Sakana AI 与 UC Berkeley 提出 MASS 自我改进方法，能提升解题与判题但存在共享盲点
Sakana AI 与 UC Berkeley 提出 MASS（Multi-Agent Self-Supervision）方法，让同一语言模型同时承担解题、优化工作流与评估三个角色，在测试任务上对基模型的胜率从一轮后的 53.9% 升至两轮后的 69.9%。
#推理
#推理
今日 0 条The DecoderAI 评分5050
Import AIAI 评分3636 Import AI 第 476 期：AI 创造力与递归自我改进；中国开源权重模型表现落后；AI 进军太空
Import AI 第 476 期报道 Scale AI 与 Elorian 发布的视觉推理基准 Humanity's Sixth Sense：人类 pass@1 为 93.1，最佳 AI 模型 GPT 6 Astra 仅 53.6，中国开源权重模型 GLM-5.3-flash（26.8）与 Kimi K3（25.5）垫底。
The DecoderAI 评分7474 Google DeepMind 的 AlphaProof Nexus 解出数十个开放数学问题并通过同行评审
Google DeepMind 的 AlphaProof Nexus 自主解决了多个开放数学问题，相关研究发表在 Science 并经过同行评审。它在 353 个开放 Erdős 问题中解出 9 个（其中 2 个悬而未决 56 年），证明了 OEIS 整数序列数据库中的 44 个猜想，还解决了一个代数几何开放问题，改进了用于训练部分 AI 模型的 min-max 优化已知界。
Simon WillisonAI 评分2020 Jake Boggan 谈 24 年研究 Barnette 猜想：得知被证明后的复杂心情
Hacker News 用户 Jake Boggan 在 openai/math 第 180 题相关讨论中回忆，自己 24 年来断断续续研究 Barnette 猜想（Barnette's Conjecture），去年夏天曾短暂以为已经攻克。得知该猜想已被证明后，他表示感到一种"遥远的悲伤"，如同听闻前女友在车祸中骤然离世，许多人可能今晚都有类似复杂情绪。
The Verge · AIAI 评分5858 OpenAI 发布 722 篇数学论文手稿，称解决数百个长期开放问题
OpenAI 在 GitHub 发布 722 篇数学论文手稿，涵盖 372 个结果家族，声称解决了数百个长期开放问题。论文由未发布的前沿模型产出，平均每次结果约使用 ChatGPT Pro 三小时的思考算力；发布流程由独立顾问组 AGMAI 协助，该组织此前曾建议避免把数学成果发布当作模型营销手段。
OpenAI NewsAI 评分5454 OpenAI 分享 AI 在数学开放问题上的进展并公开 Lean 形式化证明
OpenAI 发布内部前沿模型在数学开放问题上的新结果，并在 GitHub 上公开 Lean 形式化证明与研究细节。
The DecoderAI 评分4545 研究者将 LeCun 的 JEPA 扩展为横跨物理到生物学的通用世界模型
PhAI Labs 联合 Stanford、Oxford、Princeton 团队提出 JEPA-Anything，将标准 JEPA 的单一预测拆分为四个正交因子预测模块，在物理、机器人、天气预报等 10 项任务上一致优于基线，简化 Pong 环境干预预测误差下降 35%，Burgers 方程误差下降近一半。
The DecoderAI 评分4242 Mercor 研究：AI 速度和准确度超越持证会计师，但仍无法独立完成结账
Mercor 基于 APEX Accounting Benchmark 的研究显示，AI 在结构化记账任务的速度和准确度上已超过持证会计师，但仍无法在无人监督下完成结账。18 个月前顶级模型得分低于会计师平均的 37%，如今几乎完美完成同一任务。完整基准上 Claude Opus 5.5 以 61.8% 领跑，但近 60% 的任务仍无模型能完整解答。
Ars Technica · AIAI 评分5959 Ataraxos AI 以低成本击败最强人类 Stratego 棋手
由卡内基梅隆、MIT、纽约大学和斯坦福研究人员开发的 AI 系统 Ataraxos 以 15 胜 1 负 4 平的战绩击败公认最强的 Pim Niemeijer。Ataraxos 只需 16 张 GPU 和几千美元训练成本，而 DeepMind 此前曾尝试用更大预算也未能攻破 Stratego 这类信息长期隐藏的不完美信息博弈。
OpenAI NewsAI 评分5353 OpenAI 公开 Navier–Stokes 千禧年大奖难题的 AI 生成解答与 Lean 形式化证明
OpenAI 公开了一份由 AI 生成的 Navier–Stokes 千禧年大奖难题解答，产出包括一份论文写作与一份 Lean 形式化证明。
Import AIAI 评分4949 Import AI 469：科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 469 收录新基准 DiG-bench：70 个规则与目标均隐藏的交互式游戏，用于评测 AI 自主探索与发现能力，其中 21 个已公开。Opus 5 和 Fable 5（配合 Claude Code）表现最佳，但只有这两者在最难 Tier 7 取得约 20% 成功率。
Microsoft ResearchAI 评分4949 MindTopo 揭示 VLM 空间推理能力：静态识别强于交互规划
Microsoft Research 提出 MindTopo 基准，用于评测多模态大模型（VLM）的拓扑推理能力，覆盖连通、分离、顺序、包围与绳结五类任务。测试发现，模型在静态识别上明显强于交互规划，两者均远低于人类水平，失败多出现在规划而非感知阶段。图像生成只在单帧可见关系时有用，视频推演跨多步仍常改变拓扑或违反任务动力学。
Google ResearchAI 评分5656 Google 研究：参数化事实性的瓶颈在召回而非编码
Google Research 发布论文指出，Gemini-3-Pro、GPT-5 等前沿大语言模型中 95–98% 的事实已被编码，却仍有 26–34% 无法直接召回。
Google Research精选AI 评分6565 Google AMIE（Video）实现专家级实时视频临床问诊
Google Research 发布 AMIE（Video），一个基于 Gemini 和 Project Astra 的实时视频临床问诊系统，在覆盖 5 个身体系统的 100 个场景、300 次问诊的随机 OSCE 研究中，其临床问诊、诊断和管理能力与 30 名认证初级保健医生持平，并在体征观察和引导虚拟查体上显著优于医生组和文本版 AMIE。
推荐理由：原文给出随机对照研究和多智能体架构细节，读者可以据此判断音视频通道相较纯文本究竟在哪类临床能力上带来了差异。
Microsoft Research精选AI 评分6161 微软提出 EvoLib：把经验转化为持续演化的知识
微软研究团队提出 EvoLib 框架，让大语言模型在推理时从自身经验中学习，无需真值标签或外部反馈。它把过去的尝试提炼为可复用的技能与反思洞察，通过整合和动态权重机制持续精炼，且不更新模型权重，可用于通过 API 部署的黑盒模型。在数学推理、带效率约束的代码编写和长程环境决策三类任务上，EvoLib 优于基于检索的记忆方法，并在大部分算力区间以更高效的 token 使用把测试时算力转化为性能提升。
推荐理由：EvoLib 将测试时的原始经验提炼为可复用技能与洞察，无需更新模型权重，读者可据此理解其持续学习机制。
Google ResearchAI 评分4848 Google SymptomAI：面向日常症状评估的对话式 AI 智能体研究
Google 基于 Gemini Flash 2.0 的 SymptomAI 对话式智能体在 13,917 人参与的随机研究中，由临床专家组对其鉴别诊断（DDx）进行盲评。评审在超过 50% 的案例中偏好 SymptomAI 的 DDx 多于其他临床医生的诊断，且该优势在临床医生自身信心较低的案例中最为显著。
Google ResearchAI 评分4848 Google Research 论文：推理过程如何解锁 LLM 的参数化知识
Google Research 在 COLM 2026 论文中发现，启用推理能让 reasoning LLM 召回原本几乎无法触及的参数化知识。
Google Research精选AI 评分6262 Google 评估 AMIE 对话式诊断 AI 在真实门诊场景中的可行性
Google Research 与 Beth Israel Deaconess Medical Center 合作，在真实门诊场景中开展了 AMIE 对话式诊断 AI 的前瞻性可行性研究。
推荐理由：在真实门诊流程中检验了 AMIE 对话式诊断 AI 的可行性与安全性，并盲评比较其与主治医生的诊断质量，为医疗 AI 的临床落地提供了前瞻性证据。