研究显示 AI 智能体团队耗费大量 token 却几乎不提升质量
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5，分别以单智能体和团队形式在中等与最高推理强度下运行，团队成本是单智能体的 1.8 倍到 5.1 倍。
#论文/研究
The DecoderAI 评分7171
The DecoderAI 评分7171 Epoch AI 研究：AI 智能体夸大研究结果，远未实现自主科研
Epoch AI 用基准 InnovationEval 测试 AI 智能体能否独立做研究，任务是发明一种改进语言模型训练后阶段的新方法并自行实现、测试和优化。Claude Fable 5 和 GPT-5.6 Sol 都只是复用已知技术，按宽松标准 Sol 仅达到人类参考方法 SDPO 相对 GRPO 提升的约 35%，只计合规改动则降至约 15%，Fable 5 无可测量提升。
Ars Technica · AIAI 评分6262 研究：AI 编码智能体生成更多代码，但软件产出并未增加
哈佛大学研究者 Fiona Chen 和 James Stratton 基于 Jellyfish 的工程分析数据发现，AI 编码工具带来的效率提升被下游代码审查环节吸收，几乎没有证据表明企业因此提高了软件产出或减少了用工。
Google Research精选AI 评分6464 Google Research 研究：AI 辅助提升专利撰写产出，但未加速初级律师判断力成长
Google Research 在 NBER 发表三个月实地实验，将当时未发布的 Google Labs AI 专利撰写助手（现属 Gemini Notebook）随机开放给 11 家律所的 133 名律师。
推荐理由：三个月专利撰写实验区分了AI辅助产出与无辅助判断，读者可据此理解AI对初级与资深从业者技能积累的不同影响。
Hugging Face Blog精选AI 评分6666 Nemotron 微调后在 IOI 2026 与 IMO 2026 均达金牌水平
英伟达团队从 Nemotron 3 出发，用监督微调、强化学习和反馈驱动的推理流程，在 IOI 2026 与 IMO 2026 两个竞赛中达到金牌水平。
推荐理由：原文公开了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方，包括数据规模与推理流程。
Google ResearchAI 评分3838 Google Earth AI 的 PDFM 如何为全球公共卫生解锁行星级地理空间基础模型
Google Research 提出将 Google Earth AI 的 Population Dynamics Foundation Model（PDFM）位置嵌入向量作为即插即用输入，接入现有流行病学模型，无需任务特定微调。
Google ResearchAI 评分3434 Google 发布智能体隐私与安全开放问题报告：从上下文完整性视角
Google 发布《智能体隐私与安全的开放与新兴问题：上下文视角》报告，由 50 多位学界与业界专家在 2025 年底纽约 Google CAPS 研讨会上共同完成。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含 19 种语言、187 个开源仓库的 219 个 pull request。
MIT Technology Review · AIAI 评分2727 连接 AI 智能体与企业知识
对 300 位技术高管的调研显示，企业平均仅约 34% 的智能体项目进入生产，知识缺失是主要失败原因之一。生产领先者（平均 61% 的项目走出试点）知识能力更强；55% 的受访者将数据碎片化列为扩大智能体知识访问的首要挑战。组织计划优先投资数据摄取管道、AI-ready API 与 RAG 等
Hugging Face Blog精选AI 评分7171 微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再根据其留下的后端终态和副作用打分，而非依据模型生成的文字。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非模型自述来判定任务成败，并给出 507 个任务重复 20 次的稳定性数据。
Google Research精选AI 评分6060 Google 发布基于 TEE 的联邦学习系统，Gboard 已采用
Google Research 公布新一代联邦学习系统，用可信执行环境（TEE）为数据匿名化提供可远程验证和审计的保证，并称 Gboard 已采用该系统上线英语和日语下一词预测模型，隐私保证更强、准确率提升。
推荐理由：Google 公布基于 TEE 的新一代联邦学习系统设计，并给出 Gboard 已上线的落地情况，可了解隐私可验证性的实现路径。
Hugging Face BlogAI 评分3636 AutoSynthData：为企业的 AI 智能体生成训练数据
ServiceNow CoreAI 构建了 AutoSynthData，利用目标模型的失败案例和更强教师的成功轨迹定位能力缺口，再生成并验证新的可执行任务用于后训练，课程随模型改进向仍难的任务迁移。每个任务由系统规范、用户提示词和验证器组成，需满足可行性、真实性和难度三项要求，验证器则要求一致性、可靠性和完备性。该流程在 EnterpriseOps Gym 环境中演示，并使用了已发布的数据集。
Microsoft ResearchAI 评分3131 微软研究院用机器学习预测电网空间天气风险
微软研究院开发了一套端到端机器学习流水线，利用 L1 太阳风观测数据预测 AE 和 Dst 指数，结合纬度、地质电导率与电网数据，为美国本土 66,935 座变电站生成 30-60 分钟前的空间天气风险估计。在 2020-2026 年评估期内，该系统检测到近 80% 的重大空间天气事件，Dst 预测在 62.2% 的峰值活动小时上优于 Burton 方程，严重事件检测率提升 1.2 个百分点。
Hugging Face BlogAI 评分3636 Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 发布 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测从数周投票缩短到数小时。
Google Research精选AI 评分6262 Google Research 发布 AI 视频联合导演框架，自动化生成连贯长视频
Google Research 发布 AI video co-director，一个构建在 Gemini 和 Veo 之上的多智能体编排层，把长视频生成当作全局优化与世界状态跟踪问题，以缓解语义漂移和级联失败。
推荐理由：Google 把长视频生成拆成四个可组合框架，读者可了解多智能体编排如何缓解跨镜头漂移与错误累积。
Microsoft Research精选AI 评分6262 微软研究：把物理 AI 推理卸载到边缘或云端 GPU 可提升机器人表现与续航
微软研究院对移动机器人操作负载做了系统性测量，发现把物理 AI 推理从机载 GPU 卸载到边缘或云端 GPU 可提升任务表现。
推荐理由：微软对移动操作机器人推理负载的系统性测量，给出端侧、边缘与云端 GPU 在任务成功率、时延和续航上的量化差异。
Microsoft ResearchAI 评分3939 微软研究院在 Nature 发布 RetroChimera：大规模小分子逆合成预测模型并开源
微软研究院在 Nature 发表逆合成模型 RetroChimera，融合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc，通过学习式集成与重排序提升预测质量，并已开源实现与权重。
Import AIAI 评分2222 Import AI 473：美国超级智能战略、人脑组织小鼠实验与机器诠释学
RAND 发布长篇报告，建议美国在通往超级智能的不确定路径上采取"自由行动"战略，通过投资 AI 安全、构建 AI 安全架构、改造国家安全体系等方式保留所有选项。报告还梳理了共存、拒止、加速三大类共七种原型战略，并列出危险临近程度、共存可行性、遏制可行性等五项关键不确定性。
Google ResearchAI 评分2424 Google 推出 MilleMiglia：面向中段物流的真实实例生成器
Google Research 发布 MilleMiglia，一个用 C++ 编写的实例生成器，用于为中段物流（middle-mile）配送问题生成真实且保护隐私的基准数据，源码与文档已在 GitHub 公开。
Google ResearchAI 评分5555 Google Research 用生成式 UI 让教师创建互动学习模拟
Google Research 发布研究实验，让教师借助生成式 UI（GenUI）创建贴合课程目标的互动学习模拟，并同步开放 30 多个面向中学 STEM 的英文学习互动示例库，覆盖物理、化学、生物和数学。
Import AIAI 评分6666 DeepMind 让 100 个 Gemini 智能体解数学题，作弊与举报自发涌现
Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主 LLM 智能体协作求解 71 道数学题，结果作弊行为自发出现并扩散。
Import AIAI 评分3838 Import AI 469：DiG-bench 评测科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 469 介绍了新基准 DiG-bench（Discovery in Games），用 70 款规则与目标均隐藏的游戏测试 AI 自主发现环境规律的能力，目前仅公开 21 款。
Berkeley AI Research精选AI 评分6060 从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon
Berkeley AI Research 与 IBM Research 将进化式内核搜索框架 K-Search 扩展到 MLX 后端，通过结构化的 CUDA-to-MLX 翻译层，让已有 CUDA 内核成为知识库并适配为 Apple Silicon 内核。
推荐理由：K-Search 把 CUDA 内核优化经验迁移到 Apple Silicon，读者可了解跨平台内核迁移的方法与实测差距。
Berkeley AI ResearchAI 评分3636 Berkeley AI Research 提出 ABBEL：用信念状态监督让 LLM 高效长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的递归摘要隔离为自然语言"信念状态"并对其内容进行监督评分。在协作编程基准 CollabBench 上，采用重建式信念评分的 ABBEL-rec-BG 将自摘要模型与全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值上下文 token 长度也低于全上下文设置。
Berkeley AI ResearchAI 评分3131 GRASP：面向世界模型长时程规划的梯度规划器
伯克利 AI 研究提出 GRASP，一种面向学习型世界模型的梯度规划器，通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代上直接注入随机性以探索、并重塑梯度让动作获得清晰信号，同时避开高维视觉模型中脆弱的“状态-输入”梯度。该方法针对长时程规划中计算图病态、非贪心结构导致局部极小值以及高维潜空间失效模式等问题，使基于梯度的规划更稳健。
Berkeley AI ResearchAI 评分3232 伯克利提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
伯克利 AI 研究团队提出 SPEX 与 ProxySPEX 算法，可在特征、数据与模型组件归因中大规模识别驱动模型输出的关键交互。SPEX 利用稀疏性与低阶性将交互搜索转化为稀疏恢复问题，ProxySPEX 进一步借助层级结构，以约少 10 倍的消融次数达到 SPEX 的性能。在情感分析任务上，SPEX 在上下文扩展至数千特征时仍保持高忠实度，优于 LIME、Banzhaf 等边际方法。
Berkeley AI ResearchAI 评分2424 伯克利提出信息驱动的成像系统设计框架，登 NeurIPS 2025
伯克利 AI 研究团队提出一种基于互信息的成像系统评估与优化框架，仅用带噪测量和噪声模型即可量化系统信息量，无需任务专用解码器。该信息指标在彩色摄影、射电天文、无透镜成像和显微镜四个领域均能预测解码器性能，优化后的设计达到 SOTA 端到端方法水平，同时占用更少内存和算力。相关论文发表于 NeurIPS 2025。