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。
#论文/研究
Hugging Face BlogAI 评分4747 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。
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。
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。
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。
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。
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%。
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%。
Microsoft ResearchAI 评分4747 Microsoft Research：预测空间天气对电网的风险
Microsoft Research 的研究人员开发机器学习系统，为美国本土 66,935 座变电站预测空间天气风险，可提前 30-60 分钟预警。系统结合太阳风观测、地磁指数预测及当地地质电导率等信息，生成位置特定的风险估计。重大事件检出率为 76.5%，严重事件为 81.2%，极端事件为 64.1%；误报率随风暴强度增加。
Google DeepMind精选AI 评分7070 Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白质嵌入可验证水印
Google DeepMind 推出概念验证阶段的 SynthID Bio，将水印嵌入蛋白质序列和预测三维结构，并在实验中保留生物功能。
推荐理由：水印检测从数字设计延伸到合成后的实体蛋白，为生物设计溯源提供了验证层，但抵御蓄意篡改仍是后续研究重点。
Microsoft Research精选AI 评分6262 Microsoft Research 推出 Quine，连接生物学世界模型与实验研究流程
Microsoft Research 推出实验性 AI 研究系统 Quine，将多模态生物学世界模型与连接科学工具、文献和研究人员的交互框架结合。在与 Broad Institute 合作的胰腺癌研究中，团队用一个周末完成数千种化合物的预测筛选与候选排序，多项湿实验验证了高排名候选引导细胞状态转变的效果。
推荐理由：胰腺癌实验案例展示了先用模型缩小化合物搜索范围、再用湿实验检验预测的研究路径，为计算与实验协作提供具体参照。
Berkeley AI ResearchAI 评分4949 从 CUDA 到 MLX：K-Search 如何将数十年的内核优化经验迁移至 Apple Silicon
K-Search 通过 MLX 后端和结构化转换层，将 CUDA 内核优化经验迁移至 Apple Silicon，避免从头优化。其 Attention 内核性能为原生 MLX 的 0.97x，Mamba SSM 内核的预填充速度较社区 mlx-lm 实现最高提升 20x。
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。
Berkeley AI ResearchAI 评分4747 GRASP：面向世界模型长时域规划的梯度方法
GRASP 通过虚拟状态、随机探索和梯度重塑，让基于世界模型的长时域梯度规划更具实用性。它将轨迹提升至虚拟状态以实现跨时间并行优化，在状态迭代中加入随机性，并避免穿过高维视觉模型的不稳定状态输入梯度，为动作提供更清晰的优化信号。
Berkeley AI ResearchAI 评分4848 SPEX 与 ProxySPEX 如何规模化识别大语言模型中的交互作用
Berkeley AI Research 介绍 SPEX 与 ProxySPEX，利用稀疏恢复方法规模化识别影响大语言模型行为的关键交互作用。ProxySPEX 利用交互的层级结构，以约少 10x 的消融次数达到 SPEX 的表现。特征归因实验中，SPEX 在输入扩展至数千个特征时仍保持较高忠实度。
Berkeley AI ResearchAI 评分4545 Berkeley AI Research：信息驱动的成像系统设计
Berkeley AI Research 介绍了直接依据测量信息量评估与优化成像系统的框架，在四个成像领域验证其预测性能的能力。该方法仅用含噪测量数据与噪声模型估计互信息，无需图像重建。优化所得设计可媲美最先进的端到端方法，同时减少内存和计算需求，无需设计任务专用解码器。