全部动态

alphaXiv 的 OpenResearch 支持本地运行 Flint 模型执行科研任务

alphaXiv 宣布 OpenResearch 现在可以在不离开本机的情况下运行前沿速度的科研任务。其接入的 Recursive_SI 的 Flint 是本地代码模型，在 MacBook Pro 上达到 125+ tokens/sec，试用入口为 https://github.com/alphaXiv/OpenResearch。

Base Labs 发布 mammoth-1 与 elephant-1

Base Labs 发布 release mammoth-1 和 elephant-1，超越 Jev，继续向前推动 decision model 最重要的： 开放权重和 technical report！

Recursive首款模型Flint上线OpenRouter

来自 @Recursive_SI 的 Flint 现已登陆 OpenRouter！ Recursive 的首款模型：一个开放权重 40B MoE（约 2.5B 激活参数），由其自动研究系统 Eureka Machine 为编程智能体打造。262K 上下文，支持推理与工具调用。 Recursive 报告称：Terminal-Bench 2.1 上 54.9%，SWE-bench Pro v2 上 89.7%，SWE-bench Verified 上 74.2%。 发布时可免费使用。 立即体验：https://openrouter.ai/recursive/flint-v1.0:free

R^2Orch：通过技能内化循环中的自我对弈实现智能体编排的递归自我改进

R^2Orch 提出“递归自我对弈编排”范式，内层循环让编排器在自选任务上自我对弈提升，外层循环改进内层循环的改进方式。配套的 Recursive Learnability 训练目标奖励 Proposer 选择技能撤除后结果仍分化的任务，Skill Withdrawal 则在受控评估显示撤除某技能后表现不变时将其移除，两循环形成闭环并趋向零技能部署。

Recursive发布开源编码模型Flint

Recursive发布了Flint，这是其首个开放权重编码模型，采用Apache 2.0许可证，速度比同类替代方案快2倍。 > Flint是一个40B参数的混合专家模型，用于本地编码。 > Recursive报告称在64GB RTX Spark上达到每秒超过220个token。 > Recursive的Eureka Machine——一个用于运行AI研究实验的系统——编写了自定义GPU代码，在不改变权重的情况下使Flint在RTX Spark上提速55%。

Sakana AI 开源 QD-Rec 推荐系统，用质量与多样性演化推荐理由

Sakana AI 开源 QD-Rec，把开放式搜索用于推荐任务，同时搜索推荐什么以及为什么推荐，为每个候选配上解释其为何契合决策者目标的自然语言假设。系统由上下文赌博机、LLM 生成假设和存档三部分组成，在收购标的发现、客户定位和论文推荐三类任务上评测，多数设置下 LLM 评分平均质量最高，存档通常也最大。

alphaXiv OpenResearch（ORX）v0.2.20 发布：新增实验追踪与历史视图

alphaXiv OpenResearch（ORX）发布 v0.2.20，新增 Trackio 与仅文件式 TensorBoard 实验追踪支持，并为实验表与总览加入展示实验分叉与各次尝试改动的 History 视图。

上海AI实验室等推出自进化合金设计专家模型书生·衍金，3D打印钛合金抗拉强度达1817MPa

上海AI实验室联合中国科学院金属研究所、苏州国家实验室、上海电气推出自进化合金设计专家模型书生·衍金（AlloyEvo），由AlloyDes生成候选方案、AlloyLLM预测性能与机理、AlloyExp沉淀经验卡三模块协同迭代。

入选理由材料交代了AlloyEvo的设计、评估与经验沉淀模块及钛合金实测结果，材料研究者可据此判断AI驱动合金研发的可用范围。

NVIDIA 发布 Cosmos3-H-Dreams 手术生成模拟器，基于临床胆囊切除录像训练

NVIDIA 发布 Cosmos3-H-Dreams，一个基于 Cosmos3-H-Embodied-Nano 训练、可从视频与机器人运动学学习的手术生成模拟器，能在单张 RTX PRO 6000 GPU 上实时运行。

Jim Fan 团队开源机器人数据引擎 Flora，称成本比 Astra 低 125 倍

Jim Fan 团队开源了 Flora，一套用于解析物理世界、把原始视频转成训练信号的开源模型，并公开模型权重。Flora 已在其内部数据引擎中运行，每天在 500 块 GPU 上为 20 万小时视频打标。它提供带时间戳的高质量描述用于筛选人类第一视角与机器人数据、用于质量控制和强化学习后训练的密集进度奖励，以及面向真实世界基准的评分规则。

alphaXiv：科研智能体仍处早期，将迎自动化研究革命

alphaXiv 认为科研智能体的采用仍处早期，当前大致相当于编程智能体 12-18 个月前的水平：多数研究者只愿把范围狭窄的单项任务交给智能体，模型使用也集中在少数闭源前沿模型上。其预测，多数研究者很快会让智能体端到端探索实验路线，开源模型也将成为有竞争力的替代选项。相关排名可在 openresearch.sh/rankings 查看。

Sakana AI 提出推荐方法 QD-Rec，用进化式探索生成多样候选与假设

Sakana AI 开发了推荐方法 QD-Rec，把 Quality-Diversity（QD）进化式探索技术用于推荐，在有限评估预算下同时探索候选与假设的组合，保留新角度提案、合并相似提案，以积累多样化的推荐集合。

Ai2 发布 FairStress 基准，评测大语言模型决策公平性在说服压力下的稳定性

Ai2 发布 FairStress 基准，用于测量大语言模型在涉及人的决策中，除最终选择之外的群体公平性，并已开放下载、接入其评测工作台 Olmo-eval。该基准包含 29 个领域的 300 个双候选人决策场景，通过替换人口身份表述并施加对抗性前缀，扩展出超过 1300 万个测试用例，另提供基于项目反应理论筛选的 5 万条子集 FairStress-Core。

AnyGoal：世界模型在专家轨迹之外的泛化基准

研究者提出 AnyGoal，一个由常用世界模型环境构建的目标偏移任务变体基准及开源库，用于检验世界模型能否把熟悉的状态与动作因子重组为有效动力学。每个任务中单个状态因子和动作仍在训练支持范围内，但其组合在专家轨迹中出现不足。在多个环境和世界模型家族上，当前模型在这类重组下持续失败。

EpiLens 开源轻量 RAG 包发布，用于流行病学文献结构化提取

ISI Foundation 团队发布开源轻量 RAG 包 EpiLens，用固定检索模板和输出 schema 对语料中每篇论文做同样的结构化分析，并把每条输出链接回原文段落。

用弱监督域内适配改进 SPECTER2 科学嵌入，用于探索性文献图谱构建

捷克科学院团队用 OpenAlex 书目耦合关系构造正样本，以轻量 LoRA 适配器微调 SPECTER2，在 704 篇人工意识主题文献的 ArtCon 语料上做弱监督域内适配，无需人工标注相似度标签。

MIRA：面向可控图文报告的深度研究智能体

斯坦福大学、香港科技大学、京东等机构的研究者提出 MIRA，一个面向可控图文报告生成的多模态深度研究智能体，把用户对报告粒度、图文构成和证据溯源的要求写成生成契约，串起证据收集、报告提交、反馈修订和最终交付四个阶段。

OpenSaC 开源 Python 库发布，让深度研究智能体以代码组织检索

中国人民大学与新加坡国立大学的研究者发布开源 Python 库 OpenSaC 及配套 Search as Code skill，让 Codex、Claude Code 等编码智能体用 Python 程序组合搜索、内容抓取、重排和模型调用，并保留来源供检查复用。

研究追踪七个开源 RL 训练框架：1598 篇方法论文中仅 37 篇被纳入

一项预印本研究追踪七个开源强化学习后训练框架的提交历史，并将其与 2025 年 1 月至 2026 年 6 月间筛选的 6939 篇 arXiv 论文关联，发现提出通用 RL 训练方法的 1598 篇论文中只有 37 篇进入至少一个框架。

面向智能体的缓存工程：AKV 服务引擎与 drop/repos 缓存操作

研究提出“缓存工程”方案，让 LLM 智能体直接控制活跃 KV 缓存，通过 drop 将选定缓存排除出后续注意力、用 repos 调整保留键的位置编码，无需修改轨迹或重新预填充。

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。

蚂蚁 inclusionAI 发布医疗专用模型 Ling-3.0-flash-Sante，权重已在 Hugging Face 和 ModelScope 开放

蚂蚁 inclusionAI 发布医疗专用模型 Ling-3.0-flash-Sante，基于 Ling-3.0-flash 构建，总参数 124B、每 token 激活 5.1B，权重已在 Hugging Face 和 ModelScope 开放。

ARC Prize 公布 Beam 1.0 测试结果

@reflection_ai @baseten - 排行榜：https://arcprize.org/leaderboard - 复现公开结果：https://github.com/arcprize/arc-agi-benchmarking - 测试政策：https://arcprize.org/policy - Beam 1.0 完整结果：https://arcprize.org/results/reflection-beam-1-0

Sakana AI 提出 QD-Rec 推荐方法，在论文推荐等三类任务上验证

Sakana AI 开发了推荐方法 QD-Rec，把候选与说明选择理由的假设成对作为推荐单位，由生成式 AI 参考已有优质假设反复生成新假设，以积累质量高且角度不同的推荐。

OpenBMB 提出 Trident：解决多模态检索中文本压过图像的问题

OpenBMB 发现多模态检索器在纯文本和纯图像语料上表现良好，但在图文混合语料上明显退化，并将这一现象称为 Chaos in the Text。分析显示存在系统性的模态偏好：文本常比语义对齐的图像获得更高相似度分数。

商汤发布 GPT-6-Astra 具身智能实证研究并开源 SenseNova-RoboRSI 框架与 27B 模型

商汤发布对 GPT-6-Astra 具身智能的实证研究，覆盖 12 个仿真基准和 8 个真实机器人平台，并同时开源 SenseNova-RoboRSI 框架与一个 27B 模型，称其运行成本约为 GPT-6-Astra 的 1/50。

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。

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。

SpatialScout 基准发布：评测 VLM 智能体能否主动探索并构建三维物体地图

研究团队提出 SpatialScout 基准，用于评测视觉语言模型（VLM）智能体在主动物体级三维建图上的表现，包含 80 个室内场景和 3,140 个目标物体。

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。