亚马逊发布表格基础模型 Mitra-v2，扩大合成预训练规模并开放权重
亚马逊发布表格基础模型 Mitra-v2，同时支持分类与回归，在 Hugging Face 以 Apache-2.0 许可开放微调版本及推理与微调代码。模型架构未变，预训练表格的行数是 Mitra-v1 的 10 倍、列数约 3 倍，并新增混合 SCM 先验。
入选理由表格基础模型在公开基准上的表现与开放权重，让需要处理结构化数据的科研人员多了一个免训练的选择。
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。
2,297 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。
11月10日
星期二，1 条11月11日
星期三，6 条Google 发布前沿模型 Gemini 4 Carbon，科研人员可申请 6 个月免费使用
Google 发布前沿模型 Gemini 4 Carbon，面向复杂长周期工作流，覆盖智能体工作流、软件工程、网络安全和科学推理，官方称其适用于从多步调试到开放式科学研究的高难度任务。
Gemini 4 Carbon 现已发布
了解更多：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-carbon-now-available/
Gemini 4 Carbon 正式发布
Gemini 4 Carbon 现已上线。 这是我们最强的模型，专为深入挖掘、处理长周期任务和多步推理而打造。 如果说 Argon 擅长复杂任务，那么 Carbon 就是应对最棘手问题的模型。
Google 发布 Gemini 4 Carbon，Antigravity 平台预览智能体“蜂群”功能
Google 向公众开放 Gemini 4 Carbon，此前两周仅提供给部分“网络安全防御者”，并称其为自家“最强模型”。该模型面向复杂多步编程与开放式科研等任务，同时 Google 在智能体开发平台 Antigravity 上预览“swarm”功能，可将单条提示转为协同工作的智能体团队。
Google DeepMind 发布 Gemini 4 Carbon，面向科研与智能体工作流
Google DeepMind 向开发者、企业、科学家和消费者开放 Gemini 4 Carbon，称其在网络安全和长程智能体工作流上具备前沿表现，并强调物理、数学和生命科学推理能力的提升。
入选理由原文列出 Carbon 在酶测定、蛋白同源序列检索和形式化验证中的具体用法，研究者可据此判断它适合承担哪类科研任务。
11月10日
星期二，20 条alphaXiv 推荐两篇新综述：连续扩散语言模型与机制可解释性
alphaXiv 本周推荐两篇新综述：一篇由 Sophia Tang 等人撰写，聚焦连续扩散与流语言模型；另一篇由 Fazl Barez 和 Tony Wu 主导，聚焦机制可解释性。推文认为论文数量与噪声已超出 AI 有效梳理的范畴，因此人类撰写的文献综述比以往更重要，并称这两篇是了解上述领域的宝贵资源。
NVIDIA 将 Agent Substrate 捐赠给 CNCF Sandbox，为大规模智能体扩展 Kubernetes
NVIDIA 把面向沙箱智能体的开源零信任运行时 Agent Substrate 捐赠给 CNCF Sandbox，它通过在小规模 worker Pod 池上复用大量会话，实现比标准容器高 10 倍的密度。
Claude Fable 5.2 早期实验：代码构建细胞3D模型
一系列关于 Claude Fable 5.2 的早期实验： 一个完全由代码逐个细胞器构建的细胞3D模型。由 @kevin_t_ngo 构建。
Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2：同一模型，不同安全防护
Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2，两者为同一底层模型，Fable 5.2 增加分类器拦截高风险网络安全任务和多数研究生物学任务，Mythos 5.2 则移除这些限制、需通过 Cyber Verification Program 与 Life Sciences Verification Program 使用。
Platform Strategies 2026 闭幕主题演讲：Jacob Ward 谈 AI 与学术出版
科技记者 Jacob Ward 在 Platform Strategies 2026 闭幕演讲中讨论 AI 如何与人类大脑运作方式交互，以及学术社区为何可能比多数群体更有条件应对。
AI100 第三份报告发布：AI 正压缩科研周期，机器生成发现需新验证方法
斯坦福 HAI 管理的 AI100 项目发布第三份报告，由 Michael Wooldridge 主持的 2026 年研究小组评估 AI 进展与社会影响。报告称 AI 正把科研时间线从数年压缩到数月甚至数周，并预计十年内 AI 驱动的实验室将成为各学科常态，但警告验证机器生成的发现需要严格的新方法。
公众更信任科学家来把关 AI——超过对其他任何群体
一项调查显示，公众在 AI 相关问题上对科学家的信任度高于其他任何群体。原文正文未能加载，具体调查机构、样本量与数据细节无法核实。
谷歌 DeepMind 用 AI 智能体完成 Signal 协议形式化验证
谷歌 DeepMind 团队用具备自主执行能力的 AI 智能体对 Signal 加密协议完成形式化验证，以数学方法证明其满足安全性承诺，整个分析过程耗时约四周。该验证针对协议本身而非 Signal 应用的整体安全审查；团队还用该方法测试了含已知漏洞的旧版协议实现，AI 识别出问题并判定其未通过验证。谷歌表示尚无法确定该技术在更大范围推广的实际可行性，也未公布所需算力规模。
博士生资助机制应保护学生与导师意见相左的权利
Nature 刊文主张，博士生资助机制应保障学生表达与导师不同意见的权利。文章指出，当前资助安排可能使学生在学术分歧中处于不利地位，需在制度层面加以保护。
Google DeepMind 用 AlphaProof Code 形式化验证 Signal 协议生产代码
Google DeepMind 团队宣布用新智能体验证框架 AlphaProof Code 对 Signal 消息协议的实际生产代码完成形式化验证，作者称这是首次有广泛部署协议的真实生产代码被验证到这一深度。
图书馆与出版商如何共同理解使用 AI 的研究者与学生
在 Charleston 图书馆会议上，与会讨论多集中于生成式 AI 聊天机器人，却少有对研究者与学生如何使用 AI 的实证了解。文章主张图书馆与出版商借鉴 web-scale 发现层时代的用户研究经验，通过访谈、观察、日记研究等方法共同调查用户把哪些任务交给 AI、如何核验输出、需要哪些控制选项。作者指出图书馆掌握校园层面的实践情境、出版商掌握跨机构的使用数据，两者合作才能拼出更完整的图景。
用 LLM 构建并审核化学数据集：面向均相催化 PET 解聚的 LLM-as-a-Judge 框架
德国亚琛工业大学等机构的研究者提出一套带引用溯源的化学文献数据抽取与审核流程，由抽取模型生成带 chunk UUID 引用的结构化记录，再由独立的 LLM 审核模型逐字段核对原文并提出带引用的修正。
用大语言模型绘制灾害心理健康研究全景图：基于 PubMed 7,859 篇文献的计算分析
一项研究用 Claude Sonnet 从 PubMed 收录的 7,859 篇灾害与心理健康相关文献摘要中提取结构化变量，绘制出该领域的计算图谱。结果显示地震与流行病研究最多，热浪、寒潮等灾害关注不足；PTSD、抑郁、焦虑研究充分，攻击行为、自杀等问题相对被忽视。研究样本量中位数为 452，但机器学习、智能体建模、因果推断和 NLP 各出现在不足 1% 的文章中，研究地域集中于美国、日本和中国。
研究：生成式 AI 聊天助手出现后，183万篇工程论文的措辞发生了什么变化
一项发表于 Journal of Informetrics 的研究收集2015至2025年256种工程期刊的1,839,962篇文章，将12项措辞、风格与结构指标与各自2023年前趋势的投影比较。
Goodfire 研究称 Qwen3.6-35B-A3B 的神经元可作为可解释计算单元
Goodfire Research 发布研究，用稀疏化、归因工具和科研智能体分析 Qwen3.6-35B-A3B 的 MLP 神经元，提出神经元本身就是可解释的计算单元。
Sci Foo 首次移师新加坡举办
Digital Science 与 O'Reilly 团队宣布，第20年的 Science Foo Camp（Sci Foo）首次在新加坡举办，由 Google 等赞助。这是仅限受邀参加的“非会议”，无固定议程，汇聚全球科研、技术与政策人士，讨论气候、医学、机器学习与 AI 等议题。主办方称选址新加坡因其为研发枢纽，且便于亚太地区参与者。
La-JEPA 用潜空间世界建模训练紧凑机器人策略
alphaXiv 介绍论文 La-JEPA，它用预训练的 V-JEPA 视觉表征训练紧凑机器人策略，训练时同时预测未来场景表征和机器人动作，推理时只生成动作。在 RoboTwin 2.0 上，其 1B 模型达到 60.8%，对比 12.4B 的 Fast-WAM 为 39.9%，运行速度快 5 倍，并在四个任务上取得与 π0.5 相当的真实机器人表现。
11月9日
星期一，2 条斯坦福团队提出 BVSR 框架：限制任务信息提升 AI 科学家构思创造力
斯坦福大学团队在 arXiv 预印本中提出 BVSR 框架，把 AI 科学家的构思与筛选拆成两步：构思阶段刻意限制任务信息以扩大探索，筛选阶段从同一任务上已验证的提案及其结果中学习，挑出值得做昂贵实证评估的候选。
PARIS：面向PRISMA系统综述的开源多智能体LLM框架
PARIS（PRISMA Agentic Research Intelligence System）是一个开源框架，由运行在Claude Code中的调度智能体编排15个专用LLM智能体，覆盖从研究问题界定到导出稿件草稿的系统综述流程，并在研究纳入、语料充分性和综述提纲三处设置人工检查点。
11月10日
星期二，1 条Sakana AI 分享“现代AI之父”谈未来智能
“现代AI之父”谈未来：要达到人类水平的智能，尚需时间 https://www.nikkei.com/article/DGXZQOUC193Z80Z11C26A0000000/