XYBench:测试 AI 助手能否识别用户问题背后的错误假设
Hugging Face 发布 XYBench,一个包含 8K+ 问题的基准,用于测试 AI 助手能否识别用户提问中的错误假设(XY 问题)并引导至真实目标,该基准获 EMNLP 2026 最佳资源论文奖。
Hugging Face 发布 XYBench,一个包含 8K+ 问题的基准,用于测试 AI 助手能否识别用户提问中的错误假设(XY 问题)并引导至真实目标,该基准获 EMNLP 2026 最佳资源论文奖。
Microsoft Research Focus 第 98 期聚焦多项研究进展:AI 语音翻译推动通用翻译落地,新研究解决了高维几何领域悬置 31 年的 KLS 猜想,其证明已通过计算机辅助形式化验证。
Google Research 提出一套研究性框架,用消费级可穿戴设备数据构建可干预的“可指导健康年龄”(CHA),并训练了基于约 10 万名 Fitbit 用户、228 万人周数据的传感器世界模型 SensorWM,可模拟未来 12 周内 20 项生理指标在不同步数、睡眠和运动习惯下的变化。
微软研究人员发现名为 Lazarus 的后门技术,只需对 LLM 中不到 10 个休眠神经元做权重改写、无需训练,就能让基于该模型的智能体在触发条件出现时执行攻击者命令。
Google DeepMind 发布 AlphaProof Code,一个多 LLM 智能体形式化验证框架,用 AI 智能体对 Signal 协议实际运行的代码做数学证明,验证其关键安全属性。
BAIR 将在 11 月 9–12 日于 Austin 举办的 CoRL 2026 上展示 33 篇主会论文、4 篇 Late-breaking 海报和 10 个 oral/spotlight,其中 3 个 oral、7 个 spotlight。
Elith 与 NVIDIA 发布 Nemotron-Personas-Finance-Japan,这是开源人设数据集 Nemotron-Personas-Japan 的金融领域扩展,据称是首个百万记录级、将日本官方统计与家庭金融及金融素养数据配对的开源人设数据集。
Hugging Face 提出 HOPE(Higher-Order Pruning of Experts),一种考虑专家两两交互的二阶 MoE 专家剪枝方法。在 50% 剪枝率下,HOPE 取得所有方法中最佳平均排名,在智能体编程任务上比次优剪枝方法最高提升 +6.1%。
微软研究院联合 GitHub Next 和 RiSE 组发布研究原型 PDD Kit,把开发者的自然语言意图转成 Verus 形式规约,证明智能体生成的代码对每个输入都满足规约,证明覆盖不到的部分则回退到测试。
Google Research 在 Nature 发表研究,提出多模态 AI 系统 AI-PPG-ACC-HTN,利用智能手表的光电容积脉搏波(PPG)与加速度计(ACC)信号被动识别高血压状态,无需袖带校准。
OpenAI 构建了一条自主流水线,在 Linux 内核中发现、验证并生成补丁,覆盖 948 个本地提权漏洞。材料仅给出这一结果,未披露流水线的具体构成与漏洞细节。
Google Research 提出 Agile Deliberation 框架,把主观视觉分类器的构建拆成概念界定与概念迭代两阶段,由 VLM 主动挑出语义边界模糊的图片,让用户澄清自己的定义,反馈再进入自动提示词优化循环。
IBM 在 Hugging Face 博客介绍 Palette,用 LoRA 微调一个 20B 开源权重模型,把做幻灯片拆成设计师写 JSON 简报、编码器写 pptxgenjs 代码两个角色,训练数据约 1000 份幻灯片、近 1 万页,遵循 IBM Design Language。
Hugging Face 推出 StateBench,用于评测语言模型在长文档中追踪实体状态变化的能力,按 R-trivial、Aperiodic、Soluble、General finite 四个难度等级构建。
Microsoft Research Focus 第97期介绍了多项新研究:自改进智能体框架 ForkPilot 在六个基准和主流模型上测试,达到现有最佳方法水平的同时将 AI 处理开销降低最多 59%。
Google Research 提出 sleep 框架,让 LLM 在活跃交互与离线睡眠之间交替,把短期上下文巩固进长期参数。睡眠阶段通过 MoE 参数扩展、知识蒸馏与 RL 模仿学习完成记忆巩固,再用随机专家激活和梯度筛选的合成样本自我改进。
Ai2 发布研究 Old Ideas, Novel Problems,测试大语言模型判断科研想法新颖性的可靠性,并同步开源基准、数据和代码。研究基于 ICLR 2026 评审意见构建了 154 条高新颖性与 145 条低新颖性的人类想法池,另配 154 条 LLM 生成想法。
OpenAI 公布模型在 Kakeya 猜想、Exponential Time Hypothesis 和量子色动力学上的结果,并说明研究者可以如何验证这些结果并在此基础上继续推进。内容来自 OpenAI 与学术社区的合作。
Google Research 与 Google for Health 团队在 IDWeek 2026 上分享了结核病筛查 AI 从研究走向临床的路径:2019 年在 Radiology 发表基准,2024 年在 NEJM AI 完成多站点前瞻验证,随后由南非公司 Nexus AI 转化为通过 CE MDR class IIb 认证的临床诊断工具。
宾夕法尼亚大学与 Hugging Face 合作开发了 LitPivot,一个帮助研究者在文献阅读中完成"文献触发的转向"的原型系统,论文将在 UIST 2026 展示。
微软与 Hugging Face 联合发布 ThinkingBox-Training,把 ThinkingBox 对数据库终态的确定性校验直接当作 RL 奖励,用于训练有状态业务智能体。
Google DeepMind 与 Google Research 联合 WRI、IIASA 发布 Forest Typology(ForTy)2020,把全球每一块 10×10 米土地划入六类森林与土地利用类型,作为欧盟无毁林法规(EUDR)的关键基线。
微软研究院机器学习与优化组的 Xinzhi Zhang 与合著者 Zhao Song 证明了 1995 年提出的 Kannan-Lovász-Simonovits(KLS)猜想,证明该关系在高维下由固定常数界定、不随维度增长。
Google Research 在 JAMA Network Open 发表研究,评估 AI 模型基于盲扫超声估算孕周在不同临床环境与硬件上的泛化能力。
Dharma-AI 在 Hugging Face 博客中介绍即将发布的 VocabX 论文,用按 token 成本而非频率重建词表的方法,在基于 Qwen3-4B 的葡萄牙语作文评分器上把实测推理成本降低 77.0%,平均响应从 350 个 token 降到 101 个,bench 分数从 0.703 升到 0.810。
OpenAI、PerturbAI 与 Scripps Research 用分布式 AI 智能体,从数百万个脑细胞的数据中挖掘出有前景的研究线索。该合作展示了大规模智能体协同在生物数据分析中的实际应用方式。
i14 与 AWS 合作,通过 TorchNeuron Native 将线性注意力模型 Laplace 3B 移植到 AWS Trainium2,保留其 Gated Linear Attention 设计与 Muon 优化器。
Hugging Face 发布 FairStress 基准,用于测量 LLM 在招聘、贷款、医疗等决策中的群体公平性,覆盖 Olmo、Llama、Qwen、Gemma、Claude 和 GPT 系列模型。
ALTK-Evolve 用 GPT-4.1 从智能体自身的任务轨迹中提炼行为准则,追加到系统提示词后,在 τ²-bench 零售域达到 67.5% Pass^4,超过榜单上所有零售条目和微调模型 RAFT-30B-A3B 的 61.4%。
Google Research 发布研究博客,介绍让 AI 智能体在湿实验中闭环工作的三项进展:VERID 框架为实验台建立语义数字孪生,支持实时 3D 状态追踪、虚拟预演、硬件安全检查与视频动作日志同步。
微软研究院发布零知识虚拟机 Magnetar,可证明用 Rust、Go 或 C 编写的 RISC-V 程序执行,在笔记本上每秒证明 720 万至 870 万条处理器指令,15 个基准程序上平均比现有最快 zkVM 快 10 至 39 倍,证明验证约 12 毫秒。
Google 发布地理空间推理智能体的技术报告,在四个基准上比较四种智能体配置,并开源 GeoKTools 与 GeoExpertQueries 两个新基准的开发集。
Ai2 发布 HiRO-ACE 系统的新版本 HiRO-ACEv2,其降尺度模型 HiROv2 可同时预测多个高分辨率气象场,并提升极端降雨、风速和气压事件的还原能力。
Google DeepMind 公布 Gemini 4 Argon 的安全与安保报告,并开始广泛推送该模型、扩大 Fairwind Program 的可信网络安全防御者范围。
微软研究院推出 StudentSim,一种从公开去标识化学习记录中训练个性化 AI 学生模拟器的研究系统,让 AI 辅导工具在接触真实学习者之前就能获得反馈。该系统同时提出 StudentSimEval 评测基准,从行为保真度和对辅导的响应度两个维度评估模拟器,覆盖国际象棋、第二语言英语写作和数学三个领域,表现优于主流基线。StudentSim 并非产品,不会部署到课堂,也不用于替代教师。
Google Research 与 NBER 发布一项为期三个月的实地实验,在 11 家知识产权律所的 133 名律师中随机开放当时未发布的 Google Labs AI 专利撰写助手(现属 Gemini Notebook)。
英伟达团队从 Nemotron 3 出发,用 SFT、RL 和反馈驱动的推理流程,让模型在 IOI 2026 和 IMO 2026 都达到金牌水平。IOI 2026 中 Nemotron-3-Ultra-CC 得 535.4/600,高于 361.12 的金牌线和人类最高分 498.27;IMO 2026 系统得 30/42,高于 29 的官方金牌线,其中六题有四题满分。
OpenAI 发布内部前沿模型在数学开放问题上取得的新结果,并公开了 Lean 证明形式化及相关研究细节。相关材料已发布在 GitHub 上。
Google Research 用 Google Earth AI 的 Population Dynamics Foundation Model(PDFM)作为概念验证,把自监督预训练的"地点"嵌入向量直接接入现有流行病学流程,无需任务特定微调即可匹配或优于传统输入。
Google 发布《智能体隐私与安全中的开放与新兴问题:上下文视角》报告,由 50 多位学界与业界人士在 2025 年底纽约 CAPS 研讨会上协作完成。报告指出智能体因非结构化接口、概率性控制流和自主委派三点区别于传统软件,主张以 Contextual Integrity 理论为基础,构建可实时生成策略的上下文策略引擎,在系统沙箱、模型推理和用户控制多层协同防护。