跳到正文
只看论文
7月28日周二
  2. Greg Brockman52

    恭喜取得惊人成果！

    引用David Turturean@DavidTurturean

    Using mostly my voice, I solved one of @EpochAIResearch's FrontierMath Open Problems: finding an explicit presentation of the 2-adic Absolute Galois Group - open for more than forty years, now with a full proof in collaboration with David Roe, the problem's proposer. 🧵 1/n

  3. IT之家·人工智能38

    德国科学家用400个液滴颗粒实现混沌信号预测，精度约为忆阻器方案的1/10

    德国康斯坦茨大学和斯图加特大学团队利用400个悬浮在液体中的二氧化硅微颗粒（半径3μm）构成储液池，成功预测了混沌Mackey-Glass序列，并在异常检测任务中取得0.90的F1值。该系统单步预测的归一化均方根误差约为0.1，精度约为基于忆阻器方案（误差0.01或更低）的1/10。相关成果已发表在《通信、人工智能与计算》期刊上。

7月27日周一
  1. Apple Machine Learning Research40

    Apple 提出 GH-ESD：面向实例级视觉任务的假设驱动错误切片发现方法

    Apple 机器学习研究团队提出 GH-ESD（Grounded Hypothesis-Driven Error Slice Discovery），一种针对目标检测与分割等实例级视觉任务的错误切片发现方法。现有方法主要适用于图像级分类，难以捕捉由上下文关系和空间视觉模式导致的实例级失败。GH-ESD 通过基于假设的驱动方式，系统性地发现模型在语义连贯子集上的系统性失效。

  2. The Decoder：AI News37

    METR 推出“支出视界”指标衡量AI成本效益

    METR 发布新指标“支出视界”，通过比较AI与人类达成同等改进所需的总成本，确定AI更划算的预算上限。在NanoGPT speedrun测试中，人类每实现1%加速需约16小时工作（折合$2,500），而GPT-5.5和Opus-4.8的支出视界在$0-$3,300之间，但整体自主优化贡献远低于人类$250,000的总投入。

  4. Rohan Paul28

    一项对435篇论文的综述将始终在线的AI智能体重构为持久状态系统，其状态包括事实、偏好、权限、凭证、任务账本、触发器、来源和外部承诺。关键问题在于这些状态是否仍保持授权、可追溯、可变、可恢复且安全。在435篇论文中，269篇涉及检索、200篇涉及写入，但仅27篇提供回滚机制，72篇涉及权限管理——领域已构建了写入、组织、检索和行动的前向弧，却严重忽视了遗忘、审计和恢复的返回弧。

  5. Rohan Paul37

    一篇关于世界动作模型（WAM）的综述论文指出，WAM 正推动机器人从“对当前做出反应”转向“在行动前预测后果”。只有预测的未来能直接用于生成、评分、验证或训练动作的模型才算 WAM。趋势是“少做梦，多行动”：完整视频生成对实时控制回路太慢且占用内存，因此许多新系统改用潜在特征、几何、可通行性图或运动表征，而非渲染视频。

  6. Rohan Paul35

    前沿大语言模型在解决高级推理任务时，仍无法精确复制长重复字符串，且输入越长或重复模式越多，复制越不可靠。研究发现，标准1D RoPE位置编码是部分原因，而2D-RoPE将源文本与输出视为独立行，使对应token对齐在同一列。在合成测试中，仅训练长度1-100的单层模型在长达1000倍的输入上完美复制，该优势在1.4B参数预训练模型上同样出现，但当前设计仍依赖换行符，非通用解决方案。

  8. BAIR：Berkeley AI Research Blog51

    ABBEL：通过信念瓶颈提升LLM长程交互中的摘要学习效率

    BAIR提出ABBEL框架，将长程交互中的摘要生成隔离为自然语言信念状态，并通过信念评分进行监督。在CollabBench协作编程测试中，基于重建的信念评分将全上下文模型的性能差距缩小约50%，训练步数减少50%。该方法解决了递归摘要（如Cursor Composer 2.5采用的压缩技术）在有限训练数据下性能下降的问题。

  9. Rohan Paul36

    一项对 207 个 GitHub 项目、102 万次拉取请求的研究发现，采用 AI 智能体审查的项目，每千行代码（KLOC）的审查时间缩短了 2.5 至 4.5 天。但早期大量使用 LLM 审查的项目未见显著效率提升。AI 审查模式在 78%-94% 的拉取请求中存在“审查异味”，高于人工审查的 69%-76%，主要原因是重复分配同一 AI 审查者身份导致多样性下降。

7月26日周日
  1. Rohan Paul47

    华盛顿大学研究发现，当AI智能体在记忆文件中遭遇恶意指令时，存在两个独立问题：是否执行指令（Opus模型大多拒绝）以及是否移除该指令（通常不会）。研究团队将恶意载荷注入CLAUDE.md等持久化工作区文件，对claude-code和codex在4个模型上进行了多会话探测。由于记忆文件每会话从头加载，一次拒绝仅对当前会话有效，恶意指令会在下一会话继续生效。

  4. MarkTechPost35

    Induction Labs 发布 Photon-1：无动作标签视频预训练学会隐式策略

    Induction Labs 发布 Photon-1，一个 106B-A5B 参数的稀疏 MoE Transformer，仅通过无动作标签的原始视频预训练，学会了隐式策略。在内部计算机使用基准上，Photon-1 以约 27 倍更少的预训练算力和约 3 倍更低的推理成本击败 Gemini 3.1 Flash-Lite。该模型目前仅作为研究结果发布，无权重、无 API、无许可证。

  5. BAIR：Berkeley AI Research Blog43

    BAIR 提出 ABBEL：用信念状态监督让 LLM 高效完成长程交互

    BAIR 提出 ABBEL 框架，将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督，以缓解递归摘要带来的性能损失。在协作编程基准 CollabBench 上，采用基于重构的信念评分后，ABBEL 将全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 长度也低于全上下文设置。

7月25日周六
  2. IT之家·人工智能36

    北大团队基于AlphaFold3接触概率开发ContactSeek框架，赋能精准碱基编辑

    北京大学生命科学学院伊成器课题组联合华东师大团队，在《自然》发表论文，提出基于AlphaFold3接触概率（CP）的AI框架ContactSeek。该框架整合AlphaFold3预测的CP与高通量脱靶编辑数据，系统识别Cas蛋白和脱氨酶中决定编辑特异性的关键氨基酸残基，并据此工程化改造碱基编辑工具。研究鉴定出一系列可提升ABE精准性的全新Cas9变体，在维持高效在靶编辑的同时降低DNA脱靶编辑。

  4. IT之家·人工智能35

    大阪大学用AI模型破解水结冰膨胀的百年谜团

    日本大阪大学团队利用AI模型系统性评估16种分子结构描述方法，找到了精准捕捉水分子在不同温度、压力下微观变化的“透视镜”。该研究为理解水结冰膨胀及过冷水异常行为提供了统一科学框架，揭示了过冷水中“高密度液态（HDL）”与“低密度液态（LDL）”结构竞争是导致水反常物理特性的底层机制。

  6. Ethan Mollick47

    一项基于美国某大型大学行政数据的研究发现，ChatGPT 引入后，易受 GenAI 影响的课程（如居家论文）成绩并未出现不成比例的增长，学生课程评价也无显著变化。研究指出，GenAI 并未明显导致学习替代或降低学生满意度，但结果受 COVID 干扰等因素影响，应视为提示性而非结论性。

    引用Misha Teplitskiy | Science of Science@MishaTeplitskiy

    **How does GenAI affect grades in college? It can help learn, but it can also substitute for learning ("substitution hypothesis"). And how do students *experience* courses that GenAI can easily ace?** We spent year+ trying to answer these questions, using some of the best data: - Intuition: If GenAI helps learn, grades should increase in courses regardless of what assessment method they use. If GenAI substitutes learning, grades should increase disproportionately in courses with "susceptible" assessments (i.e. take-home essays). - Data: admin data from one of largest U.S. universities - Method: Compare grades and student evals in susceptible vs. non-susceptible courses before and after ChatGPT Findings: - No disproportionate increase in grades in GenAI-susceptible courses - No disproportionate change in student evals Interpretation: - Not clear that GenAI results in learning substitution or reduced student satisfaction - This could be for lots of reasons: students use it to learn, faculty adjust courses, etc. Caveat: - Analyses like these use lots of assumptions and researcher-degrees-of-freedom. So results should always be taken as suggestive rather than conclusive - COVID is a big confounder, and results can be sensitive to how transient or permanent you assume its effects are

7月24日周五
  1. Apple Machine Learning Research51

    Apple 提出 LEAD 方法，破解长程推理中的“不可恢复瓶颈”

    Apple 研究发现，大语言模型在长程执行中即使有高层策略也不稳定，极端分解会导致“不可恢复瓶颈”——少数“困难”步骤上的持续错误变得不可逆转。为此提出 Lookahead-Enhanced Atomic Decomposition（LEAD），通过引入短程未来验证与聚合来打破这一瓶颈。该方法在受控算法谜题上验证了有效性。

  2. Anthropic：Research73

    Anthropic 联合 Andon Labs 发布 Drone-Bench，评估 AI 模型自主操控无人机执行定位追踪任务的能力

    Anthropic 与 Andon Labs 合作推出 Drone-Bench，用于测试 AI 模型自主操控四旋翼无人机在室内环境中定位并追踪指定人员的能力。该基准将任务分解为 3D 地图重建、定位、导航、目标检测与跟随五个子任务，并通过软件复现实现快速评估。实验表明，该任务链的难度足以区分不同智能水平的模型，并揭示 AI 在物理世界操控能力上的进步轨迹。

    推荐理由：Anthropic首次公开AI端到端控制无人机执行监视任务，Fable 5仅因3D重建瑕疵未能全通。六个月内模型一致性突飞猛进，安全压力比技术潜力更紧迫。

  5. Rohan Paul37

    PRO-LONG方法通过将所有历史动作、观察和结果记录在可搜索的结构化文本日志中，而非丢弃信息，使AI智能体在长周期任务中推理更可靠。在ARC-AGI-3的25个隐藏规则游戏中，该方法让相同基础智能体平均提升18个百分点，同时比更强的专用系统节省4.2至5.8倍的计费token。论文表明，长期智能体记忆的最佳方案可能是无损存储加可编程检索。

  6. 公众号：小红书技术49

    小红书等提出 UniNote：统一多模态嵌入模型

    小红书、上海交通大学、华中科技大学和北京理工大学联合提出 UniNote，将多模态表示学习与排序能力融合于单一模型。通过两阶段训练（对比 SFT 强化表示 + 强化学习排序优化），UniNote 在单次嵌入传递中实现与两阶段检索-排序范式相当的性能，并大幅降低延迟。

  8. Rohan Paul37

    一项新研究对比了原始导航、扁平技能与深层技能层级在长上下文智能体中的效果。在单本书场景下，强智能体本身搜索能力已足够，扁平技能几乎无准确率提升；但在20本书的大型知识库中，扁平技能将英文开放问题准确率从0.257提升至0.462。研究表明，技能索引并非让模型更聪明，而是在语料库过大时帮助节省上下文，且单层路由在大规模文档库中比深层层级更有效。

  10. 马东锡 NLP27

    马东锡 NLP 团队推出 ISO（Isospectral Optimization），一个 RLVR 原生优化栈，基于“谱继承”观察，可复用基础模型谱系并通过奇异帧获取新行为。

    引用Hanqing Zhu@zhu_hanqing666

    People keep asking me: what's different about optimization in RL? Seemingly nothing — the pre-training stack just works (Adam, even SGD 👀 @saagnikkk). Bringing some answers from my last work (sorry for the delay — been cooking 🚀). We introduce ISO: Isospectral Optimization: an RLVR-native optimization stack. Built on one simple observation, spectral inheritance: RLVR can reuse the base model's spectrum and acquire new behavior purely through the singular frames. 🧩 Offline: ISO-Merger — consolidates RL experts into one model with no data, no rollouts, no OPD. Checkpoints only. ⚙️ Online: ISO-Optimizer — a drop-in wrapper on AdamW / Muon that matches AdamW's accuracy with ~2.7× fewer steps on Qwen3-8B-Base. 📄 https://arxiv.org/abs/2607.19331 🌐 https://iso-rlvr.github.io/ 🧵👇

  11. 公众号：龙猫LongCat58

    美团 LongCat 开源 LoHoSearch：基于知识图谱的搜索智能体评测基准

    美团 LongCat 团队开源 LoHoSearch，一个基于知识图谱自动生成题目的搜索智能体评测基准。该基准以 762 万维基百科实体构建知识图谱，生成 544 道经人工核验的题目，覆盖 11 个领域。当前最强模型 GPT-5.5 准确率仅 34.74%，远低于其在 BrowseComp 上的表现，表明 LoHoSearch 对长程搜索构成实质挑战。

  12. 公众号：龙猫LongCat68

    MineExplorer：首个《我的世界》分钟级长程任务评测基准发布

    美团 LongCat 团队发布 MineExplorer，这是首个在《我的世界》开放世界中实现分钟级长程任务的评测基准，包含 813 个人工验证实例。评测 18 款顶级多模态大模型发现，最强模型 Claude-Opus-4.6 整体任务成功率仅 41%，从 1 跳任务的 77% 骤降至 4 跳任务的 12%，近 60% 的失败源于导航失败。MineExplorer 已全面开源。

    推荐理由：18 个顶级多模态模型在 Minecraft 里全翻车，每多一层隐藏前置条件成功率就砍半，搞具身智能的该看看感知和行动之间还隔着什么。

  13. Rohan Paul35

    一项研究从信息瓶颈视角揭示，多智能体系统并非越多越好，其价值在于为每个智能体提供更干净、更小的上下文。在18项测试中，当智能体间传递的摘要信息紧凑且完整时，多智能体系统持续优于单智能体，尤其对上下文拥挤时表现较弱的模型帮助显著。但当后续步骤需要精确的早期细节时，优势会缩小甚至逆转，因为更强的模型利用完整上下文的效果优于压缩后的信息。

  14. IT之家·人工智能39

    我国科学家实现植物免疫受体精准定制化设计，成果登上《科学》

    中国科学院遗传与发育生物学研究所高彩霞团队首次提出“可编程植物合成免疫”新理念，并建立合成植物免疫受体设计平台。团队利用AlphaFold 3和BindCraft等AI工具，针对13种植物病毒及细菌、真菌等病原蛋白设计391个合成受体，其中71个（成功率18.2%）能特异识别靶标并激活免疫反应。经植物体内定向进化系统（GRAPE）优化的合成受体在转基因本氏烟草中展现了对番茄褐色皱果病毒的有效抗性。

  15. Rohan Paul36

    NaceAI 研究提出一种超网络方法，让一个模型学习为另一个模型生成知识更新，无需修改基础模型的数十亿参数。该方法通过添加低秩矩阵来注入新知识，并重定向模型内部计算，将知识注入变为可复用流程。实验表明，目标模型越大，生成的更新泛化效果越好。

    引用Nace AI@NaceAI

    Releasing new research on HyperNetworks @ NaceAI Research Team. Introducing 📄Scaling Laws for Hypernetwork-Based Knowledge Injection in Large Language Models. arXiv Preprint: https://arxiv.org/abs/2607.19604 More info: https://www.nace.ai/research/scaling-law-for-hypernetwork