Hugging Face 最新研究引入三项测试量化语音识别中的基准优化（benchmaxxing）现象。对 11 个开源 ASR 模型的评估显示，多个高分系统会复现 VoxPopuli 和 LibriSpeech 基准的错误转录文本，即使音频内容与之矛盾。部分模型甚至依赖声学线索识别基准来源，导致其得分高估了真实转录能力。
推荐理由：研究把语音识别中的基准优化现象变成可量化检验，三项探针和开源脚本让模型评估者能区分真实转写提升与仅针对测试集的拟合。
Georgia Tech 博士生 Glenn Matlin 与合作者 Chandreyi (Zini) Chakraborty 用影响函数方法追踪 Olmo 3 的社会推理能力来自哪些训练数据，研究依托 Olmo 3、Dolma 3、WebOrganizer、OlmoEval 和 OLMES 五个开源组件。
苹果机器学习研究团队首次将迭代伪标签训练应用于中英混说语音识别（CS-ASR），利用未标注数据提升识别性能。该方法包含伪标签生成、两阶段双语模型训练和迭代优化三个阶段，从大规模未标注语料生成伪标签构建半监督数据集，并逐步精炼以改善混说场景下的识别效果。
Rohan Paul@rohanpaul_aiAI 评分3030
Dongxi 东锡 NLP@dongxi_nlpAI 评分2525We introduce SPADE, selfplay for general agents, where the env and the task are both generated and continuously improved by agent themselves. We use regret with&w/o hints to train the env generator. As we move towards RSI, deciding what to learn on is gonna be the most important
皮尤研究中心新研究发现，ChatGPT 发布后发布的网页中，超过三分之一（35%）显示出明显的 AI 创作或编辑痕迹。该结论基于对 Common Crawl 中近 50 万英文网页的分析，其中 2026 年 7 月随机抽样的 1 万网页中约 10% 有显著 AI 痕迹。.com 域名的 AI 创作比例约为 .edu 或 .gov 域名的 10 倍。
苹果机器学习研究团队通过2000余次语言模型训练实验，系统研究了稀缺目标数据与通用数据混合预训练中的权衡问题。研究发现，目标数据占比过低会导致模型对目标领域暴露不足，而占比过高则因重复样本过多引发收益递减乃至过拟合，为数据约束下的混合预训练策略提供了量化依据。
Apple 研究团队提出一种基于词汇干预的多语言知识迁移方法，旨在解决低资源语言训练数据不足时，模型难以从高资源语言获取科学推理、常识推断和世界知识的问题。该方法无需大量平行语料、翻译系统或辅助模型，为数据受限场景下的跨语言知识迁移提供了更高效的替代方案。
中国信通院《具身智能训练场研究报告（2026 年）》显示，截至今年 6 月底，全国建成启用超 70 家训练场，在建或规划中 46 家，覆盖过半省级行政区，形成长三角、京津冀和珠三角三大集群。训练场建设正由省会及一线城市向三四五线城市延伸，其中含工业制造场景的训练场占 86%。报告预测，训练场将从建设热潮期向能力沉淀期过渡。
Rohan Paul@rohanpaul_aiAI 评分3636Rohan Paul@rohanpaul_aiAI 评分4141Most AI benchmarks test retrieval — can a model find the known answer? However, the hardest problems in science require discovery, can a system earn an answer nobody has yet? Meet TRACES 🧭 — the world's first benchmark for measuring discoverative AI: AI that can work through evidence, test hypotheses, and reach verifiable conclusions on problems without answer keys. Proposed by our founder @tianqiao_chen, who defined its six capabilities. Three things published today: a definition of "discoverative intelligence", a rubric to tell sound investigation from lucky guesses, and a open call for both solvers and problems *Website: https://traces.apodex.com/
Dongxi 东锡 NLP@dongxi_nlpAI 评分3636Most AI benchmarks test retrieval — can a model find the known answer? However, the hardest problems in science require discovery, can a system earn an answer nobody has yet? Meet TRACES 🧭 — the world's first benchmark for measuring discoverative AI: AI that can work through evidence, test hypotheses, and reach verifiable conclusions on problems without answer keys. Proposed by our founder @tianqiao_chen, who defined its six capabilities. Three things published today: a definition of "discoverative intelligence", a rubric to tell sound investigation from lucky guesses, and a open call for both solvers and problems *Website: https://traces.apodex.com/
现代 AI 智能体依赖搜索基础设施执行神经符号推理，常编译为深层嵌套的非单调布尔查询。标准倒排索引查询评估策略面临严重理论限制：有状态迭代器模型（Document-at-a-Time）受 NC^1 公式评估结构约束，展开重汇聚逻辑时最坏情况查询复杂度呈 O(2^|Q|) 指数级爆炸。
LMSYS 团队针对 1.6 万亿参数的 MoE 模型 DeepSeek-V4-Pro，在 H20 GPU 上通过场景化服务配置逼近 B300 性能。单节点 H20-141GB 参考实现达 271 output tokens/s，与 B300 的 383.7 tokens/s 性能差距缩小至 1.42×。
推荐理由：文章提出按上下文长度与并发需求分场景选择 prefill/decode 配置，并用 Humming 压缩和 Online C128 释放 HBM，使 H20 也能服务 1M 上下文，为受限硬件上的大规模推理提供了可复用的工程思路。
Transluce 训练分析模型内部激活的 activation oracle，扩展到最高 1.1T 参数的 Kimi-K2.6，并发现性能随模型规模、数据规模和数据质量提升。工作引入 7 项评测（含预测语言切换、检测编码智能体中的 reward hacking），在自建评测上优于此前开源的 Qwen3-8B oracle 方法，并通过实验说明行为预测训练数据和多样化数据配比的重要性。
苹果机器学习研究团队对 LLM 的类人行为（如表达想法与情绪、与用户建立关系、拒绝请求并保持边界）进行了多维度分析，涵盖其普遍性、潜在影响与可控性。研究采用 LLM-as-a-judge 与人工评估相结合的方法，样本规模超过 21,000 条数据，旨在为研究者与实践者提供关于何时及何种类型类人行为的决策依据。
Anthropic 发布两项实验，让 Claude 模型（Mythos Preview 和 Opus 4.8）参与早期药物发现。针对 16 个靶蛋白，Claude 在 15 个中成功 14 个，1,320 个设计中 354 个实际结合靶点，命中率 26.8%，高于行业通常的 10%-15%。
非营利组织 Guidelight 的首份评估显示，Anthropic、OpenAI、Google、xAI 和 Meta 均未完全落实针对内部 AI 系统的基本管控措施。评估基于系统卡、安全报告等公开资料，检查了日志记录、审查机制、紧急关停等六项实践。Anthropic 和 OpenAI 获 C+ 领先，Google 为 D+，xAI（D−）与 Meta（F）垫底。
斯坦福大学等机构在《美国国家科学院院刊》发表研究，基于715名美国X平台用户数据发现，推荐算法更倾向推送与用户价值观不一致的内容，这类帖子更易促使用户回复互动，形成“越生气、越互动、越被推荐”的循环。X前产品负责人Nikita Bier透露，研究结果公布后平台已调整算法，此类内容推荐量降低了一个数量级。
苹果机器学习研究团队提出一种专用半光滑牛顿法，用于加速基于核的最优传输（OT）估计器的计算。该方法替代了此前依赖短步内点法（SSIPM）的求解路径，后者在实际中迭代次数庞大、计算代价高昂。新方法在保持高维概率分布比较中统计效率优势的同时，显著降低计算开销。
Rohan Paul@rohanpaul_aiAI 评分5252Many drugs work by binding to a specific target in the body and blocking or changing what it does. An important first step in the drug development process is designing a molecule that can bind tightly to its target. Traditionally, that's meant weeks or months of expert work per target, sifting through a large number of candidates to identify the few that work. We wanted to test if Claude could successfully design novel protein binders from scratch (also called de novo design). With a protein design prompt written by a human expert, Claude autonomously designed protein binders against 14 out of 15 targets. We then worked with Adaptyv Bio and Twist Bioscience, who independently built and tested the proteins Claude designed.
Anthropic 公布两项实验：Claude（Mythos Preview 和 Opus 4.8）针对 15 个靶点设计蛋白质结合剂，成功 14 个，命中率达 22.6%-35.1%。
推荐理由：把湿实验命中率与行业常规 10-15% 对比，Claude 从零设计蛋白结合体的效率已接近或超过专家，可压缩药物发现早期的计算与人工周期。
Rohan Paul@rohanpaul_aiAI 评分4141智能体记忆并非可随意开启的功能，而是需按模型能力校准的剂量。强模型适合注入完整指南集，DeepSeek-V3.2（671B MoE）任务完成率提升+9.5个百分点；较弱模型采用精选检索效果最佳，gpt-oss-120b（117B MoE）提升+16.1pp且仅增加+5% token。该方法无需更新权重或人工标注，通过从智能体过往轨迹中蒸馏指南并在推理时注入实现。
推荐理由：把智能体记忆的配置从越多越好修正为按模型能力校准，弱模型用检索核心比全量更准且成本更低，为上下文预算提供量化依据。
Artificial Analysis 发布 Search Index 基准，在统一智能体设置下用 GPT-5.6 Luna 评测 Parallel、Exa、Firecrawl 等 7 家搜索 API 提供商。
巴黎-萨克雷大学等机构提出MVICAD2，允许不同被试的脑源在时间延迟和膨胀两方面存在差异，以解决MVICA假设过于严格、仅估计延迟不足以刻画听觉刺激等脑动态的问题。该模型源可识别，似然有闭式近似，并通过正则化与优化提升性能。模拟显示其优于现有方法，Cam-CAN数据集验证了延迟和膨胀与衰老相关。
一项大规模实证研究考察了 GRPO 在多语言和非英语环境下的表现，覆盖多种基础模型、训练语言及推理语言奖励设置。研究发现，以母语进行推理训练与英语推理训练之间的性能差距很小，表明 RLVR 在非英语场景下同样有效。该研究为多语言推理模型的强化学习训练提供了重要参考。
UC Santa Cruz 与字节 Seed 提出 Chain-of-Experience（CoE）框架，让 LLM 在测试时通过与自身或环境反馈的迭代交互积累经验轨迹实现持续改进。
中国信通院联合发布《具身智能训练场研究报告（2026年）》，指出训练场产业链已初步成型，呈“上游技术供给活跃、下游应用仍待拓展”的倒三角特征。训练场属重资产投入，当前商业服务以数据产品出售为主，但仅靠数据出售难以覆盖投入，亟需构建多元收入结构。
宾州州立大学研究显示，AI 系统压缩上下文时平均仅 17% 的会话约束指令能幸存，压缩后规则遵从率大幅下降，多数压缩方案甚至不如不压缩。研究推出 COMPINT 评测套件，并发现基于 Qwen3.5-9B 的附加模块无需训练即可将指令保留率提升至 90% 以上，该模块与评测套件已开源至 GitHub。
