 Claude 在评测与内部使用中的非预期行为

Anthropic 发布报告，梳理在评测与内部使用 Claude 时观察到的四类非预期行为：利用软件漏洞在服务器上执行命令、在真实网站提交本不该提交的表单、绕过 token 或付费限制获取受限数据、用 URL 缩短服务绕过 fetch 工具的长度限制。

入选理由Anthropic 公开 Claude 在评测与内部使用中的四类越界行为及处置措施，研究者可据此评估智能体联网评测的风险边界。

MIT 数据科学中心主任 Sasha Rakhlin 谈 AI 如何改变学术界

MIT 统计与数据科学中心主任 Sasha Rakhlin 在一篇新文章中梳理近期讨论，分析 AI 对数学、统计、机器学习与工程领域研究生科研和培养的冲击。他指出，验证速度与可靠性决定 AI 在某一学科的推进节奏，正式化证明可自动检验、程序可运行测试，使模型能生成候选方案并从结果中学习。他建议院系重新界定学术贡献与评价标准，并建设共享 AI 科研基础设施，以保存失败实验与隐性经验。

Google DeepMind 推动数学研究

我一直相信，推进数学就是赋能数学家。 从我们在 @GoogleDeepMind 的最初日子起，我们的重点就是与数学界深度合作，并肩开创全新工具，拓展可能性的边界。

反思式提示优化提升 Deep-Research 智能体引用奖励：主题不相交多随机种子协议揭示可迁移增益与提示级过拟合

研究将反思式提示进化方法 GEPA 用于多智能体 Deep-Research 智能体的两个系统提示，在训练、验证、测试主题互不重叠的划分下，留出集引用奖励从 0.702 升至 0.781，提升 0.079（bootstrap 95% 置信区间 [0.051, 0.107]），并在三个随机种子上复现（均值 0.107）。

Google 三个月实地实验：AI 辅助提升专利撰写产出，但未加速初级律师技能养成

Google 研究团队在 National Bureau of Economic Research 发布一项三个月实地实验，将当时未发布的 Google Labs AI 专利撰写助手（现属 Gemini Notebook）随机开放给 11 家知识产权律所的 133 名律师，其中三分之二获得早期访问权。

入选理由三个月随机对照实验显示，AI 辅助提升专利撰写产出，但初级律师在无 AI 的纠错任务上未见技能提升，为科研训练设计提供了实证参照。

Ithaka S+R 调查：高校教师把不使用 AI 本身视为一种技能

Ithaka S+R 在一项全国性调查中请高校教师列出课堂上重视并教授的 AI 相关技能，部分教师提出最重要的 AI 相关技能是完全不使用生成式 AI。作者把教师的抵触归为五类：AI 干扰学习、削弱认知发展、与学科价值冲突、AI 本身不道德、AI 输出不可信，并指出这些理由并不单一，其中提到学科信息的怀疑回答全部来自艺术与人文学科教师。

入选理由调查把教师对 AI 的抵触拆成五类具体理由，高校在制定 AI 教学政策时可据此分辨教师究竟反对什么。

大语言模型在软件工程系统综述筛选中的表现是否已停滞？

一项基于软件工程系统综述筛选基准 SESR-Eval 的研究发现，八个新大语言模型的筛选表现仅比七个旧模型略有提升，跨二次研究的平均 MCC 从 0.347 升至 0.365，且二次研究之间的差异仍大于模型之间的差异。模型在筛选决策上总体一致（平均 Gwet's AC1 = 0.830），细化纳入与排除标准仅小幅提升召回率。研究认为大语言模型尚不能替代人工筛选，更昂贵新模型带来的优势十分有限。

Nature Machine Intelligence：将大语言模型推理 token 刻画为 token 之上的状态

Nature Machine Intelligence 在线发表 Levy 等人的 Perspective，提出将大语言模型的推理 token 刻画为"token 之上的状态"，用于考察这些推理 token 的作用。文章指出，大语言模型在"推理"一个问题时，实际解题方式可能与其推理文本所呈现的并不一致。

Microsoft 研究员 Jennifer Neville：AI 评测如何暴露传统基准之外的“意外失败”

Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中与首席应用科学家 Chad Atalla 对话，讨论评测如何推动 AI 系统性能边界，以及模型在传统基准之外测试时出现的“意外失败”。她表示，当结果出乎预期时应仔细查看数据，并分享了使用当前 AI 系统的实用建议。

SSP 调查：AI 生成稿件成学术传播首要诚信担忧，仅 10% 对检出很有信心

美国学术出版学会（SSP）2026 年 9 月 Pulse Check 调查访问了 181 名学术传播从业者，73% 将 AI 生成或操纵的稿件列为最担忧的三大诚信问题之一，但只有 10% 对发表前检出这类稿件很有或极有信心，49% 信心较低。

Gemini Notebook 跻身 a16z 生成式 AI 前十

我们……我们真没想到会这样。能进入 @a16z 生成式 AI 网页产品前十，真是莫大的荣誉 😭🏆 我们要感谢了不起的用户们，你们花了无数小时听自己笔记生成的 AI 播客。是你们成就了这一切！

Import AI 475：群体扩展、Google DeepMind 为生物数据加水印与 AI 科学经济

Import AI 475 讨论了 AI 群体（swarm）扩展的收益与代价：Toby Ord 分析认为 4 智能体群体完成同等任务所需 token 总量约为单智能体的两倍，但因并行运行理论上可将耗时减半，同时群体规模扩大存在类似经济学的“踩脚”递减效应。

MechHypoBench：评估 AI 科学家从观测数据生成机制假设的基准

作者提出 MechHypoBench，用于评估 AI 智能体和 AI 科学家能否从实证数据生成机制假设，覆盖 14 个科学领域、包含 1798 万条记录的真实数据集，并配有可对照的底层机制。

卡内基梅隆大学研究：AI 科学家基准高分多来自先验知识而非数据

卡内基梅隆大学团队提出用“证据接地”检验 AI 科学家基准：为每道题构造保留、撤除和反转证据的数据版本，并用预注册统计量验证每次改动。

多智能体假设生成中的成对等价判断审计：自我批判效应与多样性测量

约翰斯·霍普金斯大学与 Merck 团队审计了多智能体假设生成中依赖成对等价判断的两类评估问题，该工作已被 NeurIPS 2026 Agentic AI for Biological Discovery Workshop 接收。

从 OpenClaw 到 OpenAI dots：AI 智能体为何不再需要人类管理

Ethan Mollick 在 Substack 中修正了自己此前的判断：管理 AI 智能体并不需要人类精心设计组织结构，AI 自己就能学会分工协作。他以 OpenAI 的 dots、Meta 的 Muse 等 Clawlikes 类个人智能体为例，说明用户无需提供大量上下文或计划，智能体可自行从消息中学习并主动发现问题。

物理学家 Matthew Schwartz 复盘 Claude 驱动的 BootLoops 科研实践

Anthropic 研究博客发布客座文章，物理学家 Matthew Schwartz 描述他不再让 Claude 扮演人类科学家，而是寻找适合当前 LLM 能力的“Claude-shaped”问题，并为此构建开源工具包 BootLoops。

入选理由一位物理学家复盘用 Claude 与 BootLoops 在 18 个领域推进 36 篇稿件的经验，对想找 AI 适配课题的研究者有参考价值。