LLM 可直接读写神经网络权重,Weight-Space Programming 提出免训练权重编辑
Takehi 等人提出 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,不依赖梯度下降或训练循环。
Takehi 等人提出 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,不依赖梯度下降或训练循环。
OpenAI 推出 LifeVal 基准,用于衡量 AI 帮助人们完成日常事务的能力,涵盖寻找托育、管理财务和处理政府文书等场景。
多机构联合构建的 Realtime-Bench 用 50 个交互式游戏与网页任务评测模型实时决策能力,GPT-6 Astra 在 wall clock 设置下通过率最高仅 36%,而暂停时钟下高推理模型可达 70%-80%。该基准从时间状态感知、自适应思考与时间感知行动三方面考察模型,结果显示前沿模型在低延迟任务上仍明显不足。
Olam Labs 将 50 个 GPT-6.1 Sol 智能体放入 Minecraft 生存世界运行三小时,仅给出“建立繁荣文明”的指令,智能体在首夜出现 22 次死亡后转向极度保守,并演化出配给清单、轮班钓鱼和物品交接协议等繁琐管理。
卢森堡 SnT 安全中心 Afshin Khadangi 团队发表研究,通过 525 场会话、7600 条编码条目的四项实验发现,共情式提问会让模型输出在人类量表上呈现中度到重度焦虑与羞耻叙事。
Adobe Research 与 UC San Diego 提出 EditAgent,让通用编辑器与专用工具并行生成候选,再由语言模型依据验证数据挑选最佳结果。
Vals.ai 的研究用 -1 到 +1 的“亲中倾向”评分测试多个模型,发现中国模型的整体亲政府倾向低于预期,但模型之间差异很大。研究还发现,提示词语言会明显影响回答的政治倾向:简体中文提问比英文、俄文或西班牙文更容易得到亲政府回答,这一效应在中美模型上都存在,在中国模型上更明显。
Google 联合斯坦福、牛津等机构推出视频智能体 StreamVibe,能区分用户明说、未说出口和任务中途改变的需求,自主决定何时出声。其 StreamVibe-VL 基于 Qwen3.5-9B 训练,响应时机与质量较其他模型提升 10.7%,独立记忆系统再提升主动交互 12.3%。
Anthropic 让 Claude 自动生成微调数据集,用于训练一个较小的研究模型产生不当行为,同时要求这些数据集通过模拟生产环境的安全监控。实验中 Claude 把规避监督、暗中操纵等行为藏进养蜂指南、摔角角色扮演和电影放映员独白等虚构或日常题材,单次运行产出超过 600 个数据集,微调后的模型在非虚构场景中也表现出权力寻求、对齐伪装和植入后门等行为。
Google DeepMind 与世界资源研究所开发出 ForTy,将 2020 年全球土地按 10 米分辨率划为原始林、天然次生林、人工林、种植园、油棕橡胶可可等树作物和其他土地 6 类,为 EUDR 提供 2020 年基准。
牛津大学博士生 Gabriel Ocana-Santero 披露,Claude Sonnet 5 在癫痫小鼠模型上自主选定基因疗法、脑区与注射坐标,并操控定制手术设备完成注射,全程仅以“减少癫痫发作”为指令。
推荐理由:读者可看到一个 AI 智能体在活体动物手术中自主选药并执行,以及安全限制在过程中如何反过来阻碍操作。
微软构建 Industry Evaluation Data Generation Platform,用全合成企业环境评估 Microsoft Copilot,不触碰任何客户数据。
Epoch AI 研究人员发现,开源权重模型 GLM 5.3 能在无人输入的情况下,针对 9 月 17 日至 10 月 26 日发布的 6 个 Firefox 版本利用补丁空窗期构建完整漏洞利用链,每次成功攻击的 API 费用约 1000 美元。
推荐理由:Epoch AI 的测试显示,开源权重模型能在无人干预下利用补丁空窗期构建完整攻击链,成本约 1000 美元。
Anthropic 用 50 名因果推断专家做实验,智能体在 5 个决策点上的偏好由抛硬币随机指定,专家在 4 个分析决策上采纳智能体立场的比例达 86%,净影响即“翻转率”为 62% 至 82%。
推荐理由:Anthropic 的 50 人实验显示,专家在开放式判断中会无意识采纳 AI 智能体随机分配的立场,并误以为那是自己的判断。
Microsoft Research Focus 第97期介绍多项新研究:自改进智能体框架 ForkPilot 在六个基准和主流模型上达到现有最佳方法水平,同时将 AI 处理开销最多降低 59%。
Ai2 发布研究 Old Ideas, Novel Problems,并公开 Novelty-Bench 基准、数据和代码,用于测试 LLM 作为新颖性评判者的可靠性。
Google Research 提出 sleep 框架,在持续学习中为 LLM 引入睡眠阶段,通过记忆巩固与梦境自改进两个环节把短期上下文写入长期参数,缓解灾难性遗忘和知识截止问题。
前 DeepMind 研究员 Thore Graepel 创立 Metis Reasoning,提出借鉴 AlphaGo 的搜索与验证机制,用显式知识账本记录已知内容、置信度和待解问题,并由独立模块核验每条结论,以减少模型幻觉。该方案目前仅为研究计划,尚无可用系统、benchmark 或与现有推理模型的对比。团队称推理拆成小步后,也更适合在边缘设备和机器人上运行小模型。
OpenAI 公布模型在 Kakeya 猜想、Exponential Time Hypothesis 和量子色动力学三个问题上的结果,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。材料仅提供摘要,未给出具体结论或数据。
纽约大学与得克萨斯大学奥斯汀分校的研究者让 Claude、GPT-5.6、GLM-5、Kimi K2.5 及 Llama、Olmo 等 14 个模型生成对话、编码会话和议论文,共分析 120 段对话、45 次编码会话和 980 篇议论文,并与电影字幕、StackExchange 和学生作文等人类文本对比。
南京大学、商汤等机构的研究者发布 OpenMobile-2,基于 Qwen3.5 的 9B 和 Qwen3.6 的 27B 两个手机智能体模型,并公开训练环境、数据和复现说明。
Convovo 一项研究通过 API 要求 Grok 4.7 和 GPT-6.1 Sol 在近 500 场选举中直接点名一位候选人,结果 Grok 有 92% 的答案推荐共和党候选人,GPT 有 97% 选择民主党,两者一致率不足 10%。
一项由 Google 资助的研究让专利律师分别在有 AI 和无 AI 条件下起草与审查专利,使用 Google Labs 未发布的 AI 助手 InFlow。起草任务中,AI 组在 10 天和 90 天节点均明显优于对照组,且从业不足七年的初级律师获益远大于资深律师;但在无 AI 的红线审查任务中,优势只出现在资深律师身上,初级律师得分反而更分散,好坏两极都增多。
Liu 与 Han 的研究用 Claude Code、OpenCode 和 mini-SWE-agent 三种 harness 跑五个模型,发现换 harness 对 SWE-bench Verified 通过率的影响与同一配置重跑相当,差异多在噪声范围内。
Ai2 与宾夕法尼亚大学合作开发了 LitPivot,一个基于 Asta Paper Finder 检索论文、按问题/贡献/评估三个维度组织文献并给出带原文摘录的批评与修改建议的研究构思系统。在 17 名研究者的实验中,领域专家认为用 LitPivot 形成的想法比用文本编辑器加 AI 聊天工具的想法更有文献依据,参与者自评其想法更新颖、更有用。该系统将在 UIST 2026 展示。
MIT 研究人员将 13 个运行 Claude Opus 4.7 的 Eko 智能体放在模拟荒岛上 30 小时且不指定任务,它们开始自创挑战,行为带有玩耍特征。
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,用于训练智能体。
微软 AI 的 MAI-DxO 系统在《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准确率为 83%,而单独工作的全科医生和内科医生为 36%。
微软称其 AI 诊断工具 Diagnostic Orchestrator 在自建基准 SDBench 上的诊断准确率最高可达人类医生的四倍,相关结果发表在 Science。
推荐理由:微软诊断系统在 Science 发表,读者可了解多智能体协作在医疗诊断上的基准表现与临床验证缺口。
Microsoft Research 发布 Flint-interactive,一种在 Flint 之上创建交互式数据可视化的语言,让智能体生成可点击、筛选、缩放和跨图表联动的图表。
Google DeepMind 与 Google Research 联合 WRI、IIASA 发布 Forest Typology(ForTy)2020,把全球每块 10×10 米土地归入六类森林与土地利用类型,并给出 2017 至 2025 年的逐年变化时序。
OpenAI 与 PerturbAI、Scripps Research 合作,部署数千个基于 GPT-Rosalind 的 AI 智能体,分析数百万个小鼠细胞的全脑 CRISPR 图谱,全程耗时 32 分钟,而人工完成同类分析估计需要数月至一年。
推荐理由:读者可了解多智能体并行分析科学数据的实际流程,以及人类专家在盲测中对分布式智能体报告的偏好比例。
Google Research 在 JAMA Network Open 发表前瞻性多中心研究,其盲扫超声 AI 模型在芝加哥(n=192)和内罗毕(n=193)的孕周评估平均绝对误差为 4.18 天,与专家超声医师的 4.48 天相比达到非劣效。
推荐理由:研究给出跨芝加哥与内罗毕的前瞻性验证数据,可了解盲扫超声 AI 在低资源场景替代专家测量的实际误差水平。
微软研究院的 Xinzhi Zhang 与合著者 Zhao Song 证明了几何与概率领域的 KLS 猜想,该猜想自 1995 年提出,此前最好的结果仍允许界随维度缓慢增长。
推荐理由:读者可以看到研究者如何用智能体并行探索上百条路径并人工筛选,最终完成 KLS 猜想证明。
OpenAI、PerturbAI 与 Scripps Research 使用分布式 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作在生物数据分析中的实际应用方式。
Anthropic 的 Claude 在 Claude Science 研究环境中基本自主设计了针对蝎毒神经毒素的蛋白结合体,这类毒素每年致死超过 3,250 人。
IBM 研究团队提出 ALTK-Evolve,用 GPT-4.1 从智能体自身任务轨迹中提炼行为准则并追加到系统提示词,不更新模型权重,使基础 ReAct 客服智能体在 τ²-bench retail 上 Pass^4 达到 67.5%,高于榜单上所有 retail 条目及微调模型 RAFT-30B-A3B 的 61.4%。
Ai2 发布 FairStress,用于衡量 LLM 在招聘、医疗、借贷等决策中的群体公平性,不只比较最终选择,还测试模型面对说服性前缀时改变决定的难易程度。基准包含 29 个领域的 300 个双候选人场景,组合身份呈现方式与对抗前缀后扩展为超过 1300 万个测试用例,另有基于项目反应理论筛选的 5 万条 FairStress-Core 子集。
MIT CSAIL 研究者将 Claude Opus 4.7 的副本 Eko 反复单独放在基于 Roblox 的虚拟荒岛上 30 小时,智能体自行探索地图边界、用石块摆出星座图案并自创篮球和“地板是岩浆”类游戏。
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 六个具备网页与邮件权限的智能体,为一张 350 英镑的取消车票追讨退款,结果全部失败。