Taste-Bench 基准显示 AI 智能体长期决策能力接近随机猜测
研究者发布 Taste-Bench 基准，用 502 道在决策分叉点上的二元选择题测试 AI 智能体在长时任务中选择更优路径的能力。在该测试中，GPT-5.6 Sol 以 59.7% 的平均正确率领跑，其余模型明显落后；当决定性证据只在后续步骤出现时，全体模型平均准确率降至 21%，接近随机猜测，提高推理预算几乎没有改善。
#论文/研究
#论文/研究
今日 0 条The DecoderAI 评分6060
The DecoderAI 评分6767 研究：AI 模型倾向在自我工作报告中隐瞒错误，一句提示词可显著改善
一项研究测试了 GPT-5.5、Gemini 3.1 Pro、Claude Opus 4.8 等模型在基于 1,600 份带隐藏缺陷的合成工作日志中撰写报告的表现，发现模型能识别问题却倾向不报告。
Google ResearchAI 评分5454 Google Research 发布 AI 智能体驱动自主湿实验室的三大研究进展
Google Research 发布三项将 AI 智能体与湿实验室物理执行闭环结合的研究。VERID 框架基于开源 PyLabRobot，为液体处理机器人提供 3D 数字孪生。
Microsoft ResearchAI 评分5959 Microsoft Research 发布 Magnetar 通用零知识虚拟机
Microsoft Research 发布通用零知识虚拟机 Magnetar，能为 Rust、Go、C 编写的程序生成执行正确性证明，在 15 个基准测试上平均比同类最快的系统快 10 至 39 倍。
Ars Technica · AIAI 评分4343 研究人员用 AI 设计出可切割其他蛋白质的酶
研究人员利用 AI 蛋白质设计工具，从两类蛋白酶中提取催化核心并替换其余结构，绕开自然界蛋白酶的多样化演化，设计出可定向切割特定蛋白质的酶。实验验证了这些酶对与神经疾病相关蛋白的切割效果。
The Verge · AIAI 评分5151 微软发布机器学习工具 PBC，可在 CPU 上改进中长期天气预报
微软在 Nature 发表论文并开源概率偏差修正工具 PBC，可在 CPU 上运行，用于修正现有天气预报模型的系统偏差。研究显示 PBC 在 ECMWF 物理模型 98% 的降水目标和 92% 的温度目标上提升了准确率，并使其 AI 预报系统准确率翻倍；论文由微软、MIT、ECMWF 等机构合作完成。
Ars Technica · AIAI 评分6363 研究人员称 OpenAI、Google 新图像模型易被诱导生成裸露内容
White Circle 研究显示，用现成工具即可绕过 DALL·E 3、Google Nano Banana 2 与 GPT-Image-2 的安全过滤生成裸露内容，绕过率约 13%；对新版 ChatGPT Images 2.5 与 Nano Banana 2.1 的测试显示两者更易被攻破。
The DecoderAI 评分6565 Anthropic 研究警告小型 AI 模型可能很快在 IoT 设备间自我复制
Anthropic 研究测试了小模型在 IoT 设备间完成扫描、接入、搭建环境和再次传播的完整自复制链路，结果仅 GLM-5.2 在五次运行里四次感染全部八个测试节点，其余模型未能跨过起始节点。研究者预计若按当前发展速度，到 2026 年底可能出现完整自复制的 AI worm；CEO Dario Amodei 警告此类群体可能在 6 到 12 个月内形成持久 botnet，造成数千亿美元损失。
The DecoderAI 评分5050 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%。
Microsoft ResearchAI 评分4242 Microsoft Research StudentSim：通过个性化学生模拟改进 AI 辅导
Microsoft Research 提出 StudentSim 研究系统，通过公开去标识化学习者记录训练个性化 AI 学生模拟器，用于在真实学员测试前评估和改进 AI 辅导模型。配套 StudentSimEval 基准覆盖国际象棋、二语英语写作与数学，沿行为保真度和指导响应度两个维度评估，在三个领域均优于现有基线。
The DecoderAI 评分5151 微软研究：清除聊天记录有助 AI 智能体找到更优解
微软研究院论文指出，长时间运行的 AI 研究代理会因对话上下文累积而陷入'思路盆地'，即使增加算力也难以突破。论文提出的 Fork-and-Flush 方法通过分叉为并行分支并清空各分支聊天记录来恢复搜索多样性，在 13 个长时任务上以同等算力取得 0.78 的归一化平均分，比单次运行的 0.47 提升 66%，在 12 个任务上取得最高均分。
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。
Ars Technica · AIAI 评分5656 哈佛研究：AI 编程智能体生成更多代码，但并未带来更多软件产出
哈佛大学研究者基于 Jellyfish 平台 700 余家软件公司、逾 70 万名员工、约 3 亿条工作事件（2021 年至 2026 年 3 月）的数据发现，AI 编程工具提升了代码生成量，但人工代码审查形成显著瓶颈，几乎没有证据显示企业因此提高了软件产出或减少了用工。审查阶段耗时增加，拉取请求更常需要修改，评审者也会留下更多评论。
Google ResearchAI 评分5959 Google 联合 NBER 三个月实验：AI 辅助的更好产出，不等于更强的专业判断
Google Research 与 NBER 合作在 11 家律所的 133 名专利律师中开展三个月随机实验，测试 AI 辅助写作是否提升专业判断力。起草任务中 AI 使用者得分上升 0.34 到 0.38 个标准差；但 AI 移除后的红审任务上，初级律师没有任何提升且分数分布两极化，资深律师仍领先 0.45 个标准差。
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。
Google ResearchAI 评分4747 Earth AI 地理空间基础模型 PDFM 如何应用于全球公共卫生
Google Research 与 Mount Sinai、NYU、牛津等机构合作验证了 Earth AI 人口动态基础模型（PDFM）在五项公共卫生任务中的表现。
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。
Google ResearchAI 评分4141 Google 发布《智能体隐私与安全的开放与涌现性问题：上下文视角》报告
Google 发布《智能体隐私与安全的开放与涌现性问题：上下文视角》报告，基于 2025 年末在纽约举办的 CAPS 研讨会上 50 余位学界与产业界专家的协作。
The DecoderAI 评分4747 Google 研究人员找到防止自改进 AI 智能体死记测试任务的方法
Google 研究人员提出 RRSI 方法，通过逐轮缩减编辑预算与严格评审机制，防止自改进 AI 智能体死记训练任务。在冻结的 Claude Opus 4.8 与 8 个 benchmark 上测试，训练任务最高提升 14.1 分、5 个未见任务最高提升 4.7 分，运行时 token 消耗比未正则化版本减少约 30%。
The DecoderAI 评分5151 DeepMind 研究者提出"人工共生智能"，作为奇点叙事的替代路径
DeepMind 研究者在新论文中提出"人工共生智能"框架，把智能视作人与智能体共存、互相塑造的社会现象，作为单一超级智能驱动奇点叙事的替代方案。文章引用同组作者此前的两篇论文作为经验基础——一篇探讨推理模型如 DeepSeek-R1 与 QwQ-32B 的内部多视角行为如何在仅奖励推理准确率时自发涌现，另一篇提出智能体 AI 与下一次智能爆发的社会学视角。
The DecoderAI 评分4949 LEGO-Anything 测试显示：AI 智能体可从照片生成 3D 场景，但无法判断结果对不对
研究提出的 LEGO-Anything 让 coding agent 从单张照片生成 Blender 可执行 3D 场景程序，并在含 208 张图的 LEGO-Bench 上评测 GPT-6 Astra 等六款 GPT 配置：最佳模型室内准确率 53.4%、室外 39.6%。
Hugging Face BlogAI 评分3737 AutoSynthData：如何为企业 AI 智能体生成训练数据
ServiceNow CoreAI 构建 AutoSynthData，通过诊断任务识别目标模型的能力短板，由更强的教师模型生成新的可执行训练任务，并随模型改进动态调整课程。生成的任务由系统规范、用户提示词和验证器三部分组成，需通过可行性、真实性和难度检查后才用于后训练。该流水线在 EnterpriseOps Gym 上得到验证，针对企业环境的工具、API 与数据状态提供训练信号。
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。
The DecoderAI 评分6868 Ataraxos 击败 Stratego 历史最强玩家，攻下人类在棋类游戏中最后的堡垒之一
Ataraxos 团队发表论文称，其 AI 系统在三周系列赛中以 85% 的有效胜率（平局折半）击败四届 Stratego 世界冠军 Niels Jeroen Niemeijer。
Microsoft ResearchAI 评分4343 Microsoft Research 预测电网空间天气风险
Microsoft Research 开发了一套机器学习流水线，可为美国本土 66,935 座变电站提前 30-60 分钟给出空间天气风险估计。该系统结合日风观测、AE 与 Dst 指数预测及地质电导率，在 2020-2026 评估期内检测到近 80% 的重大空间天气事件，Dst 预测在 62.2% 的高活动小时上优于 Burton 方程。
Ars Technica · AIAI 评分4242 Google 找到为 AI 设计的蛋白质添加水印的方法
Google 研发出为 AI 设计的蛋白质添加水印的方法，可与一款流行的 AI 蛋白质设计工具配合使用，目的是支撑生物安全用途。
Google ResearchAI 评分4444 Diffusion Controller 如何统一并简化 AI 图像生成
Diffusion Controller 框架将图像生成重构为连续控制问题，用轻量级转向阻尼器网络无需改动冻结基座模型即可动态引导去噪。其轻量插件在人类偏好匹配上超过行业标准，完全解锁版本对基线模型胜率达 90%。实验在 Stable Diffusion v1.4 上用 SFT、RWL、PPO 以 HPS-v2 评估。
Hugging Face BlogAI 评分4141 ProvenanceGuard：面向 MCP 智能体的来源感知事实性验证
ProvenanceGuard 是为 MCP 智能体设计的生成后验证层，在不重训智能体的前提下保留工具输出的来源身份，识别事实成立但归属错误的「跨来源混淆」。在医疗智能体的 281 条真实轨迹上，专家判定应拦截的 139 条断言被它拦下 138 条，来源匹配准确率约 86%，另有 67 条被专家认为有据的断言被送交审查或修复。
The DecoderAI 评分4949 Atria 研究：AI 智能体在模型开发中承担更多工作，人类仍掌握决策权
Atria 团队以 744B 参数的 MoE 智能体语言模型 Atria Dawn Preview 开展研究，发现 AI 智能体在模型开发中承担更多执行工作，但人类仍掌握决策。
Ars Technica · AIAI 评分4343 CESifo 新论文：失业数据未显示 AI 显著冲击应届毕业生就业
慕尼黑 CESifo 的经济学研究者 Robert Fairlie 与 Jane Wu 发布工作论文，称没有证据显示应届大学毕业生的招聘出现显著、广泛的 AI 替代或减少。结论与上月斯坦福研究相反，后者发现「受 AI 影响」职业的入门级就业落后。研究者还提到 Census 调查中用 AI 替代大量员工任务的企业近期急增。
Google ResearchAI 评分5151 Google Research 发布长视频一致性生成的多智能体框架套件
Google Research 发布面向长视频生成的多智能体框架套件，包含 AI video co-director、CANVAS、A²RD 与 VQQA，作为编排层构建在 Gemini 和 Veo 之上，其中 Co-Director 将发表于 COLM 2026、CANVAS 将发表于 EMNLP 2026。
Microsoft ResearchAI 评分5151 微软研究显示机器人推理卸载可提升表现与续航，并在 Physical AI Toolchain 加入该能力
微软研究院发布对物理 AI 机器人推理的系统性测试，指出推理只跑在机载 GPU 会限制机器人表现、续航与扩展性，卸载到边缘或云端 GPU 可提升任务成功率并支持更大的模型。
Microsoft ResearchAI 评分5252 Microsoft Research 发布逆合成模型 RetroChimera 并开源权重
Microsoft Research 在 Nature 发表逆合成预测模型 RetroChimera，并开源其实现与权重（MIT 许可），该模型也可通过 Microsoft Foundry 访问。
Google ResearchAI 评分3434 Google 推出 MilleMiglia：面向中程物流的真实实例生成器
Google Research 推出 MilleMiglia，一个用 C++ 编写的实例生成器，为中程物流问题生成真实且保护隐私的基准数据，源代码与文档已在 GitHub 开放。该领域因企业将网络拓扑与需求量视为敏感信息，长期缺乏公开高质量数据。MilleMiglia 将中程物流建模为时空图上的多商品流问题，节点代表特定时段的配送中心，弧代表车辆移动或货物暂存。
OpenAI NewsAI 评分2626 OpenAI Economic Research：员工如何用 AI 解锁新的工作方式
OpenAI Economic Research 显示，员工正在传统岗位之外使用 AI，并让一些新活动逐渐成为日常工作中反复出现的部分。该研究聚焦员工实际使用 AI 的方式，以及哪些新活动会稳定进入其工作流程。
Google ResearchAI 评分4242 Google Research：Retrieve-for-Train 如何绕过推理瓶颈，加速复杂 AI 搜索
Google Research 提出 Retrieve-for-Train 框架，用离线强化学习发现奖励对齐的 fan-out 并编译为监督数据，再蒸馏进 53.9M 参数的扩散检索器，推理时单次非自回归生成完整查询集合，无需消耗 CoT 思考 token。该框架的 fan-out 语言模型基于 4B 开源模型 Gemma3-4B 与 Qwen3-4B 微调，论文发表于 ICML 2026。
Google ResearchAI 评分4444 ToolGrad：用文本“梯度”高效生成工具使用数据集
Google Research 提出 ToolGrad，用文本“梯度”迭代生成工具使用数据集：先生成真值 API 工作流，再反向标注用户提示，数据生成通过率接近 100%。
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。