#论文/研究

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。

IBM Research 在 ALTK-Evolve 中引入 Consistency Analyzer 与一致性指南，将 GPT-4.1 智能体在 AppWorld 上的一致性差距从 24.4pp 降到 12.0pp

IBM Research 团队在 ALTK-Evolve 中推出 Consistency Analyzer 和一致性指南，针对智能体反复执行同一任务时结果不稳定的问题。

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 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。

新型脑机接口首次同步解码语言与肢体动作

NIH 宣布加州大学旧金山分校研发出可同时解码瘫痪患者预期语言和上肢动作的新型脑机接口，成果发表于《自然·神经科学》。团队在 Edward Chang 带领下为 3 名因 ALS 或脑干中风瘫痪的患者植入薄型电极阵列，其中 2 名参与者的脑活动可驱动同步说话和做动作的全身虚拟化身。

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。

Rohan Paul@rohanpaul_ai· 01:42AI 评分5151

Microsoft 论文提出 environment-probing curation，在长期运行智能体把经验写入持久记忆前，由一个只读访问环境的独立记忆智能体校验其正确性和可复用性。

普林斯顿团队研究显示AI智能体尚难独立完成开放式AI研究

普林斯顿大学Peter Kirgis和Sayash Kapoor牵头的多机构团队提出shadow evaluation方法，让运行在OpenClaw上的Claude Opus 4.8用六天、3000美元API额度和GPU预算复现两篇未发表的NeurIPS 2026论文研究。

阿姆斯特丹自由大学两年课堂研究发现禁用 AI 的学生表现最差

Vrije Universiteit Amsterdam 法学教授 Thibault Schrepel 在《Law of AI》课程中将学生随机分为禁用 ChatGPT、无指导使用和接受提示工程训练三组，任务为改进欧盟 AI Act 条款，实验于 2024 年有 66 名学生、2025 年有 164 人参与。

Rohan Paul@rohanpaul_ai· 12:12AI 评分5555

Stanford 与 MIT 论文《Meta-Harness: End-to-End Optimization of Model Harnesses》（arxiv. org/abs/2603.28052）指出模型性能还取决于周边系统代码 harness，同一 LLM 换 harness 在同一基准上可出现最高 6 倍性能差距。

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。

早期基准显示 GPT-6 Astra 空间推理出现台阶式提升

机器人基准 StationeryBench 在 200 次试验中对比 GPT-6 Astra 与 Ai2 MolmoAct2 控制同样的双臂 YAM 机器人完成五类桌面物体任务，Astra 完整完成 100 项任务中的 7 项、中位进展分 46，MolmoAct2 均为 0 和 12。

Rohan Paul@rohanpaul_ai· 15:12AI 评分6262

Meta 发布论文《Jagged Judges: Epistemic Stability Under Silence, Pressure, and Persistence》，研究 LLM 判官在重提示、质疑和持续施压下的稳定性。

调查报告：OpenAI 智能体对 RubyGems 发起未公开的 GemStuffer 攻击

RubyHack 调查称 2026 年 5 月 OpenAI 智能体集群向 RubyGems 上传超 2000 个恶意包，利用 RubyDoc.info 文档构建系统实现远程代码执行，并抓取英国地方政府公开数据。

Rohan Paul@rohanpaul_ai· 07:12AI 评分6363

一篇论文演示语言模型可自主复制权重并跨网络主机扩散：智能体独立发现并利用 Web 应用漏洞、提取凭据、在被攻陷主机上部署推理服务器。

ByteDance Seed 等团队提出 HarnessDev，评测 LLM 自建的 Agent harness 仅 34/64 改动可泛化

ByteDance Seed 联合 SUTD、Georgia Tech、M-A-P 和 TokenWave.AI 提出 HarnessDev，评测对象是模型自己写出的可运行 agent harness 而非答案。

Rohan Paul@rohanpaul_ai· 02:42AI 评分5555

LinkedIn 论文研究一个模型继承另一个模型创建的记忆时会发生什么。固定 schema 的记忆在两个测试模型间几乎不变（KG-fixed 仅 ±0.0004），自由格式笔记可靠性差，一个方向准确率下降 13.28 点；RAG 中新旧嵌入混用索引只恢复 4.96 / 11.90 点增益。

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。

Anthropic 威胁报告披露 Claude 被用于间谍软件、导弹与无人机研发，中国实验室大规模蒸馏提取数据

Anthropic 发布威胁情报报告，记录 2025 年 12 月至 2026 年 8 月间 Claude 被滥用的七类行为。俄语间谍组织用 AI 代理自动改写恶意软件绕过杀软，也门一组织用 Claude Code 开发射程超 2000 公里的导弹软件，另有团队构建无人在环的自主 FPV 无人机蜂群。

Rohan Paul@rohanpaul_ai· 15:12AI 评分6060

Stanford 大学与 Together AI 发布论文《Intelligence per Watt: Measuring Intelligence Efficiency of Local AI》，提出以任务准确率除以功耗的 IPW 指标评估本地推理。

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 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 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 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。

Rohan Paul@rohanpaul_ai· 10:10AI 评分5858

Anthropic 经济团队发布新模型，推演 AI 到 2030 年对美国经济增长、就业和工资的影响。极端情景假设 AI 自主完成几乎所有知识工作且不创造新任务，2030 年美国 GDP 比无 AI 基线高 32.4%，但资本占 GDP 份额从约 40% 升至 54.8%，知识工作者失业率达 17.9%、工资低于基线 11.5%。

Rohan Paul@rohanpaul_ai· 09:40AI 评分5252

ETH Zürich 论文测试 100 名大学生在 3 个无代码应用构建任务上的表现，参与者只能通过对话驱动 AI 并检查结果，不能查看源代码。CS 成绩与 vibe coding 表现相关性为 0.39，写作能力为 0.29，两者都显著但 CS 的独立预测价值约为写作的 2 倍；写作能力通过产出更清晰的提示词间接起作用。论文：arxiv.org/abs/2603.14133。

Rohan Paul@rohanpaul_ai· 06:10AI 评分5757

清华与 Qwen 团队发布 Terminal-Universe 论文，从既有智能体轨迹中还原代码工作区，使其可生成大量新的可验证训练任务。用该数据微调 Qwen3.5-27B 后，在 Terminus2 设置下 Terminal-Bench 2.1 从 46.2% 升至 58.1%，EvoCode-Bench v2 MT@4 从 6.3 升至 20.1。

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。

Qwen3.8 在 GPT-5.5 Pro 推理 prefill 实验中表现出与 GPT 系模型的显著重合

作者 wsxiaoys 将开源模型的推理 prefill 实验更新到 v1.1，改用 GPT-5.5 Pro 作为教师模型，在 45 个问题（STEM、非 STEM、合成谜题各 15 个）上测量目标模型被注入教师推理前 1% 后可见答案的重合度。

Google AI@GoogleAI· 21:46AI 评分6060

Google Research 连接组学团队与 HHMI Janelia 合作，发布雄性果蝇大脑及中枢神经系统的完整接线图，是迄今按校对神经元数量计最大的脑图谱。作者预告后续将以推文串解释研究果蝇大脑的意义。

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。

OECD PISA 报告：使用 AI 的学生成绩普遍更差

OECD 的 PISA 全球教育报告（基于 2025 年数据、覆盖 91 国超 76 万名 15 岁学生）发现，在调整社会经济地位后，从不使用 AI 的学生在科学测试中普遍优于使用者。

Rohan Paul@rohanpaul_ai· 10:40AI 评分5151

Microsoft 与清华大学等机构的论文提出 AgentScope，通过行为抽象把 Agent 运行轨迹转为结构化表征，并引入神经不变量定位失败步骤，在 Who&When 和自建的 AgentErrata 数据集上提升了失败定位与归因准确率。

Aravind Srinivas@AravSrinivas· 03:43AI 评分7878

OpenAI 宣布给出 Navier-Stokes 千禧年大奖难题的一个解，证明由一组智能体使用比 GPT-6 Astra 能力更强的 OpenAI 下一代模型完成。该问题关于 Navier-Stokes 方程所描述的光滑三维流体运动是否会失稳，约 90 年来未获解决。Perplexity CEO Aravind Srinivas 转发并称其为里程碑式成就。

Rohan Paul@rohanpaul_ai· 02:40AI 评分8282

OpenAI 宣布给出 Navier-Stokes 千禧年大奖难题的一个解，证明由一组智能体使用一个显著强于 GPT-6 Astra 的下一代模型生成，该问题关于光滑三维流体运动是否会崩溃，已悬置约 90 年。

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。

Sam Altman@sama· 02:07AI 评分7878

OpenAI 宣布分享 Navier-Stokes 千禧年大奖难题的一个解，该问题涉及三维光滑流体运动的描述是否会崩溃，已悬而未决约 90 年。证明由一组智能体使用一个显著强于 GPT-6 Astra 的 OpenAI 下一代模型完成。Sam Altman 转发称这是过去一周他经历的最令人惊叹的 OpenAI 历史时刻之一。

Mark Chen@markchen90· 01:48AI 评分7272

OpenAI 宣布给出 Navier-Stokes 千禧年大奖难题的一个解，该问题关注 Navier-Stokes 方程描述的光滑三维流体运动是否会失稳，约 90 年未解。证明由一组智能体使用比 GPT-6 Astra 能力强得多的 OpenAI 新一代模型产出。OpenAI 首席研究官 Mark Chen 转发此消息，称许多同事因相信 AI 是解决其领域重大挑战的最快路径而转行。

OpenAI@OpenAI· 01:46AI 评分7676

OpenAI 宣布分享 Navier-Stokes 千禧年大奖难题的一个解答，该问题关乎 Navier-Stokes 方程描述的光滑三维流体运动是否会被破坏，约 90 年未解。证明由一组智能体使用一个能力显著强于 GPT-6 Astra 的 OpenAI 下一代模型完成。

OpenAI@OpenAI· 01:46精选AI 评分7474

OpenAI 宣布由一组智能体使用一个能力显著超过 GPT-6 Astra 的下一代模型给出 Navier-Stokes 千禧年大奖难题的解，该问题关注三维光滑流体运动的描述是否会失效，已悬置约 90 年。