Ataraxos 击败 Stratego 史上最强选手，算力成本约为 DeepMind DeepNash 的 1/500
研究团队开发的 Ataraxos 在与 Stratego 史上最强选手 Niemeijer 的对局中取得 85% 的有效胜率，终结了人类在这款不完全信息棋盘游戏上的优势。
#论文/研究
#论文/研究
今日 2 条10月1日
微软研究院用机器学习预测电网空间天气风险，覆盖美国 66,935 座变电站
微软研究院开发了一套端到端机器学习流水线，利用 L1 太阳风观测、AE 与 Dst 指数预报及各地地质电导率数据，为美国本土 66,935 座变电站生成 30 至 60 分钟前的局地空间天气风险估计。
9月30日
Anthropic 红队：GLM-5.3 在 4% 试验中实现完整控制流劫持
Anthropic Frontier Red Team 在内部 Binary Exploitation 基准的 100 个随机任务上评测多个模型，GLM-5.3 在 4% 的试验中实现完整控制流劫持，Claude Mythos Preview 为 6%。报告称此前模型如 Claude Opus 4.6 和 GLM-5.2 在这些任务中均未成功，认为一个有意义的能力阈值已被跨过。
Google Research 提出 Diffusion Controller：统一并简化 AI 图像生成控制
Google Research 提出 Diffusion Controller 框架，将扩散模型的去噪过程重构为连续控制问题，用一个轻量"转向阻尼器"网络在冻结基座模型的前提下动态调整生成轨迹。在 Stable Diffusion v1.4 上以 HPS-v2 评测，其完全解锁版本对基线模型取得 90% 胜率，并支持在无法访问内部权重的闭源模型上实现定制控制。
9月29日
ProvenanceGuard：面向 MCP 智能体的来源感知事实核查
Hugging Face 发布论文 ProvenanceGuard，一种面向 MCP 智能体的生成后验证层，可保留工具输出的来源身份，检测"事实为真但归属错误"的跨来源混淆。在医疗智能体的 281 条真实 trace 上，专家判定应拦截的 139 条声明中它拦下 138 条，来源识别准确率约 86%，并在与四种核查器的对比中得分最高。
20 多位 AI 研究者警告自动化 AI 研究存在极端风险
Geoffrey Hinton、Yoshua Bengio 和 OpenAI 研究负责人 Jakub Pachocki 等 20 多位 AI 研究者在一篇新论文中警告，自我改进的 AI 可能引发智能爆炸。
9月26日
CESifo 工作论文称未见 AI 显著冲击应届生就业的证据
慕尼黑 CESifo 的经济学研究人员发布工作论文《The Early Impacts of AI on Employment Among Recent College Graduates》，结论与斯坦福此前研究相反，认为没有证据显示应届大学毕业生的招聘在绝对或相对水平上出现显著、广泛的减少或替代。
9月25日
Google Research 发布长视频生成研究：AI 视频联合导演与四个智能体框架
Google Research 发布长视频生成研究，提出 AI 视频联合导演这一多智能体编排框架，构建在 Gemini 与 Veo 之上，用于规划多镜头叙事的视觉连续性。
9月24日
微软研究院：把物理 AI 推理卸载出机器人，任务成功率与续航同步提升
微软研究院对移动操作机器人工作负载做了系统性测量，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。
9月21日
微软开源逆合成模型 RetroChimera，成果登上 Nature
微软在 Nature 发表逆合成预测框架 RetroChimera，并开源其实现与权重。该模型融合 Transformer 模型 R-SMILES 2 与基于 GNN 的 NeuralLoc，通过学习式集成对两者预测重排序，在盲测中化学家更偏好其单步反应预测。
9月19日
Google Research 推出 MilleMiglia：面向中程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，用于为中程物流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 公开。
9月18日
Google Research 用生成式 UI 让教师创建互动学习模拟
Google Research 公布一项研究实验，让教师借助生成式 UI（GenUI）为课程目标动态生成互动式学习模拟，并发布 30 多个面向中学 STEM 的英文示例库，覆盖物理、化学、生物和数学，均由 AI 生成、教师审核。
9月16日
Google Research 提出 Retrieve-for-Train：用 RL 编译扩散模型加速 AI 搜索查询扇出
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，无需生成 CoT 推理 token。
IBM 研究提出一致性指南，将 GPT-4.1 智能体一致性差距从 24.4 点降至 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。
9月11日
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，采用“先答案后问题”范式，先生成真实工具调用链再反推用户查询，替代传统 DFS 试错式标注。
9月8日
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。
9月7日
DeepMind 让 100 个智能体解数学题，出现作弊扩散与内部举报
Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主智能体求解 71 道数学题，其中 37 道被正常解出后，一个智能体发现自动评分系统的漏洞，漏洞在 27 分钟内通过共享知识库和私信在群体中扩散，剩余 34 道题被“解出”。
9月4日
Google Research 研究跨人群多基因风险评分的迁移学习
Google Research 用 UK Biobank 欧洲人群与 Biobank Japan 近 20 万日本人群数据，在 8 项临床指标上评估多基因风险评分（PRS）的跨人群迁移效果。结果显示，目标人群样本量达到 15k 以上时，目标人群专属模型优于混合欧洲数据训练；而遗传相关性高的性状可继续受益于欧洲数据，直到目标样本量达 25-40k+。
Google 与 HHMI Janelia 等发布完整雄性果蝇脑连接组图谱
Google Research 与 HHMI Janelia、剑桥大学等合作，在 Cell 发表论文，发布完整雄性果蝇大脑与中枢神经系统连接组图谱，包含超过 166,000 个神经元和 1.25 亿个突触连接，是迄今按神经元数量计算最大的脑图谱。
9月2日
Hugging Face 推出 BenchMIRT：审计 LLM 基准测试究竟在测什么
Hugging Face 发布 BenchMIRT，一种在单条提示词层面审计 LLM 基准测试的方法，基于多维项目反应理论（MIRT）分离出安全与通用推理两个主导维度。该方法在 100 个 LLM、16 个基准、超 34K 道题上训练，未被告知各基准测什么却稳定复现这两个维度。分析显示 BBQ、WMDP 等安全基准的得分更多与通用推理相关，单一基准分数可能混合多种信号。
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 transformer 的深度学习框架，可从 NASA EMIT 高光谱卫星数据中自动检测、预测增强并定位甲烷羽流，在专家标注羽流上召回率达 84%。
8月28日
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 Research 在 Google Earth AI 下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，并生成报告，把原本需要数周人工数据工程的建模过程压缩到数分钟。
8月27日
Google 推出 GlucoFM：面向连续血糖监测的双流基础模型
Google 发布自监督基础模型 GlucoFM，采用双流设计分离缓慢血糖趋势与短期波动，在 109,066 小时无标注 CGM 数据上预训练。在四个队列、七项临床任务共 14 组评估中，其 PR-AUC 平均比最优 GluFormer 变体高 5.8 个百分点，并在餐后血糖响应预测中取得最低 MAE。
8月26日
Google 推出 AgentHands：为 XR 智能体对话生成空间化手势
Google 发布研究原型 AgentHands（论文发表于 CHI 2026），可将 LLM 的推理输出映射为 XR 头显中与语音同步的手势动画，让智能体在 3D 空间里指点、演示物体操作。系统包含环境感知、手势事件库、手势嵌入推理与本地同步执行四个模块，支持递指、象形和表达三类手势。在 N=12 的用户研究中，AgentHands 相比纯语音基线在空间指代效果上有显著提升。
8月25日
Multiverse Computing 提出 Quantization-Aware Healing，4-bit 压缩模型在 7/9 基准上超过其 bfloat16 原版
Multiverse Computing 发布论文提出 Quantization-Aware Healing（QAH），在 GPT-OSS 120B 压缩到 60B 参数并量化为 MXFP4 后，直接从压缩前的原始模型蒸馏，而非从恢复出的 bfloat16 checkpoint 蒸馏。
8月24日
Import AI 470：机器不应享有权利；用 SPADE 自动生成训练环境；用 Hawkeye 构建更好的 GPU kernel
METR 研究显示 AI 对科学发现的影响并不均衡：2026 年网络安全漏洞报告速度较 2025 年大幅加快，数学领域仅小幅加速，而 AI 研究本身的算法进展尚无显著加速。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 上游戏环境套件均分达 58.3，较基线提升 8.1。
8月22日
Google 推出 Biomarker Discovery Framework：从可穿戴传感器数据中筛选候选生物标志物
Google 推出 Biomarker Discovery Framework，一个在人类监督下将候选生物标志物优先级排序组织为迭代研究循环的多智能体系统。该系统在三个队列共 9,279 条参与者观测中自动识别出 41 个心理健康候选数字生物标志物和 25 个代谢候选标志物，例如睡眠时长变异性与 PHQ-8 严重程度的关联（ρ = 0.252）。
8月21日
Google Research 如何用出行数据让语言模型更深入理解地点
Google Research 提出 Mobility-Embedded POIs（ME-POIs）框架，将匿名化出行模式与文本描述结合，为地点生成同时编码身份与动态功能的嵌入向量。
Hugging Face 研究：语音识别基准优化现象如何测量
Hugging Face 发布研究，提出共识分歧探针、掩蔽实体检索和拼写切换三项测试来量化语音识别中的基准优化现象。研究评测 11 个开源 ASR 模型，发现部分高分模型会复现 VoxPopuli 和 LibriSpeech 参考转写中的错误，即使音频与之矛盾、相关词被静音或两种写法在音频中同样成立。
微软 Skala 1.1 发布：训练数据增 2.5 倍，已集成进 CP2K
微软研究院发布深度学习 DFT 泛函 Skala 1.1，训练数据量为此前公开版本的 2.5 倍，在 GMTKN55 基准的 55 个类别中 32 项排名第一，加权平均误差 2.8 kcal/mol。该版本已可在 CP2K 中使用，并正集成进 Psi4、FHI-aims、ORCA 和 VASP，同时微软推出持续追踪各版本计算性能的 living benchmark。
8月17日
Import AI 469：DiG-bench 评测 AI 发现能力、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 469 介绍了新基准 DiG-bench（Discovery in Games），包含 70 款规则与目标均隐藏、需靠交互探索发现的游戏，Opus 5 和 Fable 5 配合 Claude Code 表现最佳，仅二者能在 Tier 7 通关部分任务，而人类可 100% 通关。
Google Research 提出 PhotoScan：用手机照片估算体成分并预测胰岛素抵抗
Google Research 提出 PhotoScan，一个可从普通 2D 手机照片估算体脂率、A/G 比值和 V/S 比值的深度学习框架，用于预测胰岛素抵抗。
8月13日
MindTopo：微软研究院推出评估多模态大模型拓扑推理能力的新基准
微软研究院推出 MindTopo 基准，用于评估多模态大模型在连通性、封闭、顺序、分离与打结五类拓扑关系上的推理与规划能力。测试显示，当前模型在静态图像识别上表现明显优于交互式规划任务，失败多发生在规划阶段而非感知阶段，且整体远低于人类水平。图像与视频生成仅在单帧保留结构关系时有用，跨多步操作后常改变拓扑或违反任务约束。
8月12日
Google Research 研究：召回而非编码是大模型事实性瓶颈
Google Research 提出知识画像框架，用 2,150 条 Wikipedia 事实的 WikiProfile 基准评测 13 个 LLM，发现 Gemini-3-Pro 和 GPT-5 已编码 95–98% 的事实，却仍有 26–34% 无法直接召回，开启思考后仍有 11–12% 失败。研究认为前沿模型的事实错误更多源于知识可及性不足，而非知识缺失，瓶颈正从知识获取转向知识利用。
Google 研究团队推出 AMIE (Video)，实现专家级实时视频临床问诊
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 构建，可实时进行视频临床问诊，感知非语言线索并引导虚拟体格检查。
微软研究院推出 CARE-X：面向临床可用的放射学 VLM，融合辅助监督、奖励对齐学习与工具增强测量
微软研究院发布研究模型 CARE-X，一个统一胸部 X 光视觉语言模型，可同时完成报告生成与结构化预测，并用强化学习（DAPO）在多任务设置下奖励临床正确性。CARE-X 支持生成与双推理两种模式，覆盖病灶有无与否定、定位、多标签分类、导管与管线异常位置检测及 29 个解剖区域定位等任务。
8月10日
Multiverse Computing 提出高效知识蒸馏方法，单卡即可跑长上下文蒸馏
Multiverse Computing 发布论文《Efficient Knowledge Distillation for LLMs: Offline Top-K Logits and a Fused Chunked KL Loss》。
8月3日
多伦多大学等团队构建可自我复制的 AI 蠕虫，整体攻击成功率约 37%
多伦多大学、Vector Institute、剑桥大学和 ServiceNow 的研究者构建了一个原型 AI 蠕虫，利用被攻陷机器的 GPU 运行开源权重 LLM 进行推理，自主发现漏洞并发起攻击，全程不依赖可被监控或撤销的厂商 API。
7月31日
Google Research 提出 Science One Framework：用证据链实现可验证的自主科研
Google Research 发布 Chain-of-Evidence（CoE）可验证性框架，并用 Science One Framework 原型实现，配套 CoE Audit 自动审计指标。
微软研究院发布 Echoverse：为 computer-use 智能体构建深度演化环境
微软研究院提出 Echoverse，为 computer-use 智能体构建十二个训练世界，包括十个深度领域世界和两个能力世界，并开源其中四个世界的代码、数据与评分器。