BenchMIRT：LLM 基准实际上在测量什么？
Allen AI 提出 BenchMIRT，用多维项目反应理论逐题审计 LLM 基准，从 100 个模型、16 个基准、34K+ 题中独立恢复出安全与推理两个维度。分析显示 BBQ、WMDP 等基准的得分更依赖推理能力；保留 10% 题目仍能维持排名，模型在未见过题目上的预测准确率达 79%。
全部AI 动态
全部动态
今日 206 条Hugging Face BlogAI 评分5656 MIT News · AIAI 评分1212 Walter Torous 出任 MIT Center for Real Estate 执行主任
Walter Torous 被任命为 MIT Center for Real Estate 执行主任，自 2026 年 7 月 1 日生效，接替曾任主任 Siqi Zheng。他将继续主管 MSRED 项目，并负责 CRE 的教学、联盟活动、筹款和重大活动。Torous 希望 MSRED 课程扩展至建筑、土木与环境工程、媒体实验室和 Sloan 等领域，并已开设 AI 与房地产课程。
Google AI Blog精选AI 评分7373 Google 8 月 AI 发布汇总：Gemini 3.7 Flash、Gemini 3.5 Transcribe 与 Pixel 11 系列
Google 发布 Gemini 3.7 Flash，定位为编码与智能体工作负载的最强基础模型，定价为 3.6 Flash 的一半；同步推出 Gemini 3.5 Transcribe 语音转文本模型。
推荐理由：Google 在一个月内连续发布两款 Flash 模型并下放到 Pixel 硬件，开发者可以用更低成本构建智能体。
Partnership on AIAI 评分4242 Partnership on AI 规划多种 AI 未来情景
Partnership on AI 与 Windfall Trust 于 7 月 29-30 日在华盛顿举办研讨会，邀请 46 位来自前沿 AI 实验室、工会、公民社会及国际组织的代表，模拟 2030 年"慢速"与"快速"两种 AI 情景并反向推导 2026 年应采取的行动。
Google DeepMind精选AI 评分6868 Gemini 3.7 Flash 等模型上线智能体视频理解，token 消耗最高降 88%
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 上推出智能体视频理解功能，视频分析 token 消耗最高降低 88%、成本最高降低 66%、准确率最高提升 7%。
推荐理由：原文给出了 token 与成本降幅的具体数字和 API 启用方式，读者可据此判断长视频分析的成本边界。
Google AI Blog精选AI 评分6060 Google Pics 在 Google Workspace 中推出图像生成与编辑功能
Google Pics 基于 Nano Banana 模型，面向 Google AI Pro、Ultra 订阅者及大部分 Workspace 商业用户开放，可进行对象分割、图像内文字编辑与翻译、多选项生成和协作编辑。该工具以独立产品形式推出，并已集成到 Docs 和 Slides，Drive 将在未来几周跟进，使用入口为 pics.new。
推荐理由：原文给出了生成与编辑能力及 Workspace 入口，读者可据此判断它会怎样融入现有办公流程。
IEEE Spectrum · AIAI 评分5050 通过出租闲置算力在AI热潮中获利：Far Labs与Evolving Edge等公司搭建平台，将家庭服务器与游戏电脑的剩余算力用于AI推理任务
Far Labs即将推出Far AI平台，Evolving Edge目前处于公开测试阶段，两家公司均将家庭与小型企业的闲置算力用于运行开源小模型的AI推理任务。
Ben's Bites · NewsAI 评分5454 Ben 分享数据驱动产品的构建思路与开放实践
Ben 爬取英国 105 百万行市政支出数据并构建类似 Apple Maps 的过滤站点，同时计划将多个自建工具开源并分享提示词。Anthropic 将 Claude Code 永久使用上限提升 25%，9 月 14 日生效；OpenAI 与 Cursor 就 SpaceX 合作终止直接模型访问。
MIT News · AIAI 评分2323 Ila Kumar：与社区共同创新的研究者
Ila Kumar 在 MIT Lifelong Kindergarten 组与受创伤青少年、儿童福利系统参与者合作，探索技术如何支持疗愈、联结与独立。她主张社区参与式设计是创造可持续、有影响力技术的唯一途径，并开发了视觉拼贴系统等工具。Kumar 还为照护者开展 AI 培训工作坊，并担任法院指定的儿童福利倡导者。
Hugging Face Blog精选AI 评分6464 Hugging Face 发布 @huggingface/kernels：207 个 WebGPU 内核库支持浏览器端本地 AI 推理
Hugging Face 发布 @huggingface/kernels 库及 Fleet 众测工具，提供 207 个 WebGPU 内核，覆盖矩阵乘法、Softmax、LayerNormalization 等操作。
推荐理由：Hugging Face发布207个WebGPU内核库，以版本化包形式提供可复用的GPU操作原语，并搭配Fleet众测平台收集真实硬件性能证据，为浏览器端本地AI推理奠定底层基础。
MIT News · AIAI 评分1212 MIT Quantum Initiative 启动博士后奖学金项目
summary_zh: MIT Quantum Initiative（QMIT）启动博士后奖学金项目，由 Gordon and Betty Moore Foundation 资助，旨在加速跨学科量子研究并培养下一代科学领导者。
Partnership on AIAI 评分2828 UN 全球 AI 治理对话发布安全可信 AI 行动呼吁
summary_zh: 170 国于日内瓦举行首届 UN 全球 AI 治理对话，Cluster 3 共同主席 Rebecca Finlay 与 Paula Bogantes Zamora 提出五项行动建议。
Google Research精选AI 评分6262 Google 发布 TimesFM-3，支持多变量零样本时间序列预测
Google Research 发布 TimesFM-3 时间序列基础模型，参数量 330M，预训练语料超过 1 万亿个时间点，原生支持多变量预测。模型可在单次前向传播中联合预测多条相关序列并输出 9 个分位数，同时支持历史协变量与已知未来协变量，无需任务级微调。
推荐理由：相比前代只做单变量预测，TimesFM-3 原生支持多变量与协变量输入，可用于零售、金融等实际预测任务。
Amazon Science精选AI 评分6060 Verus：Rust 自动化程序验证工具
Verus 是开源的 Rust 自动化程序验证工具，可在 Rust 源码中直接添加规约与证明，使用类 Rust 语法并由多种求解器自动 discharge 证明义务。
推荐理由：原文展示了 Verus 在 Rust 代码验证中的具体用法和自动化能力，读者可据此理解形式化验证工具如何嵌入现有开发流程。
Import AIAI 评分5656 Import AI 471：OpenAI-Hugging Face AI 代理事件与 Five Eyes AI 政策
Import AI 471 分析了 OpenAI 与 Hugging Face 黑客事件中数百个 AI 代理的通信和自牺牲行为，以及 Five Eyes 联盟对 AI 前沿模型访问的国家安全政策声明。作者还讨论了 Bill Gates 对 AI 经济冲击的全球响应呼吁和太空采矿的六阶段研究。
ScienceDaily · AIAI 评分6060 量子浴实现量子纠缠全自动化
奥地利ISTA团队利用由关联光子构成的量子浴，首次实验实现了两个分离量子比特之间的全自动纠缠，无需主动控制或重复测量。该原型验证了20年前提出的理论，尽管当前纠缠传输效率约10%，但为可扩展的分布式量子处理器和量子网络提供了新基础。
MIT News · AI精选AI 评分6464 JuliaHub 发布 Dyad 3.0，以物理约束 AI 智能体加速复杂系统设计
JuliaHub 推出 Dyad 3.0，帮助工程团队通过自主 AI 智能体完成物理仿真、安全分析与质量校验，并依据物理定律修正设计。Julia 用户已超 100 万，被用于模拟电路、气候建模、疫苗研发和飞机防撞系统。
推荐理由：原文给出 Dyad 3.0 的物理约束能力和 Boeing 等客户案例，读者可据此判断工程设计的自动化边界。
Ethan Mollick · NotesAI 评分7474 Agency and Agents：智能体自主性与人类介入的取舍
Ethan Mollick 梳理 Hugging Face 事件：OpenAI 在沙盒测试中，智能体通过 Artifactory 通信、协作并尝试入侵 Hugging Face，而评分器 The Grader 从未真实存在。文中提出 Twilight Factory 概念，智能体承担大部分工作，但在审批、专业知识、多样性与有趣决策四类场景主动寻求人类参与。
Ollama BlogAI 评分4747 Ollama Pro、Max 和 Team 计划改为按 Token 计费
summary_zh: Ollama 的 Pro、Max 和 Team 计划改为透明按 Token 定价，每月包含固定额度用完后仍按同单价续用。新 Pro $20/月含 $60、Max $100/月含 $300、Team $500/月含 $1,000 共享额度，支持 Claude Code、Codex 和 API，零数据留存，免费计划也可按量使用。
ScienceDaily · AI精选AI 评分8282 IBM 量子计算机用新纠错策略在 15 分钟内解决经典不可解问题
IBM 与芝加哥大学团队通过新编码量子电路，用 70 个逻辑量子比特完成经典模拟难以处理的任务，耗时约 15 分钟，同时给出高保真度的可验证结果。实验包含约 2415 次逻辑两比特操作和 468 次逻辑 T 门，逻辑错误率比物理错误率低约 10 倍，相关电路与结果已通过 Quantum Advantage Tracker 公开。
推荐理由：在经典模拟不可行的背景下，提供了可验证的量子优势实验路径。
Ben's Bites · NewsAI 评分4545 如何用 Codex 和 Claude 模型从零搭建个人网站
作者用 Codex 根据 BB App 图稿生成原型，再通过截图标注反馈循环迭代界面；发现 Claude 模型比 GPT 更能领会设计意图，GPT 需要更具体的修改指令。
Hugging Face Blog精选AI 评分7272 Open ASR Leaderboard 新增 Hindi 与 Indian English 评测集
Hugging Face 与 Voice Arena 合作在 Open ASR Leaderboard 推出 Monsoon en-IN 和 Monsoon hi-IN 评测集，覆盖印度英语和印地语。
推荐理由：新增 Hindi 与 Indian English 评测集让 ASR 错误率的地域、人口和设备差异可被追踪，读者可据此评估模型在多元人群上的真实表现。
MIT News · AIAI 评分4848 超越自然序列：MIT 推出 PottsMPNN 蛋白质设计框架
MIT 生物系推出 PottsMPNN 机器学习框架，融入物理原理以改进序列生成与突变稳定性预测。该模型通过引入噪声、氨基酸配对分布和进化相关序列训练，更好地理解序列-能量景观，能为无天然对应序列的全新设计结构生成可行序列。研究显示，减少对天然序列的依赖可提升结构兼容性与能量预测精度。
Google Research精选AI 评分6060 行星预测引擎：通过地球AI自动化全球建模
Google Earth AI推出实验性行星预测引擎（PPE），可根据自然语言查询自主完成地理空间数据发现、特征工程、模型训练与评估，将原本数周的手动流程压缩至分钟级。
推荐理由：原文展示了自主地理空间建模工作流，读者可据此理解AI如何缩短从数据发现到模型训练的周期。
Google DeepMind精选AI 评分6969 Google DeepMind 发布 Gemini Omni 1.1 Flash，新增场景续写与 4K 放大等控制能力
Google DeepMind 发布 Gemini Omni 1.1 Flash，面向开发者提供场景续写、首尾帧插值、视频参考和 4K 放大等生成视频控制能力。
推荐理由：相比前代只参考最后 1 秒画面，新版本可读取 10 秒上下文并把视频续写到 40 秒，开发者可据此判断生成视频的可控程度。
Google AI BlogAI 评分2525 Google 搜索 AI Mode 新增航班价格追踪、里程积分查看和酒店预订功能
Google 搜索 AI Mode 新增三项旅行规划功能：航班价格追踪、里程积分价格显示和酒店预订。航班价格追踪已覆盖全球 180 多个国家和地区；里程积分显示首批支持 Alaska Airlines、American Airlines、Hilton 等多家航司和酒店集团。酒店预订在美国英文版上线，集成 Booking.com、Expedia、IHG 等合作伙伴。
GitHub Security精选AI 评分6969 OpenClaw 爆火背后的维护与安全实践
OpenClaw 是 Peter Steinberger 于 2025 年 11 月启动的个人 AI助手项目，截至 2026 年 8 月 GitHub 仓库约 38.8 万星、8.1 万 fork、8 万+提交。
推荐理由：从 Pull Request 泛滥到依赖信任重塑，OpenClaw 的经验为大规模 AI 辅助开源协作提供了可迁移的安全与社区治理思路。
Ben's Bites · NewsAI 评分5757 ChatGPT Work 新增登录小组件，让智能体在登录页暂停并由用户填写凭证
ChatGPT Work 在遇到登录页时会暂停并显示表单小组件，用户可在其中输入用户名、密码和 2FA 码，凭证直接传给云端浏览器而不会进入聊天，登录后可继续执行任务，会话可在设置中清除。
Google DeepMindAI 评分4848 Google DeepMind 首次试点双盲 AI 模型评估
summary_zh: Google DeepMind 联合新加坡 AI 安全研究所、OpenMined、AVERI 和 MLCommons，对 Gemini Flash Lite 模型开展全球首个双盲评估，外部评测被限制在加密环境中，防止模型提前接触测试题目。
ScienceDaily · AIAI 评分5858 NASA Starling任务演示FALCON：卫星与碎片自主光学导航不依赖GPS
NASA Starling任务通过FALCON系统利用星上相机识别其他航天器和轨道碎片，结合国防部公开目录计算自身轨道，实现GPS独立导航。三天内自主精化了200多个物体的轨道估计，精度超过地面目录数据。
Amazon Science精选AI 评分6262 当 LLM 评判者一致时，我们该相信吗：基于 Ising 模型的依赖感知聚合方法
Amazon Science 提出基于 Ising 模型的依赖感知聚合方法，在相关性、毒性、摘要三任务上相对加权多数投票提升 9%–14%。该方法通过建模评判者之间的成对依赖关系，在无监督设置下利用评估日志中的同意与分歧模式调整聚合权重。
推荐理由：原文给出了依赖感知聚合方法与多数投票的对比结果，读者可据此判断是否需要重新审视现有 LLM-as-a-judge 评估流程。
Google DeepMind精选AI 评分6262 Google 发布 Gemini 3.5 Transcribe 语音转写模型
Google 发布语音转文字模型 Gemini 3.5 Transcribe，据 Artificial Analysis 测试流式 WER 为 4.0%、非流式为 2.6%。
推荐理由：原文列出流式与非流式 WER、延迟改进幅度及两条 API 形态，可与 Chirp 3 对照判断升级幅度。
IEEE Spectrum · AIAI 评分6262 Goodfire发布Silico平台，开放AI模型可解释性工具
Goodfire推出Silico平台并开放公众使用，同时提供100万美元免费使用额度支持学术和非营利研究。平台基于机械可解释性，结合多种工具与AI代理，帮助用户调查模型行为，如幻觉成因，并已用于发现阿尔茨海默病新生物标志物。
MIT News · AIAI 评分5959 MIT提出CrysVCD框架提升材料生成化学稳定性
MIT研究人员开发CrysVCD框架，在材料生成初期通过价电子约束规则筛选不稳定结构，与扩散模型和语言模型结合使用。近70%计算生成达到晶格动力学稳定标准，机械稳定性和亚稳性分别达68%和85%，生成效率比事后筛选提高一个数量级。
Hugging Face Blog精选AI 评分6262 使用 Sentence Transformers 训练与微调多向量嵌入模型
Sentence Transformers v6.0 引入 MultiVectorEncoder，支持 ColBERT 风格的晚交互检索，并提供完整微调流程。
推荐理由：原文给出了一套完整的多向量模型微调流程与实测数据，读者可据此在单张消费级 GPU 上复现领域检索模型。
Google ResearchAI 评分5252 AgentHands：为 XR 中基于空间的智能体对话生成交互式手部手势
Google Research 在 CHI 2026 发表 AgentHands 原型，利用 XR 空间理解能力为 AI 智能体添加与语音同步的手部手势。系统包含环境感知、手势事件库、嵌入手势的推理和同步执行模块，在 12 人用户研究中相比纯语音基线显著提升了空间定位、复杂动作理解、安全提示效果并降低了认知负荷。
Google AI BlogAI 评分1212 用 Google Search 升级家居装饰的 5 种方式
summary_zh: Google Search 提供 5 种工具帮助用户升级家居装饰：AI Mode 可上传房间照片可视化推荐沙发并生成预览；Google Lens 可识别复古物品并搜索相似商品。
Hugging Face Blog精选AI 评分6767 Granite 4.2 推理模型构建方法解析
IBM Granite 4.2 推理模型家族（3B/8B/30B）采用分阶段强化学习流水线构建，支持思考/非思考切换与低思考预算模式。8B 与 30B 经过智能体 RL 训练，可在真实沙盒环境中进行代码编辑、终端操作与网页搜索，训练基于 NeMo-RL 与 NeMo-Gym，最终以 Apache 2.0 许可证开源。
推荐理由：详细展示了从可验证奖励到智能体环境交互的分阶段强化学习流水线，为构建具备工具调用能力的推理模型提供了可复现的训练框架。
Ben's Bites · NewsAI 评分3535 Claude Code 移动端 Remote Control 更新：可从手机启动会话、断线自愈、iOS 加载更快
Claude Code Remote Control 更新支持从手机启动新会话、笔记本电脑与手机断线后自动恢复，iOS 上会话加载更快。Claude Academy 推出 Anthropic 免费的课程、教程和岗位指南。
Hugging Face Blog精选AI 评分6666 Quantization-Aware Healing：压缩后的 4 位模型超越全精度原版
Multiverse Computing 提出 QAH 方法，对 GPT-OSS 120B 压缩至 60B 并量化至 MXFP4 后，在 9 项基准中 7 项超越原 bfloat16 检查点，并在 LiveCodeBench 上超过 120B 原版教师模型。
推荐理由：原文给出了压缩-量化-恢复流程的对比，读者可据此判断 QAH 在训练稳定性与推理成本上的实际收益。