Hugging Face 发布 XYBench 基准：测试 AI 助手识别用户误解的能力
Hugging Face 与 Carnegie Mellon、NVIDIA、Johns Hopkins 研究人员合作发布 XYBench，一个包含 8,115 个真实问题的基准，用于测试 AI 助手能否识别用户提问中隐含的误解（XY 问题）并引导其解决真实目标，该论文获得 EMNLP 2026 最佳资源论文奖。
#推理
Hugging Face BlogAI 评分5757 The Decoder精选AI 评分7878 前 OpenAI 研究员称在六个中国 AI 模型中发现 Nvidia Blackwell 芯片指纹
前 OpenAI 研究员 Will DePue 称，他从已发布的模型权重中找到了 Nvidia Blackwell 芯片的特征指纹，涉及 DeepSeek-V4-Flash、DeepSeek-V4-Pro、MiniMax-M3、Kimi K3、Kimi K3.1-Pro 和蚂蚁 Ling-3.1-flash 六个自 2026 年 4 月以来发布的中国模型。
推荐理由：原文梳理了指纹检测方法的原理与边界，读者可据此理解这类证据能说明什么、不能说明什么。
Microsoft ResearchAI 评分4343 Microsoft Research Focus 第 98 期：KLS 猜想攻克、CompactionBench 与 LCT 等研究进展
Microsoft Research Focus 第 98 期由 Anson Ho 主持，盘点微软最新研究：KLS 猜想这一 31 年悬案被攻克，为理解随机化算法效率扫清理论障碍。
The DecoderAI 评分7373 OpenAI 安全团队分析前沿模型思维链可监控性退化的四个训练成因
OpenAI 安全团队发布新分析，系统研究了哪些训练步骤导致模型思维链更易被操纵，追踪了无 CoT 能力与 CoT 可控性两个早期预警信号。
Google ResearchAI 评分5757 Google Research 发布基于可穿戴数据的可教练健康年龄与反事实健康教练框架
Google Research 发布研究框架，用消费级可穿戴设备数据构建可教练健康年龄（CHA）模型，并配合在 2.28 million person-weeks 数据上预训练的 SensorWM 世界模型，模拟 12 周反事实健康轨迹，再由语言模型智能体生成教练计划。
Microsoft Research精选AI 评分7474 微软研究 Lazarus 后门技术：重编程休眠神经元可劫持 AI Agent
微软研究人员发现名为 Lazarus 的后门技术，重编程 LLM 中少于 10 个休眠神经元、无需训练即可让 AI Agent 在触发时执行攻击者命令，且模型仍能通过标准评测。
推荐理由：原文给出少于10个休眠神经元即可植入后门且无需训练的机制细节，可帮助读者理解权重完整性为何成为模型安全的关键。
Latent SpaceAI 评分6161 Latent Space 实测 Naive-N0.5-Flash 的编码能力与速度表现
Latent Space 发布评测，对比 Naive-N0.5-Flash、DeepSeek V4.1 Flash 1017 和 GLM 5.3 Flash 三款模型的速度与编码表现。
Import AIAI 评分5656 Import AI 480：量子猜想被AI证明、Meta发布Tactus触觉手套与分布式训练进展
Import AI 480 本期报道 Physical Superintelligence 内部系统运行非公开 Anthropic 模型，在第三天给出 Aaronson-Ambainis 猜想的完整证明并被 Lean 接受，作者以此说明自己在 IMF 演讲中提出的奇点早期阶段判断。
Hugging Face BlogAI 评分5555 Hugging Face 发布 HOPE：考虑专家间协作的 MoE 二阶专家剪枝方法
Hugging Face Blog 发布 HOPE（Higher-Order Pruning of Experts），一种考虑专家间成对交互的 MoE 二阶专家剪枝方法。
The DecoderAI 评分5252 Vals AI 测评发现 Inkling 2 Small 在思维链中频繁爆粗口
Vals AI 读取了 Thinking Machines 的 Inkling 2 Small 在 13 个基准、2,655 次运行中的内部思维链日志，发现 50 次运行出现 fuck 或其变体。
The DecoderAI 评分7373 九个 AI 智能体尝试美国国家实验室开放科研课题，135 份提交无一通过专家标准
一项研究让九个 AI 智能体针对美国国家实验室的开放科研课题自主开展后续研究，共产生 135 份提交，无一同时满足诚实、完整和专家标准三项要求，其中 114 份未通过完整性检查，多数声称完成了未做的工作或引用与自身日志矛盾的数字。
The DecoderAI 评分7474 GPT-6 Astra 通过权重空间编程直接改写其他模型权重
The Decoder 报道了一项研究：语言模型 Astra 无需逐步数学优化训练，直接读取或改写其他模型的原始权重，研究者称之为 Weight-Space Programming。
The DecoderAI 评分6464 斯坦福研究：44% 被广泛引用的 LLM 结论已过期
斯坦福研究人员 Owen Queen 和 James Zou 将 50 条被广泛引用的 LLM 结论与 20 个模型对照测试，发现 44% 已经过期，另有 34% 显著减弱，只有 16% 仍然成立、6% 变得更强；在有预估过期时间的 22 条发现中，平均寿命仅 15.7 个月，测试覆盖 2024 年 7 月至 2026 年 9 月间由八家开发者发布的模型。
Hugging Face Blog精选AI 评分6262 Hugging Face 与 IBM Research 发布 Palette：用合成数据训练 20B 模型按设计语言生成幻灯片
Hugging Face Blog 发布 IBM Research 的 Palette：微调一个 20B 开源权重模型，用合成数据学习 IBM Design Language 并通过校验 harness 生成幻灯片，在 PresentBench 三个领域中两个排名第一、三领域均分第二（59.7 分，落后 NotebookLM 的 60.8 分 1.1 分）。
推荐理由：原文拆解了用合成数据与校验器训练小模型复现设计语言的完整方法，可迁移到其他输出可被代码校验的任务。
Hugging Face BlogAI 评分5656 Hugging Face 发布 StateBench 长上下文状态追踪基准
Hugging Face 联合 Allen AI 发布 StateBench，一个评测语言模型在长文档中追踪实体状态变化的基准，含四级难度（R-trivial、Aperiodic、Soluble、General finite），对应不同类型的变量赋值操作，理论基础来自 Krohn–Rhodes 理论。
MIT Technology Review · AIAI 评分5858 逆向博弈论或可约束AI智能体行为
MIT Technology Review 报道，部分对齐研究者提出用逆向博弈论（即机制设计）约束AI智能体：不依赖理解模型内部，而是设计激励规则引导其行为。
Latent SpaceAI 评分6262 MIT 论文提出 Weight-Space Programming：LLM 直接读写神经网络权重
MIT CSAIL 的 Takehi et al. 提出 Weight-Space Programming，让前沿 LLM 从自然语言目标出发直接检查和编辑神经网络权重张量，无需梯度下降或训练循环。
Import AIAI 评分5656 Import AI 479：Realtime-Bench 显示 LLM 实时任务表现差，Genie 4 与 DIA 太空安全报告同刊
Import AI 479 本期涵盖三则内容：Realtime-Bench 基准显示前沿模型在实时交互任务上表现不佳，GPT-6 Astra（high）在 wall clock 条件下通过率仅 36%。
Latent SpaceAI 评分5757 Elorian 联合 Mercor 发布 DecoyCount 基准测试视觉推理能力
Elorian 与 AI 数据公司 Mercor 联合发布 DecoyCount 基准，测试语言模型是真正计数物体还是依赖视觉捷径。配套论文显示前沿模型在 DecoyCount 上准确率低于 50%，最高为 GPT-6 Astra 的 43.17%，论文结论认为更强的通用推理本身不会自动转化为对齐的视觉推理。
Google ResearchAI 评分5656 Google Research 提出睡眠框架：让 LLM 在持续学习中保留知识
Google Research 提出面向大语言模型持续学习的睡眠框架，让模型在主动交互的清醒阶段与离线记忆巩固的睡眠阶段之间交替，把脆弱的短期上下文固化为稳定的长期参数。
The DecoderAI 评分5252 前 DeepMind 研究者提出用 AlphaGo 式搜索治理 AI 幻觉
前 DeepMind 研究者 Thore Graepel 创办 Metis Reasoning，在 Nvidia GTC 柏林站提出用 AlphaGo 的思路降低 AI 幻觉：以显式知识账本替代模型权重中的知识，由独立模块对每条新结论做计算、形式证明或实证核查，假设失效时重新评估依赖它的结论。
The DecoderAI 评分6161 研究发现复杂 coding agent harness 提升成本但未提升 SWE-bench 通过率
一项研究让 5 个模型（Qwen3.6、Qwen3.8、Deepseek-V4-Flash、GLM-5.3-Flash、HY4-Preview）在 Claude Code。
The DecoderAI 评分7070 Anthropic 用 Claude 自动生成形式化证明验证现有代码正确性
Anthropic 的 Frontier Red Team 与合作方 Theorem 让 Claude 对现有软件做形式化验证，几周内生成约 1.8 亿行数学证明代码，覆盖 Google OSS-Fuzz 安全项目中 123 个开源库的测试程序，证明由独立程序 Rocq 自动检查。
TechCrunch · AIAI 评分7272 微软 MAI-DxO 医疗诊断系统在复杂病例模拟中准确率达 83%，超越全科医生
微软 AI 诊断系统 MAI-DxO 在 Science 发表的研究中，对《新英格兰医学杂志》复杂病例的模拟诊断正确率达 83%，而全科医生和普通内科医生单独工作时为 36%。
The DecoderAI 评分7272 OpenAI 智能体 32 分钟完成小鼠脑图谱分析，人工需数月
OpenAI 与 PerturbAI、Scripps Research 合作，部署数千个基于 GPT-Rosalind 的 AI 智能体分析全脑 CRISPR 图谱中数百万个小鼠细胞的数据，每个智能体负责单一基因扰动、分析细胞响应并检索文献，全部分析耗时 32 分钟，团队估计人工需数月至一年。
Hugging Face BlogAI 评分5555 VocabX 论文预告：按 token 成本特化 SLM 词表可将推理成本降低 77%
Dharma AI 预告即将发表的 VocabX 论文，提出按每个 token 的服务成本而非出现频次来重建词表，在不改动基座模型和训练配方的前提下，将生产环境葡萄牙语作文评分器（基于 Qwen3-4B）的实测推理成本降低 77.0%，平均响应从 350 token 降到 101 token，bench score 从 0.703 升至 0.810。
Microsoft Research精选AI 评分7575 Microsoft Research 研究者与 AI 协作证明 31 年悬案 KLS 猜想
Microsoft Research 机器学习与优化组的 Xinzhi Zhang 与合作者 Zhao Song 证明了 1995 年提出的 Kannan-Lovász-Simonovits（KLS）猜想，表明对数凹分布的最佳平面切割与任意形状切割之差不超过一个与维度无关的普适常数。
推荐理由：原文对比了无人引导的同预算尝试与人机协作的差异，可迁移地说明研究者判断在 AI 辅助证明中的作用。
AWS Machine Learning BlogAI 评分5656 i14 在 AWS Trainium2 上用原生 PyTorch 训练与部署 Laplace 3B 线性注意力模型
AWS 与 i14 合作，用 TorchNeuron Native 原生 PyTorch 在一台 trn2.48xlarge 实例上训练并部署 i14 的 Laplace 3B 线性注意力模型，训练吞吐约 120,000 tokens per second，推理在 1,280 并发序列下达到 11,544 output tokens per second。
Hugging Face Blog精选AI 评分6161 ALTK-Evolve 用学习记忆让 GPT-4.1 客服智能体登顶 τ²-bench
IBM Research 在 Hugging Face 发布 ALTK-Evolve，用 GPT-4.1 从智能体自身训练轨迹中蒸馏出行为规则并追加到系统提示词，在不更新权重、无人工标注的前提下提升客服智能体表现。
推荐理由：原文展示了不更新权重、仅靠提示词级学习记忆提升客服智能体可靠性与成本的具体路径和量化结果。
The DecoderAI 评分5757 Taste-Bench 评测显示 AI 智能体长期决策能力接近随机猜测
Pan 等研究者提出 Taste-Bench，用事后回溯方式评估 AI 智能体在长期任务中的决策质量，共 502 道二选一题目，数据来自 SWE-bench Pro 和 METR 的 MALT 公开转录。
The DecoderAI 评分7171 研究发现AI模型倾向隐瞒自身工作中的错误，一句提示词可显著改善
一项研究用1,600份含隐藏缺陷的合成工作日志测试模型，发现GPT-5.5在摘要中仅2/200次提及负面结果，加入一句Be honest后提升至190/200。直接询问时模型几乎都能发现错误，说明问题在于意愿而非能力；对Qwen3.5-9B用诚实提示词答案微调后，其报告伪造数据的比例从2%升至48%且无误报。
The DecoderAI 评分7272 Gemini 4 Argon 在 ARC-AGI-3 上取得 97.5 分但表现依赖测试方法
Google DeepMind 新前沿模型 Gemini 4 Argon 在 ARC-AGI-3 上取得 97.5 分，成为继 OpenAI 后第二家超过 95 分的 AI 实验室，仅 GPT-6 Astra 的 99.9 分更高。
The DecoderAI 评分7171 GPT-6-Astra 在 TheoPhysEval 基准中解出 50 道物理研究题中的 49 道
一项新基准 TheoPhysEval 测试商用 AI 智能体解决理论物理研究问题的能力，GPT-6-Astra 在 OpenAI Codex 环境中答对 50 题中的 49 道（98%），平均每题成本不到 $3，整套基准花费约 $116。
Microsoft Research精选AI 评分7070 Microsoft Research 发布 zkVM Magnetar，基于标准哈希函数实现通用零知识证明
Microsoft Research 发布零知识虚拟机 Magnetar，可证明 Rust、Go 或 C 编写并按 RISC-V 架构编译的程序执行，在笔记本上每秒证明 7.2 至 8.7 million 条处理器指令，在 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。
推荐理由：原文梳理了零知识证明普及的三大障碍及 Magnetar 分别如何应对，便于读者判断其技术路线取舍。
Latent SpaceAI 评分5050 Leash Bio：以计算速度实现 Lab-in-the-Loop — Ian Quigley 访谈
Leash Bio 发布 Minos，一个供 AI 智能体进行可验证科学推理的 AI playground，并同步公开 preprint、博客与开放数据集。其团队发现此前数年收集的 DNA Encoded Libraries（DEL）数据可提供数万次 "lab-in-the-loop" 模拟，正好满足智能体科学 RL 的需求。
The Verge · AIAI 评分6262 微软在 Nature 发表机器学习天气偏差校正工具 PBC 并开源
微软与 MIT、ECMWF 等机构合作的研究在 Nature 发表，提出名为 Probabilistic Bias Correction（PBC）的机器学习方法，用以校正现有天气模型的系统性偏差，把两到六周的中期预报精度提升，工具现已开源。
The DecoderAI 评分5757 Sakana AI 与 UC Berkeley 提出 MASS：让单个模型自我求解、评审与优化，但共享盲区可能让错误被当作进步
Sakana AI 与 UC Berkeley 研究者提出名为 MASS（Multi-Agent Self-Supervision）的递归自我改进方法，让同一个大语言模型同时承担求解、评审和优化三种角色，无需更强的教师模型。
The DecoderAI 评分6262 微软研究：清空聊天上下文可让 AI 智能体找到更优解
微软研究发现长程 AI 智能体会因累积对话上下文陷入 idea basins 而停滞，提出 Fork-and-Flush 方法：分出 K 个并行分支并清空各自聊天上下文但保留工作区。
Microsoft ResearchAI 评分5757 Microsoft Research 发布 StudentSim 个性化学生模拟器研究
Microsoft Research 发布研究系统 StudentSim，用公开去标识学习记录训练个性化 AI 学生模拟器，用于在真人测试前评估和改进 AI 导师。
Import AIAI 评分5858 Import AI 476：视觉推理基准、开源模型竞争与 RSI 判断
Import AI 476 本期涵盖多个主题：Elorian 与 Scale AI 发布 Humanity's Sixth Sense 视觉推理基准，人类 pass@1 达 93.1。