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。
#论文/研究
Hugging Face BlogAI 评分5757
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。
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。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 DNA 序列模型 AlphaGenome 2
Google DeepMind 宣布发布下一代 DNA 序列模型 AlphaGenome 2，可预测 DNA 序列及其变异对特定人类细胞类型的影响。该模型改为条件化架构，一次针对一个组织、细胞类型或状态进行预测，训练数据涵盖 68 个组织、超过 1.07 亿个单细胞图谱。
推荐理由：原文给出条件化架构改造与 TenK10K 上的召回对比，读者可据此判断细胞类型特异性预测相比上一代的实际提升幅度。
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。
OpenAI NewsAI 评分4545 OpenAI 与 Upwork 研究：AI 对自由职业工作的影响
OpenAI 与 Upwork 联合发布新研究，发现 AI 正改变自由职业工作格局：需求结构出现变化，出现新的技能组合，AI 相关项目的预算和工时投入均有所增加。
OpenAI NewsAI 评分2828 OpenAI 弥合教育领域 AI 指导差距
OpenAI 发布 ThinkYoung 新研究，并分享其 EMEA 教育合作经验，聚焦支持教师、提升 AI 素养与促进自主学习。内容涵盖如何帮助教师应对 AI 指导差距，以及在教育场景中培养学生独立使用 AI 的能力。
Berkeley AI ResearchAI 评分3131 BAIR 在 CoRL 2026 的参会日程与论文清单
BAIR 公布了其成员在 CoRL 2026（11 月 9–12 日，Austin, Texas）的完整参会日程，共 33 篇主会论文、4 篇 late-breaking results 海报、10 场 oral 与 spotlight，另有 Professor Negar Mehr 的 Early Career Keynote。
Hugging Face BlogAI 评分5353 Elith 与 NVIDIA 开源金融日语合成数据集 Nemotron-Personas-Finance-Japan
Elith 与 NVIDIA 发布 Nemotron-Personas-Finance-Japan，这是开源人物数据集 Nemotron-Personas-Japan 的金融领域扩展，采用 CC BY 4.0 许可，可商用。
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。
OpenAI NewsAI 评分4444 OpenAI 推出 BioBasicsBench：衡量 AI 智能体处理日常湿实验科学的能力
OpenAI 推出 BioBasicsBench，一个包含 100 项任务的 benchmark，用于衡量 AI 智能体解读原始实验数据、处理日常湿实验科学的能力。该 benchmark 面向生物实验场景，评估智能体在真实科研数据上的表现。
Hugging Face Blog精选AI 评分6363 Hugging Face 推出 ToyBlocks 受控仿真框架用于机器人学习与评测
Hugging Face 与 AllenAI 推出 FoundationWorlds 框架及其首个基础世界 ToyBlocks，一个围绕机械臂与桌面积木的开源仿真环境，可自动生成任务与演示数据，无需人工遥操作。
推荐理由：通过受控仿真环境把数据生成、训练与评测打通，读者可据此理解机器人泛化与失败归因的可复现研究路径。
Hugging Face BlogAI 评分4040 Open ASR Leaderboard 新增埃及与尼日利亚英语口音私有数据
Hugging Face 与 Liva AI 合作，为 Open ASR Leaderboard 新增埃及和尼日利亚英语两个私有测试集，时长分别为 1.34 小时和 1.55 小时，均为带标点、区分大小写并保留不流畅片段的自发对话转写。
Microsoft Research精选AI 评分6262 Microsoft Research 推出 PDD Kit，用形式化验证约束智能体生成的全栈 Web 应用
Microsoft Research 与 GitHub Next、RiSE 合作推出 PDD Kit，把形式化验证引入日常软件开发：它在 GitHub Next 的 Chopin 规划环境中与开发者协作，把自然语言意图转成 Verus 形式化规范，自动为智能体生成的代码生成证明，证明覆盖每个输入，证明触及不到的部分则回退为测试。
推荐理由：原文完整展示了从意图到形式化规范再到证明的七步工作流，可迁移之处在于它把代码审查重心移到了意图审查。
Google Research精选AI 评分6262 Google Research 发表无需袖带校准的智能手表高血压筛查研究
Google Research 在 Nature 发表多模态 AI 系统 AI-PPG-ACC-HTN，可用消费级智能手表被动检测高血压迹象，无需传统臂式袖带校准。
推荐理由：原文给出无需袖带校准的筛查方案与对照临床数据，读者可据此判断智能手表在高血压筛查中的实际定位。
OpenAI News精选AI 评分6161 OpenAI 自动化流程为 Linux 内核修复 948 个本地提权漏洞
OpenAI 构建了一套自主流程，发现、验证并为 Linux 内核中的 948 个本地提权漏洞生成了补丁。
推荐理由：原文点明了漏洞数量与自动化流程的闭环，读者可据此评估 AI 自动化安全审计的规模与可行性。
Google ResearchAI 评分4747 Google Research 提出 Agile Deliberation：AI 帮助人类界定主观概念的"灰色地带"
Google Research 提出 Agile Deliberation 框架，把主观 AI 分类器的构建变成人与 AI 的迭代对话，帮助用户在协作中厘清自身定义，代码与算法已在 GitHub 开源。该框架分概念界定与概念迭代两阶段，用视觉语言模型挖掘语义边界图像，经 18 场、每场 1.5 小时的真人实验验证，显著降低用户疲劳与焦虑，产出更一致、性能优于标准基线的模型。
Hugging Face Blog精选AI 评分6060 Hugging Face 开源 CWE-bench v2：100 个任务覆盖 91 种 CWE
Hugging Face 与 Collinear AI 开源 CWE-bench v2，公开 100 个任务，覆盖 91 种 CWE，用于测试前沿模型发现并修复安全漏洞且不破坏现有功能的能力，评分完全程序化、可复现。
推荐理由：公开了 100 个任务的评分口径与成本数据，读者可据此判断模型在真实漏洞修复上的水平与代价。
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。
Hugging Face Blog精选AI 评分6262 IBM 用同一模型对比 CUGA、Hermes 与 Deep Agents 三个 Agent harness
IBM Research 用同一个开源模型 GLM-5.3-flash 在 AppWorld 的 90 个任务上对比 CUGA、Hermes 和 Deep Agents 三个 harness，任务完成率分别为 81.1%、46.7% 和 30.0%，说明 harness 选择对结果影响很大。
推荐理由：同一模型换 harness 完成率从 30% 到 81%，这组对照数据能帮读者理解选型应匹配工作负载而非只看模型。
Hugging Face BlogAI 评分5959 Hugging Face 提出 transformers-mic 模型集成契约标准
Hugging Face Blog 发布 transformers-mic 提案，用 Model Integration Contract（MIC）为 Transformers 的模型测试打包标准，包含 fixture、usage path 和 baselines 三部分，发布在 huggingface-mic 仓库。
OpenAI NewsAI 评分4141 OpenAI 推出 LifeVal 基准，衡量 AI 助力日常任务的能力
OpenAI 推出 LifeVal 基准，衡量 AI 帮助人们完成日常任务的能力，涵盖寻找托儿服务、管理财务和办理政府文书等场景。
Microsoft ResearchAI 评分4747 Microsoft Research 推出 Industry Evaluation Data Generation Platform，用合成企业数据评估 Microsoft Copilot
Microsoft Research 推出 Industry Evaluation Data Generation Platform，通过全合成的企业环境（tenant）评估 Microsoft Copilot，避免使用真实客户敏感数据。
Hugging Face Blog精选AI 评分7676 NVIDIA 发布 Nemotron 3.5 Transcribe 开源语音模型与 Granary v2 数据管线
NVIDIA 发布开源权重语音模型 Nemotron 3.5 Transcribe，将转写、说话人分离、翻译和音频问答整合到单一 checkpoint，支持 40 种语言转写、31 种语言与英语互译、13 种语言说话人归属，可处理最长一小时录音并标注最多 8 位说话人，现已在 Hugging Face 和 ModelScope 开放。
推荐理由：原文给出榜单成绩与微调配方，读者可据此判断该模型在多语种转写与说话人分离上的可用性。
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。
Hugging Face BlogAI 评分5858 Ai2 发布 Old Ideas, Novel Problems 研究与基准：LLM 评判研究想法新颖性并不可靠
Ai2 发布研究 Old Ideas, Novel Problems 及配套基准、数据、代码和可复用评测流水线，测试 LLM 作为 novelty judge 评估科研想法新颖性的可靠性。
Google Research精选AI 评分6262 Google Research 分享将基础模型用于结核病筛查的落地路径
Google Research 在 IDWeek 2026 分享其结核病（TB）筛查 AI 从研究走向临床的全过程：2019 年在 Radiology 发表基准证明深度学习可匹敌资深放射科医生。
推荐理由：原文梳理了从算法研究到临床落地的完整路径，读者可了解医学 AI 走出论文、跨越转化鸿沟的具体环节。
Hugging Face BlogAI 评分4646 LitPivot：在文献图景中通过动态情境化发展研究想法
Hugging Face 与宾夕法尼亚大学合作开发 LitPivot，帮助研究者在文献中完成"文献驱动转向"，将研究想法拆分为问题、贡献、评估三个 facet，按 facet 组织文献并给出带原文摘录的批评与修改建议。
Hugging Face Blog精选AI 评分6161 微软与 Hugging Face 开源 ThinkingBox-Training：用数据库终态检查作为 RL 奖励后训练智能体
微软与 Hugging Face 联合发布并开源 ThinkingBox-Training（microsoft/thinkingbox-training），把 ThinkingBox-Bench 中对数据库终态的可执行检查复用为 RL 训练奖励。
推荐理由：原文给出了把数据库终态检查复用为 RL 奖励的完整训练流程与开源实现，读者可据此迁移方法到自己的智能体任务集。
Google DeepMindAI 评分5656 Google DeepMind 与 WRI、IIASA 联合发布 10 米分辨率全球森林类型地图 ForTy 2020
Google DeepMind 与 Google Research 联合世界资源研究所（WRI）和国际应用系统分析研究所（IIASA）发布 Forest Typology（ForTy）2020。
Hugging Face Blog精选AI 评分7474 NVIDIA 发布 Kumo Relational 关系型基础模型，无需训练直接在数据库上预测
NVIDIA 发布 Kumo Relational，一个预训练的关系型基础模型，可直接在企业数据库上做预测，无需任务专属训练、特征工程或表展平，单次前向传播即可给出流失、需求、欺诈等预测结果。
推荐理由：原文给出了基准对比与部署入口，读者可据此评估它能否替代现有 XGBoost 生产管线。
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。
Google Research精选AI 评分6565 Google Research 发表 JAMA Network Open 论文：AI 盲扫超声估算孕周精度媲美专家
Google Research 在 JAMA Network Open 发表论文，评估其 AI 孕周估算系统在芝加哥 Northwestern Medicine 与肯尼亚内罗毕 Jacaranda Health 两处临床环境中的泛化表现。
推荐理由：研究展示了AI在真实临床环境中跨硬件、跨地区的泛化能力，为低资源地区扩大产前超声覆盖提供了可参考的验证路径。
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。
Mistral AIAI 评分5656 Mistral 与 NVIDIA 合作推进工程领域 AI 应用
Mistral 宣布与 NVIDIA 合作，将 Mistral Large 4 等模型与 NVIDIA 加速计算、CUDA-X 库、Warp 及 Omniverse 结合，打造 AI 原生工程工作流，加速工程仿真并实现仿真、模型开发与设计的闭环。
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6262 Ai2 发布 FairStress 基准，评估 LLM 决策中的隐性人口统计公平差异
Ai2 发布 FairStress 基准，用于测量 LLM 在最终选择之外的决策稳健性公平差异，包含 300 个双候选人场景、29 个领域，经人口统计身份与对抗前缀组合扩展至超过 1300 万测试用例，并提供 50K 项的 FairStress-Core 子集。
推荐理由：原文用对抗前缀揭示了输出层公平掩盖的决策稳健性差异，并给出相对有效的反事实 CoT 缓解方法。
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。
Google Research精选AI 评分7272 Google Research 发布三项研究，推动 AI 智能体接入自主湿实验室
Google Research 分享三项研究进展，展示如何弥合 in-silico AI 探索与真实湿实验之间的差距。其一是 VERID 框架，作为实验室工作单元的语义数字孪生，提供实时 3D 状态追踪、快速虚拟试运行、硬件安全检查和同步视频与动作日志，基于开源 PyLabRobot 构建。
推荐理由：原文展示了从数字孪生到闭环实验的完整技术路径，读者可了解 AI 智能体如何接入湿实验环节。