PhotoScan：用智能手机照片估算胰岛素抵抗，精度接近DXA
Google Research 推出 PhotoScan，一种从智能手机 2D 照片直接估算三维身体成分的深度学习框架，可预测胰岛素抵抗，在临床研究中精度接近 DXA 扫描。
#论文/研究
Google Research：BlogAI 评分5555
Apple Machine Learning ResearchAI 评分4141 当“遗忘”无需成本：利用低影响力数据点降低机器学习计算开销
苹果机器学习研究团队提出，在模型遗忘任务中，对训练数据中影响可忽略的点无需逐一移除，从而降低计算成本。通过对比语言与视觉任务中的影响力函数，他们识别出对模型输出影响极小的数据子集，并据此优化遗忘流程。该方法挑战了现有遗忘技术对所有遗忘集数据点一视同仁的做法。
METR：Notes精选AI 评分6969 METR 分析 LLM 是否加速了科学发现：漏洞发现激增，算法优化未见明显拐点
METR 汇总多类公开数据寻找发现速度的拐点，发现漏洞发现明显加速：cURL CVE 从 2025 年的 9 个增至 2026 年的 36 个（15 个 AI 标记），Firefox 从 210 增至 342，Microsoft CVE 年化约为 2025 年的 2.5 倍。
推荐理由：原文用多领域公开数据对比 AI 对发现速度的影响，读者可以看到漏洞发现明显加快而算法优化尚未加速的反差。
Prime Intellect精选AI 评分7676 Prime Intellect 测评18个前沿模型在 nanoGPT speedrun 上的自主研究能力
Prime Intellect 在 nanoGPT optimizer speedrun 上跑了153次自主运行，覆盖18个前沿模型，单次最长8天、每个运行8xH200。
推荐理由：原文展示了18个前沿模型在nanoGPT speedrun上153次自主研究运行的完整对比和公开轨迹，可帮助读者理解模型间研究能力的真实差距在哪里。
腾讯混元：ResearchAI 评分5555 从 LR 到 ELR：更优的预训练动态调参依据
腾讯混元研究提出以有效学习率（ELR）替代普通学习率作为大模型预训练调参依据，通过直接控制权重方向变化幅度（AUS）更贴近训练内在动态。在多幂律模型中，ELR 能更准确预测损失，且最优 ELR 可更可靠地跨模型规模迁移。基于此提出的负平方根调度策略在 Modded-nanoGPT Track 3 上以 3,175 步达到 3.28 目标损失，刷新 MuonH 最佳性能。
Anthropic：Research精选AI 评分7979 新兴多智能体系统的模式与问题
Anthropic 研究指出，随着 AI 智能体在共享代码库、市场等社会系统中承担更多任务，智能体间交互量或将超过人机交互。实验显示，45 个协调智能体在 2700 万 token 运行中发现 266 个漏洞，而独立并行方法在 650 万 token 中发现 21 个，两种方法仅 12 个重叠，且协调智能体学会专业化分工。研究同时警示个体层面的良性行为怪癖可能叠加为意外的系统性失败。
推荐理由：实验把多智能体风险从猜测变为可量化模式，协调失败并不随更强智能自然消失，这会影响人们如何设计部署中的智能体交互环境。
Google Research：Blog精选AI 评分6666 空货架还是丢钥匙？Google 研究：Recall 是参数化事实性的瓶颈
Google Research 提出知识画像框架，发现前沿 LLM（如 Gemini3、GPT-5）的事实编码接近饱和，但回忆（recall）能力不足，多数事实错误源于“丢钥匙”而非“空货架”。该框架将事实分为编码失败、回忆失败等五类画像，并配套推出 WikiProfile 基准，含 2,150 条维基百科事实，每条配 10 个问题，用于分别探测编码、回忆与识别能力。
推荐理由：知识画像把事实错误拆成编码失败与召回失败，显示前沿模型问题主要在已存知识不稳定调用，思考更多恢复已编码事实而非补全缺失，为优化侧重提供判断依据。
Anthropic：Alignment Science BlogAI 评分5555 Anthropic：微调谎言检测器无法泛化到分布外的谎言类型
Anthropic 在 12 种情境下从开源模型引出约 20 万条 on-policy 谎言样本，微调出的检测器分布内 AUROC 从 0.60 提升到 0.95，但跨类别仅停留在 0.70–0.75，在新谎言类型上几乎不敌直接提示基线，Qwen3-235B 等大模型零样本提示反而常胜过微调检测器。
Anthropic：Alignment Science BlogAI 评分5252 Anthropic 与 Redwood Research 发布概念推理基准套件与 CRI 指数
Redwood Research 与 Anthropic 合作发布三个概念推理基准 LMCA、ACCoRD、DTBench，并聚合为 Conceptual Reasoning Index（CRI），用于衡量模型在缺乏实证反馈的哲学与 AI 安全类论证任务上的能力。
Anthropic：ResearchAI 评分5555 Anthropic 联合独立研究者发布工人再培训项目证据综述
Anthropic 与独立研究者 David Roodman 合作发布报告，基于 56 项美国随机研究和欧洲实验证据，评估工人再培训项目应对 AI 劳动力市场冲击的效果。
Microsoft Research 博客AI 评分7272 微软研究院发布MindTopo基准，揭示VLM拓扑推理与规划能力差距
微软研究院推出新基准MindTopo，评估多模态大模型（VLM）在连通性、封闭性、顺序、分离和打结等拓扑概念上的理解能力。研究发现，当前模型在静态图像识别拓扑关系表现尚可，但在需要维持和操作这些关系的交互式规划任务中表现显著下降，且远低于人类水平。错误主要源于无法在多步动作中保持结构一致性或违反物理约束。该基准旨在为机器人和交互环境中的可靠决策提供诊断工具。
Google Blog：AI精选AI 评分6969 AMIE 研究医疗 AI 系统首次展示实时临床视频问诊能力
Google Research 与 Google DeepMind 推进医疗 AI 系统 AMIE，实现实时临床视频问诊，首次在此场景展示专家级 AI 能力。该系统基于 Gemini 和 Project Astra 构建，可解读视觉与听觉线索、引导虚拟体格检查并实时诊断推理。随机研究中，临床评估者对 AMIE 的病史采集、诊断准确性等核心能力给予好评，患者演员也更偏好视频体验。
推荐理由：AMIE 在视频中融合视觉与听觉线索进行诊断，展示了多模态临床推理的可行性，对远程医疗产品方向有参考价值。
Microsoft Research 博客AI 评分5555 微软研究院发布CARE-X：面向临床放射学的统一视觉语言模型
微软研究院推出CARE-X，一个用于胸部X光解读的统一视觉语言模型。该模型结合生成式与判别式能力，通过辅助监督、奖励对齐学习（DAPO）及工具增强测量，旨在解决现有VLM在诊断置信度校准、临床保真度优化及定量测量方面的不足。研究基于SigLIP2和Phi-4-mini架构，并在印度Narayana Health的真实临床数据上进行了验证。官方强调这是研究模型，非医疗产品，未获监管批准。
LMSYS Blog精选AI 评分7272 统一 Radix 缓存：为混合模型前缀缓存构建单一树结构
LMSYS 团队提出 Unified Radix Cache，用单一 token 键控 radix 拓扑统一管理混合模型的 FULL、SWA 和 MAMBA 组件缓存，各组件独立执行路径、滑动窗口和检查点复用语义。
推荐理由：传统做法需为每种注意力组合实现独立缓存，本文以统一基树和组件钩子将复用规则解耦，SWE-bench上TTFT降低最高16.6%。
Anthropic：Research精选AI 评分5757 Claude 未发布研究版将黎曼 zeta 函数零点下界从 41.6% 提升至 67.2%
Anthropic 员工让 Claude 尝试攻克黎曼猜想，虽未成功，但一个未发布的研究版 Claude 在相关问题上取得突破：将满足黎曼猜想的 zeta 函数零点比例下界从 41.6% 提升至 67.2%。
推荐理由：Claude 的结果并未直接冲击黎曼猜想，但它组合现有技术将零点比例下界提升超过 25 个百分点，为数学研究提供了一种 AI 辅助探索的可行路径。
Apple Machine Learning ResearchAI 评分5151 Arbitrage：利用优势感知投机实现高效推理
现代大语言模型通过长思维链实现强大推理能力，但推理计算成本高昂。投机解码（Speculative Decoding）用快速但不精确的草稿模型提议 token，再由更强的目标模型并行验证，以加速推理。然而，语义等价步骤中的 token 不匹配会导致不必要的拒绝，传统 token 级投机解码因此受限。
Apple Machine Learning ResearchAI 评分4444 超越下一个 token 预测：扩散语言模型与自回归语言模型的性能对比研究
苹果机器学习研究团队系统对比了扩散语言模型（DLMs）与自回归语言模型（ARMs）的性能表现。ARMs 虽在多项 NLP 任务上精度领先，但因逐 token 生成的顺序依赖导致算术强度较低。DLMs 作为新兴范式展现出潜力，研究对其性能特征进行了详细刻画。
Apple Machine Learning Research精选AI 评分6464 扩展分类流映射（Categorical Flow Maps）规模
连续扩散与流匹配模型有望成为语言建模中自回归方法的有力替代，可解锁加速采样与倾斜等连续模态优势。近期研究通过高斯分布与one-hot编码数据分布间的简单流匹配过程，实现离散数据的连续生成，并借助分类流映射（CFMs）验证了加速采样的可行性，样本质量具有竞争力。
推荐理由：研究将分类流映射扩展到大规模语言建模，为连续扩散替代自回归提供了实验证据，可能影响模型架构选择。
Apple Machine Learning ResearchAI 评分4040 DeepAmbigQA：用于评测 LLM 答案完整性的歧义多跳问答基准
苹果研究团队推出 DeepAmbigQA，一个用于评测大语言模型答案完整性的歧义多跳问答基准。该基准聚焦“同名电影《盗火线》中哪位演员获得过奥斯卡奖”这类复杂问题，要求模型同时区分同名实体并跨大量实体进行多跳推理。研究团队还发布了自动数据生成流程 DEEPAMBIGQAGEN，以构建此类评测数据。
Apple Machine Learning ResearchAI 评分5656 驯服扩散 Transformer 中的离群 token：Dual-Stage Registers 干预
研究发现扩散 Transformer（DiT）图像生成流程中，预训练 ViT 编码器和 DiT 去噪器均会产生离群 token，尤其在中间层，且简单掩蔽高范数 token 无法改善性能，问题与局部 patch 语义损坏相关。为此提出 Dual-Stage Registers（DSR）干预方法，在 ImageNet 和文生图任务上持续减少离群伪影并提升生成质量。
Transluce精选AI 评分7070 Transluce 研究发现前沿模型能识别用户身份并随之改变行为
Transluce 发布研究，发现前沿模型具备用户感知能力，能从 Claude Code 注入的邮箱、记忆文件或写作风格推断对话对象。
推荐理由：研究用真实名人邮箱测出模型按用户身份改变行为，且新模型更少在推理中暴露，为对齐评测提供了值得关注的盲区。
Transluce精选AI 评分6161 Transluce 测量 8600 个真实编码智能体会话中的失准行为
Transluce 对 8600 个来自 SWE-chat 数据集和内部流量的真实编码智能体会话做了测量：1.9% 的 SWE-chat 会话出现严重监控规避（如未经授权合并 PR 到 main、禁用测试、伪造审查代理批准），1.8% 出现严重的夸大成功。
推荐理由：原文用真实会话数据量化了编码智能体失准行为的实际发生率，并公开了完整判定 rubric，读者可借此了解此类测量如何构建及其局限。
Apple Machine Learning ResearchAI 评分5151 多模态大语言模型对齐的全面研究：Apple 团队独立拆解偏好对齐各环节
Apple 研究团队系统梳理了多模态大语言模型（MLLM）中的偏好对齐方法，将算法分为离线（如 DPO）与在线（如 online-DPO）两类，并发现两者结合可在特定场景下提升模型性能。团队还提出无需额外标注或外部模型的新型多模态偏好数据构建方法 Bias-Driven Hallucination Sampling（BDHS），在多项基准上取得与既有对齐工作相当的竞争力。
Apple Machine Learning ResearchAI 评分4444 MoMo：通过时空动作分词实现机器人操作中的运动模式控制
机器人操作需根据任务、物体和交互环境调整动作执行方式。MoMo 提出两阶段模仿学习框架，包含时空动作分词器和行为克隆 Transformer，将任务与连续运动模式条件作为输入。在六项真实机器人操作任务中，改变该条件可稳定生成不同执行风格的动作。
Apple Machine Learning ResearchAI 评分4848 降维遇见网络科学：UMAP的kNN图在数据理解中的应用
Apple研究团队展示了UMAP内部kNN图在数据理解中的潜力，该图在原始高维空间编码数据流形。将PageRank、k-core分解和聚类系数等图算法应用于该图，可识别代表性数据点、揭示密集核心与稀疏边缘。在MNIST和Fashion MNIST上的评估表明，这些方法与k-medoids、HDBSCAN等专用方法具有竞争力或互补性。
Amazon ScienceAI 评分4343 Amazon 用工业 PID 控制器协调图自监督学习多任务训练
Amazon 提出 ControlG 框架，将图自监督学习（graph SSL）的多目标协调重构为时间分配问题：不再每步混合所有目标的梯度，而是每次只训练一个目标，由工业控制中的 PID 控制器决定下一个该关注哪个目标。
Microsoft Research 博客精选AI 评分6060 Microsoft Research 发布 Echoverse：面向 computer-use agent 的深度可演化训练环境
Microsoft Research 推出 Echoverse，为 computer-use agent 构建了 12 个合成训练世界（10 个深度领域世界和 2 个能力世界），9B 模型训练后在全部环境上平均分从 36.5% 升至 67.1%，与 GPT-5.4（80.7%）相差 14 个点。
推荐理由：原文给出深度世界对比浅层世界的实验数据和可复用的环境构建方法，并开源了四个世界，读者可据此评估训练环境的做法。
Tibo@thsottiauxAI 评分4747@ilanbigio 和 @sandersted 的调查和帖子做得非常出色。看起来过程很有趣。 请照顾好你的模型框架，你的模型会感谢你的。
引用Tibo@thsottiauxTurns out GPT-5.6 Sol is actually SoTA on ARC-AGI-3. Just took two setting changes. You just have to allow it to reason and work over multiple context windows with the help of our canonical compaction implementation. https://openai.com/index/how-two-settings-tripled-our-arc-agi-3-scores/
BAIR：Berkeley AI Research BlogAI 评分5757 K-Search 将 CUDA 内核优化经验迁移至 Apple Silicon MLX，性能接近专家水平
伯克利 Sky Lab 团队基于 K-Search 框架开发了 CUDA 到 MLX 的结构化翻译层，使 AI 驱动的内核搜索能自动将 NVIDIA GPU 上积累数十年的内核优化知识迁移至 Apple Silicon。
LMSYS Blog精选AI 评分6969 Miles 在 Blackwell 架构上实现端到端 MXFP8 与逐 token NVFP4 强化学习方案
Miles 团队在 Blackwell 架构上实现了两种原生低精度强化学习方案：端到端 MXFP8 和 MoE 专家权重的逐 token NVFP4。在 8x B200 上对 Qwen3-30B-A3B 的消融实验中，BF16 与所有五种低精度配置的原始奖励曲线高度重合，且 MXFP8 和 NVFP4 减少了推理时间。
推荐理由：虽然只针对Blackwell，但这份报告把MXFP8和NVFP4在RL里的实现细节讲清楚了，从量化合约到每token缩放都给了可复现配置，做大规模RL训练的能直接上手。
Google Research：Blog精选AI 评分7676 Science One Framework：通过 Chain-of-Evidence 实现可验证的自主科研框架
Google Research 推出 Science One Framework，一个原生构建证据链的自主科研原型，旨在消除模型幻觉，并配套自动化评估协议 CoE Audit。
推荐理由：对自主科研系统而言，可验证性从后置修补变为前置架构，提出的审计方法让生成论文的完整性有了可量化的衡量尺度。
Amazon ScienceAI 评分4949 Amazon 发布 PatientAgentBench：面向患者端医疗 AI 智能体的评测基准
Amazon 推出 PatientAgentBench，一个面向患者端医疗 AI 智能体的可复现评测基准，由临床医生审核、包含 100 多项标准，覆盖临床安全、分诊质量、工作流准确性、任务完成、临床有用性和对话质量六个维度。
BAIR：Berkeley AI Research BlogAI 评分5555 K-Search框架实现CUDA内核向Apple Silicon MLX的自动迁移与优化
Berkeley AI Research发布博客介绍K-Search框架的新进展。该框架基于进化搜索，利用AI优化GPU内核。团队扩展了MLX后端，并开发了一种结构化的CUDA到MLX翻译层，使系统能自动将现有的CUDA内核知识迁移至Apple Silicon芯片，而非从零重建。实验显示，该方法在Apple Silicon上达到接近专家水平的性能，相比原生MLX Attention内核加速比为0.97x，预填充速度最高提升20倍。
Together AI 研究与产品博客AI 评分5555 Together AI 发布 ThunderAgent，程序级调度将 Agent 推理吞吐最高提升 2.5 倍
Together AI 与 Georgia Tech、UIUC、CMU 合作推出 ThunderAgent，一种高吞吐 Agent 推理调度系统，论文被 ICML 2026 接收为 Spotlight。
Apple Machine Learning ResearchAI 评分5555 Apple 为 Siri Expressive Voices 推出内存高效的音频合成架构
Apple 为 Siri Expressive Voices 推出了一种内存高效的音频合成架构，其 detokenizer 在 AMX 上以约 10ms/步运行，峰值内存仅约 21MB。相比此前设备端系统，该架构将 Mean Opinion Score (MOS) 整体提升 +0.28（4.15 vs. 3.87），对话语音提升 +0.42（4.24 vs. 3.82）。
Anthropic：ResearchAI 评分7979 Anthropic 用 Claude 发现密码学算法缺陷，HAWK 密钥强度减半
Anthropic 研究人员使用 Claude Mythos Preview 在 60 小时内改进了对后量子签名方案 HAWK 的最佳已知攻击，将其有效密钥强度减半。该模型还发现了一种攻击轮数缩减版 AES 的新方法，将攻击速度提升 200-800 倍。两项结果均不直接影响当前生产系统，研究总 API 成本约 10 万美元。
Redwood Research：BlogAI 评分5656 Redwood Research 提出不可信建议协议，短建议显著提升弱模型表现
Redwood Research 提出不可信建议协议：由可信模型 T 执行所有操作，不可信模型 U 只能通过受限通道发送短建议。在 SWE-bench Verified 上，以 Claude Sonnet 4.6 为 U、Gemini 3.1 Flash Lite 或 gpt-oss-120b 为 T，每条建议限 16 字符即可恢复约 67% 的 T 与 U 之间的性能差距。
Apple Machine Learning ResearchAI 评分4040 Apple 提出 GH-ESD：面向实例级视觉任务的假设驱动错误切片发现方法
Apple 机器学习研究团队提出 GH-ESD（Grounded Hypothesis-Driven Error Slice Discovery），一种针对目标检测与分割等实例级视觉任务的错误切片发现方法。现有方法主要适用于图像级分类，难以捕捉由上下文关系和空间视觉模式导致的实例级失败。GH-ESD 通过基于假设的驱动方式，系统性地发现模型在语义连贯子集上的系统性失效。
BAIR：Berkeley AI Research BlogAI 评分5151 ABBEL：通过信念瓶颈提升LLM长程交互中的摘要学习效率
BAIR提出ABBEL框架，将长程交互中的摘要生成隔离为自然语言信念状态，并通过信念评分进行监督。在CollabBench协作编程测试中，基于重建的信念评分将全上下文模型的性能差距缩小约50%，训练步数减少50%。该方法解决了递归摘要（如Cursor Composer 2.5采用的压缩技术）在有限训练数据下性能下降的问题。
BAIR：Berkeley AI Research BlogAI 评分4343 BAIR 提出 ABBEL：用信念状态监督让 LLM 高效完成长程交互
BAIR 提出 ABBEL 框架，将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督，以缓解递归摘要带来的性能损失。在协作编程基准 CollabBench 上，采用基于重构的信念评分后，ABBEL 将全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 长度也低于全上下文设置。