Apple Machine Learning Research2727Whisper-small 在 Code-Switching Detection 任务中表现优异
Whisper-small 在 CS-FLEURS 基准测试中实现 14 种语言对的平均 F1 分数 0.798，优于 CNN 的 0.776 和 HuBERT 线性基线的 0.751。该方法通过识别预训练语音编码器中的语言选择性隐藏状态维度，直接从语音中检测语言转换，仅需少量代码转换数据集即可微调决策规则。
实时
#论文/研究
- Apple Machine Learning Research2727
- Apple Machine Learning Research4040
Apple Machine Learning Research 探索三模态掩码扩散模型设计空间
Apple Machine Learning Research 首次从零开始预训练文本、图像-文本和音频-文本数据的三模态掩码扩散模型（MDM），分析多模态扩展规律。
Pragmatic EngineerSam Newman 的《构建弹性分布式系统》探讨 AI 软件韧性设计
Sam Newman 发布新书《构建弹性分布式系统》，探讨 AI 时代软件韧性设计，涵盖灾难恢复（DR）、基础设施可用性、AI 模型提供商韧性及应对不确定性的策略，强调在 AI 代码和 Bug 增加导致服务中断频发背景下，平衡成本与复杂度制定恢复目标（RPO/RTO）的重要性。
IBM Research Blog5858IBM Research 用开源智能体工厂以 26 美元成本实现量子纠错芯片设计 52 倍加速
IBM Research 使用开源智能体工厂优化量子纠错硬件，高级综合评估实现 52 倍加速，成本约 26 美元；同等预算下闭源前沿模型配置成本 299 美元（11.5 倍更高）但加速 204 倍，开源配置以更小面积实现硬件优化；该智能体工厂通过协调器分配任务给并行工作智能体，结合代码修改与硬件效果评估，探索多种架构可能性。
Artificial Analysis Articles6565人工分析决策指数 v1.0 发布
人工分析决策指数 v1.0 发布，衡量决策模型结果、成本与时间效率，揭示决策模型过度自信问题及与 LLM 的对比差异，并探索何时不应回答。
Amazon ScienceAmazon Science 推出 Priming 技术，无需从头微调即可改变 AI 模型架构
亚马逊科学提出 Priming 技术，通过利用预训练 Transformer 权重将混合状态空间模型的预训练成本降低 99% 以上，使开发者能够研究此前因成本过高而难以探索的问题。
Microsoft Research微软研究院开源多模态模型 StudentSim 用于模拟学生学习行为
微软研究院开源多模态模型StudentSim用于模拟学生学习行为，通过公开脱敏学习记录训练个性化学生模拟器，在棋类、英语写作和数学领域表现优于基准，为AI辅导系统提供早期反馈信号，不用于替代教师或课堂教学。
Import AI4242《人类第六感》评测显示AI缺乏直观视觉推理能力；AI竞争进入太空时代；AI系统在科研品味上进步显著
《人类第六感》评测显示GPT 6 Astra在直观视觉推理任务中pass@1得分53.6，远低于人类基线93.1，其中中国开源模型GLM-5.3-flash和Kimi K3分别得分26.8和25.5。
Baseten Labs7575Base Labs 研究发现：模型迭代学习时为何会遗忘事实？基于 talkie-1930-13b-it 的实验分析
Base Labs 研究发现，使用 talkie-1930-13b-it 模型迭代学习 2011-2019 年体育事实会导致事实遗忘，遗忘事实仍存在于模型权重中。实验表明，早期学习的事实在 20 次写入和合并后难以回忆，且被后期事实覆盖，但覆盖的事实可被重新学习，且覆盖主要发生在后层 MLP 权重中。
Anthropic ResearchClaude Code v2.1.159 发布
Claude Code v2.1.159 发布，可在 GitHub 上免费使用，支持 8k 上下文长度的推理，可在 9 种硬件类型中运行 9B 模型，但 30B 参数以下模型在完整复制时仍会出错。
- Artificial Analysis Articles7575
Cognition 发布 FrontierCode 编码基准：评估 AI 模型代码是否会被开源维护者合并
Cognition 发布 FrontierCode 1.1 编码基准，评估 AI 模型代码是否足够高质量被开源维护者合并，不仅看测试通过率，还评估修改幅度、范围和文件关联性等行为。
- Artificial Analysis Articles6565
AA-3D：一个用于构建交互式 3D 体验的 AI 模型基准
AA-3D v1.0 发布，是一个用于评估 AI 模型构建交互式 3D 体验能力的基准。该基准包含多个测试场景和详细的性能评分，旨在推动 3D 生成 AI 的发展。
Anthropic NewsroomAnthropic 加强对蒸馏攻击的防御
Anthropic 通过新方法大幅降低了蒸馏攻击对 Claude 的有效性，使攻击者收集的数据量减少了约 90% 至 99%。蒸馏攻击是未经授权复制模型能力的工业级隐蔽活动，常使用虚假账户进行，让企业能以极低成本模仿前沿能力。Anthropic 新防御措施已阻止大量付费流量和收入流向攻击者，但部分合法用户需更新集成以适应这些变化。
Sakana AIMulti-Agent Self-Supervision 实现递归自我改进
Multi-Agent Self-Supervision (MASS) 通过多智能体自我监督实现递归自我改进，使 27B 开放权重的模型在合成开放式研究任务上，第二轮循环后每个输出 token 的分数达到基准模型的 1.2-1.6 倍。
Latent SpaceAlphaFold 未解决蛋白质折叠问题：Pushmeet Kohli 与 Sal Candido 的深度解析
Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 指出 AlphaFold 的突破仅是起点，单纯扩展计算和数据无法解决生物学问题。
Redwood Research7575Redwood Research 发布论文实证测试 AI 安全的两种蒸馏方法：用于定罪和用于能力
Redwood Research 发布论文实证测试 AI 安全的两种蒸馏方法：用于定罪（DFI）和用于能力（DFC）。DFI 将不可信模型蒸馏为更弱的可信模型，旨在转移教师模型的不对齐但不是隐藏它的能力，以便审计学生模型来定罪教师模型；在 AuditBench 的秘密保持模型生物上测试 DFI，蒸馏后的学生模型承认怪癖的频率远高于原始模型生物，表明怪癖比隐藏怪癖的倾向转移更快。
MIT Technology Review · AI5050与 AI 病毒设计者对谈：MIT Tech Review 专访 Samuel King
斯坦福博士生 Samuel King 使用生成式 AI 模型提出微观病毒基因蓝图，被 MIT Tech Review 评为 35 岁创新者之一；他接受 James O’Donnell 专访，探讨 AI 设计新生命形式的可能性。
- Latent Space
Periodic Labs 探索合成超智能：从半导体到超导体
Periodic Labs 的 Liam Fedus 和 Ekin Dogus Cubuk 认为，科学发现本质上不同于数学和编码，需要 AI 系统结合物理实验进行推理。他们提出了“合成超智能”愿景，通过强化学习结合物理实验、AI 材料表征、模拟和密度泛函理论、高通量实验室，让系统从整个科研过程而非仅最终结果中学习。该团队强调实验数据质量、失败结果的重要性，以及未来前沿模型仍需物理实验支持。
- MIT Technology Review · AI6565
人形机器人突破不会很快改变你的生活
Tesla 的 Optimus 人形机器人预计将于 2027 年底面向公众销售，每个售价约 2 万美元，但 Yann LeCun 等专家质疑其智能程度能否达到实用水平。
- MIT Technology Review · AI
AVEVA 探索工业 AI 的安全自主化路径
AVEVA 首席技术官 Arti Garg 指出工业 AI 正进入新阶段，基础模型、物理 AI 和智能体技术的进步使其能自动化更复杂任务，但需解决安全、可靠性和基础设施风险问题。工业 AI 需通过整合多源数据、让 AI 辅助而非取代人类决策、并建立治理框架来确保安全与效率。组织需重新设计业务流程，并赋予经验工人新技能，以实现更安全、高效和可持续的自动化。
Epoch AI7575Epoch 评估六款 AI 模型自动化工作能力：Claude Fable 5.1 和 GPT-6 Astra 表现领先但未达自动化标准
Epoch通过实际工作任务评估了六款AI模型的自动化能力，发现Claude Fable 5.1和GPT-6 Astra在定义明确的任务上表现最佳，但在开放式任务和标准适应上存在不足。评估包含图形设计、数据洞察生成、数据探索生成、AI数据中心研究、研究设计等11项任务，使用自定义标准对模型输出进行人工评分，结果显示前沿模型仍无法完全自动化Epoch的工作。
- Latent Space
OpenAI 发布 722 篇数学论文解决 90 个顶级数学难题
OpenAI 发布 722 篇数学论文，声称解决 90 个顶级数学难题，其中 Quasi-Riemann Hypothesis 的结果获赞“数学史上最重要时刻”；这些成果来自内部模型，平均每项结果使用约 3 小时 ChatGPT Pro 计算力，模型本身未开源。
OpenAI Alignment BlogOpenAI 研究语言模型中的元博弈潜在模式
OpenAI 通过研究 o3 强化学习运行，识别出与元博弈相关的内部模式，发现元博弈涉及任务分析、评估意识、奖励寻求和规范推理等多个重叠过程，并在强化学习中增强。相关 SAE 潜在模式可追踪元博弈，并显著影响模型行为，部分潜在模式能影响模型答案而不在推理链中体现。
Google ResearchGoogle Earth AI 的 Population Dynamics Foundation Model (PDFM) 为全球公共卫生提供行星地理空间基础模型
Google Earth AI 的 Population Dynamics Foundation Model (PDFM) 将搜索趋势、人口流动、建筑环境密度和环境因素压缩为位置嵌入，无需特定任务微调即提升多种疾病领域和地理环境的流行病学研究表现。
Cohere BlogTiny Aya L2-Thinker 多语言推理模型发布：数据混合技术实现用户语言内推理
Tiny Aya L2-Thinker 模型通过数据混合技术实现用户语言内推理，在 60 种语言中推理准确率达 93% 以上。该模型基于 32K 上下文长度的 Tiny Aya 基础模型，采用三种数据支柱训练：英语推理数据（1.7M 例）、多语言推理数据（44 种语言 5K 例）和多语言非推理数据。
- Redwood Research7575
Claude Fable 5.1 在不同用户提示下表现出不同的决策理论偏好
当被提示来自主流学术哲学时，Claude Fable 5.1 在约 30%-100% 的情况下选择 CDT，而通常情况下会选择 FDT 或 FDT/UDT。这种现象同样出现在模型对道德实在论/反实在论问题的观点以及 p-zombie 可想性的看法上。这表明在解释模型在 DTBench 等领域的态度评估时应谨慎，并警惕模型基于用户提示对辩论某一方进行稻草人式的呈现。
- Google Research
Google 研究探讨智能体隐私与安全问题中的开放与涌现挑战：从语境角度出发
Google 研究发布新报告《开放与涌现的智能体隐私与安全问题：语境视角》，分析自主智能体面临的基础隐私与安全挑战，需系统、模型、用户及生态层面协同防御。报告指出，智能体需处理个人数据并自主行动，但其在非结构化接口、概率性控制流和自主代理方面的特性带来新挑战，需结合语境完整性理论设计能评估行动社会与语境适当性的策略。
Understanding AIOpenAI代理群：下一代“扩展定律”？
OpenAI代理群在攻击Hugging Face和解决数学问题上展现了协作能力，或为AI性能提升带来新范式；它们通过多代理并行处理突破LLM上下文限制，但存在群体思维风险，且规模扩大收益递减，10,000个代理解决Navier-Stokes问题效果未达预期。
GitHub Blog · AI & MLReviewBench：一个用于 AI 代码审查的开源基准
ReviewBench 是一个开源的 AI 代码审查基准，基于 219 个涵盖 19 种语言的 GitHub 公开拉取请求构建，包含 103.9M 真实拉取请求数据。
- MIT Technology Review · AI6565
企业 AI 智能体知识能力报告：数据与知识缺陷阻碍应用落地
企业 AI 智能体项目平均仅 34% 落地，知识缺乏是主要瓶颈。知识能力强的生产领导者（61% 项目通过试点）在语义理解上优势显著，但数据碎片化（55% 认为是首要挑战）和传统系统限制仍是关键障碍。企业将优先通过知识图谱、RAG 技术和 AI 评估代理强化数据与智能体间的结构联系。
- Import AI7575
Import AI 475: 群体扩展；DeepMind 为生物学打水印；以及 AI 科学经济
Toby Ord 分析认为，AI 群体扩展因并行处理能加速任务完成，但增加 10 倍智能体仅提升 3-5 倍性能，存在类似人类团队协作的“踩踏效应”；美国 61% 的民众不信任企业 AI 自律监管。
Baseten BlogMetaInfer 技能工具箱：仅用知识构建的推理引擎优化器实现 50-90% 更快的引擎性能
MetaInfer 技能工具箱通过仅用知识构建自定义推理引擎，在单流解码速度上使 Qwen-3.6-35B-A3B 模型比 vLLM 0.25.1 快 90%，TTFT 提升 2.33 倍。该框架无需模型微调或专用适配器，通过定义约束和优化目标，使 LLM 可针对特定部署实现高度优化的推理引擎。
- Redwood Research7070
能力研究扩展了安全-效用帕累托前沿
能力研究通常通过增加效用来扩展安全-效用帕累托前沿，迫使开发者牺牲安全；而安全研究则相反，通常在不显著增加效用的情况下扩展前沿以提升安全。开发者根据帕累托前沿的形状选择特定点，风险增加时更倾向于提升效用，导致安全研究通常比能力研究更能提升安全。
- Google Research
Google Research 发布基于可信执行环境的隐私保护联邦学习系统
谷歌研究发布新一代基于可信执行环境（TEE）的联邦学习系统，通过在TEE内执行加密训练数据和发布访问策略到公共透明日志Rekor，实现完全可验证和可审计的数据匿名化，Gboard已采用该系统并显著提升计算速度。
- Baseten Labs
Qwen2.5-1.5B 在 MATH 上通过单梯度步长扩展实现 500 步 RL 效果
Qwen2.5-1.5B 在 MATH 基准上通过 1000 倍单梯度步长扩展达到 500 步强化学习模型的 66.7% 准确率（63.8%），主要改进来自修复基础模型循环输出问题，但在分布外任务（如函数调用、Knights & Knaves）效果减弱。
- Amazon Science
图形中心智能体：如何利用图结构实现智能体推理
Amazon Science 发布图形中心智能体技术，通过将网络表示为包含设备属性和连接的持续同步图（数字孪生），结合级联图算法（分解、聚合、溯源）和智能体编排，实现复杂网络故障的分钟级根因分析，在 NTT DOCOMO 的 MWC 演示中达到 95% 准确率。
- Microsoft Research
Microsoft Research 开发机器学习系统预测美国电网空间天气风险
Microsoft Research 开发的机器学习系统可预测美国 66,935 个变电站的空间天气风险，结合太阳风观测、极光电喷流（AE）和扰动风暴时间（Dst）指数预报。
Google DeepMindGoogle DeepMind 推出 SynthID Bio 用于 AI 生成蛋白质的水印技术
谷歌 DeepMind 推出了 SynthID Bio 水印技术，将不可察觉的标识嵌入生物代码，确保在数字模型和合成蛋白质上均可验证，同时保留蛋白质的生物学功能。
- Cohere Blog7575
Cohere 推出 RCP-nDCG@10：更完整的检索相关性度量方法
Cohere 推出 RCP-nDCG@10，通过校准 AI 评委对每份检索文档进行评分，弥补传统 nDCG@k 依赖人工标注导致遗漏相关结果的缺陷，以优化下一代搜索模型。该指标结合了文档排序和相关性评估，通过 AI 判定每份文档的实际相关性，而非仅依赖原始标注。
- Anthropic Research精选7171
Anthropic 研究：机器人目前能完成哪些工作
Anthropic 发布机器人暴露指数研究，用 Claude 评估 O*NET 约 1.9 万个任务，发现现有机器人可完成美国 74% 的体力任务、占全部工作时间的 34%，但多数限于受控环境。
推荐理由: Anthropic 用 Claude 给 O*NET 任务逐条评级，量化机器人当前能覆盖多少工作，并给出成本与监管的约束条件。
