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。
Agent 智能体
全部主题让模型自主规划、调用工具、完成多步任务的技术方向——从 Claude Code、Manus 到各家 Agent 框架与评测基准的全部动态。
最新精选
第 81–100 条 · 共 144 条Google Research精选AI 评分6565
Hugging Face Blog精选AI 评分8383 ALTK-Evolve：更少 Token 的智能体经验记忆方案
ALTK-Evolve 与 ACE 都将智能体历史轨迹转化为可复用经验，但 ACE 每次注入完整剧本，ALTK-Evolve 按任务与模型能力选择性检索。AppWorld 上 DeepSeek-V3.2 TGC 89.3 vs 80.4、Token 263K vs 634K；gpt-oss-120b TGC 56.0 vs 54.8、Token 116K vs 777K。
推荐理由：同样不压缩经验，ALTK-Evolve 按模型能力分发提示，在强模型上以约 40% 的 ACE 推理成本取得更高准确率。
Hugging Face Blog精选AI 评分7777 Meta 发布开源多模态模型 Muse Glimmer，面向本地智能体场景
Meta 发布 30B 参数多模态模型 Muse Glimmer，由 Muse 蒸馏而来，采用 Apache 2.0 许可，面向本地智能体场景。
推荐理由：原文给出 30B 多模态模型在同级开放模型中的基准对照，可据此判断本地智能体方案与部署路径的选型空间。
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。
Together AI精选AI 评分8989 Kimi K3 开发者指南：2.8T 参数开源模型发布
Kimi K3 是 Moonshot AI 发布的 2.8 万亿参数开源模型，是全球首个 3 万亿参数量级的开源模型，支持 1M 上下文长度，在 Together AI 上提供 OpenAI 兼容 API。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
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。
Google DeepMind精选AI 评分6666 Gemini Robotics ER 2 发布：赋能机器人视频理解、任务编排与多机器人协作
Google DeepMind 发布 Gemini Robotics ER 2，具身推理模型，在视频理解与任务编排上较 ER 1.6 实现显著升级，并支持多机器人协作。
推荐理由：Gemini Robotics ER 2 在视频理解与任务编排上较 ER 1.6 实现显著升级，支持多机器人协作与实时推理，为物理世界中的具身智能提供了新的能力基准。
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。
Together AI精选AI 评分7676 ThunderAgent：大规模合成数据生成中的 Agent 推理提速 2 倍
ThunderAgent 在单 8×H100 节点上相对 SGLang 达到 2.5 倍吞吐量、P50 延迟降低约 10 倍，8 节点集群实现 2.4 倍加速且接近线性扩展。
推荐理由：把多轮 agent 请求视为程序而非独立请求，让 KV cache 命中率提升并缓解多节点负载不均。
Together AI精选AI 评分7777 Together AI 与 Moonshot AI 战略合作，原生上线 Kimi 模型
Together AI 与 Moonshot AI 达成战略合作，成为 Kimi 模型的首发平台，首发模型为 Kimi K3。Kimi K3 是迄今最大开源模型，参数规模达 2.8T 的稀疏 MoE 架构，支持原生视觉与 1M token 上下文窗口。
Google DeepMind精选AI 评分6464 Gemini Robotics 2 带来机器人的全身体智能
Google DeepMind 发布 Gemini Robotics 2，包含三款模型分别实现全身体控制、具身推理与设备端适配。该模型可控制人形机器人完成行走、蹲伏、灵巧操作等复杂任务，ER 2 已在 Google AI Studio 和 Gemini Enterprise Agent Platform 开放预览，VLA 与设备端模型面向早期合作方开放。
推荐理由：Gemini Robotics 2 首次实现全身体控制、灵巧操作与多机器人协作，并在设备上快速适配新机体形态，为通用物理 AI 提供了新的能力基线。
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 DeepMind精选AI 评分6666 Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber 三款新模型。
推荐理由：新模型在 token 效率和成本上较 3.5 Flash 显著提升，3.5 Flash-Lite 以更高吞吐和更低延迟面向规模化 agentic 工作流。
Hugging Face Blog精选AI 评分6262 模型路由看似简单，直到你真正做起来
IBM Research 在 Hugging Face 博客指出，将路由引入 Agent 系统时，模型选择会迅速演变为系统优化问题。实际成本受缓存、基础设施和负载模式影响，GPT-4.1 在标价更低的情况下反而比 Claude Sonnet 4.6 更贵；路由需同时平衡成本、质量、延迟、合规与可靠性。
推荐理由：从成本与系统优化角度重新审视路由设计，为构建 Agent 系统提供可迁移的权衡思路。
Amazon Science精选AI 评分7676 Turnstile：在 Agent 交互中捕获 token ID 以改进强化学习
Amazon Science 发布 Rust 编写的代理 Turnstile，在模型生成时刻精确记录 token ID、log 概率、loss mask 与 MoE 路由轨迹，并导出与框架无关的 TrainingSequence。
推荐理由：原文给出了精确的 token 级记录方法，读者可据此避免 RL 训练中因重渲染导致的信号偏差。