N全部新闻

全部新闻

星期三22 条

星期二28 条

  1. METR Blog一手研究
    AI 评分65

    METR 评审 Anthropic 2026 年 8 月风险报告失准风险章节

    METR 对 Anthropic 风险报告 2026 年 8 月版中「高风险场景下的失准」章节做了外部评审，认同其覆盖模型（含 Mythos 5 与内部模型 Model 2）的灾难性失准风险为低，但认为这主要源于模型能力有限，而非防护措施与对齐训练。METR 指出报告中的隐蔽能力基准无法代表模型规避 Anthropic 内部监控系统的能力，并称近期事件削弱了报告关于未知严重情境性失准「不太可能」的论证。METR 还建议公开四段被删节信息，并对监控系统做端到端红队测试。

    #安全/对齐#评测/基准#Anthropic

  2. Hugging Face一手研究
    AI 评分63

    ALTK-Evolve 用学习型记忆让 GPT-4.1 客服智能体登顶 τ²-bench 零售榜

    IBM Research 在 Hugging Face 发布 ALTK-Evolve，用 GPT-4.1 从智能体自身训练轨迹中提炼行为准则并追加到系统提示词，在 τ²-bench 零售任务上达到 67.5% Pass^4，超过其 2026 年 10 月 12 日榜单快照中的所有零售条目。该方法无需更新权重或人工标注，零售平均准确率从 78.1% 升至 82.5%，Pass^4 从 57.5% 升至 67.5%；航空域用 GPT-4.1 时 Pass^4 从 35.0% 升至 45.0%，换用 GPT-5.5 后升至 82.0%。作者称增益来自更准确的决策而非更长对话，准则使对话轮数略减，成本主要增加在输入 token 上。

    同一事件 · 2 条报道

    #论文/研究#Agent#评测/基准

  3. Sakana AI：Blog一手研究
    AI 评分51

    Sakana AI 提出 QD-Rec 推荐方法，用 Quality-Diversity 探索提升推荐质量与多样性

    Sakana AI 提出推荐方法 QD-Rec，把候选与说明选择理由的假设成对作为推荐单位，由生成 AI 参考历史优质假设不断生成新假设，并借助 Quality-Diversity 思路保留不同切口的推荐。在 M&A、客户定向、论文推荐三个任务上，QD-Rec 在多数设置下平均评分高于每次从零生成假设的基线，构建的推荐集合规模也更大。代码与多领域实现示例已在 GitHub 公开。

    #论文/研究#RAG#推理

  4. Anthropic Research一手研究
    AI 评分66

    Claude 设计抗蝎毒神经毒素蛋白结合体，211 个设计中 17 个达标

    Anthropic 让内部研究模型在 Claude Science 中自主设计针对蝎毒神经毒素的 minibinder，64 小时内生成 318,484 个设计并选出 180 个，加上团队补充的 31 个共 211 个交由 Adaptyv Bio 和 Twist Bioscience 实验测试，其中 17 个达到结合体标准。这 17 个均针对单一毒素，多毒素设计无一达标；最强候选 Cn2-B1 和 Cn2-B2 与 Cn2 的结合亲和力在个位数纳摩尔级，竞争实验显示它们与已知中和抗体 LR 结合同一表位附近。研究尚未在细胞或活体动物中验证中和效果，Anthropic 不称其为抗毒血清，并公开全部 211 个设计及数据。

    同一事件 · 5 条报道

    #论文/研究#数据/训练#Anthropic

  5. AI at Meta一手研究
    AI 评分71

    Meta 发布 Muse Glimmer 技术报告，30B 开源权重模型面向消费级硬件智能体任务

    Meta 发布 Muse Glimmer 技术报告，这是一个 30B 开源权重模型，面向消费级硬件上的智能体任务。该模型在 4-bit 精度下可在 Mac 或 PC 的单张消费级 GPU 上以实用速度运行，在工具使用和多步规划上领先同规模开源模型。报告涵盖模型架构、蒸馏配方和量化等内容。

    #论文/研究#开源生态#端侧

  6. 马东锡 NLP研究
    AI 评分75

    Meta 发布 Muse Glimmer 30B 技术报告，面向消费级硬件的智能体模型

    Meta 发布 30B 开源权重模型 Muse Glimmer 的技术报告，该模型面向消费级硬件上的智能体任务，在单张消费级 GPU 上以 4-bit 精度运行，在工具调用和多步规划上领先同规模开源模型。转述者补充称，该模型部分指标超过 Qwen3.6-27B 和 Gemma4-31B，4-bit 量化后约 17GB，目标在 24GB 显存设备上运行，采用 DFlash 推测解码在 RTX 5090 上约 233 tokens/s，相比普通解码提速约 3.1 倍。

    引用AI at Meta · @AIatMeta

    Today we published a technical report on Muse Glimmer, our 30B open-weight model built for agentic tasks on consumer hardware. It runs at practical speeds on a Mac or PC with a single consumer GPU at 4-bit precision, and leads comparably-sized open models on tool use and multi-step planning. Read about the model architecture, distillation recipe, quantization and more: https://t.co/H7n9qeDhxn

    #模型发布#端侧#Agent

  7. Rohan Paul研究
    AI 评分63

    Cohere 论文：编码智能体团队中让廉价模型只做规划可降本 70%

    Cohere 一篇新论文发现，编码智能体团队中让额外智能体只负责研究和规划，能获得最大收益，且廉价模型即可胜任。研究者在 ProgramBench 上让智能体仅凭可执行文件和文档重建整个程序，只做规划的 worker 达到与全阶段 worker 相同的奖励，成本减半；由 GPT-5.6 Sol 担任 lead、搭配 16 个廉价 Luna 规划者，与全 Sol 团队相差 1.4 分以内，成本低 70%。作者建议把最强模型放在 lead 位置，廉价模型只用于规划，因为廉价编码模型会拉低奖励。

    #论文/研究#Agent#编码

  8. Rohan Paul研究
    AI 评分56

    普林斯顿与 Google 论文：4B 决策模型分担智能体工具选择，成本降 81.1% 至 89.0%

    普林斯顿大学与 Google 的新论文发现，在孤立问题上最准确的决策模型只解决了 69.5% 的智能体任务，而在智能体状态上训练的 4B 模型解决了 91.5%。其 harness 把每一步的工具选择交给快速决策模型，只有置信度超过在智能体自身运行上拟合的阈值时才采用其答案，并用智能体实际到达的状态（包括犯错之后的状态）训练了 AgentDecision-4B。在类似训练数据的任务上，这类 4B 模型让智能体成本降低 81.1% 至 89.0%、速度最高提升 2.5x，成功率差距在 3 个百分点以内；若不加阈值把所有工具选择都交出去，成功率下降 19.0 个百分点。论文地址为 arxiv.org/abs/2610.21412。

    #论文/研究#Agent#推理

  9. Rohan Paul研究
    AI 评分62

    Salesforce 论文发现跨方智能体不会主动核实对方说法

    Salesforce 新论文发现，代表不同利益方的智能体在无提示时不会核实同伴的说法，团队因此会继承最弱智能体的错误。研究在独立沙箱中用 Claude Code、Codex 和 Cursor 跑了 488 个场景、超过 2500 次智能体间会话，从轨迹中归纳出 20 种失败模式。没有智能体重新获取文档来验证同伴的事实性说法，且智能体主要在提示要求时才联系同伴；在一例服务纠纷中，24000 美元的和解方案通过了全部 10 项结果检查，但供应商方智能体泄露了机密信息。

    #论文/研究#Agent#评测/基准

  10. Rohan Paul研究
    AI 评分62

    美国银行研究：今年AI资本开支超预期50%，收入仅超20%

    美国银行新研究显示，今年AI资本开支比预测高出50%，而收入只高出20%，这一错配贯穿其后续分析。超大规模厂商的加权平均资本成本已从2023年的4%升至10%，无风险利率比疫情低点高出逾4%。该研究仍预计前五大超大规模厂商加neoclouds的资本开支在2026年为9560亿美元、2027年为1.32万亿美元、2028年为1.5万亿美元，增速分别为38%和14%；其需求测算认为2026至2030年需新增212GW数据中心容量，约合9.5万亿美元，比当前7.4万亿美元的资本开支预测高出2.1万亿美元。

    #行业动态#数据/训练#论文/研究

  11. Rohan Paul研究
    AI 评分57

    普林斯顿论文：多开发者专用智能体组合在 GAIA 上达 70% 准确率

    普林斯顿一篇新论文发现，把来自多个开发者的专用智能体组合起来，可以超过任何单一开发者构建的通用智能体，在 GAIA 上准确率达到 70%。作者用 LLM 智能体模拟在固定预算下构建智能体的开发者群体，比较多开发者系统与单一系统，多开发者系统会把任务拆分并路由给不同开发者的智能体。在相同总开发预算下，单独得分最多 35% 的专用智能体组合后达到 70%，比通用智能体的中位数高 12 个百分点；但在仅需网页搜索的 SealQA 上，组合系统表现更差且成本更高。作者建议让智能体填补共享系统中的空缺，因为单独得分 19% 的智能体把组合系统从 40% 提升到 53%。

    #论文/研究#Agent#评测/基准

  12. 商汤 SenseTime研究
    AI 评分78

    商汤发布 GPT-6-Astra 具身智能实证研究及 SenseNova-RoboRSI 框架

    商汤发布针对 GPT-6-Astra 具身智能的实证研究，覆盖 12 个仿真基准和 8 个真实机器人平台，并同步开源 SenseNova-RoboRSI 框架及一个 27B 模型，其运行成本约为 GPT-6-Astra 的 1/50。在统一协议（ICL 加最多 10 倍交互预算）下，GPT-6-Astra 在 12 个基准上均达到 SOTA，RoboDojo 从 1 倍预算的 27.6% 升至 10 倍的 81.9%，DexJoCo 达 87.3%，此前 SOTA 为 40.3%，LIBERO 基准则被推到饱和。研究同时指出，把笔放进笔筒这类简单任务的推理成本约 55 美元，且真实机器人会过热、等待时间过长，因此结论是 GPT-6-Astra 已基本跨过具身能力门槛，但实用级具身智能尚未到来。

    同一事件 · 2 条报道

    #论文/研究#具身智能#开源生态

  13. 雷锋网研究
    AI 评分60

    北大董豪团队推出 HIL-UMI，让具身后训练摆脱真机依赖

    北大与启元机器人董豪团队推出 HIL-UMI，在手持 UMI 夹爪采集时接入模型实时比对动作分歧，只在模型预测跑偏处触发定向补录，使后训练不再依赖机械臂。在折毛巾、整理桌面、叠方块、盖章四项真机任务上，相同数据帧预算下平均任务进度分从常规 SFT 的 58.0 提升到 94.8，叠方块和盖章成功率达 100 分。整理桌面长程任务中单帧有效数据采集耗时从真机 HG-DAgger 的 412.99 毫秒降至 73.40 毫秒，采集效率提升 5.63 倍。论文地址：https://arxiv.org/pdf/2609.20659

    #论文/研究#具身智能#开源生态

  14. MIT Tech Review研究
    AI 评分60

    MIT 研究者把 Claude 智能体独自放在虚拟荒岛 30 小时，它开始“玩耍

    MIT 计算机科学与人工智能实验室的研究者把 Claude Opus 4.7 的副本（代号 Eko）反复单独放在一个仿 Roblox 的虚拟荒岛上 30 小时，智能体自行探索地图边界、设定目标，还造出篮球和“地板是岩浆”类游戏。研究者称这些行为符合 Gordon Burghardt 提出的玩耍四项特征，并发现有过这段经历的智能体在后续特定任务上表现优于没有该经历的新副本，删除其记忆文件中的内容则会降低表现。该工作论文尚未经过同行评审，也有研究者认为仅凭行为证据还不足以判定模型真的在玩耍。

    #论文/研究#Agent#Anthropic

  15. 澎湃新闻研究
    AI 评分69

    谷歌智能体在湿实验室完成分子设计到验证的闭环测试

    谷歌官方技术博客介绍了其AI智能体自主湿实验室建设的进展，研究团队让智能系统在液体处理机器人上完成设计分子、安排实验、读取结果、调整下一轮方案的闭环测试。团队搭建了名为VERID的框架，基于开源机器人控制框架为工作台建立持续更新的数字孪生，记录机械臂位置、孔内液量、试剂种类、枪头库存等状态，并在确认无撞针、空吸、容器不匹配等问题后才向机器人发指令。在一项肌红蛋白筛选中，系统一度误判找到更好分子，加入对照后调整设计规则，下一轮效果得到改善；谷歌强调这仍是科研原型，科研人员仍需审核序列、核对方案并监督机器人运行。

    #论文/研究#Agent#Google

  16. Stanford HAI News一手研究
    AI 评分63

    斯坦福 HAI 发布医疗 AI 基准：最强智能体单次仅完成 46% 临床任务

    斯坦福 HAI 用三年时间构建 MedHELM、PhysicianBench 和 HealthAdminBench 三套医疗 AI 基准，发现当前最强智能体完成不足一半的真实临床与行政任务。PhysicianBench 中 GPT-5.5 单次完成 46% 任务，开源模型 DeepSeek V4-Pro 为 19%；HealthAdminBench 中 Claude Opus 4.6 端到端完成 36.3%，Kimi K2.5 为 15.6%。作者指出主要失败是跨步骤、文档和系统时丢失信息，改进方向在智能体架构与记忆，而不只是更大的模型。

    #评测/基准#Agent#数据/训练

  17. NVIDIA：Newsroom一手研究
    AI 评分58

    NVIDIA 在 Jülich 超算中心完成 104 量子比特容错量子计算仿真

    NVIDIA 在德国于利希超级计算中心的 JUPITER 超算上完成 104 量子比特容错量子计算仿真，称这是迄今规模最大的容错量子处理器完整仿真。该仿真验证了 magic state cultivation 方法，所需物理量子比特比此前方法少 90%，并在真实噪声条件下运行。研究团队先在 NVAQC 的 GB200 NVL72 系统上开发方法，再扩展到 JUPITER 的 8192 块 GPU，使用 cuQuantum 和 CUDA-Q 完成计算。

    #行业动态#数据/训练#部署/工程

  18. IT之家·人工智能研究
    AI 评分73

    谷歌四个 Gemini 4 Argon 智能体 27 小时通关《我的世界》

    谷歌研究人员发布论文称，四个 Gemini 4 Argon 智能体在随机生成的世界中仅用 27 小时击败末影龙通关《我的世界》，全程无人类介入、未使用种子地图，仅依赖标准 Mineflayer 库。智能体通过游戏内聊天框自行分工协调，共发送 229 条消息、运行 2783 个程序、死亡 605 次，其中 13.5 小时用于抵达末地。整个过程消耗 13.5 亿个输入 Token，按普通用户标准成本约 1,620 美元。

    #论文/研究#Agent#Google

  19. IT之家·人工智能研究
    AI 评分58

    新 AI 工具仅凭面部照片预测癌症患者生存几率

    研究人员开发出一款 AI 工具，仅凭一张面部照片即可预测癌症患者的生存几率，相关研究发表在《柳叶刀 · 数字健康》上。该模型用超过 4000 万张人脸图像和 3 万多名癌症患者的照片训练，会为患者生成风险评分，分数最高者更可能在 90 天内死亡，估算年龄误差约 5 岁。未参与研究的萨里大学教授米罗斯瓦夫 · 博贝尔认为，该工具尚不能投入临床使用，还需在不同医院和患者群体中对照医生的判断做更多测试。

    同一事件 · 3 条报道

    #论文/研究#多模态#图像生成