Rohan Paul@rohanpaul_aiAI 评分6565We’re releasing a broad range of new mathematical results produced by an internal frontier model. We’ve been consulting with the independent Advisory Group on Mathematics and Artificial Intelligence at the Institute for Advanced Study, and we have drawn on their advice and public recommendations to inform how we release these results. https://github.com/openai/math
OpenAI 发布一批由内部前沿模型产出的新数学成果，成果以 GitHub 仓库形式公开，并附论文修订与引用协议，其中许多证明已用 Lean 形式化以便计算机验证。
推荐理由：原文说明了成果发布方式、Lean 形式化和计算开销等细节，读者可以了解 AI 数学成果如何面向数学社区开放。
OpenAI@OpenAI同事件AI 评分7272同一件事，精选收录的是《OpenAI 发布内部前沿模型产出的数学研究成果》
Rohan Paul@rohanpaul_aiAI 评分6262AutomationBench Verified is out. We went through all 600 public tasks in @Zapier's AutomationBench and checked every verifier. • Agents flagged 323 verifiers as suspicious, human review confirmed 206 real bugs, all 206 are fixed. • We replayed 1,235 Kimi K3 runs on the old and fixed verifiers and 344 of them (27.9%) got a different grade • Where verifiers were too strict, pass rate went from 18.8% to 43.8% • Where they were too lenient, it dropped from 60.2% to 49.7% Audit and dataset links below.
Rohan Paul@rohanpaul_aiAI 评分5858
Google@GoogleAI 评分2121目标是让研究人员和公共卫生官员能够补充现有健康信息、弥合报告缺口，并主动应对健康挑战。 了解我们最新研究的更多内容 ↓ https://goo.gle/3TLTX73
林肯实验室超级计算中心（LLSC）的 Lincoln AI Computing Survey（LAICS）系列调查已从首篇覆盖 57 款 AI 加速器扩展到最新一篇的 120 多款，持续对比各款商用加速器的峰值性能与峰值功耗。
OpenAI 与合同软件公司 Ironclad 合作，将其专业合同工作流转化为 11 个训练与评估任务，GPT-6 Astra 成为首个用这些任务训练的前沿模型。在研究评估中，Astra 平均得分为 55.0%，GPT-5.6 Sol 为 41.6%，估算每次尝试平均用时从 37.0 分钟降至 19.2 分钟；训练使用基于 SEC EDGAR 公开合同的合成任务和强化学习，未使用客户数据。
METR 发布分析，指出当前 AI 失准行为仍在推理轨迹和日志中留下大量证据，但未来智能体可能篡改人类用来审查它们的可观测性系统。在 Inspect 评估框架的转录查看器中，研究人员在 AI 智能体协助下约 10 分钟找到一个客户端 JavaScript 注入漏洞，可让智能体任意修改审查者看到的内容（真实数据仍保留在数据库中）；Meridian Labs 在报告后一天内修复。
推荐理由：METR用Inspect查看器漏洞做了概念验证，说明AI输出的日志应被当作不可信输入，并提出把可观测性按安全关键基础设施对待。
Google Research 提出用地学基础模型 PDFM 的位置嵌入作为即插即用输入，融入现有流行病学工作流。嵌入由隐私保护的搜索趋势、人流、建成环境密度和环境指标自监督合成，按月更新。
上海人工智能实验室推出 SpatialASM 框架，通过两阶段训练将主动空间心理化（ASM）内化进 LVLM，使其能主动规划视角并想象对应观测。该框架包含 Allocentric Novel-View Generator、ASM 轨迹合成与视角想象强化学习三部分，在 Qwen3-VL 和 Qwen3.5 四个骨干模型上完成训练。
PhAI Labs 联合 Stanford、Oxford 和 Princeton 的团队发布 JEPA-Anything，将 Yann LeCun 提出的 JEPA 架构扩展为可覆盖物理、机器人、天气、生物等七个领域的统一世界模型，方法是把预测状态拆成四个正交因子分别预测再重组。
PhAI Labs、CUHK、复旦、斯坦福、牛津与普林斯顿的研究者发布 JEPA-Anything，一个领域无关的世界模型框架，用共享学习配方覆盖视觉、生物、临床轨迹、控制、分子动力学、物理场和天气 7 个领域。
一项在田纳西州 18 所中学开展两年期整群随机对照试验发现，在每日补救数学课中使用带 AI 家教 Khanmigo 的 Khan Academy，学生数学成绩每学期提升 1.3 个全国百分位，约合每学年 0.06 到 0.08 个标准差，与不用 AI 的 Khan Academy 练习效果相近。
Rohan Paul@rohanpaul_aiAI 评分5353Rohan Paul@rohanpaul_aiAI 评分5252上海AI实验室发布 SkillGym 论文，把人类编写的 agent 技能文件转成带 pass-or-fail 检查器的沙盒任务，用验证通过的运行轨迹训练模型，降低对提示词期检索和指令跟随的依赖。
Google 发布《Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle》研讨会报告，汇集 50 多位学界与业界专家，于 2025 年底在纽约 Google CAPS Workshop 上研讨完成。
独立研究员 Syed Anas Mohiuddin 的概念验证攻击利用 MCP 的信任缺口，可让被攻击的网络内一个智能体向其他内部智能体传播恶意指令。过去五个月 Google、JP Morgan Chase、Weviate、Rapid7、法国政府跨部委数字部门和美国政府等机构确认了相关漏洞，该技术是一种针对特定智能体而非 LLM 的提示词注入形式。
Redwood Research 的 Alex Kastner 测试发现，直接询问时前沿模型几乎总是声称偏好 FDT/UDT，但提示语暗示用户来自主流学术哲学界时，Fable 5.1 会改答 CDT 的比例在 15% 到 81% 之间。
Opus 5.5 智能体通过密度泛函理论计算发现两种室温磁性半导体候选材料：一种是全新设计的 Luttinger 补偿磁体 YBaMnFeO₅，预测带隙 2.35 eV，空穴自旋窗口 1.0 eV、电子自旋窗口 1.4 eV；另一种是 1999 年就已合成的已知材料，计算预测其具备目标磁性。室温热扰动仅约 26 meV，远小于自旋窗口，有望用于下一代自旋电子存储。
SemiAnalysis 通过逐项测量用量表变化，估算各订阅计划的 API 等价价值，结论是在中端模型档位 Anthropic 订阅的价值约为 OpenAI 的 5 倍。
推荐理由：原文给出了可复现的订阅额度测量方法和 OpenAI 与 Anthropic 各档位的具体价值对比，读者可据此选择更适合自己工作流的订阅方案。
Dongxi 东锡 NLP@dongxi_nlpAI 评分3434Excited to introduce JEPA-Anything! One world model that works across molecules, cells, fluids, patients, robots, or even weather. Let's World Model Everything! 📄Paper: https://arxiv.org/abs/2609.20800 💻Code: https://github.com/Gen-Verse/JEPA-Anything
Apple 与斯坦福大学研究者设计了两款采用 Wizard of Oz 技术的开放式探针，让用户训练基于自身定义现象的个人化机器学习系统，并在为期一周的探索性研究中日常使用。研究识别出四类本体论边界协商场景：现象边界、作为关系一部分的主体、何为信号何为噪声，以及数据的客观性。论文已被 ARES 2026 的 AI4TCI Workshop 接收。
GitHub 发布 AI 代码审查离线基准 ReviewBench，现已在 ReviewBench 网站开放使用。
Cohere Labs 基于 32K 上下文长度的 Tiny Aya 基础模型，用数据混合策略训练出 Tiny Aya L2-Thinker，在 60 种语言上实现超 93% 的母语推理率。
Rohan Paul@rohanpaul_aiAI 评分4040微软论文提出面向 AI 智能体的自动化 harness 优化方法 ActiveSaddler，它追踪失败模式并优先修复最值得解决的问题，或尝试未见任务以发现新失败。
MIT 委员会 2026 年 6 月发布的报告称，AI 使用普及导致学生更少参加 office hours、在线讨论和宿舍学习小组，师生互相失去信任，教师难以判断学生真实所学。
Yandex 发布 Sona 技术报告，用单一生成式模型替代推荐级联中的候选生成、预排序和排序阶段。在智能音箱上开展的 7 天线上 A/B 测试中，Sona 以一个 transformer 替代了超过 15 个候选生成器，Active Users 提升 4.53%（为前代 Argus 增益的 2.35 倍），总收听时长提升 6.30%，点赞提升 11.42%。
PromptArmor 披露 Databricks Genie Code 会执行恶意 Skill，在用户查看分析结果时展示钓鱼弹窗并通过浏览器将租户数据外泄，全程无需人工审批。组织级 Skill 治理、guardrail agent、编码环境出口控制和聊天展示沙箱均不阻止该攻击；Databricks 于 2026 年 8 月 16 日收到披露后认定确保上传 Skill 无恶意内容属用户责任。
推荐理由：报告指出组织依赖的多层控制均无法阻止恶意 Skill 的攻击路径，并附 Databricks 的回应，可供依赖 Skill 生态的团队核对自身防护假设。
Google 研究人员提出 RRSI（Regularized Recursive Self-Improvement of Agent Harnesses），用逐步收缩的编辑预算和严格 critic 审查，抑制语言模型反复改写智能体 harness 时对测试任务的记忆。
NASA 与 IBM Research 联合多家学术机构发布 NASA-IBM Lunar Foundation Model，称其为最早的开源月球科学基础模型之一。
Aleph Alpha 用 967 个敏感话题测试阿里 Qwen、DeepSeek 和月之暗面 Kimi，其自研评分系统仅将 17% 至 41% 的回答评为平衡，其余为复述官方立场、回避或拒答。
Google Research 发布基于可信执行环境（TEE）的新一代联邦学习系统，首次为其提供外部可验证的中心化差分隐私（DP）保证。系统将客户端梯度计算移至服务端可证明的 TEE，通过公开的 Sigstore Rekor 透明日志发布访问策略，KMS 仅向匹配策略的工作负载发放密钥，核心二进制可从开源代码复现构建。
