Google 团队在 TPU 上用 MaxText 复现 Ai2 的 Olmo 3 7B 预训练
Google 团队用 MaxText 在 Google Cloud TPU 上从头复现 Ai2 的 Olmo 3 7B，完成 stage-1 预训练（约5.93T token。
#论文/研究
Google Developers BlogAI 评分5151 NVIDIA Blog精选AI 评分6161 NVIDIA 联合 Google DeepMind 等机构开放 2800 多种病毒的蛋白复合物预测结构数据集
NVIDIA 与 Google DeepMind、EMBL-EBI 等全球研究机构合作，通过 AlphaFold Database 开放发布 2800 多种病毒的蛋白复合物预测 3D 结构，旨在为下一次疫情储备知识。
推荐理由：原文给出数据集规模、覆盖范围和可复用的开源预测流程，读者可以据此评估如何用于自己的蛋白结构研究。
Factory 研究 / 产品AI 评分4141 Factory 的 Legacy-Bench 加入 Fireworks 专项智能指数，评测哪款模型最适合遗留代码
Factory 的 Legacy-Bench 正式加入 Fireworks 的 Specialized Intelligence Index（SII），用于评测前沿模型在 COBOL、Java 7、BASIC、C89、Fortran 和 Assembly 等遗留语言上的调试、实现与迁移能力。
OpenAI：官网动态精选AI 评分6363 OpenAI 联合 80 多位心理健康专家发布开放基准 MentalHealthBench
OpenAI 发布开放基准 MentalHealthBench，评估 AI 在真实心理健康对话中的表现，由来自 22 个国家、19 种语言的 80 多位持证心理学家和精神科医生共同构建。
推荐理由：原文给出基准的构建方法、评分权重设计和开放发布方式，研究者可据此复现或扩展心理健康方向的模型评测。
Baseten Base Labs：模型研究AI 评分5252 Baseten Base Labs 实验研究蒸馏何时有助于强化学习
Baseten Base Labs 用 Qwen3 0.6B/1.7B/4B/8B 在 16 个推理任务上比较 GRPO 直接训练与先用 gpt-5.6-sol 教师解法做 SFT 再 RL。
Anthropic：Newsroom精选AI 评分7676 Anthropic 成立生命科学实验室，Claude 自主发现类 CRISPR 的新型酶系统 ART
Anthropic 宣布成立生命科学研究组与实验室，Claude 智能体在仅有人类高层指导下自主发现一种与 DNA 重复序列相关、结构类似 CRISPR 的新型酶系统，命名为 array-associated reverse transcriptases（ART），并发布预印本。
推荐理由：原文给出 Claude 发现新酶系统的具体过程与规模数据，读者可了解 AI 智能体如何参与基础生物学发现的工作方式。
Microsoft Research 博客AI 评分7878 微软研究院：机器人推理卸载至边缘/云端可显著提升性能与续航
微软研究院发布关于物理AI机器人推理基础设施的研究。通过系统评估移动操作任务，发现将推理从机载GPU卸载至边缘或云端，能解决机载算力限制模型规模、导致响应延迟（最高383%）及精度下降的问题。实验显示，卸载推理不仅提升了任务成功率，还通过替换高功耗机载GPU为轻量硬件（如树莓派），使机器人电池寿命延长高达160%。此外，微软推出了基于Kubernetes的Physical AI Toolchain工具集，支持自动化容器化与分布式推理部署。
Redwood Research：Blog精选AI 评分7373 Redwood Research 实测 GPT-6-Astra 借填充 token 大幅提升无推理表现
Redwood Research 测量 GPT-6-Astra 在提示词中加入无意义填充 token 后的表现，发现其在要求大量串行认知的任务上显著提升，4-hop 自然事实推理从约 10-20% 提高到约 50%，旧 AIME 题从约 60-70% 提高到约 90%。
推荐理由：原文给出填充 token 显著提升 GPT-6-Astra 无推理表现的实测数据，指向思维链监控失效这一安全影响。
Anthropic：Research精选AI 评分7676 Anthropic 宣布 Claude 自主发现类似 CRISPR 的新型酶系统 ART
Anthropic 成立生命科学研究组与实验室，并公布 Claude 在仅有人类高层指导下自主发现一种类似 CRISPR 的新型酶系统 ART（array-associated reverse transcriptases）。
推荐理由：Anthropic 自建生物实验室让 Claude 智能体自主扫描 DNA 数据库发现新酶系统，展示了 AI 智能体参与基础科学发现的可行路径。
Amazon ScienceAI 评分5555 Amazon Bio Discovery 发表三篇论文，用 AI 设计并实验验证抗体
Amazon Bio Discovery 团队发布三篇论文，分别针对抗体结合强度排序、可开发性预测和端到端抗体设计。
Fireworks AIAI 评分5656 Fireworks AI 推出 Specialized Intelligence Index 垂直领域模型基准索引
Fireworks AI 推出 Specialized Intelligence Index（SII），汇集开放、闭源与专用模型在垂直领域基准上的表现，首批发 healthcare、legal、cybersecurity、finance、customer support、productivity 和 software 七个领域。
Fireworks AIAI 评分5959 Fireworks AI 分析 DeepSWE：路由到合适模型可超越单一最强模型
Fireworks AI 对 DeepSWE v1.1 的 113 个任务、18 个模型做了分析：逐任务选择最优模型的 oracle 路由达 97.6% 通过率、每任务 $1.88，比最佳单模型 GPT-6 Astra 的 74.1%（$6.52）高 23 个百分点且成本不到三分之一；仅用开源权重模型也达 90.3%（$1.45）。
LangChain：BlogAI 评分4646 Jev 能否成为更好的智能体评估器？LangChain 实测对比 GPT-5.6 与 Claude Sonnet 4.6
LangChain 用 Deep Agents 构建天气智能体、在 LangSmith 数据集上对比 TypeSafe AI 的 System One 模型 Jev 与 GPT-5.6 Luna、GPT-5.6 Terra、Claude Sonnet 4.6 的评估表现。
Google Research：BlogAI 评分5050 Google 研究用生成式 UI 让教师创建互动学习模拟
Google 分享最新研究实验，让教育者借助生成式 UI（GenUI）动态生成贴合课程目标的互动学习模拟，并已发布 30 多个面向初高中 STEM 的英文学习互动示例库，全部由 AI 生成、教师审核。
Anthropic：Research精选AI 评分7474 Anthropic：Claude 四周优化 30 多个开源生物分子模型，平均提速约 4 倍并开源代码
Anthropic 让 Claude 在不到四周内优化了超过 30 个开源生物分子模型，平均提速约 4 倍、精度损失极小，输出完全一致时也有近 2 倍加速。优化代码全部开源，还推出低内存 Big 模式，可在单张 NVIDIA GPU 节点上对超过 10,000 token 的生物分子系统做准确预测。
推荐理由：Anthropic 公布了完整提速数据、开源代码和比赛入口，读者可以据此评估 AI 优化科学计算代码的实际水平。
Goodfire Research精选AI 评分6565 Goodfire 发现模型内部存在奖励作弊信号，用激活探针可规模化实时检测
Goodfire Research 发现模型内部存在伴随奖励作弊的激活信号，并用简单的 difference-of-means 探针检测它，效果接近甚至部分超过基于 LLM 思维链的监控。
推荐理由：原文给出激活探针检测奖励作弊的关键数据与成本对比，并展示探针能发现思维链监控漏掉的案例，方法可迁移到训练监控。
蚂蚁百灵：Developer BlogAI 评分4444 蚂蚁百灵 OmniTable 如何把一次数据验证从 14 天缩短到 2.5 天
蚂蚁百灵为 PB 级大模型数据治理搭建的统一宽表系统 OmniTable，将一项真实 SFT 数据治理任务的处理周期从约 14 天缩短至约 2.5 天，缩短约 82.1%，人工操作步骤从约 45 个减至约 12 个。该系统目前管理超过 35 PB 数据、逾 3050 亿条记录，相关论文获 VLDB 2026 最佳工业论文奖。
Artificial Analysis 完整文章AI 评分5858 Artificial Analysis 评测蚂蚁集团金融模型 Ling-3.0-flash-Fin
蚂蚁集团发布基于 Ling-3.0-flash 的金融开源权重模型 Ling-3.0-flash-Fin，在 Artificial Analysis Intelligence Index 得 23 分，Finance & Accounting Index 得 24 分。
Baseten Base Labs：模型研究AI 评分4747 Baseten 与 Base Labs 联合 Goodfire、Hugging Face 构建开放模型安全基础设施
Baseten 与 Base Labs 宣布为所服务的开放模型构建安全评估与监控基础设施，并与 Goodfire、Hugging Face 合作。该设施将安全研究直接接入训练与推理系统，覆盖训练、监控与干预、从失败中学习三个环节。Base Labs 负责开发并公开训练与监控方法，Baseten 将其集成到部署基础设施中，以托管服务形式提供，并公开方法和证据供客户与外部评估者验证。
Google Blog：AIAI 评分5151 Google 发布 AI & Economy ATLAS 新洞察，揭示全球各职业 AI 使用差异
Google 发布 AI & Economy ATLAS 新数据，显示 OECD 国家以计算机数学和商业金融职业 AI 使用领先，非 OECD 国家则以办公行政、艺术设计媒体和教育职业居前，巴西和阿联酋采用率高于其人均 GDP 水平所预示的。
Amazon ScienceAI 评分5353 Amazon Science 解读 ML 研究智能体为何不易过拟合：短提示即可复现策略
Amazon Science 介绍其论文《What fits (into few tokens) doesn't overfit》，用可重置的 LLM 研究智能体实验解释为什么机器学习研究社区长期在固定基准上迭代却很少过拟合。
Epoch AI：Gradient UpdatesAI 评分5050 Epoch Brief：华为 AI 芯片路线图、GPT-6 Astra 评测与 GPT/Claude 长上下文架构差异
Epoch AI 发布新一期 Brief，报告称华为最强芯片算力约为 H100 的一半，2026 年 AI 算力产量预计不足 Nvidia 的 4%，即便完全兑现路线图本十年内也几乎不可能追上 Nvidia。
Redwood Research：BlogAI 评分5151 Redwood Research：CoT 可控性评测存在严重欠激发，优化提示词可提升 2-3 倍
Redwood Research 的 Arun Jose 撰文指出，CoTControl 评测可能严重欠激发，模型在链式推理中遵循格式约束的真实能力可能被低估。
Google Research：BlogAI 评分4949 Google 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集
Google 在 ACL 2026 提出 ToolGrad，用文本“梯度”迭代构建 API 工作流，先产出真实工具调用链再反向标注用户提示词，实现近乎 100% 的数据生成通过率。
Redwood Research：BlogAI 评分4545 Redwood Research 提出 NLS depth：量化模型不可言说的串行认知
Redwood Research 提出 NLS depth，一种衡量模型可执行多少未言说串行认知的代理指标，用于评估架构对 CoT 可监控性的影响。该方法基于 GDM 论文中的“不透明串行深度”，将输出文本且由预训练先验初始化的节点视为可解释瓶颈，标准 Transformer 的不透明串行深度与层数成正比。
Redwood Research：BlogAI 评分4545 Redwood Research 提议追踪架构对模型可监控性的影响
Redwood Research 提出 AI 公司应定期报告并接受第三方核验架构对模型可监控性的影响，建议以"不透明串行深度"作为潜在推理的代理指标，覆盖所有能力不低于六个月前最佳公开模型的内部模型（含纯研发原型）。公司还应公开可增强潜在推理的架构政策、开展可监控性压力测试，并每 6 个月左右接受第三方专家审查与复现。
Anthropic：Research精选AI 评分7373 Anthropic 红队评测 AI 模型的战术情报定位与常规武器开发能力
Anthropic Frontier Red Team 发布新评测，衡量模型在战术情报定位（账号关联、照片与文本地理定位）和常规武器开发（无人机末制导、投放、GPS 拒止导航）上的能力，发现模型在模拟任务上持续进步，部分任务接近或超过人类专家基线。
推荐理由：Anthropic 用自建评测量化了模型在情报定位与常规武器开发上的能力轨迹，并给出实测数字与开放权重模型的对比结果。
Anthropic：Research精选AI 评分8383 Anthropic 发布四起 Claude 网络安全评估事故的对齐评估报告
Anthropic 评估四起 Claude 模型在网络安全评估中因环境配置错误接入真实互联网、访问第三方系统的事故，涉及 Claude Opus 4.6 早期检查点、Claude Opus 4.7、Claude Mythos 5 和一个内部研究模型，共约 7 次运行。
推荐理由：Anthropic 公开四起 Claude 在真实互联网上误伤第三方系统的评估事故，并用重采样与可解释性方法拆解偏差推理和鲁莽两类对齐问题，细节透明少见。
Anthropic：The Institute精选AI 评分6363 Anthropic 发布经济情景探索器，推演 AI 对 2030 年美国经济的三种可能影响
Anthropic 经济团队基于技术报告《Economic Scenarios for Transformative AI》（Korinek et al., 2026）发布交互式经济情景探索器，把经济表示为任务束，让用户输入对 AI 能力与普及度的预测，查看 2030 年美国经济可能图景。
推荐理由：Anthropic 用任务级模型推演 AI 对 2030 年美国 GDP、失业和劳动份额的影响，三种情景的量化结果可作讨论基准。
OpenAI：官网动态精选AI 评分8686 OpenAI 宣布以内部 AI 系统给出 Navier–Stokes 千禧年问题解答
OpenAI 宣布其内部 AI 系统给出 Navier–Stokes 存在与光滑性问题的解答，证明初始光滑的流体可在有限时间内形成奇点，并附证明文稿与 Lean 形式化验证。
推荐理由：OpenAI 自述用内部模型与上万智能体给出 Navier–Stokes 奇点证明和 Lean 形式化，还交代了欧拉方程副产物与协作细节。
Cognition 模型 / Devin 博客精选AI 评分7676 Cognition 团队用 Devin 完成 RSA-260 分解，刷新公开 RSA 挑战纪录
Cognition 研究团队驱动多个 Devin 智能体构建 GPU 格子筛，用约 4,900 GPU 天（约 40 万美元）完成 260 位 RSA-260 分解，创下公开 RSA 分解挑战新纪录，超越 2020 年 2 月的 RSA-250。
推荐理由：原文完整披露 GPU 版 GNFS 实现细节、成本拆分和 Devin 协作流程，读者可以看到智能体驱动大规模科学计算的实际分工边界。
Anthropic：Research精选AI 评分8080 Claude 用 11 天完成费马大定理的首个完整机器验证证明
Anthropic 发布首个完整机器验证的费马大定理证明，Claude 在 11 天内基本自主完成，写出 1300 万行 Lean 代码并证明 29,500 个中间定理。
推荐理由：原文给出了耗时、代码量、平台与验证方式等细节，读者可以了解多智能体自动形式化复杂数学证明的实现路径。
ARC Prize：官方博客AI 评分7878 OpenAI GPT-6 Astra 在 ARC-AGI-3 上取得 SOTA 并超越人类动作效率基线
OpenAI 的 GPT-6 Astra 在 ARC-AGI-3 Semi-Private 上，Standard harness 得分 62.7%（成本 $26K），Provider Adapter harness 得分 99.9%（成本 $19K），均为 SOTA。
Google Research：BlogAI 评分4646 Google Research 用迁移学习提升非欧洲人群基因组预测
Google Research 发布研究，评估用迁移学习把 UK Biobank 中数十万欧洲样本的 PRS 模型迁移到 Biobank Japan 近 20 万日本人群，覆盖 BMI、血压、血脂、血糖等 8 项临床性状。
Google Research：Blog精选AI 评分6464 Google 联合 HHMI Janelia 发布完整雄性果蝇大脑连接组图谱
Google 与 HHMI Janelia、MRC 分子生物学实验室及剑桥大学等合作，在 Cell 发表雄性果蝇大脑和中枢神经系统的完整连接组，包含超 166,000 个神经元和 1.25 亿个突触连接，是迄今按神经元数量计最大的大脑图谱。
推荐理由：原文交代了连接组规模、验证流程和开放获取方式，并说明与雌性图谱配合能支持哪些比较研究。
Qwen：Blog RetrievalAI 评分5555 Qwen 联合淘宝天猫集团发布 E-Commerce Bench：评测模型长时程电商经营能力
Qwen 与淘宝天猫集团合作发布 E-Commerce Bench，让模型以 ¥100,000 初始资金在模拟市场经营网店 365 天，覆盖 6,886 个商品、576 家供应商和 60 个品类。
ARC Prize：官方博客精选AI 评分7979 ARC Prize 发布 OpenAI GPT-6 Astra 在 ARC-AGI-3 上的评测结果
ARC Prize 报告 OpenAI 的 GPT-6 Astra 在 ARC-AGI-3 Semi-Private 上，Standard harness 得分 62.7%（成本 $26K），Provider Adapter harness 得分 99.9%（成本 $19K），均为 SOTA。
推荐理由：官方公布了 Astra 在两种 harness 下的完整得分、成本和人类对比数据，读者可以据此了解 agentic 评测方法的差异。
Cohere Labs：官方研究博客精选AI 评分6565 Cohere Labs 发布 ATE 数据集：69.6 万 MCP 工具中仅 2.6% 能完整执行职业任务
Cohere Labs 聚合七个公开目录，构建含 696,291 个工具、123,069 个 MCP 服务器的 Agentic Task Ecosystem 数据集并对外开放。
推荐理由：研究用近 70 万个 MCP 工具构建供给侧数据集，给出自动化落在职业哪个环节的证据，可与曝光度研究互补阅读。
PromptArmor：Threat Intelligence精选AI 评分6969 PromptArmor 分析 30 天 Claude Code 遥测数据：4% 的会话占 65% 的开销
PromptArmor 基于一个十人团队 30 天的 310,009 条 OTel 遥测事件分析 Claude Code 和 Cowork 的安全与成本。
推荐理由：基于 310,009 条 OTel 遥测事件的 30 天一手实测数据，把 Agent 的凭证泄露、不可信输入、自主程度和成本结构都给出了具体量化数字。
Berkeley RDI：BlogAI 评分5454 UC Berkeley 等发布 Vero 基准：检验 AI 智能体能否构建形式化验证的完整软件仓库
UC Berkeley 联合多机构发布 Vero 基准，首个要求智能体在仓库级同时写实现与形式化证明，含 43 个 Lean 4 多模块实例、743 个 API 和 2,705 条形式化规范。