OpenAI 研究:编码智能体加速 AI 研究,但能力边界参差不齐
OpenAI 测量了编码智能体加速 AI 研究的实际效果,发现其表现并不均衡。该研究同时探讨了这一"参差不齐的前沿"对递归自我改进意味着什么。
OpenAI 测量了编码智能体加速 AI 研究的实际效果,发现其表现并不均衡。该研究同时探讨了这一"参差不齐的前沿"对递归自我改进意味着什么。
微软研究院联合 UC Berkeley 和 Microsoft Security 提出开源插件 TokenEconomizer,它从编码智能体在仓库中的历史会话学习,在不修改智能体和底层模型的情况下减少重复探索、无用工具加载和失败循环。
推荐理由:微软研究院等机构提出的插件在不改动智能体和模型的前提下,用仓库历史降低编码智能体的 token 成本,并给出多组合实测数据。
OpenAI 探索标准模型的一种非微扰格点定义方案,GPT-6 Astra 帮助将这一构想转化为详细证明。该工作聚焦于为粒子物理标准模型建立格点上的候选定义。
Google Research 公布 Antigravity /teamwork 多智能体系统在数学、化学、系统软件和 ML 工程上的近期成果,并称这些工具已对外部研究者开放。
推荐理由:Google 公开了 /teamwork 多智能体系统在数学证明、化学结构解析和内核优化上的具体结果与外部开放方式。
Ai2 联合 CMU、NVIDIA 和约翰霍普金斯大学发布 XYBench,一个含 8,115 个真实问题的基准,专门测试 AI 助手能否识别用户提问中的错误假设(XY 问题)并引导其解决真正目标,该基准获 EMNLP 2026 最佳资源论文奖。
Microsoft Research Focus 第98期由 Anson Ho 主持,介绍 AI 通用翻译进展、31 年 KLS 猜想被解决,以及让 AI 编码智能体更高效的新方法。
Google Research 提出一套研究性机器学习框架,把可穿戴设备的被动信号转化为可干预的 coachable health age(可指导健康年龄),并用动作条件世界模型 SensorWM 模拟个性化的 12 周习惯改变轨迹。
微软研究人员发现名为 Lazarus 的后门技术,通过改写 LLM 中不到 10 个休眠神经元、无需训练即可给基于该模型的智能体植入后门,模型仍能通过标准评测,直到触发条件出现(如时钟跨入 2027 年)才执行下载并运行攻击者代码等命令。
推荐理由:微软研究团队披露一种无需训练、改写不到 10 个休眠神经元即可给智能体植入后门的方法,并给出权重溯源与扫描的防护思路。
OpenAI 与 Upwork 的新研究发现,自由职业市场需求正在发生转移,出现新的技能组合,AI 相关项目的预算更高、工时更长。
Google DeepMind 发布 AlphaProof Code,这是一个多 LLM 智能体框架,用于对实际运行代码做深度形式化验证。研究团队与模型协作把 Signal 的安全目标转写为形式化规格,由 Gemini Carbon 驱动的智能体生成超过六百万行 Lean 证明,整个过程耗时四周,而人工团队通常需要数年。
推荐理由:原文交代了多智能体框架如何把形式化验证拆成规格与证明两步,并给出四周完成 Signal 协议验证的对照。
亚马逊研究者提出 HOPE(Higher-Order Pruning of Experts),一种考虑专家两两交互的二阶 MoE 剪枝方法。在 50% 剪枝率下,HOPE 平均排名优于所有方法,在 agentic coding 任务上比次优剪枝方法最高提升 +6.1%。
Elith 与 NVIDIA 发布 Nemotron-Personas-Finance-Japan,这是 Nemotron-Personas-Japan 的金融领域扩展,据称是首个百万记录规模、结合日本官方统计与家庭金融数据的开放 persona 数据集。
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。
微软研究院发布 PDD Kit,可将用户意图转成 Verus 形式化规范,证明智能体生成的代码对每个输入都满足规范,证明覆盖不到的部分则回退到测试。团队在 GitHub Next 的 Chopin 环境中用它验证了 Rust 全栈应用 Pet Store 的登录逻辑,Verus 在加固代码的同时发现了已有 bug,开发者只审阅意图而未逐行阅读生成代码。
推荐理由:微软研究院介绍 PDD Kit 如何把用户意图转成 Verus 形式化规范,并用证明加测试约束智能体生成的代码。
Google Research 提出 AI-PPG-ACC-HTN 系统,利用消费级智能手表的 PPG 和加速度计信号被动检测高血压迹象,无需袖带校准。该系统先用 492,347 小时、2,109 名参与者的无标签数据做自监督预训练,再按人聚合多日嵌入向量并结合身高做逻辑回归分类。
推荐理由:该系统用智能手表 PPG 与 ACC 信号做无袖带校准的高血压筛查,并与 24 小时动态血压监测对比,读者可了解其两阶段训练与临床验证设计。
Google Research 提出 Agile Deliberation 框架,把主观图像分类器的构建拆成概念范围界定与概念迭代两个阶段,由 VLM 主动挑出边界模糊的图片,让用户给出反馈,再自动优化提示词。
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 个本地权限提升漏洞。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。
推荐理由:OpenAI 披露了一条自主流水线,可自动发现、验证并生成 Linux 内核提权漏洞补丁,读者可据此了解漏洞挖掘自动化的当前边界。
IBM 研究团队发布 Palette,通过 LoRA 微调一个 20B 开源权重模型,让它按 IBM Design Language 生成幻灯片。模型被拆成设计者和编码者两个角色,前者输出结构化 JSON 简报,后者并行生成每页的 pptxgenjs 代码,编码阶段约快 6–7 倍。
Ai2 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 四个难度层级设计。
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。
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。
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。
Google Research 在 IDWeek 2026 上介绍了其结核病筛查 AI 从研究基准走向临床部署的路径,并推出 MedGemma、MedSigLIP 等开放基础模型。
推荐理由:Google Research 梳理了结核病筛查从基准论文到 CE 认证工具、再到开放基础模型的完整落地路径,可供理解医疗 AI 的转化环节。
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。
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。
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。
Dharma-AI 团队提出 VocabX 方法,在不更换基座模型、数据和训练配方的前提下,围绕每个 token 的推理成本而非出现频率重建词表,在基于 Qwen3-4B 的葡萄牙语作文评分器上将实测推理成本降低 77.0%。
推荐理由:作者团队公开 VocabX 的词表专门化方法,读者可了解按生成成本而非词频选择 token 的思路与实测数据。
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。
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。
Google Research 发布三项研究,推动 AI 智能体从计算设计走向真实湿实验室实验。VERID 框架基于开源 PyLabRobot 构建实验室工作单元的语义数字孪生,提供实时 3D 状态跟踪、秒级虚拟试运行、硬件安全检查与同步视频日志,智能体可据此规划并执行移液协议。
推荐理由:Google Research 用三个项目展示 AI 智能体如何接入真实湿实验室,读者可了解闭环实验自动化的具体技术路径与安全约束。
NVIDIA 联合 IIT Madras 的 AI4Bharat 推出 Nemotron-pretraining-Indic-v1,覆盖 22 种印度语言、约 2.8 万亿 token。
微软研究院发布零知识虚拟机 Magnetar,可证明 Rust、Go、C 编写的 RISC-V 程序执行,安全性仅依赖 SHA-256、SHA-3 等标准哈希函数,无需椭圆曲线、格假设或可信设置。
Google Research 发布技术报告,展示由 Gemini 驱动的地理空间推理智能体如何结合 Earth AI 基础模型、空间工具与前置规划完成复杂空间分析。
推荐理由:Google Research 公开地理空间推理智能体的技术报告与两个新基准,并给出与 WHO 等机构的实测案例。
Google Research 在 Research@ 2026 活动上公布十项研究进展,覆盖地球科学、医疗、科研智能体与教育等方向。Google Earth AI 扩大早期访问,新增地理空间分析、行星预测引擎和 agent-to-agent API,并整合 Dataset Search 与 TimesFM。
微软研究院推出 StudentSim,通过公开的去标识化学习记录训练个性化 AI 学生模拟器,让 AI 导师在接触真实学生前就能获得反馈信号。该研究同时提出 StudentSimEval 评测协议,从行为保真度和指导响应性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,StudentSim 均优于主流基线。StudentSim 仅为研究系统,不部署于课堂,也不旨在取代教师。