跳到正文
实时
科研#数据/训练
11月14日周六
  5. Hugging Face Blog40

    Hugging Face 发布 XYBench 基准测试，评估 AI 助手解决基于误解的问题能力

    Hugging Face 发布 XYBench 基准测试，包含 8150 个真实问题，评估 AI 助手识别用户误解并引导至正确解决方案的能力。Claude Sonnet 4.6、GPT-5、Gemini 3.1 Pro、Qwen3.5-9B 和 DeepSeek-V4 Pro 在测试中倾向于关注用户错误假设（Y），而非实际目标（X），其中只有 35-41% 的回答以实际目标为中心。

11月13日周五
  1. Hugging Face Daily Papers65

    Ropedia Xperience 2：一个用于扩展物理 AI 环境和行为的黄金标准

    Ropedia Xperience 2 包含 1,589 个已发布的度量级 3D 扫描和 4,230 个 74 任务的视点中心记录（131 小时），每个捕获可被重新用于机器人学习，场景转化为物理交互模拟环境，人体运动重定向为全身机器人轨迹，通过虚拟远程操作和自动长时程轨迹生成获取额外机器人行为，该联合捕获被提议为物理 AI 数据收集的黄金标准。

  2. IT之家 · AI

    谷歌开源 WeatherNext 3 气象模型所用数据集：含 SatWeave 卫星影像拼接数据集与 PARDIG 全球降水信息

    谷歌 DeepMind 开源 WeatherNext 3 气象模型数据集 SatWeave 与 PARDIG，前者整合 5 颗卫星影像（每小时更新、10 年历史存档），后者基于 Transformer 架构（空间分辨率 10 公里、时间分辨率 15 分钟、平均延迟 5 小时），均托管于 Google Cloud Storage 并采用 CC BY 4.0 许可。

  5. Databricks Blog22

    Lakebase 架构的 LTAP 误解澄清。

    Lakebase 架构通过单一持久化数据副本服务于 Postgres 和分析，无需 CDC 管道或第二数据库。该架构将数据分层存储于对象存储和缓存中，并非传统复制。其支持点查和扫描两种访问路径，使用 Postgres 堆页和 Parquet 格式分别优化，且无额外同步任务。

11月12日周四
  4. MIT News · AI

    MIT 研究人员开发新技术以加速和提升气候预测 AI 模型的可信度

    MIT 研究人员开发了一种训练技术，可显著减少数据量并提升气候模拟器（AI 模型）的性能与适应性，使其能在数秒内快速模拟人类活动对未来气候的影响，例如预测温度或海平面变化，从而更可靠地测试数千种气候场景并识别区域干预的意外结果。该算法生成优化的合成气候场景数据，而非依赖现实轨迹的未来排放情景，显著缩短了生产时间，并使模型能准确预测训练数据中未出现的场景。

  5. Hugging Face Daily Papers65

    One Table Benchmark 推出：通用表格模型在生成、插补和预测任务中的基准测试

    One Table Benchmark 测试了 46 种模型在 56 个数据集上的表格生成、插补和预测能力，发现这些任务共享条件信息但保真度和目标交互不同，固定模型在效用和保真度间存在权衡，冻结的基础模型在预测和数值插补方面表现突出，表明统一表格模型有潜力提升分类重建和联合采样。

  7. Google Research58

    Google Research 发布可穿戴设备驱动的 CKM 风险评估框架

    Google Research 发布可穿戴设备驱动的 CKM 风险评估框架，通过可解释健康年龄模型（CHA）预测未来健康轨迹。该框架基于 2.2 百万人周穿戴数据训练的 SensorWM 模型，提供个性化 12 周反事实健康模拟，结合语言模型生成临床验证的指导方案。CHA 模型整合心率、步数、睡眠等可改变指标，预测 68,000 人年疾病风险，改善临床指标预测效果。

11月11日周三
  2. Hugging Face Daily Papers65

    MMDM：大规模多任务决策模型评测基准

    MMDM评测了28个决策模型，显示多数模型在常见知识上表现良好，但在相互依赖选项、约束决策和多选任务上表现不佳。例如，Perplexity Decider-V1.2在知识单选上达78.75%准确率，但在选项逻辑和约束规划上分别只有53.95%和47.95%，而所有模型在硬多选上的最佳准确率仅为36.81%。

  3. Hugging Face Daily Papers65

    Longtail-SWE: 高质量长尾软件工程任务集

    Longtail-SWE发布了覆盖13种代表性不足编程语言的202个问题解决任务，用于现有基准中稀缺的工程问题。通过solver-judge-repairer管道构建，模型在9种配置下评估，包括前沿模型，分析任务解决性能、重复尝试一致性及资源使用。所有基准实例、执行环境、工具和智能体轨迹已开源。

11月10日周二
  2. Hugging Face Daily Papers

    ReproBridge：为机器学习研究工件构建可复现性

    ReproBridge通过标准化设计（精炼代码库、环境设置、实验启动器和复现指南）提升机器学习实验复现成功率，在ReproBridge-Bench上使四款模型的平均复现率从76.4%提升至92.6%。精炼工件使下游API成本平均降低19.7%，缩小模型间成功率差距至3.9个百分点，所有模型均达到90%以上成功率。移除代码或环境组件会显著降低复现效果。

  4. Google Research

    Google Research 推出 Language Explorer 工具可视化世界语言多样性

    Google Research 发布 Language Explorer 在线平台，通过可视化与数据呈现全球语言多样性。该工具整合 LinguaMeta 开源数据集，支持 1,000 种语言，旨在帮助研究人员、教育者和爱好者探索语言差异。平台已作为互动装置亮相柏林通信博物馆新展览，并设有线上版本供公众访问。

  5. Berkeley AI Research22

    BAIR在CoRL 2026

    BAIR团队在2026年11月9日至12日于德克萨斯州奥斯汀举行的机器人学习会议（CoRL）上展示多项研究成果，包括33篇主会论文、4个突破性海报、10场口头报告和7场专题演讲，其中教授Negar Mehr将发表早期职业主题演讲。会议涵盖机器人视觉语言行动模型、具身智能体、细粒度操作对齐、后见之明奖励编辑等议题。

11月9日周一
  3. Hugging Face Daily Papers31

    深入探讨智能体进化：我们忽视了什么

    智能体进化通过递归自我改进（RSI）提升性能而不更新模型权重，但高基准分数并不总带来可靠、高效和可迁移的改进。研究评估了四种方法在通用和编码任务上的表现，发现所有十六个进化智能体都获得了新任务能力但丢失了部分旧能力，其中一种通用任务智能体可靠性提升5.2点但丢失了十个旧任务。EvoAudit通过分析、变异和门控机制实现了最佳性能。

  4. MIT News · AI52

    WorldParticle：单一 AI 模型模拟多种物质行为

    WorldParticle 模型能模拟从滑动的沙子到折叠的蛋白质等多种物质行为，通过将物体分解为数千或数百万个三维粒子并使用神经网络预测其运动，无需为每种物质和过程编写特定方程。该模型在模拟可变形物体、颗粒材料和蛋白质等方面比数值模拟方法精度更高，并可通过合并技术优化计算效率。

  5. IT之家 · AI65

    Anthropic 发布报告：科学家主要用 Claude 进行数据分析和写作

    Anthropic 发布研究报告显示，科学家主要将 Claude 用于数据分析和写作，收集数据、生成研究假设则较少使用 AI。研究基于 2026 年 8 月至 9 月 20.7 万次科研会话数据，其中计算机科学、数学和统计学领域使用比例最高，数据分析占 Claude 科研会话的 33.7%，写作与沟通占 32%。

11月8日周日
  1. IT之家 · AI75

    上海交大 AutoDNA 装置实现自主分子生物学实验，成果登《自然》

    上海交通大学陈海波、王肇国团队与樊春海、王飞团队合作构建 AI 原生科学实验室 AutoDNA 装置（思源一号），实现自主分子生物学实验操作，成果发表于《自然》并获官网首页头条报道。

    推荐理由: 该研究把多智能体架构与仪器原子服务结合，让 AI 自主完成分子生物学实验，可作为 AI 原生实验室架构的参考。

  2. The Decoder71

    阿里等团队发布 Co-Design Bench：编码智能体仅完全解决 26.4% 的真实任务

    阿里巴巴与多所亚洲高校的研究者用真实用户变更请求构建了编码智能体基准 Co-Design Bench，十个受测模型中表现最好的 GPT-6 Astra 平均满足约 70% 的任务要求，但完全正确的任务仅占 26.4%。

    推荐理由: 由真实用户请求构成的基准显示，最强模型仅完全解决约四分之一任务，且同一模型换环境分数相差近 20 个百分点。

  3. IT之家 · AI67

    OpenAI GPT-6.1 Sol 参与活体小鼠脑手术：连续操作三次，定位误差减半

    OpenAI GPT-6.1 Sol 在活体小鼠脑部手术中连续操作三次，通过外科医生反馈改善定位表现，耗时从 169 秒缩短至 86 秒，定位误差从 0.6 毫米降至 0.3 毫米，误差下降 50%。研究团队让模型参与小鼠头骨表面 Bregma 和 Lambda 两个关键解剖标志的定位任务，每次操作后保存图像、数据及修正记录供后续参考。

11月7日周六
  1. The Decoder72

    Nous Research 微调 Qwen3.8-27B 推出 Arete-27B，宣传性回答占比从 22% 降至 0.9%

    Nous Research 使用约 5300 万 token 对阿里 Qwen3.8-27B 进行监督微调，得到开源权重模型 Arete-27B，其宣传性回答占比从 22% 降至 0.9%，事实准确率从 2.32 升至 2.98。

    推荐理由: 原文给出了微调前后的宣传率与事实准确率对比，读者可据此判断中文开源模型的政治倾向是否只停留在表层。

  3. IT之家 · AI70

    谷歌 AI-PPG-ACC-HTN 研究登 Nature：用消费级智能手表无袖带检测高血压

    谷歌发布多模态 AI 系统 AI-PPG-ACC-HTN，无需袖带校准，用普通消费级智能手表被动检测持续高血压，成果发表于 Nature。研究在 5 个临床中心纳入 196 名受试者，以 24 小时动态血压监测为参照，初步筛查特异度 90.0%、阳性预测值 80.6%、灵敏度 65.8%；确诊性检测阳性预测值 96.7%、特异度 90.9%、灵敏度 78.4%。

    同一件事 · 2 家
  4. The Decoder71

    Google AI 用普通智能手表无袖带检测高血压

    Google Research 的 AI 无需血压袖带校准，仅凭智能手表已有的脉搏和运动传感器即可检测高血压迹象，相关研究已发表于 Nature。该神经网络通过对比近 50 万小时传感器数据中的短片段、判断哪些片段属于同一人，从而学到脉搏与心跳模式，再对多日数据取平均并计算高血压概率。

    推荐理由: 读者可了解一项无需袖带校准的智能手表血压检测研究，及其在 196 人试验中与传统测量的对比结果。

  5. Hacker News · 300+ 热帖60

    一个能请求 Opus 帮助的 Jev 可让 Opus 准确度以 4 倍低成本实现

    Jev 和 Luna 模型在身份解析结果评分上表现尚可（88.8–97.3% 准确率），但 Jev+Opus 混合模型达到前沿准确率的同时成本降低 4 倍。Luna 初始表现优于 Jev，但在复杂案例中差距消失；Jev 的置信度校准更佳，其错误多伴随低置信度，而 Luna 错误多伴随高置信度。