Paper2Agent：将科研论文转化为交互式 AI 智能体
Nature 报道了 Miao 等人提出的 Paper2Agent 框架，可自动将科研论文转化为具备问答、方法应用与协作能力的 AI 智能体，提升研究的可复现性与可复用性。
推荐理由：将静态论文转化为可交互的智能体，为研究复用与可复现性提供了新的技术路径。
论文研究
全部主题值得读的 AI 论文与研究成果：架构创新、训练方法、能力测量与理论进展的精选解读。
最新精选
第 21–40 条 · 共 92 条Nature · Machine Learning精选AI 评分7474 Apple Machine Learning Research精选AI 评分7373 Shared Selective Persistent Memory for Agentic LLM Systems
Apple ML Research 提出共享选择性持久记忆架构，识别并保留任务规格、数据模式、工具配置和输出约束四类可复用上下文，丢弃会话特定推理轨迹。该记忆可在工作空间间通过基于角色的访问控制共享，实现协作复用。
推荐理由：选择性记忆架构在三个企业场景中任务完成率从79%提升至96%，为多轮工具调用的上下文管理提供了可复用的工程路径。
Google Research精选AI 评分6262 Retrieve-for-Train：绕过推理瓶颈，加速复杂AI搜索
Google Research提出Retrieve-for-Train框架，用离线强化学习发现属性对齐的查询扩展并编译为监督信号，再蒸馏到53.9M参数的扩散检索器，实现单次非自回归查询扇出。实验显示该方法在开放抽象检索和弱监督组合检索上均优于单查询搜索、零样本扩展和Best-of-N基线，同时实现12–20倍的推理加速。
推荐理由：用离线RL把查询分解编译成监督信号，再注入轻量扩散检索器，在保持集合级属性的同时把推理延迟压低一到两个数量级。
Hugging Face Blog精选AI 评分7474 ALTK-Evolve 一致性指南：智能体任务通过率平均与全通过间的差距及诊断修复方法
Hugging Face 博客介绍 ALTK-Evolve 的一致性指南与一致性分析器：在 AppWorld 上，GPT-4.1 的 ReAct 智能体 Mean@5 为 77.4%，但 Pass^5 仅 53.0%，一致性缺口 24.4 点。
推荐理由：原文给出了可复现的诊断方法与量化结果，读者可据此评估自身智能体在重复任务中的可靠性缺口。
MIT News · AI精选AI 评分6262 MIT提出HardFlow方法使生成AI适用于安全关键场景
MIT研究人员提出HardFlow算法，通过在生成过程末端而非中间步骤强制硬约束，使扩散模型和流匹配模型在机器人路径规划等安全关键场景中既满足严格约束又提升解质量。实验表明HardFlow在机器人操作、迷宫导航和文本引导图像编辑中实现完美约束满足，并在解质量上持续超越基线，计算时间与多数方法相当或更低。
推荐理由：该方法在部署时即可对预训练生成模型施加硬约束而不重新训练，为机器人等安全关键场景提供了可即插即用的改进路径。
Google Research精选AI 评分6464 ToolGrad：通过文本“梯度”高效生成工具使用数据集
Google Research 提出 ToolGrad 框架，先生成真实的工具使用链再反推用户提示，仅需单步 LLM 调用即可完成标注。
推荐理由：提出 answer-first 的 ToolGrad 框架，以文本梯度迭代构建工具链，为高效生成高质量工具使用数据提供了可迁移的新范式。
Amazon Science精选AI 评分7272 机器学习研究智能体为何不过拟合：压缩与泛化
Amazon Science 博客介绍论文《What fits (into few tokens) doesn't overfit》，通过 LLM 智能体在 8 个数据集上的实验表明。
推荐理由：通过可重置的LLM实验为机器学习研究智能体为何不过拟合提供了压缩性解释，并给出可复现的验证方法。
OpenAI News精选AI 评分7070 OpenAI 分享 Navier–Stokes 千禧年难题的 AI 生成解法与 Lean 形式化证明
OpenAI 发布了一份 AI 生成的 Navier–Stokes 千禧年难题解法，包含说明文档和 Lean 形式化证明。
MIT News · AI精选AI 评分6262 CW-Net系统帮助人类预判自动驾驶汽车何时会犯错
MIT与Motional研究人员提出Concept-Wrapper Network（CW-Net），可实时将自动驾驶规划模型的内部推理转化为如接近静止车辆、靠近骑行者等可理解概念，并强制规划器使用这些概念做决策，从而忠实解释车辆行为且不改变驾驶性能。
推荐理由：该研究为自动驾驶黑箱决策提供了可实时解释的模块，有助于人类预判车辆行为并辅助工程调试。
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。
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。
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。
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。
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。
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。
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。
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。