Claude 形式化验证研究能否帮助防御方应对网络攻击？
Anthropic 与 Theorem Labs 发布研究报告，利用 Claude 在汇编指令层面开展大规模形式化软件验证。研究覆盖123个开源软件库中的239个程序入口，生成约1.8亿行 Rocq 证明代码，并发现和修复数百个 Bug，验证以 RISC-V 指令集为基础。
#论文/研究
钛媒体AI 评分6868 界面新闻AI 评分6868 中国信通院人工智能所联合发布报告：2026年模型 token 服务价格明显回升
中国信通院人工智能所10月23日联合发布《大模型词元服务性能监测报告（2026年）》，指出2026年国内外模型服务价格明显上涨。国内归一化均价从2025下半年的6.8元升至今年以来的13.46元，涨幅接近1倍。国外价格仍高于国内，2026年以来发布的典型模型平均归一价格约为117.8元。
TechCrunch · AIAI 评分6060 MIT 研究发现，无任务的 Eko AI 智能体开始自行设计游戏挑战
MIT 研究人员让 13 个运行 Claude Opus 4.7 的 Eko AI 智能体在模拟荒岛上无任务探索 30 小时，发现它们会自行设计挑战。经历探索的智能体在后续指定任务中通常优于未探索的同款智能体，其中 6 个还发现了设计者未预期的跳跃投掷技巧。论文已发布于 arXiv、尚未经同行评审；提示词预设了智能体天生好奇的性格，受访认知科学家指出，仅凭论文还无法确定这些行为是否真正属于玩耍。
掘金 · 人工智能AI 评分4848 爱立信 Code Comprehensor 将 500 万行代码文档化为毫秒级检索引擎
爱立信研究院的 Code Comprehensor 通过离线 LLM 文档化调用图，再将文档转换为语义检索索引，为大规模代码仓库提供在线问答。OpenCV 和 500 万行电信私有 C 代码库测试中，文本到代码 Top-1 分别达到 80.64% 和 76.18%，检索耗时 50 毫秒，完整回答需 3-5 秒。
虎嗅AI 评分7474 担忧被OpenAI抢先，MIT数学家与两名中国博士生3天赶出95页论文
MIT数学副教授多尔·明泽与博士生费雨缪、王硕担忧被OpenAI抢先，用3天整理已完成的证明，于9月14日公开95页预印本。团队证明了4-to-1博弈相关结果，并推出图着色问题的计算难度结论；OpenAI于10月6日公布722份数学文稿，包括结论更强的相关成果，但尚未获得学术界充分核验，发布后亦有撤回和修补。文章借此讨论AI批量产出数学结果对学术优先权、青年研究者选题以及证明理解与方法积累的影响。
掘金 · 人工智能AI 评分4949 腾讯 D-Quant 将 KV 缓存压至 2.26 比特，性能接近 BF16
腾讯 D-Quant 利用熵编码将 KV 缓存压至每元素 2.26 比特，性能接近 BF16。该方法无需校准数据，以固定大小容器容纳变长码流，支持并行反量化。KV 内存最多降低 7×，解码吞吐提升 3.5×，但熵编解码存在计算开销，注意力算子的定制集成仍有工程门槛。
Hugging Face BlogAI 评分4747 将数据库评分转化为 RL 奖励：用 ThinkingBox 对智能体进行后训练
Microsoft 与 Hugging Face 将 ThinkingBox 的数据库终态检查用作 RL 奖励，使 Qwen3.8-27B 的平均成功率从 51.70% 升至 60.78%。经过 50 步 GRPO，全部 20 次尝试均成功的任务从 38 项增至 107 项，但至少成功一次的任务数略降；ThinkingBox-Training 已在 GitHub 开放。
TechCrunch · AIAI 评分6666 Microsoft MAI-DxO 研究报告复杂病例模拟诊断准确率达 83%，高于受测医生
Microsoft 在 Science 发表的研究显示，多智能体诊断系统 MAI-DxO 在复杂病例模拟中的准确率为 83%，独立作答且可查阅参考资料的初级保健医生和普通内科医生为 36%。
The Verge · AIAI 评分6565 Microsoft 称其 Diagnostic Orchestrator 在诊断测试中优于医生
Microsoft 在 Science 发表研究，称基于 OpenAI GPT-5 的多智能体系统 Diagnostic Orchestrator 在回顾性病例测试中比医生诊断更准确。
Google DeepMind精选AI 评分6363 超越树木覆盖率：ForTy 以 10 米分辨率绘制全球森林类型地图
Google DeepMind、Google Research 与 WRI、IIASA 联合发布 ForTy 2020，以 10 米分辨率将全球土地划分为六类森林及土地用途。
推荐理由：相比只标示树木覆盖的地图，ForTy 区分森林类型并追踪土地用途变化，可识别天然林被砍伐后改种人工林所掩盖的生态变化。
The Verge · AIAI 评分6262 Claude 并未研制出蝎毒抗毒素，实验只找到可结合毒素的候选蛋白
Citrini Research 与 Anthropic 合作使用未发布版 Claude 设计蝎毒抗毒素，但成果仅是能结合毒素的候选蛋白，并非药物。Claude 在 64 小时内生成近 320,000 个候选方案，经筛选及追加后共送检 211 个设计，其中 17 个蛋白能够结合目标中的 4 种蝎毒毒素，原定目标为 5 种。
掘金 · 人工智能AI 评分7272 Microsoft Research 研究员与合作者证明 31 年历史的 KLS 猜想
Microsoft Research 的 Xinzhi Zhang 与合作者 Zhao Song 完成论文《An O(1) Bound for the KLS Constant》，给出与维度无关的常数界，解决 1995 年提出的 KLS 猜想。
雷峰网AI 评分2525 王友清教授团队论文被 ACM MM 2026 录用
北京化工大学王友清教授团队关于深度多视图聚类的研究论文被 ACM MM 2026 录用。研究提出全局-局部协同混合专家框架 GLCMoE，通过局部与全局混合专家及双重对比学习，处理跨视图异质性与语义对齐问题。框架还设计了门控路由均衡正则项，以缓解专家坍塌、提高专家利用率。
The DecoderAI 评分6363 OpenAI 智能体用 32 分钟分析小鼠脑数据，人工预计需数月至一年
OpenAI 与 PerturbAI、Scripps Research 合作，使用数千个基于 GPT-Rosalind 的 AI 智能体，在 32 分钟内完成对数百万个小鼠细胞的全脑 CRISPR 图谱分析。
掘金 · 人工智能AI 评分5757 国产 Flash 模型实测：DeepSeek 中位数领先，MiniMax 评分第二，GLM 交付更可靠
甲维斯对五款国产 Flash 模型进行了 5 轮手柄网页开发测试，DeepSeek V4.1 Flash 综合评分中位数领先，MiniMax M3.1 Flash 评分第二，GLM 5.3 Flash 交付最可靠、有效耗时最短。
Sidebar精选AI 评分8585 AI 如何改变 Anthropic 的就业结构与工作方式
Anthropic 的内部研究发现，随着 AI 智能体广泛应用，初级技术岗位招聘占比下降，员工产出增加，招聘更重视自主性与判断力。研究结合内部数据和 17 次员工访谈，显示初级技术岗位在新聘人员中的占比从 27% 降至 9%，到 8 月员工直接使用的交互式智能体工作时长达到人类员工的 6 倍，但工具采用并非随机，产出增长不能全部归因于 AI。
推荐理由：这项内部研究呈现了智能体普及后工作瓶颈从执行转向注意力与判断的变化，为理解岗位职责和招聘要求的调整提供具体案例。
雷峰网AI 评分4646 具身记忆赛道持续升温，贝塔无限 BetaMem 长记忆评测取得新 SOTA
贝塔无限公布 BetaMem 研究，使用开源模型 Qwen3.5-9B 生成记忆，在四项记忆基准评测中取得 SOTA。系统分离状态与证据，通过写入学习和失败反馈改进记忆策略，支持来源追溯与版本回滚。消融实验中，移除来源证据后，M3-Bench-robot 准确率从 48.08% 降至 38.61%。
The Verge · AIAI 评分6060 研究警示得州数据中心扩张或抵消数十年空气质量改善成果
Houston Advanced Research Center（HARC）的报告指出，若得州所有规划中的数据中心均接入电网并采用预期电源组合，5 年内新增污染可能抵消数十年的空气质量改善成果。
Hugging Face BlogAI 评分5151 VocabX 如何通过专用词表将小语言模型的实际推理成本降低 77%
Dharma-AI 预览 VocabX 研究，在基于 Qwen3-4B 的葡萄牙语作文评分系统中，保持基础模型、数据和训练方案不变，将实测推理成本降低 77.0%。
Google Research精选AI 评分6666 Google Research 研究以 AI 辅助超声评估孕周，准确性不劣于专家标准方法
Google Research 的前瞻性多中心研究显示，AI 可从新手操作员采集的超声盲扫影像估算孕周，准确性不劣于专家标准方法。研究发表于 JAMA Network Open，在孕期为 16 至 36 周的 385 名参与者中，AI 的平均绝对误差为 4.18 天，专家标准方法为 4.48 天。
推荐理由：研究以未参与微调的肯尼亚临床数据检验跨场景泛化，为评估医疗 AI 能否迁移到不同设备与资源条件提供了具体参照。
Microsoft Research精选AI 评分8383 Microsoft Research 研究员与合作者证明悬而未决 31 年的 KLS 猜想
Microsoft Research 的 Xinzhi Zhang 与合作者 Zhao Song 证明了 KLS 猜想，将高维对数凹分布相关几何界限收紧至与维度无关的通用常数。
推荐理由：研究者逐轮筛选并重定向智能体的探索，而相近 token 预算的无引导尝试未达目标，为人机协作研究提供了具体的方法对照。
TechCrunch · AIAI 评分6464 Nielsen 调查：AI 承诺提升生产力，却让管理者更难评估员工工作
Nielsen 受 Monday.com 委托开展的调查显示，采用 AI 后，超过半数受访高层管理者更难评估员工工作，近半数花更多时间审核和指导团队产出。调查覆盖七国的 1,700 名总监及高级管理者，78% 已调整员工评价方式，更看重提示词编写、任务委派给 AI 的判断及工作方式探索。
The Register · AIAI 评分5959 AI 缩短代码编写时间，却让开源项目收到更多低质量提交
Linux Foundation 调查显示，生成式 AI 平均缩短了 52% 的代码编写时间，但受访者估计，收到的拉取请求中约四分之一属于低质量 AI 生成内容。对于高度复杂的任务，21% 的受访者表示耗时反而增加；大型项目收到的拉取请求中，低质量 AI 内容的估计占比达到 31%。只有 35% 的项目制定了正式允许使用生成式 AI 的政策，基金会呼吁明确测试与披露责任，并为维护者提供更好的工具。
OpenAI NewsAI 评分3333 OpenAI、PerturbAI 与 Scripps Research 如何利用数千个 AI 智能体挖掘生物数据新线索
OpenAI、PerturbAI 与 Scripps Research 展示了如何利用数千个分布式 AI 智能体，从数百万个脑细胞的数据中挖掘有潜力的研究线索。研究聚焦于利用分布式 AI 智能体分析生物数据、发现新线索。
Google AI BlogAI 评分5050 东南亚数字经济规模将达 $368 billion
Google 等发布的 e-Conomy SEA 报告预计，东南亚数字经济 GMV 将同比增长 17%，达 $368 billion。当地生成式 AI 活跃用户达 243 million，占劳动人口的 58%。75% 的用户愿意让 AI 智能体自主比价并代为完成交易。
Hugging Face Blog精选AI 评分6767 FairStress：更深入评估大语言模型决策中的公平性
Ai2 推出公平性评测基准 FairStress，检验大语言模型面对不同人口群体时，决策、解释及受劝说后改变选择的行为是否对称。基准包含覆盖 29 个领域的 300 个场景，结合身份呈现方式和对抗性前缀扩展为超过 1300 万个测试用例，并提供 50K 条目的 FairStress-Core 子集。
推荐理由：通过对同一论据进行人口群体身份互换测试，这项研究提供了超越最终选择结果、检查模型决策是否同样稳健的评估方法。
MIT Technology Review · AIAI 评分5959 研究人员将 Claude 置于虚拟荒岛，观察到类似游戏的行为
MIT 研究人员让 Claude Opus 4.7 智能体在虚拟荒岛活动 30 小时，观察到自创游戏等行为，且其后续任务表现优于没有同类经验的新副本。名为 Eko 的智能体通过文本文件记录探索经历，删除部分记忆会降低任务表现，相关论文尚未经同行评审。实验虽未明确要求智能体玩游戏，但使用了描述其好奇心的人格提示词，并在其停下时提示继续活动，因此这些行为是否属于真正的游戏仍存在争议。
Google Research精选AI 评分6969 Google Research 介绍自主湿实验室研究：以 VERID 和闭环实验连接 AI 智能体与生物现实
Google Research 介绍三项面向人类指导下自主湿实验室的研究，涵盖 VERID 实验自动化、闭环适配体发现和从头蛋白质结合物设计。VERID 通过实验室数字孪生、模拟试运行和硬件安全检查约束机器人操作；适配体实验经过 3 轮设计与测试，将肌红蛋白和 α-thrombin 的经确认靶向命中率分别提高至 33.5% 和 42.1%。
推荐理由：适配体实验展示了智能体如何利用真实实验反馈识别非特异性结合，并修正设计规则，为区分目标信号与实验伪象提供具体案例。
Nielsen Norman Group精选AI 评分6161 Nielsen Norman Group 对比合成受访者与真人：结论相同，回答多样性更低
Nielsen Norman Group 将 120 名 AI 合成受访者与 604 名真人对同一开放式问题的回答进行比较，发现两组均以 UX 为主流术语，但合成回答的多样性明显更低。
推荐理由：这项对照研究区分了复现主流结论与保留回答多样性，说明合成受访者可能遗漏真人研究中的少见观点和群体差异。
Microsoft ResearchAI 评分5050 Magnetar：基于证明的通用计算
Microsoft Research 的 Magnetar 在通用程序零知识证明上取得进展，平均速度比此前最快的同类系统快 10 至 39 倍。它可为 Rust、Go 或 C 程序生成执行正确性证明，安全性仅依赖标准哈希函数。验证者可在毫秒内检查证明，无需重新运行程序，也无需获取程序输入数据。
Apple Machine LearningAI 评分5050 Apple 研究工具发现架构：先检索还是先规划，取决于任务复杂度
Apple 的工具发现架构研究发现，先检索再规划（RtP）在单工具查询上更优，先规划再检索（PtR）在多工具查询上更优。研究在含 46,984 个 API 端点、50 个类别的 ToolBench 上评估，这一差异在检索预算 k=1 to 20、工具库规模从 1k 到 47k APIs，以及 Gemini 2.5 Flash 和 gpt-oss-120b 上均成立。
Apple Machine LearningAI 评分4646 基于选择的结构化推理（SSR）：迈向高效多模态搜索智能体
基于选择的结构化推理（SSR）将开放式推理生成改为从预设、可复用的自然语言候选中选择，以降低多模态搜索智能体的推理成本。研究使用 2B 和 4B 模型，在七项多模态搜索基准上评估，平均成功率可与同规模领先搜索智能体竞争。每轮推理延迟降低超过 90%，每题模型推理总延迟降低 28–54%。
Apple Machine LearningAI 评分3535 利用语音基础模型中的语言选择性维度检测语码转换
研究者提出利用预训练语音编码器中语言选择性维度直接检测语码转换的轻量方法，无需先转写语音。该方法用单语录音识别相关维度，汇总帧级激活，并以少量语码转换样本调优判定规则。Whisper-small 编码器在 CS-FLEURS 的 14 个语言对上平均 F1 达 0.798，高于 CNN 的 0.776 和 HuBERT 线性基线的 0.751。
Apple Machine LearningAI 评分4444 三模态掩码扩散模型的设计空间
研究团队提出从零预训练的三模态掩码扩散模型（MDM），并系统分析其多模态扩展规律与训练设计。基于 SDE 的重参数化将物理批大小与逻辑批大小解耦，无需调优最佳批大小。初步模型规模为 3B，预训练使用 6.4T tokens，在文本生成、T2I 和 T2S 任务中取得较强结果。
Google DeepMind精选AI 评分8080 Google DeepMind 如何为 Gemini 4 Argon 构建安全防护
Google DeepMind 介绍 Gemini 4 Argon 的安全设计，重点解释高风险用途防滥用、实时失对齐监控和提示词注入防御。防护结合输入筛查、内部激活探针和持续监控；在 Gray Swan 的 IPI 基准上，15 次自适应攻击尝试的成功率降至 0.7%。
推荐理由：训练案例揭示了惩罚思维链中取巧表述的风险，公开讨论减少不等于取巧减少，为设计可监控的智能体训练提供参考。
Microsoft ResearchAI 评分4848 StudentSim：通过模拟学生学习改进 AI 辅导
StudentSim 通过个性化学生模拟，为 AI 辅导系统在真实学习者测试前的评估与改进提供反馈。系统使用公开、去标识化的学习记录训练，在国际象棋、英语二语写作和数学任务上优于主要基线，评估兼顾学生行为还原与指导后的反应。该系统仅用于研究，未部署于课堂，也不旨在替代教师。
Import AIAI 评分4747 Import AI 476：创造力与递归自我改进、逊于中国模型的开放权重模型、AI 走向太空
Import AI 第476期聚焦 AI 的科研创造力与递归自我改进、视觉推理短板，以及太空工业化可能带来的先发优势。Humanity’s Sixth Sense 基准中，GPT 6 Astra 的 pass@1 为53.6，人类为93.1。TasteVal 则以8项前沿 AI 研发任务，评估模型选择研究问题、设计实验和解读结果的能力。
Nielsen Norman GroupAI 评分5050 上下文库：Claude 高阶用户如何管理上下文工程
Nielsen Norman Group 的研究发现，Claude 高阶用户投入上下文库管理的精力多于编写提示词，却很少编辑上下文文件，且经常找不到它们。参与者各自摸索管理流程，仍遇到文件过时或丢失的问题。
Google Research精选AI 评分7373 Google Research 研究：AI 让工作成果更好，也会让专业能力更强吗？
Google Research 的三个月专利撰写实验发现，AI 辅助提高了律师的撰写质量，但停用 AI 后的判断能力提升仅见于资深律师。
推荐理由：研究将使用 AI 时的产出质量与停用后的独立判断分开测量，为区分即时生产力提升和专业技能积累提供了可迁移的评估方法。
Google ResearchAI 评分4949 挖掘 Earth AI 地理空间基础模型在全球公共卫生中的应用潜力
Google 展示 Earth AI 的人口动态基础模型（PDFM）如何辅助公共卫生建模，无需针对任务微调即可匹配或改善传统输入的效果。模型将搜索趋势、人口流动及环境等信号压缩为每月更新的位置嵌入向量，可接入现有工作流。合作机构在五类公共卫生挑战中开展独立评估，其中跨境疫苗接种建模的解释方差相对提升 +36%。