Stanford 的 Mihail Eric 谈 AI 原生工程教育：CS146S 课程与 Monaco 的智能体实践
Stanford 的 Mihail Eric 在 CS146S 课程中把作业改成向开源项目提交补丁，由维护者评审学生代码，因为斯坦福大二大三学生已普遍用智能体写代码。他在 Monaco 的团队评估代码评审产品后继续使用 Devin，但因后台智能体需要运行和复现故障的环境而自建工作区，其内部工具 Hal 可让工程师调查故障并开 PR。
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。
2,298 条收录动态，更新于 17:06
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9日
星期一，3 条世界模型需要多少次接触才能学会新游戏机制：MechEval 与 WARC 在 ARC-AGI-3 上的测试
研究团队在 ARC-AGI-3 交互式游戏基准上提出 MechEval，为 20 款游戏的 69 种反复出现的机制打标签，并按机制每次改变的环境格子给预测打分。
Perplexity队友助写书并出版Kindle
队友可以帮你撰写、出版并在Kindle上销售书籍
引用Jeff Grimes@jeffgrimes9I'm a published author now, thanks to my Perplexity teammate. I created a teammate called AuthorBot whose role is to write technical books. I asked it to publish a Very Short Introduction (in the style of Oxford University Press) to fault-tolerant quantum computing on Kindle. AuthorBot did everything itself: It pulled 92 papers from 1956 to 2026 as research, wrote an 8-chapter monograph with 64 equations and 13 figures, formatted the EPUB3 and 226-page print edition, submitted the book to KDP, and notified me when it had been accepted by Amazon.
11月8日
星期日，16 条本科数学教育该教学生什么：AI 时代如何培养数学理解力
在美国新泽西一所文理学院的两位数学教师看来，AI 已能自动完成练习、证明与计算等传统训练环节，本科数学课程必须教学生与 AI 系统协作。他们主张训练学生批判性核验 AI 输出、理解并解释以"陌生"形式呈现的结果，而非把思考过程外包给 AI。文章提到 2026 AMS Committee on Education Workshop Report 已开始调整研究生课程，但本科层面需要平行且持续的努力。
InfraRSI：用递归自我改进优化 LLM 训练基础设施
InfraRSI 是一套智能体框架，通过五阶段流程把开放式人类指令转化为经过验证的训练优化，覆盖启动参数、算子内核与通信调度。在四类单节点与多节点稠密及 MoE 大模型负载上，它实现最高 2.75 倍加速，平均 MFU 从 17.4% 提升至 30.0%，优于现有调优器和编程智能体，并可跨 GPU 迁移经验。
上海交大团队构建 AI 原生科学实验室 AutoDNA，实现自主分子生物学实验操作并登上《自然》
上海交通大学陈海波、王肇国团队与樊春海、王飞团队合作构建 AI 原生科学实验室 AutoDNA 装置（思源一号），实现自主分子生物学实验操作，成果发表于《自然》并获该刊官网首页头条报道。
入选理由AutoDNA 把文献检索、方案设计到仪器执行串成闭环，研究者可据此判断自主实验在分子生物学场景的落地边界。
“苦涩教训”提出者 Richard Sutton：LLM 扩展的苦涩教训
图灵奖得主 Richard Sutton 近日发帖称，仅靠原始算力不足以实现智能，AI 科学需要更聪明的新方法，且“远未完成”。他此前曾批评单纯扩展大语言模型的局限，并称合成数据是“大错误”，主张智能体应具备世界模型、能从自身经验持续学习。AI 研究者 Jerry Tworek 则回应称苦涩教训仍成立，但算力投入越多算法越重要，部分算法能扩展、部分会走进死胡同。
Google DeepMind 科学发现节奏迎来相变
在 @GoogleDeepMind 我们的各个项目中，我们正目睹科学发现速度发生真正的相变。未来几周我们的发布中，你将窥见一斑。
STAT+：最新心脏病药物试验接连失败，为何应对 AI 炒作保持怀疑
美国心脏协会年会上公布的两项研究显示，基于遗传学预期的心脏病新药接连落空：Novartis 的 pelacarsen 虽降低了血液中的 lp(a)，却对心脏病发作和中风发生率无效；Novo Nordisk 靶向 IL-6 的抗炎药同样未显示获益。STAT 资深撰稿人 Matthew Herper 据此指出，这类"新技术加速新药上市"的承诺屡屡落空，公众应对 AI 治愈疾病的炒作保持怀疑。
NVIDIA 论文提出 VFlash：并行生成视觉规划，机器人规划延迟降低约 80%
NVIDIA 的新论文 VFlash 提出用轻量扩散模型并行预测整条轨迹、边界框和 3D 运动，而不是逐个坐标生成视觉规划，使机器人规划延迟降低约 80%，同时提升空间精度。在 MolmoSpaces 上，动作模型使用 VFlash 生成的规划后，机器人任务成功率从 62.6% 提升到 70.2%。论文链接：https://www.alphaxiv.org/abs/2611.08449
Hinted Scaling Laws 用提示辅助小模型预测大模型难题表现
alphaXiv 介绍了一篇提出 Hinted Scaling Laws 的论文：给小模型不同程度的帮助（如部分解题步骤），观察其准确率如何提升，再用这些规律预测大模型在无提示条件下的表现。在 GSM8K、AIME 和 HLE 上，该方法把预测误差中位数从 21% 降到 4.3%。论文链接：https://www.alphaxiv.org/abs/2611.02270
Sutton 谈 AI 的苦涩教训
苦涩教训 2.0
引用Richard Sutton@RichardSSuttonBrute force computation is not enough for intelligence. Clever new methods are needed. The science of AI is far from finished. IMHO
OpenAI GPT-6.1 Sol 参与活体小鼠脑手术，三次操作后定位误差减半
Exin Therapeutics 披露，OpenAI 的 GPT-6.1 Sol 连续参与三次活体小鼠脑部手术的解剖标志定位任务，识别 Bregma 和 Lambda 的耗时从 169 秒缩短至 86 秒，定位误差从 0.6 毫米降至 0.3 毫米，人工纠正从 4 次减至 2 次。
Elicit 亮相 ISPOR 维也纳展会
如果你本周在维也纳参加 @ispororg，欢迎来 205 号展位聊聊 Research Agent 以及 Elicit 正在发生的种种精彩。我们正让重大决策更容易站得住脚。
alphaXiv孟买首届Paper Club聚焦持续学习
孟买首届Paper Club聚会的美好夜晚！ 很高兴与大家相聚，深入探讨持续学习的最新研究 感谢Shweta博士在Homi Bhabha科学教育中心接待我们 祝所有庆祝排灯节的人节日快乐 🪔
alphaXiv 致谢论文领读人
特别感谢 @calvingenuity 牵头并为小组展示以下论文 https://alphaxiv.org/overview/2606.24752
芝加哥大学教授 Frank Calegari：AI 时代数学人才招聘将更看重研究愿景与表达能力
芝加哥大学数学教授弗兰克·卡莱加里在陶哲轩博客发文提出，AI 能批量生成证明后，数学人才招聘应更多依赖面对面交流而非书面材料，30 分钟面谈即可区分批量产出低质量成果者与有清晰研究愿景者。他批评仅凭一篇论文或一项成果录用学生的“懒惰的评审委员会”，并主张院系应更认真培养研究生的数学表达能力。
埃森哲报告被指含 15 条虚假引用和虚构案例，公司否认系 AI 幻觉所致
GPTZero 分析称，埃森哲与马德里 IE 大学研究人员合作发布的《跨越式发展》报告涉嫌包含 15 条虚假引用和完全虚构的案例研究，该报告探讨 AI 如何提高非洲农业产业生产力。
11月7日
星期六，1 条Retraction Watch 周末阅读：Francesca Gino 对哈佛的诉讼被驳回；科学侦探简史；中国争议性临床试验放缓
Retraction Watch 周末汇总提到，Francesca Gino 对哈佛商学院的合同与歧视指控被驳回，其联合创始人的《现代科学侦探简史》同期发布。中国在患者死亡后出现大量争议性临床试验放缓，其中一项由该媒体率先报道。另有研究者称 AI 文章评审“优于人类最佳水平”，并讨论 AI 虚构引用是否应视为学术不端。
11月8日
星期日，1 条新研究：AI 审计智能体能抓出多数智能体不当行为，但误报淹没人工复核
Anthropic Institute 研究员 Andy Hall 在 Substack 发布一项复现并扩展 METR 研究的分析，用 GPT-5、GPT-5 nano、GPT-6 Astra、Opus 4.8 和 Gemini 3.8 Flash 审查 METR MALT 数据集中人类标注过的智能体日志。
11月7日
星期六，9 条32家新实验室融资与创始人引用对比
我们梳理了32家新实验室（neo-labs）的融资额与创始人引用量 它们的创始团队累计获得835万次引用，融资总额近260亿美元 Discovery Loop以159万次创始人引用领先，其次是SSI（91.5万）和AMI Labs（75.2万） 两者存在相关性，但高引用量显然并非成为新实验室的先决条件（参见Standard Intelligence和Flapping Airplanes）
alphaXiv 机构资助引用可视化页面
Artifact，点击每个机构即可查看对应的 alphaXiv 来源页面：https://neolab-funding-citations.fzk23.chatgpt.site/
METR 报告称 Anthropic 模型改进速度约为一年前两倍，多数证据被删节
AI 安全研究机构 METR 在 Anthropic 内部进行 11 周调查后发布报告，称 Anthropic 的模型改进速度约为一年前的两倍，基准分数显示其过去一年取得约两年的历史进展，研究者认为加速主要来自 AI 而非算力扩张。
九个 AI 智能体挑战美国国家实验室开放问题，135 份投稿无一达到专家标准
一项研究让 Claude Opus 4.8、Claude Opus 5、Claude Fable 5、Claude Opus 5.5、GPT-5.6 Sol、GPT-6 Astra。
入选理由这项基准用美国国家实验室研究者的开放问题检验九个智能体，显示自主科研的短板集中在自我核查与诚信环节。
Zyphra 提出 ZHA 分层注意力压缩 KV-cache
Zyphra 新论文提出 Zyphra Hierarchical Attention（ZHA），将 KV-cache 组织成压缩摘要树，查询自上而下搜索以缩小需关注的 token 范围。
谷歌 AI-PPG-ACC-HTN 系统用消费级智能手表检测高血压，成果登 Nature
谷歌发布 AI-PPG-ACC-HTN 多模态 AI 系统，无需袖带校准，用普通消费级智能手表被动检测持续高血压迹象，相关成果发表于 Nature。
WorldFoundry 开源世界模型推理与评测基础设施
WorldFoundry 是一套开源基础设施，面向视频、3D 与 4D、具身动作和交互式世界系统，提供可复现的推理与评测。它把模型与基准发现、运行时与资产准备、执行编排、产物管理和交互式可视化统一起来，并通过显式清单、产物契约和证据感知评分卡把执行就绪与评测结论分开。其目录收录 270 个模型条目、74 个基准和 62 个已登记指标条目，就绪与执行证据分别记录。
苹果披露人形机器人 HALO 系统：调用千问模型在宇树 G1 上验证，单项任务平均成功率 91%
苹果研究团队在 arXiv 预印本论文《Perceptive Humanoid Motion from Simulation》中披露人形机器人自主控制系统 HALO，并公开数据生成、模型训练与部署代码。
PSI 借助 Anthropic 未发布模型证明阿伦森－安拜尼斯猜想
物理研究机构 Physical Superintelligence（PSI）宣布，借助 Anthropic 一款尚未发布的 AI 模型证明了量子计算领域的阿伦森－安拜尼斯猜想，该猜想自 2008 年提出以来一直未获证明。