全部动态

Promote：面向自适应金融研究智能体的任意时点有效晋升检验

Ai For Alpha 团队提出 Promote 协议，为每个候选交易规则在诞生时分配可预测的检验财富，仅用后续收益累积成本感知的 e-process，若总财富不超过 1 即可将错误晋升概率控制在 α 以内。

OmniQ 与 Residual Agents：AI 科学家复现计算量子论文的障碍与自改进方案

南洋理工大学团队提出专家审核的虚拟研究环境 OmniQ，把计算量子科学论文转成可执行复现任务，并据此评测 5 个 LLM 驱动的 AI 科学家与 6 个第三方 agent harness。

入选理由该研究把论文复现变成可诊断任务，并给出从专家修正中积累经验的自改进路径，对关注自主科研代理的研究者有参考价值。

PRIME：通过建模干预效果预测路由，改进 LLM 科研构思的反馈修订

武汉大学等机构提出 PRIME，一个可插拔的反馈到修订决策层，用于现有 LLM 科研构思系统：先对问题—假设—解决方案结构做归因，再用轻量 rollout 比较不同范围干预的预期效果与风险，最后编译为面向生成器的修订计划。

LLM 可直接读写神经网络权重，Weight-Space Programming 提出免梯度训练路径

Takehi 等人提出 Weight-Space Programming，让前沿 LLM 从自然语言目标出发直接检查和编辑神经网络权重张量，不依赖梯度下降或训练循环。

Anthropic 发布可验证推理原型 FlashProve，单张 H100 为 400B 模型生成证明约 110 tokens/秒

Anthropic 发布开源原型 FlashProve，用 zkSNARK 让用户在不接触模型权重的情况下验证回复确由所声明的模型生成。

MIT CSAIL 提出权重空间编程：GPT-6 Astra 改 Qwen3.5-0.8B 约 0.016% 权重，MATH-500 成绩升至 6 倍

MIT CSAIL 研究者提出「权重空间编程」，让 OpenAI 的 GPT-6 Astra 直接读取并修改 Qwen3.5-0.8B 的神经网络权重，仅调整约 0.016%（131072 个）参数，就使该模型在 MATH-500 上的成绩从 7.9% 提升至 48.1%，GSM8K 从 13.8% 提升至 67.1%，IFEval 从 21.0% 提升至 62.3%。

MIT CSAIL 团队提出权重空间编程，GPT-6 Astra 直接改写 Qwen3.5-0.8B 权重提升数学能力

MIT CSAIL 博士生 Rikiya Takehi 及团队提出“权重空间编程”，让 GPT-6 Astra 直接读写神经网络权重，不训练也不算梯度。据其博客介绍，实验只改动 Qwen3.5-0.8B 约 0.016% 的权重，MATH-500 从 7.9 升到 48.1，GSM8K 从 13.8 升到 67.1，并称修复了该模型的推理循环、指令遵循提升 3 倍。

MIT 博客：GPT-6 Astra 直接编辑 Qwen3.5-0.8B 权重，MATH-500 从 7.9% 升至 48.1%

alphaXiv 转述 MIT 的一篇博客，称 GPT-6 Astra 能在不计算梯度、不重新训练的情况下直接读取并编辑 Qwen3.5-0.8B 的权重，使其 MATH-500 成绩从 7.9% 提升到 48.1%。

GPT-6 Astra 直接改写模型权重

Astra 不断让我惊叹 🤯

DeepSeek V4.1 Flash 的 ARC-AGI 成绩

来自 @deepseek_ai 的 DeepSeek V4.1 Flash 1017 在 ARC-AGI 上的成绩（已核验）： - ARC-AGI-3：5.8%，$1.2K（provider adapter harness），0.2%，$1.0K（standard harness） 它在 ARC-AGI-3（5.81%）和 ARC-AGI-2（78.1%）上领先开放权重模型，并在 ARC-AGI-1（94.5%）上并列开放权重模型最佳成绩。

Delphi 平台核查生物学论断

一等奖 Delphi 构建了一个平台，依据文献、形式化证明和数据来核查生物学论断，报告了 1,763 条论断和 174 项数据测试。其飞鱼设计工作室将这些证据与模拟以及可3D打印的机身和鳍设计连接起来。 @xX_itsamit_Xx @ashleycaselli @Jdietz @kk_VirtualVerve

Virtual Brain 平台用多智能体审稿并模拟癫痫治疗，获三等奖

alphaXiv 公布 Virtual Brain 获得三等奖，该平台协调多个 AI 智能体审阅论文、构建个性化大脑模型并模拟癫痫治疗方案，由独立智能体核查工作。在一项盲法虚拟患者研究中，系统找出了全部四处已知流程缺陷，并将自身的治疗结论标记为不可靠。

VideoMemBench：MLLM 在视频对话中能记住多少？

研究者提出视频问答基准 VideoMemBench，用带跨轮依赖的多轮对话检验多模态大语言模型的“上下文视频记忆”，含 326 个视频、2,476 轮对话，其中 1,387 轮依赖前文。在 20 多个开源与闭源 MLLM 中，Claude Opus 5 总分最高也仅 45.7%。数据集与评测已公开。

研究揭示 on-policy 蒸馏在 RL 后能力整合中的泛化局限

针对多教师 on-policy 蒸馏（MOPD）在强化学习后能力整合中的泛化问题，研究者在 Qwen3 模型上评估数学推理、编程、智能体与长上下文任务，发现 OPD 与 MOPD 的分布内得分可达教师的 96.04-102.73%，但分布外得分比基座模型低 2.45-16.25%。

VisSearch-Bench 发布：204 项任务评测多模态智能体的长程视觉搜索

研究者提出 VisSearch-Bench，用 204 个人工编写的任务评测多模态智能体的长程视觉搜索，覆盖 7 个主领域、25 个子领域，包含集合式视觉搜索、序列式视觉搜索、宽深混合搜索、竞争性视觉消歧和视觉结构引导搜索五类任务。

MIT 的 Regina Barzilay 与 Jim Collins 获 Pritzker AI 科学研究卓越奖，表彰 AI 驱动抗生素发现工作

MIT 的 Regina Barzilay 与 James Collins 获得 2026 年 Pritzker AI 科学研究卓越奖，表彰其整合深度学习、生物工程与实验验证来发现抗耐药菌候选药物的工作。

Amazon 用 Lean 4 形式化证明 AWS Aurora 数据分发协议的鲁棒性

Amazon 自动推理团队用 Lean 4 形式化并证明了 AWS Aurora 分布式协议 Grover 的核心数据修复与迁移协议，证明其满足默认六副本容忍任意两节点同时故障的承诺，且证明不限定副本数。团队让 LLM 迭代提出规范并尝试证明或反例，过程中发现并记录了文档中的隐性假设与歧义，若照文档实现可能导致数据丢失。两种风格的协议形式也被证明等价，便于专家审阅。

Olam Labs 让 50 个 AI 智能体在 Minecraft 中生存三小时，自发形成官僚式分工

Olam Labs 将 50 个 GPT-6.1 Sol 智能体放入 Minecraft 生存世界三小时，唯一指令是建立繁荣文明，期间交换约 5900 条消息。

研究发现：好奇心或驱动人类大脑形成复杂结构

剑桥大学团队训练数千套学习模式各异的人工神经网络，发现好奇心最强的网络在新任务上表现更好，并自发形成分层模块化等类脑结构。研究还采集275名8至15个月婴儿的眼动追踪数据，据此设定网络的好奇心机制。高好奇心网络连接密度先升后降，与人脑发育规律吻合，估算对应年龄约20岁，缺乏好奇心的网络约9岁。

AutoAnalysis：自动自我更新的元分析显示人机组合优于人类单独但未达协同

MIT Sloan 的 Michelle Vaccaro、Abdullah Almaatouq 与 Thomas W. Malone 在 arXiv 预印本中提出 AutoAnalysis，由前沿 AI 智能体按预注册协议完成检索、摘要筛选、全文评审、效应量提取与合并，并按计划自动纳入新研究。

面向科学 AI 的可观测量特定有效性检验：受控近似与干预响应

研究提出"可观测量特定有效性记录"，把近似与其参考模型、误差度量、容差、参数域及变换或干预绑定，用于科学 AI 的可核查验证。在 16 次重复神经网络拟合中，施加量纲齐性使能量尺度迁移误差从 52.3% 降至 0.0768%，同时满足 gap 与响应容差的中位比例从 0 升至 100%。

利用大语言模型增强学术论文摘要与全文中的知识实体关系抽取

一项 arXiv 预印本研究系统比较了闭源 LLM 的 CoT 提示、LoRA 微调的开源 LLM、LLM 增强小模型（SLM）等多种策略在学术论文知识实体关系抽取（KERE）上的表现，并新增 SLM 增强开源 LLM、闭源 LLM 增强开源 LLM 两种策略。

Retrieve-then-Disambiguate：从文献中检索并消歧审稿人候选的开源算法

密歇根州立大学的研究者提出开源算法 Retrieve-then-Disambiguate，把审稿人发现表述为检索问题：先按标题摘要相似度检索相关论文，再对作者姓名做消歧，最后按领域相似度排序候选身份，不依赖预定义候选池。

智元联合清华、无问芯穹发布 CEL 群体经验学习：96 台真机实现机器人教机器人

智元携手清华大学、无问芯穹发布群体经验学习范式 CEL，让机器人以同伴的真实作业轨迹为经验来源，在插花、叠衣、手机充电、凳子组装、手机包装五项真实任务上训练的策略全部超过 6 名人类远程操作员平均水平，最高领先 16.7 个百分点。

ABACUS + DP 如何揭示多晶型 HfO₂ 的界面控相稳定性

合肥综合性国家科学中心人工智能研究院朱旭东与中国科学技术大学何力新团队在 npj Computational Materials 发表研究，用自研第一性原理软件 ABACUS 结合 Deep Potential（DP）机器学习力场，模拟 45 个含 10,368 个原子的 HfO₂ 两相界面，揭示界面取向与晶格匹配对晶相选择、界面钉扎和相变路径的影响。

SpecPilot 用自主智能体循环为推测解码发现算法与系统优化

SpecPilot 是一个自主智能体循环，针对每种部署自动发现推测解码的算法与系统优化，每轮由成本模型定位当前系统与上限之间的最大差距，并行智能体探索方向并整合成功方案，同时用 token forcing 对照原始系统检查输出以检测 reward hacking。

LeCun 与 Balestriero 用数学论证柏拉图表征假说并给出更优训练路径

alphaXiv 介绍 Yann LeCun 与 Randall Balestriero 的一项工作，从数学上表明在一定条件下，两个完全独立训练的 JEPA 可以学到基本相同的世界表征，一个从同一场景的不同图像学习，另一个从该场景的不同描述学习，全程不使用图像文本配对。

Exin Therapeutics 称 AI 智能体操控机械臂为小鼠完成脑部注射治疗癫痫

生物科技初创公司 Exin Therapeutics 本周声称，已让 AI 智能体操控机械臂对一只癫痫模型小鼠完成脑部注射。

视频世界模型的潜在预测误差何时能支持物理意外判断？

一项评估框架在 IntPhys2、Physion++ 和 Kubric 上检验视频世界模型的预测误差能否代表物理意外，发现 V-JEPA2 仅暴露有限的"可能/不可能事件"信息。

Simjecture 框架：语言模型智能体以反例驱动完成 Z-pinch 辐射能超额研究

西安交通大学团队提出开源框架 Simjecture，让语言模型智能体围绕人类设定的物理猜想做反例搜索与前瞻性假设修正，并以计算物理作为可执行检验平台。

入选理由作者团队公开了 Simjecture 框架与完整研究记录，研究者可据此判断反例驱动的智能体研究在计算物理中能承担到哪一步。