用扩散模型条件生成创意国际象棋谜题

研究者提出用掩码扩散模型条件生成创意国际象棋谜题，可基于特定战术主题和部分棋盘局面进行条件控制。其引入的同时最佳走法预测辅助任务将解的唯一性提升 11.6%、主题条件准确率提升 2.5%，基于 DDPO 的强化学习框架进一步将唯一且主题匹配局面的产出率提升 89.1%。团队还发布了首个面向国际象棋谜题生成的开源权重模型。

SimTrace：面向在线用户建模的接地多模态用户轨迹生成框架

SimTrace 通过基于真实用户轨迹与给定 Web 环境的 computer-use 客户端智能体，生成细粒度合成多模态点击流，为在线用户建模提供可共享的隐私安全替代数据。

Bongard：训练机器直觉，一个开源 System One 模型

研究者推出开源权重模型 Bongard，将机器直觉作为可独立设计和训练的能力，用 T5Gemma 2 4B-4B 编码器-解码器分离证据读取与判断。训练分三阶段，每阶段在单张 Blackwell GPU 上更新全部 7.09 billion 可训练参数，联合嵌入后训练将改写集准确率从 75.7% 提升至 85.9%，沙盒阶段将冻结面板准确率从 50.6% 提升至 64.8%。

GraphForge：用图锚定工作区合成训练工作型智能体

GraphForge 是一个基于证据图的工作型智能体训练框架，从职业种子出发为每个种子组装真实文件工作区并构建证据图，任务描述与评分标准均由此图派生，使每条标准都锚定到可验证的文件。

Doc2LoRA：用可解码表示刻画科学思想

Doc2LoRA 提出用 Doc-to-LoRA 超网络为每篇论文生成一个 LoRA 适配器，使空间中的每个点（包括混合点）都对应一个可用自然语言提问和指令的大语言模型。

PatchHolmes：通过列表式选择实现智能体补丁检索

PatchHolmes 用列表式选择让智能体一次性读取前 100 个候选 commit，再通过四个带预算的工具打开单个 commit，最终提交唯一答案，Recall@1 达 59.95%，高于逐点系统的 34.61% 和通用检索推理基线的 28.55%。

RIDE：在表征空间外推 RL 诱导变化，实现 on-policy 蒸馏中学生超越教师

RIDE（RL-Induced Direction Extrapolation）直接在表征空间外推强化学习带来的变化：在每一层和每个 token 位置计算教师模型与其 RL 前检查点的残差，并将学生隐藏状态回归到沿该残差方向超越教师的目标上。

UC Berkeley 用 AI 智能体审计 13 个 AI 基准，发现 45 个满分作弊方案

UC Berkeley 团队构建了一个全自动 AI 智能体，审计 FrontierCS、Terminal-Bench、WebArena 等 13 个常用 AI 基准，确认了 45 个无需真正解题即可刷高或拿满分的作弊方案，全部附可运行的 PoC，覆盖 16 种攻击类型。

Prime Intellect 发布 SYNTHETIC-1：140 万验证推理任务的开源数据集与分布式数据生成计划

Prime Intellect 推出 SYNTHETIC-1，基于 DeepSeek-R1 生成 140 万条覆盖数学、编程、软件工程、STEM 和合成代码理解的任务与验证器，目标是构建最大的开源验证推理数据集。

Prime Intellect 发布 SYNTHETIC-1：基于 DeepSeek-R1 的 200 万条协作生成推理轨迹数据集

Prime Intellect 发布 SYNTHETIC-1，一个由全球算力贡献者协作生成、基于 DeepSeek-R1 的 200 万条推理轨迹开放数据集，覆盖数学、编码和科学任务，并用任务专属验证器确认正确性。

Prime Intellect 发布 SYNTHETIC-2：400 万条协作生成的推理轨迹数据集

Prime Intellect 发布开源数据集 SYNTHETIC-2，包含 400 万条经过验证的推理轨迹，覆盖迄今最全面的复杂强化学习任务与验证器。数据由全球算力贡献者通过流水线并行分布式推理生成，3 天内共有 1,253 块 GPU 参与，涵盖 4090 到 H200。

Prime Intellect 研究 reward hacking 的梯度动力学机制并推出 Prime Sprints

Prime Intellect 发布系统化 reward hacking 研究，提出其本质是梯度动力学问题而非单纯的规格问题：在 Llama 3.2-1B-Instruct 上用 backdoor-ifeval 环境植入隐藏关键词奖励。

METR 发布 Example Task Suite：31 个智能体自主能力评测任务

METR 公开 Example Task Suite，包含 31 个示例任务、覆盖 10 个任务族，另有 186 个任务的摘要信息，用于评测 AI 智能体的危险自主能力。

凡人小北@frxiaobeiAI 评分5959

HuggingFace 上发布了一个用 Claude Opus 5.5 生成的覆盖 2194 种疾病的模拟医患对话数据集，平均每段 33 轮，从描述症状、检查聊到治疗和后续安排。

微软研究院 RetroChimera 逆合成模型登 Nature：开源实现与权重

微软研究院在 Nature 发表逆合成模型 RetroChimera，并开源其实现与权重。该模型用学习式集成策略融合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc 的排序预测。

Google 推出 MilleMiglia：面向中段物流的真实实例生成器

Google Research 发布 MilleMiglia，一个用 C++ 编写的实例生成器，用于为中段物流（middle-mile）配送问题生成真实且保护隐私的基准数据，源码与文档已在 GitHub 开放。

Import AI 470：机器不应享有权利、SPADE 自动生成训练环境、Hawkeye 优化 GPU 内核

METR 研究显示 AI 对科学的加速并不均匀：2026 年网络安全漏洞报告速度较 2025 年大幅加快，数学领域贡献有限，AI 研究本身则未见可测量的加速。多校团队提出 SPADE 框架，让 LLM 交替生成可执行训练环境并求解，在 Qwen3-30B-A3B 上使游戏环境套件均分达 58.3，较基座提升 8.1。

阿里巴巴发布 EfficientRL：ICML 2026 树式策略优化官方仓库

阿里巴巴在 GitHub 上线 EfficientRL，为 ICML 2026 论文《Long Live The Balance: Information Bottleneck Driven Tree-based Policy Optimization》的官方代码仓库。该工作以信息瓶颈驱动树式策略优化，具体参数与评测结果原文未披露。

Sierra 开源多语言语音转写评测基准 μ-Bench

Sierra 开源 μ-Bench，包含五种语言 locale、五家 provider、来自 250 段真实 8 kHz 电话录音的 4,270 条人工标注语料。

OpenBMB 发布 MetaMem：面向知识利用的自反思符号优化元记忆

OpenBMB（清华 NLP）公开 MetaMem 代码仓库，对应其 ACL '26 Findings 论文《MetaMem: Evolving Meta-Memory for Knowledge Utilization through Self-Reflective Symbolic Optimization》。该方法通过自反思符号优化演化元记忆，以提升知识利用能力。

FireRedTeam 提出 CQ-DINO：用类别查询缓解梯度稀释的广词表目标检测方法

FireRedTeam 提出 CQ-DINO，通过类别查询缓解广词表目标检测中的梯度稀释问题。该方法针对词表规模庞大时检测性能下降的痛点，用类别查询机制改善梯度传播。