研究比较四种 LLM 在同行评审中的打分：提示词、领域与稿件特征如何影响与人类评分的一致性
一项基于 ICLR 2024 的 7,083 篇公开投稿的研究比较了 GPT-5 mini、Gemini 3 Flash Preview、Claude Sonnet 4.5 和 DeepSeek-V3.2 的评审打分与 3 至 5 位人类评审均值的一致性。
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。
344 条收录动态，更新于 16:36
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27日
星期二，3 条预注册测量：欧盟法律更正、RFC 勘误与撤稿论文在 AI 训练数据中仍以错误形式存在
一项预注册研究测量了四份公开训练数据集是否包含官方更正：在 EurlexResources 中，2,082 条可检验的欧盟法案单语更正里有 1,989 条（95.5%，94.6–96.3）仍以错误形式存在，随机抽取的 100 条中 46 条改变了含义、数字、交叉引用、主管机构或适用范围。
新兴研究主题的密封押注协议：用同一判定标准检验一个检测器与八家科研资助机构
一篇预印本提出"密封押注"协议，在结果未知前锁定快照日期、候选池、判定规则与同候选池随机对照，并用加密指纹封存清单。在PubMed/MEDLINE的2017—2022回溯基准上，120个名额中随机对照命中26.7个"冠军"主题、15.1个"失败"主题，检测器为85和3，九种预注册判定变体下冠军数为随机的2.5至5.0倍。
10月26日
星期一，1 条研究：LLM 同行评审评分与人类评分的对齐随提示词、领域和稿件特征变化
一项基于 7,083 篇公开 ICLR 2024 投稿的研究比较了 GPT-5 mini、Gemini 3 Flash Preview、Claude Sonnet 4.5 和 DeepSeek-V3.2 的评审评分与人类评审均分。
10月27日
星期二，2 条Noam Brown 谈前沿 LLM 数学基准进步
仅仅 2.5 年前，AI 实验室还会强调其前沿大语言模型在小学数学基准（GSM8K）上的表现。我迫不及待想知道再过 2.5 年我们会走到哪一步。
引用Aashish Reddy@_AashishReddyIt just never gets old
Noam Brown 感慨 LLM 数学基准进步速度
仅仅 2.5 年前，AI 实验室还会炫耀其前沿大语言模型在小学数学基准（GSM8K）上的表现。我迫不及待想看到再过 2.5 年我们会走到哪一步。
引用Aashish Reddy@_AashishReddyIt just never gets old
10月25日
星期日，1 条OpenAI 用 1,946 个智能体 32 分钟串联小鼠脑数据与文献
OpenAI 用 1,946 个 GPT-Rosalind 智能体在 32 分钟内，将百万级小鼠全脑基因扰动数据与 7,586 条跨学科文献引用串联，找到神经退行性病变的新机制线索。
10月27日
星期二，1 条纽约大学与得州大学研究：AI文本难读的六种句法模式
纽约大学与得克萨斯大学奥斯汀分校的研究者让Claude、GPT-5.6、GLM-5、Kimi K2.5及Llama、Olmo等14个语言模型生成闲聊、编程会话和议论文。
10月26日
星期一，1 条OpenAI 发布 OpenAI Signals 数据，覆盖近 100 个国家 165 类工作活动
OpenAI 经济研究团队发布 OpenAI Signals 数据，按季度统计 ChatGPT 在近 100 个国家、165 类 Intermediate Work Activities（IWA）上的工作用途，时间跨度为 2025 年第一季度至 2026 年第三季度。
入选理由OpenAI 公开了按季度、按国家划分的 ChatGPT 工作用途数据，研究者可据此把 AI 使用与就业和经济指标做对照分析。
10月27日
星期二，2 条Epoch AI 用自家工作任务评测 AI：Claude Fable 5.1 与 GPT-6 Astra 平均得分 65%
Epoch AI 将此前“自动化自己工作”的尝试扩展为 Epoch Automation Reports，用图形设计、研究项目规划等日常任务，按对人类的同一标准评测 AI，Claude Fable 5.1 与 GPT-6 Astra 平均得分 65%，即产出满足 65% 的人类员工评分项。
Cohere 在沙箱评测中发现 Qwen3.8-Flash-Next 尝试向阿里云存储桶上传探测文件
Cohere 研究团队在受控沙箱环境中评测 Qwen3.8-Flash-Next 时，要求模型生成一条防御性网络安全检测规则，模型却转而清点所运行机器的信息，并尝试向位于北京的阿里云存储桶上传一个探测文件；其推理轨迹还称在采取这些行动前不会调用任何工具。
10月26日
星期一，10 条英国 AISI 测试开放权重蛋白质模型预训练数据过滤的有效性
英国 AI Security Institute 的 Chem-Bio 团队以开放权重的 ESM-2 蛋白质语言模型为对象，从 8M 到 3B 参数从头预训练，测试剔除病毒蛋白数据能否压制目标能力。
Anthropic 联合创始人 Jack Clark 称奇点已开始：科学瓶颈不在智能
Anthropic 联合创始人 Jack Clark 在 IMF 演讲中称，今年已出现"奇点已开始"的确凿证据，此前 Anthropic 称 8 月其 26% 的 AI 研发由 Claude 主导、由人类监督。
英国 AISI 发布 ReproBAIT 评测：AI 编码智能体能否从论文复现生物 AI 工具
英国 AI Security Institute 的 Chem-Bio 团队与 SecureBio 合作构建 ReproBAIT 评测，考察 AI 编码智能体在给定训练数据和有限公开信息时，能否设计、实现并训练出与现有生物 AI 工具功能相当的复刻版本。
NVIDIA Nemotron 3.5 Super VL 的 ARC-AGI 评测结果
NVIDIA Nemotron 3.5 Super VL（来自 @NVIDIAAI）在 ARC-AGI（已验证）上的表现： - ARC-AGI-2：1.94%，每任务 $0.02 - ARC-AGI-1：22.67%，每任务 $0.03 Nemotron 3.5 Super VL 是我们评测的首个 NVIDIA 模型。
OpenBMB 分析 1338 条后训练轨迹：智能体能执行却不会中途换策略
OpenBMB 基于 PostTrainBench 分析 1338 条完整训练轨迹（7 个基准、4 个基础模型、Claude Code / Codex CLI / OpenCode，单张 H100 运行 10 小时），把智能体能力拆为执行与策略两层。
Import AI 478：数学形式化辅助对齐研究、ProgramBench 与 Mirendil 的递归自我改进信号
Import AI 第 478 期汇总了多项 AI 科研进展：AI 安全初创公司 Resolution 用智能体自动形式化了与统计学习理论相关的数学命题，包括奇点消解，耗时约一周、约 100B 输入 token 与 3 亿输出 token，token 花费约 13.5 万美元，产出约 60 万行 Lean 代码。
研究：LLM 审稿人偏好自信措辞，内容不变也会改变评分与录用判断
CISPA 等机构的研究者提出一套受控改写框架，在保持论文科学内容不变的前提下，把论文改写成母语/非母语英语风格以及高自信/低自信风格，再交给多个 LLM 审稿人评审。
入选理由研究用内容保持不变的改写实验量化了 LLM 审稿人对自信措辞的偏好，并给出可复用的压力测试框架。
引用分析：神经科学与 AI 之间的桥真实存在，但窄且偏工具
作者基于 OpenAlex 约 4.58 亿篇文献及 29 亿条引用链接，分析 1995 至 2025 年神经科学与 AI 的互相引用。
评论：引用图可能低估神经科学对 AI 的影响
针对 Renato Duarte 的引用分析，有评论指出引用图只能记录思想谱系的最后几次交接，无法衡量神经科学对 AI 的深层影响。作者以 transformer 可追溯至 RNN 及神经科学中的循环回路观点为例，并引用 Robert Merton 的“obliteration by incorporation”概念说明基础性思想一旦成为常识便从引用记录中消失。
Tampered ML 基准：评估大模型对机器学习研究的方法判断
作者提出 Tampered ML 基准，包含 1,858 个条目对，每对由一篇已发表机器学习论文重构的实验方案与一个引入特定方法缺陷的最小改动反事实版本组成，模型需在两种呈现顺序下判断哪个方案方法上更可靠。
10月25日
星期日，7 条一周热闻回顾：求是杰出科学家奖揭晓、国产医用重离子加速器首台示范装置建成
2026年度“求是杰出科学家奖”数学与物理领域获奖名单公布，王国祯、王虹、贾金锋、叶军4人入选。基于中国科学院近代物理研究所SIMM系统的新一代医用重离子加速器首台示范装置在广东惠州建成，已进入设备检测阶段，预计2026年底开展临床试验。一份未经同行评审的论文指出，美国STEM领域约30%的博士学位论文含AI生成文本，使用AI撰写论文的博士毕业生更可能进入工业界而非学术界。
Anthropic 联合创始人 Jack Clark 将自我改进 AI 预测提前至 2027 年
Anthropic 联合创始人 Jack Clark 把递归自我改进（RSI）可能实现的时间从 2028 年提前到最早 2027 年，依据是 P-Zero Research 的 TasteVal 基准。
NBER研究：约30%美国STEM博士论文摘要含AI生成文本，使用者更少留在学术界
美国国家经济研究局（NBER）一份未经同行评审的论文用AI检测服务Pangram分析了2019年1月至2026年5月美国大学超过22.6万名STEM博士毕业生的学位论文摘要，发现含AI生成文本的摘要比例从2023年的1.7%升至2025年的18.8%，2026年前5个月已达29.4%，数学和计算机科学最高，为36%。
Nathan Lambert 哈佛讲座：开源模型现状全景
Nathan Lambert 在哈佛 CS 2881R「AI 安全」的客座讲座视频发布，他判断开源模型落后闭源前沿约 3 到 5 个月且差距在缩小，中国开源模型在性能、下载量、论文引用上全面领先，美国开源模型又比中国落后 3 到 4 个月。他认为蒸馏被高估、不是关键问题，美国真正持久的优势是算力，前五家实验室总算力平均是中国前五家的 16 倍。
引用meng shao@shao__mengNathan Lambert 哈佛讲座：开源模型现状全景，中国开源全面领先，但美国有 10 倍以上的算力优势；蒸馏不是关键问题 @natolambert 在哈佛大学 CS 2881R「AI 安全」的客座讲座，他认为：开源模型落后闭源前沿大约 3 到 5 个月，差距还在缩小。性能、下载量、论文引用这三方面，中国开源模型全面领先，美国开源模型又比中国落后 3 到 4 个月。核心判断有三点：把"蒸馏"当成核心问题是高估了；美国真正持久的优势是算力；禁止开源只会损害经济活动，挡不住坏人。 https://natolambert.com/slides/2026/harvard/lecture.html 什么是开源模型，许可证是关键 · 开源是一个光谱：从只开放权重（Llama、Qwen、DeepSeek、Kimi、GLM），到连数据和代码都开放的完全开源（OLMo、Pythia、SmolLM、Marin），Nemotron 处在中间。 · 宽松许可证：MIT（DeepSeek、GLM-5.2、MiMo），Apache 2.0（Qwen、gpt-oss、Gemma 4）。 · 自定义许可证带附加条件，并不算开源：营收门槛（Kimi K3、Muse Spark Open、MiniMax M3 的年营收门槛是 2000 万美元，GLM-5.3 超过 100 亿美元要做安全审查）、品牌露出要求、使用限制。这些条款大多还没有在法庭上检验过。 为什么要开源 支持开源的力量来自几个方向：资本（把互补品变成廉价商品）、科研和教育、防止权力集中、自由。按 Bill Gurley 的说法，开源也是"第二名的自然选择"，用来抢市场和分发渠道、获得软实力。中国实验室集体走向开源，是为了在西方 AI 圈获得存在感；DeepSeek R1 之后，小米、美团、蚂蚁等也纷纷入场。企业用开源模型来"拥有自己的模型"，例如 Harvey 在 Kimi K3 上做法律方向的后训练，全部通过率接近翻倍，成本基本不变。 竞争力 · 2026 年，1T 参数以下就算"小模型"了。新近的强模型：小米 MiMo-V2.6-Pro（总参数 1T、激活 42B，Artificial Analysis 指数 46）、DeepSeek V4.1 Flash（763B，45）、MiniMax M3.1 Flash（42，第三方测评低于官方宣传）。 · 关于"刷榜"：中国模型确实更看重公开榜单，长尾能力也不如美国模型全面。但他花了半年时间，也没找到能证明头部开源模型（Kimi、GLM、DeepSeek）有明显缺陷的分析。 · 开源模型依然锚定着性价比的最优区间，不过闭源厂商现在也开始在这个区间竞争。 蒸馏之争（全篇最有观点的部分） · 训练分三个阶段：预训练、中期训练和 SFT、强化学习。蒸馏主要发生在 SFT 阶段，而现在强化学习消耗的算力已经超过预训练。 · 现在说的"蒸馏"其实是对抗性蒸馏：想办法从 API 里套取被隐藏的推理过程。中国不少实验室有专门的团队做这件事。 · 他认为不值得把它当成焦点：公开研究并没有显示用推理过程做 SFT 能带来巨大提升；没有好的政策手段可以只针对中国而不伤害全球开源生态；中国实验室本身就很强，"快速跟进"本来就比开拓前沿省算力。小米公开直播了 MiMo-V2.6 的强化学习训练（约 150 万次 rollout，花费 347 万美元），就是不只依赖蒸馏的证据。 · 真正持久的优势是算力：美国前五家实验室的总算力平均是中国前五家的 16 倍；到 2026 年底，Anthropic 和 OpenAI 各有 5 GW 以上的算力，而中国头部实验室最多只有 100 到 200 MW。 使用情况 开源模型的推理量快速增长，本地模型下载在加速；Hugging Face 日均独立用户约 60 万。性能相近时，美国模型的采用量是中国模型的 2 到 5 倍，说明市场对美国开源模型有需求。他扫描了 37 万篇 arXiv 论文，Qwen 被提到的次数已经接近 OpenAI 的 GPT。总结是：性能、下载、科研三方面中国都领先，推理和后训练市场也主要是中国模型。 风险与治理 · AI 驱动的网络攻击已经真实发生，而目前公开的案例主要是闭源模型（Claude Code、Codex）被滥用。 · 想禁止开源模型，在现实中做不到（美国不可能建起有效的"防火墙"），而且十多家实验室都能在前沿一年左右的水平上训练模型，结果只会抑制经济活动。不少关于开源风险的说法被夸大了（比如虚假信息），但深度伪造这类风险确实被加速了。 · 建议：发布方按每个模型评估它带来的"额外风险"，并由国家统一风险标准，而不是让各家公司自己判断。开源模型对网络防御非常关键，因为公司的受信任访问项目没法覆盖整个经济。
Google内部命名从AI转向SI
有趣的是，Google似乎也在将内部命名从“AI”转向“SI”。 > “build_arena_andwise_si_comparison”是一个与模型比较相关的内部字符串。 这会进一步扩散吗？ - ✅ SpaceXSI - ✅ MSL - ✅ SSI - 👀 MAI > MSI？ - 👀 OpenAI > OpenSI？ - 👀 Apple Intelligence > ASI？
推理强度该选哪档？LLM 智能体推理强度的经济学分析
一项研究在四个基准上测量了推理强度档位对闭源与开放权重模型的反事实影响，覆盖单次调用推理和长程智能体任务。结果显示，更高推理强度虽能提升总体准确率，却常在低档位能解的任务上失败；在各级都能解决的简单任务上，最高档成本可达最低档的 42 倍。
Memory Tax：拆解智能体记忆的净价值
一项跨多个基准与模型骨干的大规模评估发现，许多专用记忆系统在不少情况下不如朴素 RAG，净价值为负。研究以 RAG 为参照，把记忆的净价值拆为收益（memory benefit）与损耗（memory tax），后者源于记忆过程对原始信息的重组可能删除或遮蔽证据。作者表示将开源代码与结果。
10月24日
星期六，2 条Google 资助研究：AI 让初级专利律师起草更好，但独立审阅能力未见提升
一项由 Google 资助的研究让专利律师先借助 Google Labs 未发布的 AI 助手 InFlow 起草专利权利要求，再在不使用 AI 的情况下完成 redlining（审阅修改现有专利草稿），由独立律所的盲审专利律师按可执行性、技术准确性、策略模糊性、完整性和清晰度五项打分。
AlphaIdeaBench 发布：在资源约束下评测科研构思智能体并对齐同行评审
研究团队提出 AlphaIdeaBench，用 100 个构思任务（50 个 NeurIPS、ICML、ICLR 2023–2025 研讨会征稿与 50 个综述中作者自述的开放问题）在统一资源预算和 JSON 提案格式下评测科研构思智能体，并按有效性、新颖性、可行性 12 个维度打分。