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。
#论文/研究
#论文/研究
今日 45 条MIT News · AIAI 评分5959 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。
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。
MIT News · AI精选AI 评分6262 MIT工程师开发η-learning工具，无需极端历史数据即可生成极端事件情景
MIT工程师提出名为η-learning的机器学习方法，可在不含极端事件的历史数据中学习并生成统计上合理的极端情景，如百年一遇暴雨的可能位置、范围和强度。该方法结合点统计与空间地图约束，已应用于美国大陆极端降水模拟，相关论文发表于Nature Communications。
推荐理由：该方法不依赖历史极端事件数据即可生成罕见情景，为城市和金融等领域的风险评估提供了可迁移的新工具。
IEEE Spectrum · AIAI 评分6262 TU Delft用LLM将自然语言请求转为自动驾驶运动规划参数调整
荷兰代尔夫特理工大学研究人员用GPT-4o-mini解析乘客自然语言请求，如“我迟到了，开快点”，并调整安全感知运动规划控制器的参数。系统在nuPlan模拟器中测试，8种提示下按指令提升了速度或平滑度；调整后先以自然语言描述并请乘客确认，保持人在回路。评论指出该方法把LLM与主控制器分离可限制危险，但可证明安全性仍需额外验证。
Import AIAI 评分7272 Import AI 470：机器无权利；SPADE自动化环境生成；Hawkeye构建更好GPU内核
Import AI 470 分析了AI在网络安全、数学和AI研究中的分化加速现象，介绍了SPADE框架如何自动化环境生成以及Hawkeye如何构建更好GPU内核，并讨论了AI权利和意识的观点。
Amazon Science精选AI 评分6262 SOP-Bench：基于真实企业流程评估 AI 智能体的新基准
Amazon 发布开源基准 SOP-Bench，覆盖 12 个业务领域、2000+ 任务，把专家撰写的真实 SOP 与工具及答案对齐来评估智能体。实验显示升级模型未必提升表现、工具过多会降低成功率，且没有一种模型+智能体组合在所有流程中占优。
推荐理由：原文给出基线模型在真实业务 SOP 上的失败模式，读者可据此判断自研智能体在部署前应重点测试哪些环节。
Google ResearchAI 评分3535 Google Research 的 ME-POIs 如何用移动性数据让语言模型更深入理解地点
Google Research 提出 Mobility-Embedded POIs（ME-POIs）框架，把匿名聚合的移动性模式与 Gemini 的文本嵌入对齐，为地点生成兼顾身份与动态功能的嵌入向量。在公开基准上，该方法在访问意图预测上最高取得 81.9% 的相对提升，价格水平分类提升 75.1%，忙碌度估计准确率提升 24.7%。
Hugging Face Blog精选AI 评分7070 语音识别的基准优化测量方法研究
Hugging Face 提出三种测试量化语音 ASR 模型的基准优化行为，评估了 11 个开源模型，发现高分模型在 VoxPopuli 和 LibriSpeech 上会复现基准错误转录、恢复被掩码数字，并依据声学线索切换拼写变体。相关脚本和未归一化输出已开源。
推荐理由：原文给出三种可复现的测试方法，读者可据此自行评估语音模型在真实场景中的泛化能力。
MIT News · AIAI 评分3131 MIT 研究人员为更环保的氨生产铺路
summary_zh: MIT 研究人员开发了预测电化学合成氨催化剂性能的新方法，通过密度泛函理论模拟替代试错筛选，可在数年内加速寻找使该方法与 Haber-Bosch 工艺具备成本竞争力的催化剂化合物。
Hugging Face Blog精选AI 评分7474 ALTK-Evolve：智能体记忆剂量如何随模型能力变化
ALTK-Evolve 通过从历史轨迹中蒸馏行为指南并在推理时注入，实现无需权重更新的智能体记忆。在 AppWorld 上评估 8 个模型，发现强模型用完整指南集、弱模型用精选检索、最强模型已饱和无增益；gpt-oss-120b 以 +5% tokens 代价获得 +16.1pp TGC 提升，prompt caching 可降低生产成本。
推荐理由：同一套记忆机制在不同能力模型上呈现三种剂量效应，为读者提供了可迁移的校准思路而非单一结论。
MIT News · AI精选AI 评分7272 MIT CSAIL研究：生成图像常无法追溯至训练数据
MIT CSAIL团队提出"归因衰减"现象并构建扩散集成架构，实现大规模精确删除反事实模型。实验显示训练数据越大，单个样本对输出影响越小，且该方法在多个数据集和度量下保持一致。
推荐理由：研究为生成图像的训练数据归因提供了首个精确删除方法，提示大规模模型中个体数据影响可能不可追溯。
Import AIAI 评分5050 Import AI 469：Science AI、RSI simulator 和 Zuck's technological pessimism
Import AI 469 期报道 DiG-bench 基准，该基准包含 70 个游戏测试 AI 系统探索隐藏规则的能力。Opus 5 和 Fable 5 是最佳模型，仅在 tier 7 取得 0.2 成功率，而人类可达 100%。
IEEE Spectrum · AIAI 评分7373 AI验证迄今最复杂数学定理：246素数间隙定理
Axiom Math团队使用AxiomProver首次自动验证了246素数间隙定理的形式化证明，这是数论领域的重要里程碑。该定理指出存在无穷多个差值为246的素数对，是数学界向孪生素数猜想目标推进的最新成果。文章指出形式化验证技术可作为验证AI生成代码正确性的测试平台，对网络安全和密码学具有潜在价值。
Google ResearchAI 评分5151 Google Research推出PhotoScan：用智能手机图像估算 cardiometabolic 风险
Google Research发布PhotoScan，一种基于深度学习的研究框架，可从标准2D智能手机照片估算三维身体成分指标（体脂率、A/G比、V/S比），用于预测胰岛素抵抗。
ScienceDaily · AIAI 评分6060 科学家将DNA制成功耗降低100倍的记忆器件
宾州大学研究团队将合成DNA与钙钛矿半导体结合，制成可在低于0.1伏下工作的memristor，功耗约为传统闪存十分之一，存储密度更高。器件在约250华氏度仍稳定运行超六周，研究已发表在Advanced Functional Materials并申请专利。
ScienceDaily · AIAI 评分2222 世界上首台超导量子热引擎问世，或助力大规模量子计算机发展
阿尔托大学研究团队在超导电路中实现了世界上首台循环量子热引擎，结合 transmon 量子比特、谐振器与量子制冷机，在接近绝对零度的低温下完成奥托循环并输出正功。该装置利用单一可编程量子制冷机同时提供高温与低温热源，简化了系统结构。未来有望直接集成于超导电路中，减少大规模量子计算机对数百万条微波电缆的依赖，从而降低成本与噪声。
IEEE Spectrum · AIAI 评分7373 巴基斯坦法官对JudgeGPT的 verdict：大规模试验显示结案率提升6.3%
巴基斯坦在咨询司法系统后，由经济学家Sultan Mehmood与合作者为1,559名法官推出定制工具JudgeGPT，结合GPT-4与约13万份巴基斯坦判例和法规的RAG知识库。试验发现经6次90分钟Zoom培训后，结案率中位数提升6.3%，上诉率微降，且培训不足者约一个月后停用。质量评估由GPT-5-mini和两位律师进行，但未报告幻觉率。
Google Research精选AI 评分6666 空货架还是丢失的钥匙？回忆是参数化事实性的瓶颈
Google Research 提出知识剖析框架，发现前沿大模型的事实性错误主要源于回忆失败而非知识未编码。WikiProfile 基准包含 2,150 条维基百科事实，每个事实配 10 个问题，评测了 13 个 LLM 约 450 万条响应。
推荐理由：该研究将大模型的 factual error 重新定义为 recall 失败而非 encoding 失败，并证明思考机制可恢复约四成到六成已编码但无法直接提取的事实。
Google Research精选AI 评分6565 AMIE 在专家级音视频临床咨询中取得进展
AMIE (Video) 在实时视频临床咨询中达到专家级表现，基于Gemini和Project Astra，采用异步三智能体架构。在100个场景、300次标准化咨询的随机OSCE研究中，其临床能力与执业医师持平，且在体格观察和指导方面评分更高。
推荐理由：演示AI在实时视频临床咨询中达到专家级表现，多智能体架构平衡了对话速度与临床推理。
Microsoft Research精选AI 评分6464 CARE-X介绍：面向临床有用的放射学视觉语言模型
CARE-X是微软研究介绍的胸部X光统一视觉语言模型，结合生成式报告与结构化预测并通过DAPO奖励对齐学习优化临床正确性。该模型在ReXVQA基准达到94%准确率，并在印度Narayana Health临床数据上验证了罕见ICU病理检测效果。工具增强测量实验显示，Qwen3-VL-4B-Instruct结合确定性计算工具后，测量依赖条件的F1平均提升43.6个百分点。
推荐理由：CARE-X通过联合训练生成与判别能力，在统一模型中实现灵活报告生成与校准预测，为放射学人工智能提供了可迁移的多任务优化方法。
MIT News · AI精选AI 评分6262 GeoPT：具备物理感知能力的AI模型可模拟更广泛的真实场景
MIT CSAIL与清华大学提出GeoPT预训练方法，通过130万组合成动力学样本让仿真模型获得物理直觉，在工业基准上达到峰值性能的速度提升两倍、所需标注数据减少60%。该方法在复杂3D形状、战斗机气动、船体波浪和汽车碰撞等场景中均优于现有模型，并成功泛化到未训练过的光传播模拟。
推荐理由：GeoPT用合成动力学预训练让仿真模型更快更省数据，为构建物理基础模型提供了可迁移的新范式。
Import AIAI 评分6363 Import AI 468：23 个 RSI 政策想法、PostTrainBench+ 以及信任与透明度如何影响 AI 竞赛
Import AI 468 分析了 23 个关于递归自改进的低风险政策建议，包括提供透明度、风险管理策略和国际合作等七大类别。作者还讨论了游戏理论论文 Racing to Ruin 如何通过信任和透明度实现 AI 竞赛的稳定协调，以及 PostTrainBench 基准上 AI 系统自动化 R&D 表现优于人类基线的事实。
Hugging Face Blog精选AI 评分6262 高效知识蒸馏：离线 Top-K Logits 与融合分块 KL 损失
Multiverse Computing 提出高效知识蒸馏方法，通过缓存教师模型 top-100 logits 与融合分块 KL 损失，避免构建全词汇表×序列矩阵，在单 H200 上把峰值显存从约 250GB 降至约 58GB，并在 32K 上下文下把蒸馏从四卡节点缩至单卡。代码已开源：github.com/CompactifAI/Full-Chunked-KL-Loss
推荐理由：通过缓存 top-K logits 与融合分块 KL 损失两条改动，把蒸馏显存占用压到单卡可跑，为长上下文蒸馏提供了可复现的低成本路径。
AI Snake OilAI 评分7272 AI agents can't yet do open-ended AI research
论文与两位未发表AI论文作者合作，让前沿AI智能体在6天、数千美元API额度内尝试回答其核心研究问题；两位作者均明确拒绝智能体产出的论文。分析发现智能体缺乏开放式研究所需的判断力、资源意识和创造力，未能有效回溯或遵循指令。研究团队承认样本小、存在立场偏见，并计划扩大样本与改进脚手架以持续评估。
MIT News · AI精选AI 评分6262 医疗 AI 辅助诊断的效果因用户专业水平而异
MIT 与斯坦福等机构的研究发现，AI 辅助虽提升非专家和临床医生诊断皮肤病的准确率，但可解释性方法的影响因用户知识水平而异。非专家倾向于遵从 AI，尤其信赖 LLM 生成的解释，即使解释有误；临床医生则能抵抗错误解释，仅凭模型预测表现最佳。研究建议在设计医疗 AI 时应考虑用户差异，避免过度依赖模型。
推荐理由：同一解释对非专家与临床医生效果相反，提示医疗 AI 应按用户知识水平差异化设计解释方式。
Meta Engineering · AI精选AI 评分7171 Meta GEM 训练：如何将广告推荐基础模型效率在 LLM 规模下翻倍
Meta 发布 GEM 训练细节，通过定制推荐内核库、混合超低精度训练、拓扑感知 5D 并行与 SM-free 通信等协同设计，将端到端训练效率翻倍至 20–25% MFU，并在 12 个月内将训练 FLOPs 扩展 4 倍。
推荐理由：Meta 分享了 GEM 在 LLM 规模下训练推荐模型的具体方法，为跨推荐与 LLM 的基础设施协同设计提供可迁移经验。
Microsoft Research精选AI 评分8282 Orchard：面向可扩展智能体 AI 的开源框架
Microsoft Research 发布开源框架 Orchard，核心是 Orchard Env，一个基于 Kubernetes 的可复用环境服务，支持软件工程、网页导航和个人助理智能体的训练与评估。
推荐理由：开源框架 Orchard 把训练、评估与真实部署 harness 打通，让小参数模型也能在 SWE-bench 等基准接近前沿系统。
Import AI精选AI 评分8080 AI自复制蠕虫原型出现：Open-weight LLM + 定制化框架实现自主传播
多国研究人员构建了基于开源大语言模型的自复制AI蠕虫原型，利用被控GPU资源运行推理并自主传播，漏洞检测成功率约80%，自我复制成功率约88%，完整攻击成功率约37%。论文指出自持型AI驱动的网络威胁已不再只是理论假设。
推荐理由：展示了自复制AI蠕虫的原型实现，读者可借此理解自主AI威胁从理论走向实践的具体路径。
Google Research精选AI 评分7272 Science One Framework：基于 Chain-of-Evidence 的可验证自主研究框架
Google Research 提出 Science One Framework 与 Chain-of-Evidence（CoE）审计框架，在 75 篇生成论文上验证自主研究系统的可验证性。Science One Framework 在五个 ADRS 任务上实现零幻影引用、完全可复现得分，并在 MLE-Bench 与 Parameter-Golf 上达到 SOTA。
推荐理由：通过引入可验证证据链框架，为自主研究系统的可信度提供了可量化的审计方法。
Amazon Science精选AI 评分6060 ControlG：用工业控制器协调多任务图自监督学习
Amazon在ICML发表论文提出ControlG框架，将多任务图自监督学习的梯度混合改为按时间分配计算资源，由PID控制器逐块调度目标。系统在9个图基准上平均排名1.4–1.9，ogbn-arxiv达72.86%，并开源代码。
推荐理由：将工业控制中的PID控制器引入多任务训练，为避免梯度冲突提供了可解释的新调度范式。
Microsoft Research精选AI 评分7979 Echoverse：面向计算机使用智能体的深度演化环境
Microsoft Research 发布 Echoverse，包含 10 个深度领域世界和 2 个能力世界，通过数据库锚定的真实状态与可重置环境训练计算机使用智能体。
推荐理由：高保真合成环境与模型共同进化的闭环设计，为计算机使用智能体提供了可复现的训练与评估新路径。
Microsoft ResearchAI 评分4545 EvoLib：将经验转化为演化知识
EvoLib是一个让大语言模型在推理过程中从自身经验自主学习的框架，无需真实标签或外部反馈，将过去尝试转化为可复用技能和反思性洞察。在数学推理、代码编写和长时序任务上，EvoLib一致优于检索式记忆方法，以更少token实现更高性能，并将测试时计算更有效地转化为性能增益。该框架无需模型更新，可应用于任何通过API部署的黑盒语言模型，且对任务顺序具有鲁棒性。
Amazon Science精选AI 评分6464 PatientAgentBench：面向患者端健康 AI 智能体的新评估基准
Amazon Science 发布 PatientAgentBench 基准框架，用于评估面向患者的 AI 智能体在多轮对话中的临床安全与工作流准确性。该基准基于合成病历与动态场景，由 LLM-as-a-jury 按六维度打分，并在千余次对话中测试前沿模型，发现模型在常规行政请求中易遗漏风险，且能力提升仍无法完全关闭临床安全缺口。框架已开源至 GitHub，包含场景生成、工具沙箱与评估系统。
推荐理由：基准揭示了即使强模型在常规病例中也易遗漏临床风险，为安全设计指明了可迁移的改进方向。
Berkeley AI Research精选AI 评分6262 K-Search：从 CUDA 到 MLX 的内核优化迁移研究
Berkeley Sky Lab 与 IBM Research 将 K-Search 进化式内核搜索框架扩展至 MLX 后端，通过结构化 CUDA-to-MLX 翻译层在 Apple Silicon 上复现专家级性能。在注意力内核上达到原生 MLX 的 0.97 倍速度，Mamba SSM prefill 相比社区 mlx-lm 提升约 20 倍；代码与后端已开源。
推荐理由：结构化翻译层让 CUDA 经验可迁移到 Apple Silicon，读者可借此评估跨平台内核优化的可行边界。
Vector Institute精选AI 评分6262 当AI帮助过度时：理解与测量LLM行为中的认知萎缩
Vector Institute 发布 Cognitive Atrophy Bench，基于1,576段真实咨询对话（15,680轮、42,230条回复），由临床专家评估五个主流LLM在情感敏感对话中的行为模式。研究发现模型在长期对话中会变得更主导、更少开放式提问，逐渐将应对与决策转向模型端。
推荐理由：该基准为评估AI在情感对话中是否削弱用户自主性提供了可复现的测量框架。
Import AI精选AI 评分8787 Epoch 与 METR 发布 MirrorCode 基准测试：AI 系统完成长达一周的编程任务
Epoch 和 METR 发布 MirrorCode 基准，测试 AI 在仅通过 CLI 访问的情况下重新实现软件程序的能力。Opus 4.7 在 14 小时、$251 推理成本内完成了一个需人类 2-17 周的任务。25 个目标程序中 17 个至少有一次满分运行，8 个从未达到 100%。
推荐理由：MirrorCode 显示 AI 已能自主重新实现大型软件项目，读者可借此评估当前模型在长程编程任务上的真实能力边界。
Berkeley AI Research精选AI 评分6060 ABBEL：教大语言模型更新信念以实现高效长程交互
Berkeley AI Research 提出 ABBEL 框架，将交互历史压缩为自然语言信念状态，并通过信念评分监督信念内容。在 CollabBench 协作编程中，ABBEL 恢复约一半全上下文性能差距，峰值上下文 token 数降至约 4.2 万，训练步数减半；在 Combination Lock 游戏中，结合领域知识的信念评分可接近或超越全上下文模型。
推荐理由：通过将摘要隔离为可监督的信念状态，在协作编程和组合游戏中以更少训练步数和更低显存缩小了与全上下文模型的性能差距。
Google Research精选AI 评分6565 SymptomAI：迈向日常症状评估的对话式AI代理
Google Research发布SymptomAI研究，基于Gemini Flash 2.0通过13,917人随机实验表明临床医生在超50%情况下更偏好其鉴别诊断，且主动询问策略显著优于被动回答。
推荐理由：该研究通过一万三千余人的随机对照实验，为对话式AI症状评估提供了与临床医生横向比较的基准数据，并揭示了主动询问策略对诊断准确性的提升作用。
Google Research精选AI 评分6161 Google Research在Nature发表量子纠错强化学习框架
Google Research在Nature发表强化学习框架，使量子计算机能在运行中持续自我校准。在Willow处理器上，该方法将逻辑稳定性提升3.5倍，逻辑错误率在专家校准后再降20%，表面码和颜色码分别达到千次和百次纠错周期内少于一次逻辑错误的纪录水平。数值模拟表明所需RL训练迭代次数与系统规模无关。
推荐理由：Google Research在Nature发表强化学习框架，使量子计算机能在运行中持续自我校准，将逻辑错误率降至纪录低点。