主题档案
尚未经过同行评审的预印本成果，阅读时请留意证据阶段。
35 条精选近 30 天 23 条共收录 429 条
MIT 等机构的研究团队开发了一种机器学习后处理层，通过学习历史数据修正现有预报模型的误差，在两周到六周的次季节预报中把黄金标准模型的预测能力提高了一倍，并首次在该时间尺度上超过气候平均值。相关论文发表在 Nature，该方法在 ECMWF 的预报竞赛中获第一名，对极端天气的预测也有统计显著提升。该模型是开源、低成本的附加组件，可搭配任意预报模型使用，肯尼亚气象部门已联系希望用于改进季风预报。
入选理由：研究团队用后处理层修正现有预报模型误差，把两周到六周的次季节预报准确率提高一倍，并开源低成本，能源与农业用户可据此评估部署可能。
一项预印本研究让 GPT-4o 审阅 2024 年 AFA 年会和 NBER 金融会议上的 280 篇论文，再对照其两年内是否发表于 Journal of Finance、Journal of Financial Economics、Review of Financial Studies。
入选理由：用 2024 年 AFA 与 NBER 会议论文对照两年内顶刊发表结果，量化了大模型审稿在哪些维度上有信息、哪些没有。
Amazon Web Services 团队提出 priming 方法，利用预训练 Transformer 权重作为起点，将混合架构的预训练成本降低 99% 以上，相关论文题为《Priming: Hybrid state space models from pre-trained Transformers》。
入选理由：Amazon Web Services 提出 priming 方法，把混合架构的预训练成本降低 99% 以上，并开源 8B 与 32B 模型，研究者可据此低成本比较不同状态空间层。
New Research: We are releasing ExplorationBench, a benchmark for measuring how AI systems explore. Scientific discovery begins where known problems end: a system has to frame hypotheses, design experiments, and learn from the results. Evaluating this is hard. Genuinely new answers cannot be checked quickly, and in familiar domains a model can simply recall what it has seen. Addressing this challenge, researchers from Tencent Hy, Fudan University, and Tsinghua University built verifiable Alien Worlds. Their rules are executable, so every answer is checked exactly, and they conflict with familiar knowledge, so recall alone cannot solve the tasks. 🔹 Two sandboxes: AlienCode (31 hidden rule changes, 70 tasks) and AlienLogic (24 patched inference rules, 70 theorems) 🔹 A flawed manual, four rounds of self-designed probes, and closed-book tests after every round 🔹 Every answer graded by an interpreter or a proof checker, with no LLM judge What we found across 10 frontier AI systems: 1️⃣ Getting feedback is more effective than thinking alone. No AlienCode run starts above 15.7%; after four rounds the best reaches 89.0%, while the same turns without feedback stay at 0.5–11.0%. 2️⃣ Designing the experiments matters. Replaying a system's own best probes gives it exactly the same evidence, yet in AlienCode 9 of 10 systems do worse than when they chose the probes themselves. 3️⃣ Knowing a rule is not using it. Even when every required rule is stated correctly, tasks are solved only 73.4% of the time. 4️⃣ One score hides a lot. The same system under the same budget ended anywhere from 5.7% to 79.0%, and rankings barely transfer between the two worlds. CL-bench asked whether models can learn from context. ExplorationBench asks whether they can discover the rules themselves. 📄 Paper: https://arxiv.org/abs/2609.30199 🌐 Website & leaderboard: https://explorationbench.com 📝 Blog: https://explorationbench.com/blog/ 💻 Code (coming soon): https://github.com/Tencent-Hunyuan/ExplorationBench
Tencent Hy@TencentHunyuan入选理由：腾讯混元联合复旦、清华发布可验证基准，用规则可执行的外星世界考察 AI 能否自主发现规则，而非依赖记忆。
Ai2 宣布其 Bolmo 字节级语言模型研究已发表于 Nature，并在 Hugging Face 发布新检查点，把 byteifying 方法从 Olmo 扩展到其他模型家族。
入选理由：Ai2 公开了把子词模型转换为字节级模型的 byteifying 流程与检查点，研究者可据此评估字节级路线能否替代固定词表方案。
Google 发布与全球卫生伙伴合作的多篇研究论文，展示 Google Earth AI 结合卫星影像、移动性数据与 AlphaEarth Foundations、Population Dynamics Foundation Model（PDFM）等基础模型，用于疾病暴发预测与社区健康趋势分析。
入选理由：Google 把地理空间基础模型与人口动态模型接入公共卫生预测，研究者可据此判断这类模型能否用于疾病监测与资源调度。
Meta Reality Labs 与 FAIR 等机构的研究者提出 IdeaScientist，把科研构思拆成找研究空白、跨领域借鉴机制、撰写完整提案三个子智能体，用异步 GRPO 和分角色评分标准分别训练，并构建含 277 万条（问题定义、挑战、研究空白、直觉、提案）元组的 Svalbard Idea Vault 语料用于检索、训练和评估。
编辑推荐理由：编辑推荐：直接服务科研构思与选题，作者已公开可运行框架代码和数据入口，研究者可自行部署验证。当前仍为预印本研究，效果主张来自作者评测。
Anthropic 成立生命科学研究组与实验室，并公布早期结果：Claude 智能体在仅由科学家给出初始提示的情况下，从 DNA 序列数据库中自主发现了一种与重复序列阵列相关的新型酶系统，命名为 array-associated reverse transcriptases（ART）。
入选理由：Anthropic 用约 950 个 Claude 智能体在 21 小时内筛出候选系统，研究者可据此判断 AI 驱动假设生成在基因组挖掘中的实际位置。
微软研究院等机构的研究者在 ICML 2026 上开展随机实验与匿名调查，涉及 24,661 篇投稿和 17,886 名评审人。随机分配保守政策（禁止使用 LLM）或宽松政策（允许有限辅助）后，两种政策对最终论文决定、论文评分和评审人信心的影响接近于零，宽松政策下的评审意见长 5.5%–7.7%。
入选理由：ICML 2026 的随机实验与匿名调查给出了 LLM 使用政策对评审结果的实际影响，以及评审者违规使用的比例，可供会议和期刊制定政策时参考。
Amazon Science 团队在论文《What fits (into few tokens) doesn't overfit: Compression and generalization in ML research agents》中提出，机器学习研究智能体在基准上反复爬坡却不过拟合，原因在于最终有效的策略高度可压缩。
入选理由：用可重置的 LLM 研究智能体替代人类研究社区做对照实验，为基准刷分为何没有普遍过拟合给出可检验的解释。
OpenLAM 团队联合北京大学、DP Technology 和北京应用物理与计算数学研究所发布 DPA4 系列进展：DPA4 面向高精度路线，公开 OMat24 无机材料与 OMol25 复杂分子的预训练模型。
入选理由：材料给出 DPA4C 在完整分子动力学基准上的吞吐与精度对比，材料计算研究者可据此判断它能否替代经验势做百纳米级模拟。
Biohub 与 UC Berkeley 研究团队在三篇论文中报告，激光相位板在单激光和双激光（xLPP）两种配置下都能在现代冷冻电镜中显著提升小蛋白成像对比度。
入选理由：Biohub 与 UC Berkeley 用三篇论文报告激光相位板在真实冷冻电镜中提升小蛋白成像对比度，并已开放断层扫描数据。