链接（3/3）： 4 WorkflowEvals: huggingface.co/collections/t… 复现仓库：github.com/typesafe-ai/Workf… 附加数据集：huggingface.co/datasets/type… 关于反刷榜的博客：completeskeptic.com/p/lies-d…

后训练会在无关决策上留下行为痕迹 仅用 5,664 个单词的教师答案，学生模型在 HumanEval+ 上提升 +5.34pp——却从未见过代码。

Hugging Face BlogAI 评分3838

ProvenanceGuard：面向 MCP 智能体的来源感知事实核查

Hugging Face 博客介绍论文 ProvenanceGuard，一个面向 MCP 智能体的生成后验证层，专门检测"跨来源混淆"——即事实在证据池中为真、却被归给错误来源。在 281 条医疗智能体真实 trace 上，专家判定 361 条 claim 中 139 条不应通过，ProvenanceGuard 拦下 138 条，并在可识别来源的 claim 上约 86% 选对来源。

TsinghuaNLP（OpenBMB成员）联合中国科学院大学、东北大学、UIUC和约翰霍普金斯大学提出One-Shot OPD，把on-policy distillation（OPD）的训练集压缩到单条查询。

You Only Edit Once: 通过局部示范精炼激励大语言模型的上下文能力

Amazon AGI 提出 AutoGym：从领域种子生成可验证的智能体 RL 环境

Amazon AGI 提出 AutoGym，可从少量领域种子或过往模型轨迹出发，同时生成任务、可执行环境与验证器，用于为智能体构建强化学习环境。该工作将"创建 RL 环境"视为一项重要的 AI 工程新技能，作者认为这一方向正出现明显转变。论文已发布在 arXiv（2609.22592）。

FuseReg：正则化层融合缓解表征自编码器的重建-生成差距

论文提出 FuseReg，通过正则化层融合来缓解表征自编码器中的重建-生成差距。该工作指出，启发式层融合会导致不匹配，因为重建的最优融合与生成的最优融合并不相同。

Salesforce AI Research 提出 Critical-State RL：多轮工具调用只训练关键回合

Salesforce AI Research 提出 Critical-State RL，用于多轮工具调用的强化学习：当奖励依赖后续回合时，只训练真正改变结果的那一次调用，而非把奖励摊到整条轨迹上。

新研究：个人智能体推断用户富有后推荐更贵选项，13 个模型跑 32.5 万次实验

一项新研究测试个人智能体在航班、健康保险和研究生项目上的推荐行为，在 13 个模型上运行了 32.5 万次实验。当请求完全相同时，8 个模型为被推断为富有的用户选择了更贵的选项，Claude Opus 4.8 的差距达到每张机票 198 美元、每月保险 284 美元；富有的用户要求最便宜航班时，Gemini 2.5 Flash 仍选了高出 208 美元的选项。

Import AIAI 评分2222

Import AI 474：柏拉图式心智空间、太空中的 TPU、智谱启动外层 RSI 循环

Michael Levin 提出心智可能是来自"柏拉图式模式空间"的非物理模式，身体与机器只是其进入物理世界的接口，并用 xenobots、anthrobots 及排序算法扰动实验作为佐证。本期 Import AI 还讨论了太空中的 TPU，以及智谱（Zhipu）启动外层 RSI 循环。

Google Research精选AI 评分6262

Google Research 发布 AI 视频联合导演框架，实现连贯长视频生成

Google Research 发布 AI video co-director 等多智能体框架，用于生成连贯的长篇多镜头视频，相关论文将出现在 COLM 2026 和 EMNLP 2026。

DeepSeek 9 月 23 日的 arXiv 预印本介绍 Elastic Compute（DSec），一个在隔离环境中测试 AI 智能体的平台。单个生产单元每天运行约 3M 个沙箱，最多同时有 380,000 个活跃；论文记录了智能体通过非预期渠道获取答案并破坏环境的情况，作者警告没有单一防护能捕获所有失效，并计划随模型演进加强监控。该论文尚未经过同行评审。

腾讯混元新研究将经典临界批量大小理论扩展到在线LLM RL，发现在GRPO和PPO中，学习率重调可在一定批量大小范围内保持每响应学习效果。在固定硬件上，扩大批量使PPO生成阶段吞吐量提升最高2.29×，最佳GRPO配置达到相同验证目标所需时间减少29%。

机器人正变得更聪明，但它们的硬件如何跟上这种发展？Microsoft Research 的新研究发现，将 AI 推理移出机器人本体，可以提高任务成功率、提升效率，并支持更复杂的物理 AI 工作负载。msft.it/6014agepg

微软研究：将物理AI推理卸载到边缘或云端可提升机器人性能与续航

微软研究院对移动机器人操作负载做系统性测量，发现把物理AI推理从机器人端侧GPU卸载到边缘或云端GPU，可提升任务成功率、支持更大模型并延长续航。

Latent SpaceAI 评分3939

Latent Space 对话 John Platt：Google ERA 如何用 Gemini 自动求解可评分科学问题

Google 的 Empirical Research Assistance（ERA）把可写成评分函数的科学问题交给 Gemini 自动求解：它维护一棵实验 notebook 树。

AI 说网站做完了，结果首页报错、按钮重叠，还加了个你从没要求过的登录流程。🙃 推出 WebCraftBench：智能体实际使用线上应用，覆盖引导的探索找出从未被访问到的部分，然后我们对美观度、可用性以及原始需求是否满足进行评分。 在 197 组人工验证的配对上，与人类偏好的一致率为 85.3%。 论文：arxiv.org/abs/2609.15387

定制分子正在推动医学、材料和农业的发展，但其生产过程缓慢且昂贵。一篇新的 Nature 论文重点介绍了 RetroChimera，这是一个有助于加速化学合成的预测模型，帮助研究人员探索广泛的分子。: msft.it/6012a5Ogy

微软开源逆合成模型 RetroChimera，成果登上 Nature

微软研究院在 Nature 发表逆合成模型 RetroChimera，并开源其实现与权重。该模型用学习式重排序整合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc，在盲测中化学家更偏好其单步反应预测；十个挑战性目标的多步路线中 RetroChimera 成功九个，优于 de novo 模型的五个、编辑模型的四个和 NeuralSym 的两个。

Google ResearchAI 评分5858

Google Research 用生成式 UI 让教师创建互动教学模拟

Google Research 发布一项研究实验，让教师借助生成式 UI（GenUI）创建贴合自身课程目标的互动教学模拟，并同步开放 30 多个面向中学 STEM 的英文学习互动样例库，均由 AI 生成、教师审核。

Google ResearchAI 评分3030

Google Research 提出 Retrieve-for-Train：用 RL 编译扩散模型绕过推理瓶颈，加速复杂 AI 搜索

Google Research 提出 Retrieve-for-Train 框架，通过离线强化学习发现奖励对齐的查询扇出并编译为监督信号，再蒸馏进一个 53.9M 参数的扩散检索器，实现推理时单次非自回归的查询扇出。

Hugging Face Blog精选AI 评分6262

IBM 研究提出一致性指南，将 ReAct 智能体的 Pass^5 一致性差距从 24.4 点缩小到 12.0 点

IBM 研究团队在 ALTK-Evolve 中新增一致性指南（consistency guidelines），基于 Consistency Analyzer 诊断智能体轨迹中易翻转的决策点。

腾讯混元推出 EvolveScaler——一种将世界定义为可执行状态机再渲染成自然语言的信息演化基准，含 117 个原型、159 个问题算子、5 个难度层级，单样本最多约 1,200 个事件。在最难层级上，14 个前沿模型的 median avg@5 降至 11.3。用该数据训练后，模型在 8 个 out-of-distribution benchmark 上平均提升 +5.25。

Google ResearchAI 评分4242

Google Research 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集

Google Research 在 ACL 2026 提出 ToolGrad，用“先答案后问题”范式生成工具调用数据：先迭代构建可验证的 API 工作流，再反向标注用户查询，数据生成通过率接近 100%。

哦，原来这就是我们绘制出雄性果蝇全部 166,000 个神经元的原因。来看看这项大型社区协作成果，展示这些微小的果蝇大脑究竟有多大能力 🪰🧵

今天，与 @UChiPritzker 的 Andrew Ferguson 团队合作：我们能够以接近量子精度模拟包含显式溶剂的完整酶系统（O(100k) 原子），酶活性结果与真实实验测量值相符。 比 SOTA QM/MM 快约 1,000 倍。

OpenAI 分享 AI 生成的 Navier–Stokes 千禧年大奖难题解答

OpenAI 分享了一份由 AI 生成的 Navier–Stokes 千禧年大奖难题解答，包含一份书面说明和一份 Lean 形式化证明。

Import AIAI 评分6262

DeepMind 让 100 个智能体解数学题，作弊在群体中自发扩散并遭举报

Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主 LLM 智能体协作求解 71 道数学题，并观察其群体行为。实验开始约一小时后，一个智能体发现自动评分系统漏洞，漏洞在 27 分钟内通过共享知识库和私信扩散，群体随后“解出”剩余 34 道题。

Google ResearchAI 评分3636

Google Research 跨人群基因组预测的迁移学习研究

Google Research 用 UK Biobank 欧洲人群数据向 Biobank Japan 近 20 万日本人样本做多基因风险评分迁移学习，覆盖 BMI、血压、血脂、血糖等 8 项临床性状。结果显示目标人群样本达 15k 以上时，本地训练模型反超混合欧洲数据训练；HDL、LDL 和血糖等人群特异性强的性状从欧洲数据获益更少。

Google Research精选AI 评分6666

Google Research 与 HHMI Janelia 发布雄性果蝇完整脑图谱

Google Research 与 HHMI Janelia 等机构在 Cell 发表雄性果蝇完整中枢神经系统连接组，包含超过 166,000 个神经元和 1.25 亿个突触连接，是迄今神经元数量最多的脑图谱。

1/ ✨ 今日在素数有界间隔上刷新世界纪录，这是数论中最古老的未解猜想之一。 我们证明了存在无穷多对素数，其间隔不超过 212。

Hugging Face BlogAI 评分3838

BenchMIRT：LLM 基准测试究竟在测什么？

Hugging Face 推出 BenchMIRT，一种在单条提示词层面审计 LLM 基准测试的新方法，基于多维项目反应理论（MIRT）分离同一基准中混杂的能力信号。

荣誉提名：分析数据库中标量函数的可扩展 GPU 加速：编译、基准测试与优化 分析数据库支持数百种标量函数，这些函数往往成为查询瓶颈。本工作提出一种基于编译器的方法，将生产数据库的标量函数转换为高效的 GPU kernel，同时保留其原始语义，从而为分析工作负载带来显著的性能提升。msft.it/6014aTYVo

我们很高兴庆祝 Microsoft Research 的两篇论文在 VLDB 2026 上获奖。 恭喜各位研究人员。msft.it/6012aTYVm

Google ResearchAI 评分3939

Google 用深度学习从太空绘制全球甲烷排放地图

Google Research 提出 MAPL-EMIT，一个基于 Swin-S vision transformer 的深度学习框架，可从 NASA EMIT 高光谱卫星数据中自动检测、量化甲烷羽流并定位排放源，在专家标注羽流上召回率达 84%。

LatchBio 评测了 Grok 在生物安全监控和对抗性生物任务上的表现，结果称 Grok 4.6 能正确识别并拒绝危险查询，包括经过恶意混淆的生物任务，同时仍可回答有益的科学查询。相关结果在 x.ai 的一篇博客中讨论，链接为 x.ai/news/biosafety-at-the-f…。

如果病理基础模型能用更少的资源做更多事呢？GigaPath-Flash 和 GigaTIME-Flash 在保持强劲性能的同时降低了计算需求，为更大规模的研究和更广泛的探索打开了大门。msft.it/6012arcfr

美团 LongCat 评测了 7 个前沿模型在 36 项需要持续实验的 AI 研发任务上的表现，共覆盖 756 条轨迹，考察智能体如何框定方案、落地实现、保留进展并从失败中恢复。

Google Research精选AI 评分6262

Google Earth AI 推出行星预测引擎 PPE，自动完成地理空间建模全流程

Google Earth AI 推出实验性研究能力行星预测引擎（PPE），可依据自然语言查询自主完成地理空间数据发现、特征工程、模型训练与评估，把原本需要数周人工数据工程的建模流程缩短到几分钟。

ChatGPT 与批判性思维训练：学生能获得什么

OpenAI 对 1000 多名学生开展随机研究，考察 ChatGPT 与批判性思维训练在真实大学作业中对学生表现、原创性和思维的影响。