全部动态

WikiTrace 用证据链接记忆减少 LLM 智能体的记忆诱发退化

研究者提出证据链接记忆系统 WikiTrace，让 LLM 智能体在采用某条经验前可沿链接回溯其来源轨迹，核对或修正错误经验。每条经验以简洁洞见形式存储，并链接到该轨迹成功或失败原因的摘要及原始轨迹；新任务中遇到细节不足、相互冲突或来自失败任务的经验时，智能体用终端工具沿链接下探补全或纠正后再行动。

MMDM 基准发布：5,448 道题评测决策模型在多任务决策中的表现

研究者提出 MMDM（Massive Multitask Decision Making）基准，包含 16 个任务类别的 5,448 道题，覆盖智能体状态跟踪、工具与技能选择、偏好判断和评分量表打分等场景，选项空间从 2 到 1,024，输入最长 64,817 Token。

PFN 小鼠尾静脉自动注射机器人 AUTiv 获第12届机器人大奖“日本机械工业联合会 会长奖”

Preferred Networks（PFN）设计开发的小鼠尾静脉自动注射系统 AUTiv 获第12届机器人大奖“日本机械工业联合会 会长奖”，评奖肯定其高精度给药、降低穿刺失误与针刺事故、减轻实验者负担。该系统据称是全球首次实现无麻醉小鼠尾静脉自动穿刺与给药，已向日本国立研究机构、大学和制药企业交付约20台，并决定追加生产。

Google 用 Gemini 4 Carbon 与 AlphaProof Code 形式化验证 Signal 协议代码

Google 团队用 Gemini 4 Carbon 配合 AlphaProof Code，对 Signal 协议底层代码做形式化验证，一直核验到编译后的设备代码。Gemini 4 Carbon 生成超过 600 万行经机器校验的 Lean 证明，把原本需要数年的专家人工验证压缩到数周，约 1% 的代码库需要人工复核，其余由 Lean 自动检查。Google 表示将向安全社区开源这一结果。

CyberBinGym 基准：AI 智能体能否把二进制补丁变成真实漏洞利用

加州大学伯克利分校 RDI 等机构发布预印本 CyberBinGym 基准，考察 AI 智能体在只有已打补丁与未打补丁二进制、无源码和触发输入时，能否恢复漏洞并完成利用。

微软研究：重编程休眠神经元可在AI智能体中植入后门

Microsoft Research 新研究显示，重编程 AI 智能体中少量休眠神经元即可植入后门，使智能体平时表现正常、遇到特定触发条件才激活异常行为。微软建议企业核查模型来源并审慎管理权限，Microsoft Foundry 为 Azure Direct Models 和 Hugging Face 模型提供来源安全机制。

Berkeley RDI 提出 Aqueduct：用 Lean 证明智能体改写程序与原程序等价

UC Berkeley 与 AWS 的研究者提出让编码智能体加速现有函数，并在 Lean 4 证明助手中证明加速版本 f′ 与原函数 f 对所有输入返回相同结果，以现有代码本身作为规格。

Gemini 4 Carbon 在 ARC-AGI 基准上的成绩

来自 @Google 的 Gemini 4 Carbon 在 ARC-AGI 上（已核验）： - ARC-AGI-3：99.1%，$4.6K（provider adapter），65.1%，$7.2K（标准测试框架） - ARC-AGI-2：94.2%，$0.38/任务 - ARC-AGI-1：98.5%，$0.16/任务 在标准测试框架下，Carbon 在 ARC-AGI-3 上以 18 个百分点击败了其前代 Argon。

Gemini 4 Carbon 登 ARC Prize 排行榜

@Google - 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 - Gemini 4 Carbon 完整结果：https://arcprize.org/results/google-gemini-4-carbon

Gemini 4 Carbon 在 ARC-AGI 基准上的成绩

来自 @Google 的 Gemini 4 Carbon 在 ARC-AGI 上（已核验）： - ARC-AGI-3：97.7%，$4.4K（provider adapter），65.1%，$7.2K（标准测试框架） - ARC-AGI-2：49.6%，$0.10/任务 - ARC-AGI-1：98.5%，$0.16/任务 在标准测试框架下，Carbon 在 ARC-AGI-3 上以 18 个百分点击败了其前代 Argon。

Gemini 4 Carbon 登 ARC Prize 排行榜

@Google - 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 - Gemini 4 Carbon 完整结果：https://arcprize.org/results/google-gemini-4-carbon

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。

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。

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。

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。

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。

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。

Sage-Taiyi 元认知架构在科研构思基准居首，化学实验验证提升产率

研究团队提出元认知架构 Sage-Taiyi，用积累的科学理解指导下一步研究什么、如何研究，并通过显式监控与调控修正对证据、假设和未解问题的判断。

ABACUS+DP 如何揭示液态水氢键网络在液态高次谐波产生中的关键作用

中国科学院精密测量科学与技术创新研究院团队在 Physical Review A 发表研究，用国产开源密度泛函理论软件 ABACUS 结合深度势分子动力学与 rt-TDDFT，揭示液态水氢键网络对高次谐波产生的影响机制。

Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2，重夺全球 LLM 第一

Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2，在 Artificial Analysis Intelligence Index v5 上以 65 分重回第一，超过 Gemini 4 Carbon（60）与 Opus 5.5（59）。

用婴儿家庭真实录音训练的大语言模型复现语言习得过程

一项新研究在8个家庭中为儿童出生后前1,000天每天录制12小时家庭环境声音，用这些数据训练的人工智能模型学会了区分语音并建立起数千词的词汇，方式与每个孩子自身的发展相呼应。作者称该方法"提供了将儿童学习理论转化为可直接对照儿童真实发展进行检验的计算模型的框架"。

Claude Fable 5.2 刷新 ARC-AGI-3 高分

来自 @AnthropicAI 的 Claude Fable 5.2 在 ARC-AGI（已核验）上的表现： - ARC-AGI-3：97.7%，$18.6K（provider adapter harness），81.2%，$21.9K（标准 harness） - ARC-AGI-2：93.8%，$0.98/任务 - ARC-AGI-1：98.5%，$0.36/任务 Fable 5.2 在标准 harness 下创下 ARC-AGI-3 新高分。

Claude 凭四张分子结构图在约半小时内写出完整合成路线

Anthropic 的 Claude 官方账号称，Claude 仅凭四个分子各一张结构图，在无联网、只能使用代码的条件下，用约半小时写出了一条完整合成路线。该账号称，规划并执行复杂分子的反应路线（route）是有机化学中最难的工作之一。上述结果来自厂商自述，未给出分子名称、路线细节或验证方式。

Claude 智能体在 42 列车时刻表问题上改进 MIPLIB 最优解 2.6% 并证明其最优

Claude 官方称，在一个为 42 列车排时刻以削减峰值用电的问题上，智能体在不到两小时内得到的时刻表比 MIPLIB 现有最好解优 2.6%，随后证明不存在更好的时刻表。相关解已提交给 MIPLIB 供任何人核查。

Claude 称 Fable 5.2 解决黑洞理论物理两个开放问题

Claude 官方账号称，Fable 5.2 解决了理论物理中与黑洞相关的两个开放问题。其中第一个是一项已悬置 23 年未解的计算，Fable 5.2 完成了这项繁重的计算工作。原文未给出论文、验证方式或结果细节。

Claude 在 MIPLIB 的 203 个开放优化问题上改进 72 个解

Anthropic 的 Claude 官方账号称，在 MIPLIB 优化问题库的 203 个开放问题上，Claude 在 72 个案例中优于所列数学解，并在 45 个案例中证明某个解为最优。MIPLIB 收录的是机组排班、配送车辆调度等混合整数规划问题，上述数字来自发布方自测。

Anthropic 用 1000 个 Claude Fable 5.2 智能体在 28.7 小时内完成费马大定理形式化证明

Anthropic 报告一项玩具实验：1000 个运行 Claude Fable 5.2 早期版本的智能体在 28.7 小时内完成了费马大定理的形式化证明，未使用 Prove2Me 平台，也没有研究者全程指导。

Fable 5.2 登顶科研智能体基准

Fable 5.2 现已成为智能体科研的 SOTA Fable 5.2 在 Terminal-Bench-Science 0.1 上得分 74.6%，较 Fable 5.1（52.6%）大幅跃升，并领先于 Opus 5.5（58.7%）和 GPT-6 Astra（68.1%） 使用 Fable 5.2 的 Autoresearch 现已上线 https://openresearch.sh/

Anthropic 测试 Claude 设计真实电子硬件：三款设备原型一次成型

Anthropic 与电路板设计公司 Diode Computers 合作，让 Claude Fable 5.2 仅凭简单提示词完成扬声器电话、语音助手中枢和掌上电子宠物三款设备的设计，包括规格、原理图、PCB 布局布线、3D 打印外壳、固件和物料清单，Diode 按设计文件直接制造并组装出可正常工作的原型。

入选理由Anthropic 与 Diode 用 Claude Fable 5.2 从提示词走到可运行硬件原型，展示了模型在电路板布局与制造约束上的进展边界。

百度发布 ERNIE Evolve 自动化研究系统，在多项基准上超过 NanoChat 与 NanoGPT 记录

百度发布 ERNIE Evolve 自动化研究系统，给定代码库、目标和评估标准后，系统自行选择研究方向、修改代码并运行实验，只有通过隐藏评估器和独立审查者的改动才会保留。