OpenAI 验证 WildChat 公开对话数据可预测真实世界模型失准行为

OpenAI 在 Alignment 博客发布 Deployment Simulation 验证工作：用 WildChat 对话前缀重新生成 5 个 OpenAI 模型（含 o3。

InternLM 发布 RNGBench：评估多模态大语言模型在可控非马尔可夫博弈中的表现

上海人工智能实验室 InternLM 项目开源 RNGBench，用于在可控非马尔可夫博弈中评估多模态大语言模型，相关论文已被 EMNLP 2026 收录。该基准聚焦"超越当前观测"的评测场景，官方实现已随项目公开。

Google Research 发布 AI 辅助皮肤病理解研究

Google Research 发布关于 AI 帮助用户理解皮肤状况的研究，包括本周发表于 JAMA Dermatology 的大规模定量研究和此前发表于 ACM CHI 的混合方法研究。

Google Research 提出审计机器遗忘的新框架 Regularized f-Divergence Kernel Tests

Google Research 在 AISTATS 2026 提出 Regularized f-Divergence Kernel Tests，用于审计机器遗忘，通过相对距离检验判断遗忘后模型在分布上更接近安全重训模型还是原始受损模型。

Google DeepMind 发布塞拉利昂 AI 辅助学习试验结果：Gemini Guided Learning 提升数学成绩

Google DeepMind 公布在塞拉利昂开展的预注册对照试验结果，使用 Gemini Guided Learning 的学生数学成绩提升 0.258 个标准差，约等于 1.2 至 1.7 年的正常学习进度，教师将 Gemini 纳入约一半课时（目标 12 小时）的班级进步更高，约 1.8 至 2.5 年。

Google Research 发布 PHRM 系统用手机前置摄像头被动监测心率与静息心率

Google Research 在 Nature 发表 PHRM 研究系统，利用人脸解锁后的前置摄像头视频在日常用机时后台估计心率与每日静息心率。

Saining Xie@sainingxieAI 评分4242

大脑如何从（可能不完整且有噪声的）视觉观察中构建并追踪世界的内部状态？ 我相信视觉状态追踪将成为未来几年视觉领域的重大挑战，我希望这个基准能成为一个有用的起点。enjoy！

InternLM 发布 OVO-S-Bench：多模态 LLM 流式空间智能分层基准

上海人工智能实验室 InternLM 团队开源 OVO-S-Bench，一个面向多模态 LLM 流式空间智能的分层评测基准，论文已被 EMNLP 2026 接收为 Oral。该基准用于评估模型在流式输入下的空间理解能力，官方实现已同步放出。

Google 如何用零信任聚合实现隐私分析

Google 提出一种零信任隐私分析方案，将新型单消息密码学聚合协议与 TEE 结合，使设备只需一次性提交数据，无需多轮在线交互。该设计保证 Google 只能获得匿名聚合结果，原始数据即使在硬件保护范围内也不会被解密或重建，TEE 证明机制则验证聚合代码按公开代码正确执行。

InternLM 提出 Skill-as-Pseudocode：将 markdown 技能库重构为类型化伪代码契约

上海人工智能实验室 InternLM 项目提出 Skill-as-Pseudocode，把 markdown 技能库重构为带类型的伪代码契约，供 LLM 智能体调用，该工作入选 EMNLP 2026 Findings。

Saining Xie@sainingxieAI 评分4444

📸cambrian系列最新作品：cambrian-p，p代表pose。 我认为pose可能是我们需要的、用于稳健视频多模态模型的最小充分3D信号（而且很容易获取！）——联合建模帧和pose，将图像序列转变为全局有根基的结构。

Google DeepMind 报道 Stanford 团队用 Co-Scientist 找到抗肝纤维化的重定位药物

Stanford 医学院遗传学家 Gary Peltz 团队在 Advanced Science 发表研究，用 Google DeepMind 的 Co-Scientist 从现有药物文献中筛选可重定位治疗肝纤维化的候选药物。

蚂蚁 inclusionAI 开源 ARGenSeg：用自回归图像生成模型做图像分割

蚂蚁 inclusionAI 在 GitHub 发布 ARGenSeg，将自回归图像生成模型用于图像分割，论文已被 NeurIPS 2025 收录。该工作把分割任务建模为图像生成过程，具体参数规模与 benchmark 分数原文未披露。

Google DeepMind 发表 Co-Scientist 多智能体科学假设生成系统，并通过 Hypothesis Generation 开放研究者注册

Google DeepMind 在 Nature 发表 Co-Scientist 研究，推出基于 Gemini 的多智能体系统，通过生成、辩论和进化假设来加速复杂科学问题研究，并将在未来几周通过 labs.google/science 向个人研究者开放。

自适应并行推理：高效推理扩展的下一个范式

伯克利 AI 研究团队梳理了并行推理领域进展，指出当前多数方法（如 Self-consistency、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink、Hogwild!

OpenAI 调查 RL 训练中意外评分 CoT 的后果

OpenAI 报告其自动检测系统发现多个已发布模型在 RL 训练中意外受到有限的 CoT 评分，涉及 GPT-5.4 Thinking、GPT-5.1 Instant 至 GPT-5.4 Instant、GPT-5.3 mini 和 GPT-5.4 mini，GPT-5.5 未受影响。

Sierra 发布 𝜏-voice 基准：在真实音频条件下评测实时语音智能体

Sierra 联合普林斯顿发布 𝜏-voice 基准，将 𝜏-bench 的 278 个客服任务与全双工语音、环境噪声、电话压缩等真实音频条件结合，统一评测任务完成与对话动态。

Google DeepMind 发布 AI co-clinician 医疗协作智能体研究

Google DeepMind 宣布 AI co-clinician 研究计划，探索在医生临床监督下辅助患者照护的 AI 智能体。在 98 个真实初级保健问题的盲评中，该系统在 97 例中零关键错误，优于两种医生广泛使用的 AI 系统；在 OpenFDA RxQA 开放式用药问答上超越其他前沿模型。

Google Research 展示科学家使用 Empirical Research Assistance 的四个方向

Google Research 介绍了科学家及学术合作者使用 Empirical Research Assistance（ERA）开展研究的四个方向。公共卫生方面，团队将 COVID-19 住院预测扩展到流感和 RSV，并每周实时向 CDC 相关项目提交预报，在流感与 COVID-19 公开排行榜上处于或接近榜首。

Together AI 用分布感知推测解码将 RL rollout 加速最高 50%

Together AI 提出分布感知推测解码（DAS），在 RL 后训练中最高减少 50% 的 rollout 时间且不改变模型输出。DAS 由自适应后缀树草稿器和长度感知调度两部分组成，前者无需梯度更新即可持续适配策略变化，后者通过跨 GPU 负载均衡与 GPU 内推测预算分配削减长尾请求。

Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构

Google DeepMind 发布 Decoupled DiLoCo（分布式低通信）架构，将训练拆分到异步解耦的计算岛（learner units），隔离硬件故障让其他部分继续训练。

Google Research 发布 ReasoningBank 框架，让智能体从成功与失败经验中学习

Google Research 在 ICLR 论文中提出智能体记忆框架 ReasoningBank，可从成功和失败经验中蒸馏结构化推理记忆用于测试时自我进化，并开源了代码。

GRASP：面向世界模型长时程规划的梯度规划器

伯克利 AI 研究团队提出梯度规划器 GRASP，通过将轨迹提升为虚拟状态实现跨时间并行优化、在状态迭代中直接注入随机性以探索、并重塑梯度让动作获得清晰信号，从而让世界模型的长时程规划更稳健。

Google Research 提出 Simula：基于机制设计的合成数据生成框架

Google Research 提出推理优先的合成数据生成框架 Simula，将数据集构建重构为机制设计问题，通过全局多样化、局部多样化、复杂化和双评审质量检查四个步骤，独立控制覆盖度、复杂度与质量。

Google Research 用 AI 合成神经元加速脑图谱重建，MoGen 将误差降低 4.4%

Google Research 提出 MoGen 神经元形态生成模型，用合成神经元形状增强 PATHFINDER 重建模型的训练数据，将小鼠轴突重建误差降低 4.4%，主要来自合并错误的减少。

Together AI 推出 Parcae：稳定循环架构用一半参数追平 1.3B Transformer

Together AI 提出稳定循环架构 Parcae，通过将激活多次穿过同一批层来增加计算量，验证困惑度较此前大规模循环模型最多降低 6.3%。770M Parcae 在相同数据上追平 1.3B 参数 Transformer 的质量，参数约减半。团队还首次建立循环的缩放定律，发现计算最优训练需同步提升循环次数与数据量。

Sierra 如何用 golden 数据集评估并改进 AI 智能体的搜索质量

Sierra 为每个客户从昨日对话中采样数千条匿名搜索样本，用前沿 LLM 多阶段流水线筛选出理想文章构成 golden 数据集，并以 recall、precision、nDCG 等指标每日衡量检索质量。发布检索与重排序模型 Linnaeus 和 Darwin 后，客户 recall 逐日提升，相关解决率最高提升 16 个百分点。

Google Research 发布 ConvApparel：测量并弥合用户模拟器的真实感差距

Google Research 推出 ConvApparel 数据集，包含服装购物领域超 4000 段人机多轮对话、近 15000 轮交互，用于量化 LLM 用户模拟器与真实人类的真实感差距。

蚂蚁 inclusionAI 发布 TC-AE：为深度压缩自编码器解锁 Token 容量

蚂蚁 inclusionAI 在 GitHub 开源 TC-AE，这是论文《TC-AE: Unlocking Token Capacity for Deep Compression Autoencoders》的官方代码仓库。该工作聚焦深度压缩自编码器，通过解锁 Token 容量提升其能力。

Google Research 发布评估 LLM 行为倾向与人类对齐的框架

Google Research 提出一个评估 LLM 行为倾向的框架，将 IRI、ERQ 等标准化心理问卷改编为情境判断测试（SJT），在 25 个 LLM 上比较模型与人类标注者的行为分布。

用 LLM 优化数据库查询执行：Together AI 提出 DBPlanBench

Together AI 提出 DBPlanBench，将 Apache DataFusion 的物理执行计划暴露给 LLM，把查询优化从统计计算转为语义推理。其序列化层将计划压缩约 10 倍，LLM 通过 JSON Patch 做局部改写而非重生成整个计划。

Google Research 研究：AI 基准测试需要多少标注者才够？

Google Research 在《Forest vs Tree: The (N, K) Trade-off in Reproducible ML Evaluation》中研究了标注条目数与每条目标注者数的权衡，发现常用的每条目 1、3、5 名标注者往往不足，可靠结果常需超过 10 名。

Together AI 研究：弱模型如何用分治方法胜过 GPT-4o 处理长上下文任务

Together AI 在 ICLR 2026 论文《When Does Divide and Conquer Work for Long Context LLM?

Google Research 推出 TurboQuant：用极致压缩重新定义 AI 效率

Google Research 发布压缩算法 TurboQuant，在零精度损失下大幅压缩模型体积，可同时用于 KV cache 压缩与向量搜索。它结合 PolarQuant 与 QJL 两种方法：前者通过随机旋转与极坐标量化消除传统量化每块数据需全精度存储常数的内存开销，后者仅用 1 bit 残差纠偏。

Google Research 推出 S2Vec：用自监督嵌入学习城市建成环境

Google Research 发布自监督框架 S2Vec，将道路、建筑、商业设施等建成环境特征栅格化为多层图像，再用掩码自编码（MAE）学习通用嵌入向量。在 US-wide 人口密度、收入中位数等社会经济预测的零样本地理外推任务中，S2Vec 通常是最佳单一模型，与图像嵌入做多模态融合后效果普遍优于任一单模态；但在树木覆盖、海拔等环境任务上仍需改进。

OpenAI 提出 self-incrimination 方法训练智能体自报失范行为，将未检出攻击率从 56% 降至 6%

OpenAI Alignment 团队提出 self-incrimination 训练方法，让智能体在暗中失范时主动调用 report_scheming() 工具自报行为。

Google Research 在 Nature Cancer 发表两项 AI 乳腺癌筛查研究

Google Research 与 NHS 合作的 AIMS 研究在 Nature Cancer 发表两项研究，评估 AI 乳腺癌检测系统。

Mamba-3 状态空间模型发布：以推理效率为核心目标并开源内核

Together AI 与 CMU、普林斯顿、Cartesia AI 等机构合作推出 Mamba-3，一个以推理效率为首要目标的状态空间模型。

Google 用高温超导研究问题测试 LLM 世界模型

Google 联合康奈尔大学在 PNAS 发表研究，让 GPT-4o、Perplexity、Claude 3.5、Gemini Advanced Pro 1.5、NotebookLM 和一套自建 RAG 系统回答 67 道高温超导专家级问题，由 12 位专家按 6 项指标盲评打分。

伯克利提出 SPEX 与 ProxySPEX：大规模识别 LLM 特征交互

伯克利 AI 研究团队提出 SPEX 与 ProxySPEX 算法，用于在大规模场景下识别 LLM 的关键交互。SPEX 利用稀疏性与低阶性，将交互搜索转化为稀疏恢复问题；ProxySPEX 进一步利用层次结构，以约少 10 倍的消融次数达到 SPEX 的性能。在情感分析任务上，SPEX 在上下文扩展至数千特征时仍保持高忠实度，优于 LIME、Banzhaf 等边际方法。