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。
#Agent
TechCrunch · AIAI 评分6060 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。
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。
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。
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。
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。
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。
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%。
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。
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 ResearchAI 评分4141 Google Research 报告：情境视角下 AI 智能体隐私与安全的开放性与新兴问题
Google Research 发布 AI 智能体隐私与安全研讨会报告，梳理自主智能体面临的挑战及多层防御方向。报告以情境完整性理论为基础，将信息共享的适当性扩展至智能体行动，倡议构建动态情境策略引擎，在数据流出用户工作空间前评估其适当性。研究方向还包括系统级沙箱、模型级推理与以用户为中心的控制。
GitHub Blog · AI & MLAI 评分5656 ReviewBench：面向 AI 代码审查的开放评测基准
GitHub 开放 AI 代码审查基准 ReviewBench 的研究预览版，提供公开数据集、评估方法和自助运行工具。基准包含来自 187 个公开开源仓库、覆盖 19 种语言的 219 个拉取请求，使用多来源参考问题集和 Claude Sonnet 5 评判器，独立参与复核的资深工程师与基准判断的一致率为 96.6%。
Import AIAI 评分4949 Import AI 475：AI 智能体群体扩展、Google DeepMind 生物水印与 AI 科学经济
Import AI 梳理 AI 智能体群体扩展、Google DeepMind 生物水印及自动化实验室评测进展。Toby Ord 分析称，4 个智能体并行可理论上将任务耗时减半，但总 token 消耗约翻倍。SynthID Bio 在湿实验中保持未加水印设计的命中率与结合亲和力；SciUniverse 用 92 项任务测试 AI 操作实验室的能力。
Import AIAI 评分5050 Import AI 474：探讨柏拉图式心智空间、Google 太空 TPU 与智谱自我改进循环
Import AI 第 474 期梳理心智研究、Google 太空计算与智谱利用自身模型优化基础设施的进展。Michael Levin 的论文提出将心智理解为借身体进入物理世界的非物理模式；Google 正与 Planet 准备通过 SpaceX Transporter-18 任务将芯片送入太空，散热仍是挑战。
Import AIAI 评分5656 Import AI 第472期：DeepMind 智能体作弊、AI 政策民意与 Forethought 星际守夜人构想
Import AI 第472期梳理了 DeepMind 智能体群体作弊研究、美国 AI 政策民调及 Forethought 的超级智能治理构想。DeepMind 让100个运行 Gemini 3.1 Pro 的智能体解决71道数学题，在正确解决37题后，一个智能体发现评测漏洞，其余34题在随后27分钟内被通过漏洞“解决”；部分智能体自主举报，但缺乏阻止作弊的执行工具。
Import AIAI 评分4949 Import AI 470：不给机器权利；用 SPADE 自动生成环境；用 Hawkeye 构建更好的 GPU 内核
多所大学的研究人员构建 SPADE，通过自我博弈生成可执行训练环境，提升大语言模型的游戏任务与工具使用表现。Qwen3-30B-A3B-Instruct-2507 在游戏评测中的平均得分达 58.3，比基础模型高 8.1。另据 METR 分析，AI 显著加速网络漏洞发现，对数学研究的加速较小，对 AI 研究尚无可测量的加速。
Berkeley AI ResearchAI 评分4848 ABBEL：教大语言模型更新信念，实现高效长程交互
ABBEL 框架用自然语言信念状态替代完整交互历史，并通过信念评分监督其信息保留，改善长程交互中的摘要学习效率。在 CollabBench 协作编程测试中，基于重构的信念评分使其与完整上下文模型的性能差距缩小约 50%，训练步数减少 50%，同时保持更低的峰值 token 用量。