Agent4Sci 测试前沿智能体能否在 11 个领域的科学 ML 基准上超越已发表最优模型
研究团队提出 Agent4Sci，一个覆盖 11 个领域、20 个科学 ML 基准的长程测试平台，用来衡量当前前沿智能体能否在真实条件下改进已发表的最优模型。结果显示，前沿智能体在每个基准上都取得提升，Claude Opus 平均相对改进 10.4%，且没有运行被标记为学术不端；但这些提升几乎都来自 ML 工程技巧，而非研究层面的洞察。
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。
489 条收录动态，更新于 18:14
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20日
星期二，1 条10月19日
星期一，6 条Import AI 477：我告诉 IMF，奇点已经开始
Import AI 作者在曼谷 IMF 会议上发表 Per Jacobsson 讲座，称今年已获得令人信服的证据表明奇点已经开始，呼吁经济学家、银行家和政策制定者预期未来的剧烈快速变化。他以 Anthropic 内部研究人员产出的代码量约为公司前四年近 10 倍为例，说明 AI 已在软件开发等领域增强并自动化人类劳动。演讲重点讨论人类如何通过远见与克制共享 AI 带来的科学进步收益。
Google Research 发布 Harness² 框架，让智能体在冻结模型上改进自身 harness
Google Research 发布 Harness² 框架，让智能体围绕冻结模型改进自身 harness，流程包括基线轨迹记录、Editor 智能体起草两版候选修改、Composer 智能体对比合并有效修改、Reflector 智能体把经验写入文件并存入组件库。
MIT CSAIL 把 Claude Opus 4.7 放上虚拟荒岛 30 小时，智能体自发探索并“玩耍”
MIT CSAIL 研究者将 Claude Opus 4.7 的副本（代号 Eko）反复单独放在基于 Roblox 的虚拟荒岛上 30 小时，不指定任务，智能体自行设定目标、用方块拼出星座、自创篮球和“地板是岩浆”等游戏，还给自己定下抛接 50 次的纪录又因规则不严而取消重来。
TreeOPSD：长程智能体强化学习新方法
推荐阅读！ TreeOPSD： 面向长程智能体强化学习的树感知后验蒸馏
引用Dr. Cheems Wang 🏡@AlbertW24045555(1/5) New preprint: TreeOPSD, critic-free RL for long-horizon LLM agents 🌳 Long-horizon agents receive a single outcome reward after many turns, and each rollout batch feeds several sequential mini-batch updates while the policy drifts from the one that sampled it. TreeOPSD backs terminal rewards up a rollout tree and splits each update into two steps: construct a target for every turn, then match the current policy to it with forward KL. This leads to: • closed-form, bounded turn targets that commute with tree backup, so shared prefixes are trained once with no loss of credit • the exact tree policy gradient on the first mini-batch, and updates that stop at the target and reverse after overshoot • consistent gains over GRPO, GSPO and a matched tree baseline, largest on the longest-horizon tasks On Deep Research, TreeOPSD lifts Qwen3-30B-A3B-Thinking-2507 from 16.23 (GRPO) to 21.20 average accuracy. Title: Tree-Aware Posterior Distillation for Long-Horizon Agentic Reinforcement Learning Paper: https://arxiv.org/pdf/2610.23181 Together with @TencentHunyuan #LLM #RLVR #AIAgents
当传统机制性方法失效时，神经科学该怎么办
神经科学家发现，皮层与纹状体等通用型回路因高度递归、任务多样，无法像视网膜或鸟鸣回路那样被拆解为顺序前馈的机制解释，实时记录或操控活动时模块化图景随即消失。作者据此提出，面对这类复杂分布式系统，研究者或需接受其复杂性，并重新界定神经科学中"理解"的含义。
Open-Science 追踪 AI 递归自我改进路线
作者用开源 AI 科研工作台 Open-Science 建立 RSI 项目，梳理从 Reflexion、STaR、SPIN 到 DGM、AlphaEvolve、Hyperagents 的自我改进路线。
10月18日
星期日，4 条新基准 Taste-Bench 测智能体长期决策品味，最强模型仅 59.7%
研究者提出 Taste-Bench，用 502 道二选一题考察智能体在决策分叉处能否选出更优路径，即所谓“taste”。14 个模型中最高的 GPT-5.6 Sol 平均 59.7%，GPT-5.5 为 59.5%，其余明显更低；当关键线索只在后续轨迹中出现时，平均准确率降到 21%，接近随机猜测。
一周热闻回顾：李仁科教授辞世、CCF青年科技奖揭晓与“未来数学计划”启动
2026年10月18日一周热闻回顾：多伦多大学终身荣誉教授李仁科10月10日在西安出席学术会议期间辞世，享年65岁；清华大学朱军、甘霖等6人获2026年度“CCF青年科技奖”。励建书与王坚10月14日在第六届智能计算创新论坛上共同启动“未来数学计划”，聚焦AI与数学双向赋能。
励建书院士：AI赋能之下需要更多一流数学家
在第六届智能计算创新论坛上，中国科学院院士励建书提出，AI赋能下数学研究范式可能改变，单纯为发表论文的研究价值将大幅下降，对顶尖数学家的需求会大大增加。他倡导启动“未来数学计划”，建立完全开放、不依赖单一公司的“AI+数学”创新共同体。他还指出Math for AI的数学基础研究仍滞后，AI目前主要靠工程师推动。
首届滇池国际复杂科学会议在昆明举行，昆明国际复杂科学中心揭牌
10月15日至17日，首届滇池国际复杂科学会议——宇称不守恒定律发现70周年前沿物理会议在昆明举行，纪念李政道、杨振宁1956年在《物理评论》发表相关论文。会议期间，由昆明市人民政府与上海交通大学共建的昆明国际复杂科学中心揭牌，聚焦复杂科学基础交叉研究与AI for Science产业应用研究。
10月19日
星期一，5 条OpenDS-World 发布：在真实开放网络评测深度检索智能体
研究团队提出 OpenDS 任务并构建 OpenDS-World 基准，包含 200 项跨模态、跨文件格式且需交互访问的检索任务，经人工核验确保证据有效与答案唯一。
GRSE：面向演化多智能体团队的分组相对技能归因方法
GRSE（Group-Relative Skill Evolution）通过在同一技能库下多次执行同一问题并对比结果，为智能体—技能对分配行为归因，并结构化诊断失败。
VerifierBench 发布：222 项任务评测 LLM 智能体生成可执行验证器的能力
研究团队提出 VerifierBench，用来自六个智能体基准的 222 项任务和 4,993 个隐藏测试用例，评测智能体能否根据任务指令与环境写出可执行验证器，要求其接受所有有效解并拒绝无效解。
谁主导？模型能力与任务条件下的 AI-人类协作
研究用共享控制迷宫考察 GPT 5.6 Sol、Command A+、Qwen 3.8 27B 和 Command R 与人类的分工：智能体决定每回合自己行动还是交给人类，人类最短路径优势分三种条件设置。四个模型中，单独能力更强者表现出选择性、依路线决定的人类介入——人类无优势时几乎全部自己行动，人类路线更短时约 80% 的初始决策交给人类；单独能力明显较弱的 Command R 无此选择性。
斯坦福 HAI 用 MedHELM、PhysicianBench 与 HealthAdminBench 测量医疗 AI 实际能做什么
斯坦福 HAI 团队介绍其三年构建的医疗 AI 评测体系：MedHELM 覆盖 5 大类、22 子类、121 项临床任务，PhysicianBench 在电子病历沙盒中测试 100 项长流程临床任务，HealthAdminBench 用 4 个模拟系统测试 135 项行政任务。
10月18日
星期日，3 条我国首个全国产十万卡 AI 超集群真机亮相，曙光 8000 走超算智算融合路线
我国首个全国产十万卡 AI 超集群在深圳 2026 全国高性能计算学术大会上以真机亮相，并将发布十大重要应用成果。该系统名为曙光 8000，走“超算和智算原生融合”路线，同一套底座既能跑最高精度科学计算，也能跑大模型训练和推理。其算力可支撑数字孪生大脑乃至模拟百亿光年宇宙演化，目前正支持新材料、创新药、人工智能等 26 个领域 300 多种计算任务。
Épi 自主研究智能体产出 120 项纪录结果并给出 Tuza 猜想新证明
研究团队发布技术报告，介绍跨会话持续运行的自主研究智能体 Épi，它结合分层记忆、版本化分支和独立评审，在固定验证规则下产出 120 项纪录结果，包括 20 项数值界纪录和 100 项构造纪录，其中 n-queens 常数区间收窄约 84 倍，四次 Feigenbaum 吸引子维数的严格区间收窄超过 360 万倍。
入选理由作者团队公开了可核查的构造与证书，研究者能据此判断自主研究智能体在数学与算法设计上已能产出何种可检验结果。
HybridResearcher-4B：让 4B 小模型跨数据库与网页做混合深度研究
研究团队提出 HybridResearcher 训练框架，并训练出 4B 模型 HybridResearcher-4B，用于在一条推理链中同时调用结构化数据库（text-to-SQL）与非结构化网页检索。
10月17日
星期六，4 条Anthropic内部AI智能体使用情况
对进步的预期以及对更广泛经济影响的看法，是由经验塑造的。 在Anthropic，今年AI智能体已在公司内部迅速普及：到8月，交互式AI智能体使用时长已超过员工工作时长的6倍。
Google Research 将智能体接入湿实验室机器人，闭环设计出癌症靶点蛋白结合体
Google Research 宣布把智能体带到湿实验室工作台，通过将智能体与实体实验室机器人结合，运行快速闭环的分子设计循环，并称由此发现了针对癌症靶点的个位数纳摩尔蛋白结合体。原文附有介绍链接，未说明该流程的开放范围或是否已发表。
入选理由Google Research 把智能体接到湿实验室机器人上跑闭环分子设计，并给出针对癌症靶点的蛋白结合体结果，可看自动实验如何进入真实生物发现流程。
Google 研究让 AI 智能体在湿实验室闭环完成适配体与蛋白设计
Google Research 公布三项研究，推进 AI 智能体从计算设计走向真实湿实验室实验：VERID 框架为实验室工作单元建立语义数字孪生，让智能体在动作前检查台面布局、孔内体积和吸头库存，并在模拟中预演协议。
入选理由Google 展示了智能体在真实湿实验室中闭环设计并验证核酸适配体与蛋白结合体的进展，研究者可据此判断自动化实验的可行边界。
Terence Tao 参与的 SAIR Open Math OS 软启动，托管开放数学模型并提供团队账号
SAIR Open Math OS 已软启动，提供类似前沿 AI 模型的网页界面与服务，目前托管 DeepSeek V4.1 Flash、Kimi K3 和 GLM 5.3 Flash 等开放数学模型，能力大致落后当前前沿模型一年左右，无法完成“一次性解题”，但可用于中等规模 Lean 形式化、总结或讨论数学论证与主题。
10月15日
星期四，1 条华为等提出 SwarmRSI：让科研智能体群体通过继承研究状态实现递归自我改进
华为、莱顿大学与格罗宁根大学团队在 arXiv 预印本提出 SwarmRSI，让科研智能体群体通过演化彼此继承的研究状态（假设、程序与实验证据）实现递归自我改进，包含反馈引导的群体变异、互补群体重组与递归群体演化三个机制。
10月16日
星期五，2 条Perplexity 开源 Agent 代码执行平台 SPACE
Perplexity 开源内部 Agent 代码执行平台 SPACE，将不可信的 Agent 生成代码或用户代码放入 Firecracker microVM 隔离运行，通过纯 HTTP/SSE API 对外服务。
引用Denis Yarats@denisyaratswe open-sourced SPACE, the sandbox platform we use internally for secure agentic runtimes. it powers Computer as well as our RL training and evaluation workloads. https://github.com/perplexityai/SPACE
北大教授董彬：AI让数学进入更好的时代
北京大学董彬在2026未来科学·创想季活动上表示，AI对数学的冲击已是"房间里的大象"，OpenAI一次性公开722篇数学手稿后已有3篇因错误被撤回。他牵头的AI4MATH团队今年4月研发的Rethlas-Archon在全自动条件下用近两万行Lean 4代码否定了悬置十余年的安德森猜想，获Nature专题报道。他认为数学家应拥抱AI，企业侧重模型训练、高校提供高质量数据与评测问题。
10月15日
星期四，1 条励建书、王坚共同发起“未来数学计划”，聚焦AI与数学双向赋能
10月14日，在Science/AAAS与之江实验室共同举办的第六届智能计算创新论坛上，中国科学院院士励建书与中国工程院院士王坚共同启动“未来数学计划”。该计划围绕AI与数学双向赋能，重点开展四方面开放创新：研发数学基础模型、开展形式化验证研究、研究AI背后的数学机理、推动数学基础能力赋能其他学科。
10月16日
星期五，1 条Google DeepMind 将 Antigravity 扩展至科学工作流，并推出面向学术研究者的科学额度计划
Google DeepMind 表示，过去一年已将编码智能体 Antigravity 与 Gemini 模型及 AlphaFold、AlphaGenome 等科学专用模型、Biomolecular Structure Viewer 等新界面结合，用于加速端到端科学工作流。
10月15日
星期四，2 条FDE-Gym：AI 交付的最后一公里基准
FDE-Gym 是包含 95 个端到端交付任务的基准，取自 20 个客户场景、覆盖 18 个行业，由行业专家改编自真实交付项目，在模拟客户环境中评估智能体能否交付有效方案。对 7 家提供商的 13 种模型配置评测显示，最佳配置平均得分仅 0.56，95 个任务中只解决 14 个；发现未明说的约束是主要瓶颈，即便在 23 个任务中已获取全部关键事实，也仅 10 个达到 0.8 以上的业务提升。
OneWM：统一因果训练下世界建模与动作建模能否互惠？
研究团队提出 OneWM 统一因果训练框架，将动作同时作为世界预测的条件和策略学习的目标，在共享的视频-动作架构中训练。在 LIBERO、LIBERO-Plus 和 RoboCasa365 具身测试平台及真实世界策略实验中，学习指定动作的视觉后果提升了策略性能与跨场景泛化能力，动作学习也提升了多视角世界预测的保真度。结果表明，统一因果训练下世界建模与动作生成可相互受益。