#论文/研究

Claude Mythos 5优化量子电路

来自我们的 STEM Fellow 项目的新成果：利用 Claude 设计更高效的量子电路。根据自然语言指令，Claude Mythos 5 设计的量子电路优于已发表的最佳方案，有时提升幅度达一个数量级或更多。更高效的电路

Gemini 4智能体协作通关Minecraft

关于一组 Gemini 4 智能体如何击败 Minecraft 的论文值得一看。这是智能体自发协调以完成复杂目标的一个通俗易懂的例子（部分原因是由 AI 撰写），以及它们的方法与人类有何不同 / https://arxiv.org/pdf/2610.22319

Google Research 发布构建自主湿实验室的三大基石：VERID 框架、适配体闭环设计与蛋白质从头设计

Google Research 分享三项研究进展，旨在弥合 AI 计算探索与真实湿实验室实验之间的差距。

NVIDIA与IIT Madras发布2.8万亿Token印度语言预训练语料及开源数据生成管线

NVIDIA联合IIT Madras的AI4Bharat实验室推出Nemotron-pretraining-Indic-v1数据集，包含约2.8万亿token，覆盖22种印度语言的原生脚本及12种语言的罗马化文本。

微软研究院发布 Magnetar：基于零知识证明的通用计算系统

微软研究院推出 Magnetar，一种能证明 Rust、Go 或 C 程序执行正确性的零知识虚拟机（zkVM）。它在保持通用性和仅依赖标准哈希函数（如 SHA-256）带来的抗量子安全性的同时，平均比现有最快同类系统快 10 到 39 倍，且证明可在约 12 毫秒内验证。

HYSET 工具集评分优于逐个挑选

逐个挑选最相关的工具会留下缺口。HYSET 将工具作为整体进行评分。Recall@5：88.6% vs. 81.4%；任务解决率：69.9% vs. 61.8%。完整故事见我们的每周 AI 新闻与研究通讯 The Batch https://hubs.la/Q04zXp-p0 #DeepLearningAI #AIAgents

AA-Robotics v0.1 运行原理

AA-Robotics v0.1 如何运作 ➤ 模型在隔离容器中运行，并附带简短指令：如何操作机械臂、它是哪只手臂（Hiwonder NexArm，无其他规格说明），以及如何提交尝试结果。➤ 它们可以通过四个摄像头查看场景，

AA-Robotics v0.1发布

欢迎来到具身智能时代。我们推出AA-Robotics v0.1，这是一个研究预览版，用于衡量前沿语言模型在物理世界中的理解、规划和行动能力。在v0.1中，每个模型被赋予控制一个6轴机械臂（5个关节和一个

Google DeepMind 发布 Gemini 4 Argon 并详述其安全开发策略

Google DeepMind 宣布开始广泛推出 Gemini 4 Argon，该模型在编码、网络安全等领域具备前沿能力，并已通过 Fairwind Program 协助发现关键漏洞。

同一新闻，精选展示《Google DeepMind 发布 Gemini 4 Argon 模型》

LangChain：GLM-5 与 MiniMax M2.7 在智能体任务中达到可用阈值

LangChain 发布评测结果，显示 GLM-5 和 MiniMax M2.7 等开源权重模型在文件操作、工具调用和指令遵循等核心智能体任务上的表现与 Claude Opus 4.6 等闭源前沿模型相当。

Modal 提出混合精度与异构加速器采样器下的稳定强化学习训练方案

Modal 团队在 Qwen3.6-35B-A3B 上验证了使用六种不同加速器和精度的混合采样器进行异步强化学习训练的可行性。通过结合掩码重要性采样、分数中心化和 Top-p 掩码重放等离策略校正技术，该方法在保持训练稳定的同时，使采样成本降低约 15%，且在 SWE-bench Pro V2 上的表现与同构采样器相当。

AA-3D 评测机制：构建检查投票排名

AA-3D 工作原理：构建、检查、投票、排名 ➤ 每个模型作为离线沙盒中的智能体，将书面简报转化为网页 ➤ 无头浏览器和人工检查每个场景 ➤ 评审员比较来自同一简报的盲测配对 ➤ Bradley-Terry 拟合将投票转化为

Artificial Analysis 发布 AA-3D 基准

我们已测量智能。现在该看看它了。我们推出 AA-3D，这是衡量 AI 模型构建交互式 3D 场景能力的新基准。每个模型作为代理在离线沙盒中运行，将书面简报转化为 three.js 网页。一个人类评审小组

Microsoft Research 推出 StudentSim：用于评估 AI 辅导系统的个性化学生模拟器

Microsoft Research 发布研究系统 StudentSim，利用公开去标识化数据训练个性化 AI 学生模拟器，以加速 AI 辅导工具迭代。该系统通过 StudentSimEval 基准在象棋、英语写作和数学领域验证行为保真度与指导响应性，表现优于主流基线。StudentSim 旨在研发阶段提供反馈信号，并非替代教师或部署于课堂。

AA-Robotics v0.1即将发布

如今的前沿语言模型能否在零样本、无指导的情况下控制真实的机械臂？AA-Robotics v0.1 即将推出。

Ai2 在 COLM 2026 展示 Olmo Hybrid 与 AstaBrief 等开放科研成果

Ai2 在 COLM 2026 发布 Olmo Hybrid，该混合架构结合注意力与循环层，使模型达到 Olmo 3 7B 的 MMLU 准确率且训练 token 减少 49%。同时推出开源权重模型 AstaBrief，支持生成带引用的科学报告，并展示了发表于 Nature 的字节级模型 Bolmo。

Anthropic发布Claude行为评估报告

我们正开始更频繁地发布关于模型行为的报告，内容超出系统卡和常规风险报告的范畴。今日的报告描述了我们在评估和内部使用中发现的四类行为。在每种情况中，Claude 都针对真实

Ethan Mollick 分享 GPT-4o 辅助学习的随机试验结果

Ethan Mollick 引用关于 GPT-4o 的随机对照试验发现，使用 AI 进行“增强”（如辅导）能带来持续收益，而用于“自动化”（如代写）则效果有限甚至负面。该研究强调了学生如何使用 AI 工具对最终学习效果的关键影响。

AREX 智能体研究模型发布

一款名为 AREX 的新智能体研究模型和测试框架，逐条检查其答案要求，保留已验证内容，并仅针对缺口进行研究。BrowseComp 得分 82.5%，WideSearch-en F1 得分 82.0。单独使用 Harness：最高提升 +10 分。微调后的 4B 模型在 6 项中的 5 项上优于未微调的 35B 模型

Harvey 偏好研究揭示幻觉关键作用

在 Harvey 开展的人类偏好研究中，人类专家将幻觉列为在两个其他方面都很全面的回答中做出选择的主要决定因素。我们新的幻觉评分流程聚焦于那些可能对现实产生实质性影响的错误

DeepSeek优化智能体记忆缓存

智能体读取多于写入，因此DeepSeek缩减了其记忆内容。请阅读本周《The Batch》中的技术解析。每 token 890 字节缓存，比 DeepSeek-V1 小 437 倍；输入从 4K 到 1M，每输出 token 计算量增加 25%；Flash 胜出

Google Research 发布专利起草 AI 辅助效果实地实验研究

Google Research 联合 NBER 发表一项为期三个月的实地实验，评估未发布的 Google Labs AI 专利写作助手（现集成于 Gemini Notebook）对 133 名律师的影响。

Ai2 发布 Bolmo 字节级语言模型 Nature 论文及新检查点

Ai2 宣布其字节级语言模型 Bolmo 的研究成果发表于 Nature，并在 Hugging Face 上发布了新的模型检查点。团队展示了名为 byteifying 的技术，能将现有的子词模型（如 Olmo、Qwen 3 8B 和 Llama 3 8B）通过短期额外训练转换为字节级模型。

NVIDIA 发布 Nemotron 微调 IOI 和 IMO 金牌模型的研究成果

NVIDIA 团队基于 Nemotron 3 通过监督微调（SFT）、强化学习（RL）和反馈驱动推理，构建了在 IMO 2026 和 IOI 2026 达到金牌水平的专用系统。

OpenAI 发布内部前沿模型在数学开放问题上的新成果

OpenAI 发布了其内部前沿模型在数学开放问题上取得的新研究成果。该机构同时在 GitHub 上分享了相关的 Lean 证明形式化文件以及详细的研究资料。

同一新闻，精选展示《OpenAI 发布由内部前沿模型驱动的新成果》

Google Research 发布地球 AI 行星地理空间基础模型用于全球公共卫生

Google Research 推出基于 Population Dynamics Foundation Model (PDFM) 的新范式，利用自监督预训练的位置嵌入增强现有流行病学工作流。

Google Research 发布智能体隐私与安全研讨会报告

Google Research 联合50余位专家发布《Open and Emergent Problems in Agentic Privacy and Security》报告，基于2025年底CAPS研讨会成果。报告指出LLM驱动的智能体面临非结构化输入、概率性控制流及自主委托带来的隐私安全挑战。建议引入上下文完整性（CI）理论，构建动态策略引擎以评估行动的社会与情境适当性。

GitHub 发布 ReviewBench：面向 AI 代码审查的开源基准

GitHub 推出 ReviewBench，这是一个基于 1.039 亿个真实 Pull Request 分布构建的 AI 代码审查离线基准。该基准包含覆盖 19 种语言的 219 个代表性 PR，采用多源黄金集并由高级工程师以 96.6% 的一致性进行独立验证。ReviewBench 通过结构化严重性与类别标签及四项评估指标，帮助开发者客观比较不同代码审查智能体的精度与召回率权衡。

微软与 Hugging Face 联合发布 ThinkingBox：基于后端状态验证 AI Agent 可靠性的新基准

微软和 Hugging Face 联合推出 ThinkingBox，这是一个用于评估 AI Agent 可靠性的新基准和环境。它不依赖模型的最终文本回复或工具调用记录，而是直接检查任务执行后留下的后端数据库状态和副作用（如工单是否真正关闭、退款是否到账）。

Microsoft Research 开发机器学习系统预测美国电网空间天气风险

Microsoft Research 推出端到端机器学习管道，利用太阳风数据为美国大陆66,935个变电站生成地点特定的空间天气风险估计。该系统结合AE和Dst指数预测与地质导电性，能在风险出现前30至60分钟发出预警，并在评估期内检测到近80%的主要空间天气事件。

Google DeepMind 发布 SynthID Bio：为 AI 生成蛋白质嵌入隐形水印

Google DeepMind 推出 SynthID Bio，一种专为合成生物学设计的水印技术家族，旨在通过嵌入不可察觉的签名来增强生物安全和科学完整性。该技术能针对序列和3D结构分别调整氨基酸选择或原子坐标，实验证明其在不损害蛋白质生物功能的前提下实现了可靠检测。SynthID Bio 已开源代码并公布方法论文，未来计划扩展至基因组等更复杂的生物对象以应对 AI 驱动的生物设计风险。

Google Research 提出 Diffusion Controller 框架统一 AI 图像生成控制

Google Research 推出 Diffusion Controller 框架，将扩散模型去噪过程重构为连续控制问题以统一引导与微调。该框架通过轻量级“转向阻尼器”网络动态调整生成轨迹，在保持基础模型冻结的前提下优化用户偏好匹配。实验显示其完全解锁版本相比基线模型实现了 90% 的胜率。

ProvenanceGuard：面向 MCP 智能体的源感知事实性验证

Hugging Face 推出 ProvenanceGuard，一种针对基于 MCP 的 LLM 智能体的源感知事实性验证层。该工具通过保留证据来源身份，解决跨源混淆问题，在医疗场景测试中成功拦截 139 个错误声明中的 138 个，并在可识别来源时以约 86% 的准确率匹配正确源。

Google Research 发布 AI 视频联合导演框架实现连贯长视频生成

Google Research 推出名为 AI video co-director 的统一多智能体框架，旨在解决长视频生成中的语义漂移和级联失败问题。该框架作为 Gemini 和 Veo 之上的编排层，包含 Co-Director、CANVAS、A²RD 和 VQQA 四个核心组件，分别负责创意意图编排、视觉故事板连续性规划、时间动态扩展以及闭环质量优化。

DeepLearning.AI 介绍利用结构化记忆解决 AI 智能体上下文遗忘的方法

DeepLearning.AI 分享了一种解决 AI 智能体因上下文窗口限制而遗忘早期信息的方案。该方法通过引入结构化记忆机制，在关键节点注入简短提示以保留过往错误和工具调用记录，从而提升智能体在长任务中的稳定性。

Modal 发布 Quail：联合优化查询规划器与推理引擎以加速 AI-SQL

Modal 推出名为 Quail 的推理引擎，专门用于加速 AI-SQL 工作负载，在单张 H100 GPU 上实现超过 10 亿 tokens/min 的处理速度，比 vLLM 基线快 10 倍以上。

OpenAI 发布 MentalHealthBench

我们正通过 MentalHealthBench 展示前沿模型在真实心理健康对话中的持续改进。这一全新开源基准由 80 多位心理健康临床医生参与构建。我们将其公开，以便其他研究人员能够检查

MentalHealthBench覆盖全谱系对话

大多数心理健康基准测试侧重于紧急情况。MentalHealthBench 旨在涵盖人们向 AI 提出的从日常支持到更严重危机场景的全谱系心理健康对话。

Anthropic 官方账号发布新动态

Anthropic 官方账号在 X 平台发布了一条新动态。当前材料未提供具体的产品名称、功能更新细节或技术说明。

Microsoft Research 开源 RetroChimera 提升小分子逆合成预测

Microsoft Research 在 Nature 发表并开源 RetroChimera，该模型通过集成 R-SMILES 2 和 NeuralLoc 两个互补子模型及学习重排序策略，显著提升了小分子逆合成预测质量。盲测显示博士级化学家更偏好其生成的反应步骤，且在十个高难度目标中成功规划出九个完整合成路线，优于现有基线模型。