跳到正文
实时
#论文/研究
11月6日周五
  1. TechCrunch · AI

    Axiom Math 宣布正式验证 Stacks Project 项目

    Axiom Math 宣布正式验证 Stacks Project 项目，该项目包含约 7,654 页数学内容，团队将其翻译为约 1600 万行计算机验证代码。公司通过 AI 代理在 Lean 编程语言中重构数学证明，填补了代数几何领域的形式化空白，为未来 AI 智能体构建可靠知识库奠定基础。

  3. Google Research72

    Google Research 用智能手表传感器识别高血压迹象

    Google Research 在 Nature 发表多模态 AI 系统 AI-PPG-ACC-HTN，无需袖带校准，仅用消费级智能手表的 PPG 与加速度计数据被动识别高血压状态。

    同一件事 · 2 家

    推荐理由: 研究用智能手表 PPG 与加速度计数据被动识别高血压，并以 24 小时动态血压监测为金标准给出筛查与确认两阶段的量化结果。

11月5日周四
  1. Amazon Science18

    Hamed Karimi 赢得 ECML PKDD 2026 Test-of-Time 奖

    Hamed Karimi 与同事因 2016 年论文“Polyak–Łojasiewicz 条件下梯度及近端梯度方法的线性收敛性”获 2026 年 ECML PKDD Test-of-Time 奖，该论文通过 Polyak-Łojasiewicz 条件证明了机器学习模型训练的快速收敛性，填补了理论与实践的长期差距，已被引用超 2000 次。

  2. Hugging Face Daily Papers65

    EmoReward：一种用于情感视频生成自演化的奖励校准机制

    EmoReward 通过从实际训练运行中收集的奖励轨迹中提取证据可靠性，自适应地指导多奖励权重分配，以校准情感视频生成的奖励权重。该机制首先根据情感提示规划特定的接地线索进行评估，然后使用异构信号原语在生成阶段对视频进行评分，并通过反射奖励门控对它们的贡献进行校准。

  4. TechCrunch · AI65

    发现材料公司出资 100 万美元挑战 AI 解决 5 个材料科学难题

    Discovered Materials 公司宣布出资 100 万美元挑战赛，旨在利用 AI 解决材料科学领域的 5 个关键问题，包括解释高温超导现象、预测硅二氧化物界面结构等；公司联合全球顶尖大学教授定义挑战，并已用前沿 AI 模型尝试求解但进展有限，此举旨在推动 AI 在材料科学领域的突破。

  5. Hugging Face Daily Papers

    StreamDuo：一个实时解说员和一个研究智能体用于未见过的新游戏

    StreamDuo将一个可训练解说员与一个冻结的研究智能体配对，该研究智能体检索游戏维基条目，以在不针对目标游戏进行训练的情况下提高跨游戏直播解说。StreamDuo在 Baldur's Gate 3 上训练并在十个未见过的新游戏中测试，将实体召回率从 0.082 提高到 0.116，将源游戏泄露率从 9.9% 降低到 1.0%，并在直播模型中实现了最佳时机、最高的评判活力和总体质量。

  6. O'Reilly Radar

    RouteLLM 研究人员如何通过偏好数据训练路由器在强模型和廉价模型之间选择

    RouteLLM 研究人员训练路由器在强模型和廉价模型间选择，基准评测显示成本降低一倍以上且对响应质量影响极小。自动路由能帮助用户在预算内获得更多帮助，使同一订阅支持更多请求或更频繁使用强模型。用户需了解路由效果，评估其带来的成本和时间效益，例如通过代码分析任务全程交互来比较不同路由策略。

  7. Hugging Face Daily Papers

    PyRUA-DataFarm：将 LLM 智能体作为低成本机器人数据采集代理

    PyRUA-DataFarm 通过模拟任务、渲染照片级视频生成可部署的机器人训练数据，以低于远程操作的成本自动化机器人演示生成。在五个真实机器人任务上，仅使用农场数据训练的策略与使用同等数量远程操作演示训练的策略表现相当（100 次试验中成功率 93% vs 84%），在未见过的新场景下也表现更优（成功率 87% vs 46%）。

  8. Hugging Face Daily Papers65

    NEO-VLA框架消除固定视觉编码器以提升动作策略的鲁棒性

    NEO-VLA框架通过让动作策略直接访问网络深处的视觉表征，消除了固定视觉编码器，在多种操控场景和分布偏移下实现了更强鲁棒性。该框架使用轻量级卷积层对图像进行分词，并让视觉表征与语言在骨干网络中共同演化，使动作专家能从指令条件化的不同深度视觉表征中获取信息。层探查实验显示，动作关键信号常在最终视觉表征形成前就已达到峰值。

  10. Hugging Face Daily Papers65

    FrontierPhysics：评估用于端到端物理学研究的智能体

    FrontierPhysics是一个包含56个专家设计的物理学任务的端到端基准，评估智能体在文献综述、研究规划、实验和论文撰写方面的能力，使用确定性验证器和专家评分标准。在22个模型和26种配置中，没有一种配置能在168次测试中通过超过46次，手动审查显示主要弱点在于推理不够严谨和专家直觉有限，而非物理学知识或执行错误。

  12. MarkTechPost

    Google AI Research 发布 Agile Deliberation 框架用于灰色区域图像分类

    Google AI Research 发布 Agile Deliberation 框架，通过人类参与循环将模糊概念转化为结构化定义，用于灰色区域图像分类。该框架基于 Gemini 2.5 Pro 和 Gemini 2.5 Flash API，无需微调，平均 F1 分数比零样本 Gemini 2.5 Flash 高 10.5 分，付费场景下 F1 达 0.59。

    同一件事 · 2 家

    各家口径不同：谷歌研究提到用户实验减少疲劳和焦虑；MarkTechPost 关注 F1 分数提升。

  14. MIT News · AI

    MIT 研究员开发 UQ-DAAAM 系统，提升机器人记忆准确性

    UQ-DAAAM 系统能识别并修正机器人记忆中的错误描述，通过比较多视角图像量化不确定性并优化物体描述，提升机器人对物体、位置和时间的认知准确率，目前修正成功率约 92%，准确率提升 5%。该系统采用 LLM 融合多视角描述，并使用启发式规则选择最佳补充图像，无需重跑 VLM 即可大幅降低计算量。

  15. Hugging Face Daily Papers

    WebHarbor: 为 GUI 智能体提供 153 个可执行网站环境

    WebHarbor 提供 153 个可执行的、容器化的网站环境，用于稳定评估和强化学习训练 GUI 智能体，支持跨多步和认证后任务实现强泛化。该套件包含 3,518 个任务，覆盖多步和认证后工作流，超越现有工作。Qwen 4B 级 GUI 智能体在 WebHarbor 中通过强化学习训练，在四个基准测试中表现与领先的开源 GUI 智能体具有竞争力，代码和数据公开可用。

  17. Anthropic Research

    Anthropic 研究团队利用 Claude 发现原核细胞中首个 vault 粒子 3D 结构

    Anthropic 研究团队利用 Claude 发现原核细胞中首个 vault 粒子 3D 结构，该结构由 96 个 L05 蛋白亚基组成，质量约 9.5 兆道尔顿。Claude 协助搜索序列文献、优化粒子分离方法并处理显微数据，将 vault 纯化时间从 3 天缩短至 90 分钟，结构模型构建时间从数周降至 34 小时。研究揭示了 vault 粒子组装机制，并暗示其在生物技术中的潜在应用。

    同一件事 · 2 家
  19. IT之家 · AI

    Anthropic 借助 Claude 解析出全球首个 96 蛋白细菌库结构

    Anthropic 研究团队借助 Claude 解析出原核生物 Vault 三维结构，发现噬菌体蛋白可组装成 96 个副本的 Vault 颗粒，纯化时间从 3 天缩短至 90 分钟，首个完整结构模型 34 小时生成。

    同一件事 · 2 家
  20. Hugging Face Daily Papers38

    D3D：解耦扩散草稿异步推测解码技术

    D3D 通过独立的扩散草稿器打破对目标模型隐藏状态的依赖，实现异步草稿与验证。在七个基准测试中，D3D 结合块状去噪和辅助自回归监督，使 Qwen3-8B 和 Qwen3-32B 的平均解码速度分别提升 5.00 倍和 5.71 倍，优于 DFlash（4.03 倍和 3.67 倍），并在 GSM8K 上达到 7.48 倍加速。代码、模型检查点和基准测试脚本已开源。

  22. Epoch AI65

    Epoch Capabilities Index 更新采用贝叶斯模型方法论

    Epoch Capabilities Index (ECI) 更新采用贝叶斯模型方法论，提供更可靠的模型能力不确定性估计及模型间能力比较概率。新方法基于四参数逻辑斯蒂（4PL）项目反应理论（IRT），使用 Claude 3.5 Sonnet（ECI 130）和 GPT-5（ECI 150）作为锚点模型，通过线性变换固定参数位置和尺度，实现跨时间一致性。

  24. Latent Space60

    Latent Space 报道 AI 领域最新动态及深度访谈

    Latent Space 报道 AI 领域最新动态，包括前沿大模型直接编辑权重技术（如 GPT-6 Astra 编辑 Qwen3.5-0.8B 权重使 MATH-500 从 7.9% 提升至 48.1%），以及腾讯 Hy4 在 APEX-Agents 上取得 75.2 分、Kimi K3.1 Pro 在 Agent Arena 排名第 14 位的最新评测结果。

    同一件事 · 4 家
  25. AWS Machine Learning Blog

    使用 Amazon Bedrock AgentCore 评估决策模型

    Amazon Bedrock AgentCore 评估支持使用 15 个内置评估器或自定义评估器（LLM 或代码）对智能体进行评分。决策模型适用于具有固定答案集的问题，如 Jev 和 Strands Decider 2B，它们提供校准概率而非自由文本。代码示例展示了如何将 AgentCore 评估输入转换为决策模型请求，并将模型概率转换回评估结果。

  27. Google Research

    Agile Deliberation：AI 如何协助人类定义主观概念边界

    Agile Deliberation 框架通过迭代对话协助人类定义主观概念边界，将模糊想法转化为精确的 AI 指令蓝图。该框架分为概念界定和概念迭代两阶段，通过直接反馈处理模糊图像，在 18 次 1.5 小时用户实验中显著降低用户疲劳和焦虑，使 AI 模型性能优于标准基线。

    同一件事 · 2 家

    各家口径不同：谷歌研究提到用户实验减少疲劳和焦虑；MarkTechPost 关注 F1 分数提升。

  30. AWS Machine Learning Blog38

    Indegene 如何在 AWS 上构建 LLM 驱动的数据质量代理以实现企业级数据质量现代化和扩展

    Indegene在其NEXT统一数据平台（NEXT UDP）上AWS上构建了一个生产级LLM驱动的数据质量代理，该代理生成上下文感知的数据质量规则，并在集中式人工审核治理下验证并生成可运行的SQL和Python代码，帮助企业以企业规模提升数据质量并减少构建和维护数据质量程序的精力。

  31. The Decoder

    Anthropic 发布 FlashProve 原型，通过密码学验证 AI 响应是否来自声称的模型

    Anthropic 发布了 FlashProve 原型，使用 zkSNARK 技术验证 AI 响应来源，不暴露模型权重。该系统在 H100 GPU 上为 400B 参数的 Llama 4 Maverick 生成证明的速度约为 110 tokens/秒，证明大小约 19 MB，验证耗时 17 秒，但相比正常推理有 70x-95x 的开销。

    同一件事 · 5 家

    各家口径不同：MarkTechPost 称证明体积为 18.78 MB；The Decoder 称证明体积约为 19 MB。

11月4日周三
  1. Together AI Blog50

    Together AI 推出 Polymorphic Inference：自适应开源模型推理技术

    Together AI发布Polymorphic Inference技术，通过AI智能体持续编译优化开源模型推理性能，以应对模型发布加速、架构多样化、工作负载和硬件平台快速变化带来的挑战。该技术使推理系统能够根据动态环境快速适应，例如在80%的OpenRouter流量来自近三个月发布的模型背景下，实现接近硬件极限的性能。

  2. Hugging Face Daily Papers34

    LoCo：一种用于推理压缩的本地偏好学习方法

    LoCo 通过本地偏好学习来教导推理模型何时停止推理，在数学和代码任务中大幅减少输出长度，同时保持或提高准确性。该方法在数学任务上减少完成长度 41.7%--45.4%，在代码任务上减少 23.4%--36.3%，并保持或提高准确性，同时在所有代码基准中实现最佳 AUC。LoCo 的代码和模型将公开发布。

  4. Hugging Face Daily Papers65

    EvoTeam：通过演化团队实现多智能体协作

    EvoTeam 通过执行经验联合演化团队组织、交互规则和智能体技能，同时保持可重用的团队库，在四个基准测试中展示了有效性。它维护一个可重用团队库，通过特定团队交互规则指导协作，并在兼容的团队上下文中积累协作经验，而个体技能可在不同团队间复用。