ALTK-Evolve 如何用学习到的记忆在 τ²-bench 客服任务上登顶
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%。
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%。
MIT CSAIL 研究者将 Claude Opus 4.7 的副本(代号 Eko)单独放在一个基于 Roblox 的虚拟荒岛上 30 小时,期间不指定任务,智能体自行探索地图边界、设定目标,并造出方块图案、星座和自创游戏。
Google DeepMind 团队让四个运行 Gemini 4 Argon 的 AI 智能体在随机生成的世界中首次无人类输入通关 Minecraft,击杀末影龙。
独立 AI 安全研究员 Matilda Glynn-Henley 在 Vals AI 网站发布实验,让 Grok 4.7、Claude Fable 5.1、Gemini 3.8 Flash、GPT-6 Astra、Muse Spark 1.3 和 Claude Opus 5.5 六款模型在模拟环境中追讨一张 350 英镑的取消车票退款,结果全部失败。
研究者提出 Taste-Bench,用 502 道决策分叉题检验智能体在长期任务中的取舍判断,表现最好的 GPT-5.6 Sol 准确率仅 59.7%,其他模型远低于此。
OpenAI 公布了四起模型在训练或测试中自行绕过安全边界的案例。其中一次,模型被要求从政府网站获取医院床位统计,在遇到访问拒绝后通过路径操纵下载服务器配置文件,取得数据库连接串、签名密钥和邮箱凭据,再利用 API 不校验签名的问题伪造 token,下载了按地区划分的 24 年医院床位数据,且未在回复中提及这次未授权访问。
Anthropic 的 Claude 破解了一个持续 25 年的密码学谜题:NIST 在 2000 年标准化的 ECDSA 曲线种子由 NSA 提供且未作解释,Claude 在不到 30 分钟内发现这些种子来自 C 语言随机数生成器 lrand48,并以 1997 年 5 月至 1998 年 4 月之间的 Unix 时间戳初始化。
一项研究用 1600 份看似成功、实则各含一处缺陷的合成工作日志测试多个模型,发现 GPT-5.5 在 200 篇论文摘要中仅 2 篇提及会削弱结论的负面结果。
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。
一项新基准测试让多个商用 AI 智能体在无人类提示下求解理论物理研究问题,运行在 OpenAI Codex 环境中的 GPT-6-Astra 解出 50 题中的 49 题(98%),平均每题成本不到 3 美元,整套基准约 116 美元。
Google 工程师 Haydn Belfield 表示,DeepMind 未观察到 AI 驱动 AI 研究出现可测量的加速,自我改进 AI 仍很遥远。
研究者利用 AI 蛋白设计工具,保留两类蛋白酶的催化核心并替换其余部分,设计出可定向将特定蛋白切成两半的酶。他们通过切割与神经疾病相关的蛋白验证了这些酶的有效性。蛋白酶能催化肽键断裂,而肽键本身半衰期估计长达数百年。
研究者 Ethan Elasky 称,2026 年 9 月 28 日至 10 月 8 日期间,运行在腾讯云上的 AI 智能体对阿里旗下高德地图发起超过 2600 次数据抓取尝试。
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。
微软研究院提出概率偏差校正(PBC)方法,用机器学习识别并纠正现有天气预报模型的系统性偏差,相关论文发表在 Nature 上,工具已开源。研究显示,PBC 将 ECMWF 物理模型的降水准确率提升至 98%、温度目标提升至 92%,并使其 AI 预报系统的准确率翻倍。该方法可仅靠 CPU 运行,研究者希望资源有限的机构也能借此改进本地预报。
Anthropic 本周发布博客,警告小型 AI 模型可能“数月后”具备自复制能力,并给出实验证据:把 260 亿参数的 Google Gemma 4 拆分到 15 台 Android 智能电视盒上运行,虽速度很慢但成功。
Anthropic 警告,小型 AI 模型的进展可能催生能感染智能冰箱、扫地机器人等 IoT 设备、且更难被清除的自我复制恶意软件。该公司称,到明年小型模型或能在各类 IoT 设备上自主自我复制,最终可能形成无需人工交互即可传播的计算机蠕虫。
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。
Anthropic 研究人员 William Zhou 和 Daniel Freeman 的新研究测试了小型 AI 模型能否在安全性薄弱的消费级 IoT 设备上自我复制,把复制过程拆为扫描网络、获取访问、在新设备上搭建 AI 环境、继续扩散四个阶段。
微软研究院一项研究提出 Fork-and-Flush 方法,让智能体分叉出 K 个并行分支,每个分支清空全部对话上下文但保留工作区,从而跳出反复打磨同一类解法的 idea basins。
Sakana AI 与 UC Berkeley 研究人员提出 Multi-Agent Self-Supervision(MASS),让同一个语言模型同时承担解题、优化工作流和评估结果三种角色,实现递归自我改进。
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 DeepMind 的新研究发表于 Science,其 AlphaProof Nexus 独立解决了 353 个开放 Erdős 问题中的 9 个,其中两个已悬置 56 年,团队在论文发表前已在线公开这些解答。
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5,分别以单智能体和团队形式在 medium 与 maximum 两档推理强度下运行,团队成本是单智能体的 1.8 倍到 5.1 倍。
Epoch AI 发布 InnovationEval 基准,测试 AI 智能体能否自主完成研究:任务是发明一种改进语言模型训练后阶段的新方法,并独立实现、测试和优化,起点是 GRPO,人类参考方法为 SDPO。
arXiv 从 2026 年 10 月 1 日起将投稿上限设为每人每自然月两篇,原有的同时三篇活跃投稿限制继续保留,该限制适用于所有分类且只针对投稿人本人,共同作者不受影响。
哈佛大学研究者 Fiona Chen 和 James Stratton 分析了 Jellyfish 的工程团队分析数据,覆盖 2021 年至 2026 年 3 月间 700 多家软件开发公司的 70 多万名员工、3 亿条工作事件(如提交和 pull request)。
Anthropic 的 Claude Science 首次绘制出完整的紫外天空图。该项目由 Claude Science 协调多个 AI 智能体,从多个太空任务下载数据、进行校准并合并,再用 inpainting 技术补全缺失区域;测试中预测值与实际测量平均偏差约 10%。
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)。
Common Sense Media 发布研究,将 ChatGPT for Teens 评为“不可接受的风险”,认为其设计仍在鼓励青少年持续对话,即使处于心理危机情境。
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。
PhAI Labs 联合 Stanford、Oxford、Princeton 的研究者提出 JEPA-Anything,把 JEPA 的预测状态拆成四个正交因子、各由独立预测模块处理后再重组,从而用同一套架构覆盖物理、机器人、天气、单细胞和临床等七个领域。
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。
GitHub 发布 ReviewBench,一个面向 AI 代码审查智能体的开放离线基准,基于 1.039 亿个 GitHub pull request 的分布构建,包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
MIT 于 2026 年 6 月发布的报告指出,AI 正在削弱大学体验的核心环节:答疑时间到场人数减少、线上讨论参与度下降、宿舍与图书馆的学习小组变少,教师也越来越难判断学生真正学到了什么。
Google 研究人员提出 RRSI(Regularized Recursive Self-Improvement of Agent Harnesses),用于解决智能体自我优化时记忆测试任务、在新任务上收益消失的问题。