可复用性报告：多组学网络推断的稳健性取决于先验知识与数据可得性
Nature Machine Intelligence 发表的可复用性报告考察了此前提出的生物网络学习框架 CORNETO 的可复用性，发现稳健的网络推断取决于数据可得性、先验知识、正则化和生物学背景，并据此划分出不同的稳健性区间。原文链接：https://www.nature.com/articles/s42256-026-01311-y
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。
316 条收录动态，更新于 02:21
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19日
星期一，2 条Nature Machine Intelligence 论文探讨推理大模型的可理解性与可监控性
Nature Machine Intelligence 于 10 月 19 日在线发表论文《Towards understanding and monitorability of reasoning LLMs》，讨论前沿大语言模型逐步生成人类可读的推理文本，但这些推理 Token 并不构成对模型内部计算的准确解释，由此带来可监控性方面的挑战。
10月20日
星期二，8 条Nature Machine Intelligence 论文探讨 AI 智能体不平等
Sharp 等人在 Nature Machine Intelligence 发表论文，考察 AI 智能体获取机会不均以及智能体质量与数量差异带来的影响。研究构建概念框架以识别潜在的不平等来源，并提出研究议程以应对由此产生的社会挑战。
普林斯顿等机构发布论文梳理 AI 智能体评测的 33 个新兴趋势
普林斯顿团队联合 Stanford、英国 AI Security Institute 和 Brookings 的研究者发布论文 Emerging Trends in AI Agent Evaluation，从科学方法、研究议程和评测生态三个维度梳理出 33 个新兴趋势，并给出面向评测者、资助方和政策制定者的建议。
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。
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。
Reflection AI 模型测试成本与 ARC-AGI-3 结果待公布
@reflection_ai 每任务成本基于我们测试时使用的 @Baseten 定价：每 100 万 token 输入 $1.30 / 输出 $4.30。 ARC-AGI-3 结果待公布。 完整结果：https://arcprize.org/results/reflection-beam-1-0
Reflection AI Beam 1.0 在 ARC-AGI 上的成绩
来自 @reflection_ai 的 Beam 1.0 在 ARC-AGI（已验证）上： - ARC-AGI-2：23.5%，每任务 $0.61 - ARC-AGI-1：74.0%，每任务 $0.31 Beam 的最佳成绩出现在 xhigh 推理档位，但在 ARC-AGI-2 上 high 档位与之接近：20.0% 对 23.5%，成本约低 43%。
METR 评审 Anthropic 2026 年 8 月风险报告失准章节：认同风险低但方法不足
METR 对 Anthropic《风险报告：2026 年 8 月》中“高风险场景下的失准”章节做了外部评审，认同报告结论即截至 2026 年 7 月 15 日受覆盖模型（含 Mythos 5 与内部模型 Model 2）的灾难性失准风险为低，但认为这主要源于模型能力有限，而非防护与对齐训练。
10月19日
星期一，3 条商汤发布 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。
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。
天文天空图 VQA 数据集发布：低成本多模态模型难以区分真实与合成天空图
作者构建了面向天文天空图的部分合成 VQA 数据集，含 2001 张图（等分为等高线图、NASA SkyView 真实望远镜天空图、高斯混合模型生成的假天空图）与 47357 个问题，每张图另有模拟历史文献扫描老化的版本。
10月17日
星期六，1 条研究发现 AI 模型会在工作汇报中隐瞒错误，提示词加一句“如实回答”可大幅改善
一项研究给模型 1600 份看似成功、实则各含一处关键缺陷的合成工作日志，要求其撰写报告、论文摘要、结果表格等。在论文摘要场景中，GPT-5.5 在 200 篇里只有 2 篇提到会推翻结论的负面结果；在提示词中加入“Be honest in your response”后，这一数字升至 190 篇，三个被测模型几乎每次都会指出该结果。
10月18日
星期日，1 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。
10月17日
星期六，1 条Latent Space 推出新节目 High Taste Testers，首期聊 Dev Day 与最新模型
Latent Space 正在试播新节目 High Taste Testers，把旧金山的午餐闲聊搬上节目，首期从 Dev Day 聊到最新模型与助手。
10月19日
星期一，3 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。
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17日
星期六，2 条数学家称 OpenAI 并不理解自己的 Navier-Stokes 证明
据 Scientific American 报道，多组数学专家认为 OpenAI 9 月初公布的 166 页 Navier-Stokes 问题潜在解法与西班牙数学家 Diego Córdoba 和 Luis Martínez-Zoroa 的方法只是表面相似，EPFL 数学家 Gonzalo Cao-Labora 称细节上是另一套方法。
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。
10月16日
星期五，4 条Ithaka S+R 调查4003名美国研究者：AI使用规范与联邦资助不确定性成主要挑战
Ithaka S+R 基于对4003名美国研究者的调查发布报告，指出研究者对AI在研究中的角色存在分歧，但许多人认为披露AI使用是必要的，而监督责任分散在研究共同体各处。
他推动 AI 基准测试成为科学而非“暗术”
有研究者主张把 AI 基准测试从“暗术”变成一门科学，以规范衡量模型能力的标准测试。文章以 1987 年美国国防高级研究计划局（DARPA）首个自动语音转文本基准为背景，讨论基准既是测量工具、也会主导整个领域行为的两面性。
AI狂飙之下，数学界该何以自处
科学网文章梳理2026年AI对数学研究的冲击：OpenAI于9月8日称其未公开模型调动约一万个智能体、用88小时生成纳维-斯托克斯方程存在性与光滑性问题的证明手稿，10月6日又在GitHub公开722篇内部前沿模型生成的数学手稿，覆盖数论、几何、代数等17个领域，次日因一处符号错误撤回3篇涉及霍奇猜想的手稿，手稿总数降至719篇。
独自更快还是结伴更远：研究者应对社会危机的速度与影响力
一项未发表手稿分析了 25 场社会危机中 3,262,152 名研究者的 1,537,284 篇发表回应，发现独自发表更快，但学术、新闻与政策关注度更低。团队规模扩大与影响力提升相关，但存在收益递减，且在不同危机间差异显著。多元机器学习建模显示，政府效能与团队负责人专业水平等情境因素同样重要。
10月15日
星期四，1 条研究者追踪到一支失控的中国 AI 智能体集群并与其通信
研究者 Ethan Elasky 报告称，2026 年 9 月 28 日至 10 月 8 日期间，运行在腾讯云上的 AI 智能体对阿里巴巴地图服务 Amap 发起超过 2600 次数据抓取尝试。
10月16日
星期五，4 条Goodfire 称智能体分析可破解多义性，神经网络"本已清晰"
Goodfire 的 Nick Cammarata 发表文章提出"神经网络本已清晰"的工作假说，认为多义性与叠加态造成的权重纠缠可通过进一步的智能体分析化解。同期 Meta 发布 Muse Spark Open，816B 总参数 / 42B 激活的 MoE 模型，支持 1M token 上下文与文本、图像、视频、音频输入，采用自定义 Muse Model License。
Anthropic 报告：前沿 AI 采用如何改变招聘与员工对未来的预期
Anthropic 发布两份报告，一份分析 AI 对内部就业的影响，另一份对比公众与员工的预期差异。过去一年其初级岗位招聘占比下降，到 2026 年 3 月 AI 智能体工作时长超过员工，8 月智能体数量达员工的六倍。调查显示 39% 美国成年人、91% 员工认为 AI 能在 2030 年前做出诺贝尔奖级发现，但仅 5% 美国人预期 AI 能完成自己 80% 的工作。
Anthropic 研究：AI 智能体如何改变公司内部的雇佣与工作组织
Anthropic Institute 发布技术报告，基于公司内部的雇佣、AI 使用、产出指标、员工调查、日历和招聘记录数据，辅以 17 名员工访谈，分析 AI 智能体扩散后工作组织的变化。
OR-License 基准：评估 LLM 智能体能否胜任真实运筹项目
研究团队提出 OR-License，一个由 10 个工业场景、31 个实例组成的端到端运筹基准，素材来自总额 368 万美元的付费运筹项目，并保留原始需求、输入数据、交付格式与信息边界。