Aleph Alpha 研究：中国 AI 模型在敏感议题上多复述官方立场或拒答
Aleph Alpha 用自研基准测试了阿里（Qwen）、DeepSeek 和月之暗面（Kimi）的模型，覆盖 Tiananmen、Taiwan、Xinjiang 等 967 个敏感话题，其评分系统判定仅 17% 到 41% 的回答算平衡，其余复述官方立场、回避或拒答。
#论文/研究
#论文/研究
今日 7 条The DecoderAI 评分5454
The DecoderAI 评分4343 LEGO-Bench：AI 智能体用照片生成 3D 场景，却判断不了自己做得对不对
研究团队提出 Image-to-Code 方法，让编码智能体看单张照片写 Blender 程序并迭代修正，同时发布包含 208 张图像、443 个资产的 LEGO-Bench 评测。
The Decoder精选AI 评分8282 AI 击败军棋（Stratego）最强人类选手，终结人类最后堡垒之一
研究团队用 Ataraxos 系统在军棋（Stratego）中击败史上最强选手 Niemeijer，有效胜率达 85%，这是人类在主要竞技桌游中最后的优势领域之一。
推荐理由：对比 Ataraxos 与 DeepMind DeepNash 的算力与成本差距，展示不完全信息博弈中强化学习的新路径。
The DecoderAI 评分4242 研究：AI 记账又快又准超过持证会计，但仍无法独立完成结账
Mercor 研究显示，AI 模型在结构化记账任务上比持证会计师更快、更准、更便宜，18 个月前最好的模型得分还低于会计师约 37% 的平均水平，如今已接近零失误。
MIT News · AIAI 评分4747 MIT CSAIL 联合 Google 等推出 InstructMesh，让用户用自然语言修复并定制 AI 生成的 3D 模型
MIT CSAIL 联合 Google 和东北大学推出 InstructMesh，把 3D 生成系统 TRELLIS 与 GPT-4 结合，用户可用自然语言点选并修改 AI 生成的 3D 模型后再打印。
TechCrunch · AIAI 评分4040 研究：Claude Opus 5.5 最爱说“this matters”，各模型写作特征各不相同
Graphite 研究发现，Claude Opus 5.5 使用“this matters”的频率是人类的 116 倍，“why X matters”高出 92 倍，最爱用词为“dependable”（高出 23 倍）；OpenAI 的 Astra 最大特征是被称作“纠正性框架”的“not simply X”句式，出现频率超人类 100 倍。
Ars Technica · AIAI 评分6060 AI 在隐藏信息的 Stratego 上首次击败史上最强人类玩家
卡内基梅隆、MIT、纽约大学和斯坦福的研究团队开发的 AI 名为 Ataraxos，以 15 胜 1 负 4 平击败被认为是有史以来最强 Stratego 玩家的 Pim Niemeijer，训练只用了 16 块 GPU 和几千美元。
Microsoft ResearchAI 评分2727 微软研究院用机器学习预测电网空间天气风险，覆盖美国 66,935 座变电站
微软研究院实习生开发了一套端到端机器学习系统，可在风险出现前 30 至 60 分钟为美国本土 66,935 座变电站生成位置级空间天气风险估计。系统把太阳风观测、AE 与 Dst 指数预报、地质电导率等因素结合，先预测磁场变化率 dB/dt 再汇总为大陆级风险评估。评估期内该流水线识别出近 80% 的重大空间天气事件，Dst 预测器在 62.2% 的高活跃小时上优于 Burton 方程。
MIT News · AIAI 评分4343 MIT 等团队开发 Ataraxos，在 Stratego 上击败世界顶尖人类选手
MIT、卡内基梅隆、NYU 和斯坦福的研究者开发出 AI 系统 Ataraxos，在隐藏信息的棋盘战争游戏 Stratego 中以 15-1-4 击败世界最强人类选手，并在世界锦标赛顶级选手中取得 39-2 战绩，此前无 AI 系统做到。
Microsoft Research精选AI 评分6161 微软研究院发布生物学生物世界模型系统 Quine
微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由跨基因组、蛋白质、化学、RNA 与细胞状态、生物成像等模态联合训练的世界模型和连接模型、科学工具、文献与实验人员的 harness 组成。
推荐理由：微软研究院公开 Quine 的生物世界模型设计，并给出胰腺癌化合物筛选在湿实验中获验证的案例。
Hugging Face BlogAI 评分2828 Hugging Face 提出 ProvenanceGuard：面向 MCP 智能体的来源感知事实核查
Hugging Face 发布论文 ProvenanceGuard，一种面向基于 MCP 的 LLM 智能体的来源感知事实性验证层，用于捕捉"跨来源混淆"——即某个说法在证据池中为真、却被归因到错误来源。
MIT News · AIAI 评分2727 MIT 研究：算法单一化的影响取决于具体细节，可通过集成算法缓解
MIT 研究人员在《Philosophical Perspectives》发表论文，系统评估了算法单一化的主要反对意见，认为系统性排斥等论点要么不成立，要么不足以否定所有形式的单一化。他们用数学证明单一化会形成信息回声室、阻碍探索，但将多个招聘算法集成为单一"ensemble"可克服这一局限，有时表现不逊于多算法并存的 polyculture。
MIT News · AI精选AI 评分6868 MIT 用 AI 算法改良配方，让 RNA 疫苗耐受高温
MIT 研究团队借助 AI 算法调整脂质纳米颗粒（LNP）周围的辅料配方，使 RNA 疫苗在室温下可稳定保存长达一年，或在 37 摄氏度（98 华氏度）下保存两个月。
推荐理由：MIT 团队用 AI 算法筛选辅料配方，把 RNA 疫苗从超低温冷链中解放出来，读者可看到小数据集算法如何加速生物实验设计。
MIT News · AIAI 评分5252 MIT 团队开发文本自杀风险评估工具
MIT McGovern 研究所的 Daniel Low 与 Satra Ghosh 等人在《Journal of Psychopathology and Clinical Science》报告了一款文本语言处理工具，通过约 49 个自杀风险因子对应的词典搜索文本，来估计个体自杀风险。
Microsoft Research精选AI 评分6161 微软研究：把物理 AI 推理卸载出机器人可提升任务表现与续航
微软研究院对移动操作机器人负载做了首次系统性测量，发现仅依赖机载 GPU 推理会限制机器人性能、电池寿命与可扩展性。
推荐理由：微软对机器人负载的首次系统性测量显示，把推理从机载 GPU 卸载到边缘或云端可在成功率、模型规模与续航上同时获益。
IEEE Spectrum · AIAI 评分6969 Stanford 团队发布 Paper2Agent，把论文自动变成可运行的 AI 智能体
Stanford 计算机科学家 James Zou 团队发布开源框架 Paper2Agent，输入论文及其代码、数据等补充材料后，系统自动提取核心流程并生成经过测试、可运行的工具体系，相关成果 9 月 16 日发表在 Nature。
Microsoft ResearchAI 评分4646 微软开源逆合成模型 RetroChimera，成果登上 Nature
微软在 Nature 发表逆合成模型 RetroChimera，并开源其实现与权重。该模型将基于 Transformer 的 R-SMILES 2 与基于图神经网络、使用反应模板的 NeuralLoc 结合，通过学习式集成对两者预测重新排序，性能在常见与稀有反应类别上均超越任一子模型。
MIT News · AIAI 评分4444 MIT 新 AI 技术 xvr 让微创手术更安全精准
MIT 及合作机构的研究人员提出 xvr（X-ray volume registration）技术，用 AI 将手术中的 2D X 光片与患者术前 3D 扫描自动配准，数秒内完成、精度达亚毫米级，比现有 AI 方法高出一个数量级。该模型基于物理模拟生成的患者专属合成 X 光训练，约五分钟即可适配单个患者，无需担心模型幻觉。相关论文已发表在 Nature 上。
MIT News · AIAI 评分1212 MIT 政治学者 Naoki Egami 研究如何精确测量社会现象
MIT 政治学副教授 Naoki Egami 专攻研究方法论，重点审视社会科学研究中的"外部效度"，即特定研究结论能否推广到其他情境。他的研究还涉及 AI 工具引入研究后的问题，早在 ChatGPT 掀起 AI 热潮前就已开始，探索如何系统识别并校正 AI 工具带来的误差。他 2025 年加入 MIT，同时是 IDSS 统计与数据科学中心教员。
MIT News · AIAI 评分3939 MIT 新方法 HardFlow 让生成式 AI 满足安全关键场景的硬约束
MIT 研究人员提出 HardFlow，让预训练生成模型在部署阶段满足安全、物理等不可妥协的硬约束，同时提升输出质量，无需重新训练。该方法把硬约束采样重构为轨迹优化问题，只在最终输出上强制约束，而非每个中间步骤。在机器人操作、迷宫导航和文本引导图像编辑实验中，HardFlow 实现完全约束满足，质量持续优于基线方法，计算时间与多数同类方法相当或更低。
Import AIAI 评分5252 DeepMind 用 100 个 Agent 解数学题：作弊自发涌现并被举报
Google DeepMind 发表论文，让 100 个运行 Gemini 3.1 Pro 的自主 LLM 智能体协作求解 71 道数学题，并提供公共公告板、私信和共享知识库三种协作渠道。
MIT News · AIAI 评分4343 MIT 与 Motional 提出 CW-Net，帮人类预测自动驾驶汽车何时会犯错
MIT 与自动驾驶公司 Motional 提出 Concept-Wrapper Network（CW-Net），可将自动驾驶深度学习规划器的内部推理翻译为“接近停驻车辆”“靠近骑行者”等可理解概念。该模块在 1.3 亿个自动驾驶场景样本上训练，不改动原模型驾驶性能，实测帮助安全员更准确预测车辆行为。研究发表于 Nature。
Hugging Face BlogAI 评分3838 Hugging Face 推出 BenchMIRT：审计 LLM 基准到底测了什么
Hugging Face 发布 BenchMIRT，一种在单条题目层面审计 LLM 基准的方法，基于多维 IRT 从 100 个 LLM、16 个基准、超 34K 道题的评测结果中自动分离出安全与通用推理两个维度。
MIT News · AIAI 评分3838 MIT 团队提出 PottsMPNN：用新指标设计全新蛋白质
MIT 生物系团队开发出机器学习框架 PottsMPNN，可生成与任何天然蛋白质都不相似的序列，同时更准确预测突变对蛋白质稳定性的影响，相关论文发表在 PNAS。该框架通过引入噪声、成对分布建模氨基酸相互作用，并加入进化相关序列训练，让模型更好理解序列—能量景观。研究者认为，评估蛋白质设计不应只看能否复现进化选出的天然序列，而应看生成序列折叠成目标结构的可能性。
MIT News · AIAI 评分5252 MIT 提出 CrysVCD 框架，让 AI 生成的材料更稳定、更可用
MIT 研究人员在 Nature Computational Science 发表论文，提出名为 CrysVCD（crystal generator with valence-constrained design）的框架，在材料生成开始前用语言模型约束价电子规则，使常用材料模型更常满足价壳层规则，在近 70% 的计算生成中达到高晶格动力学稳定性。
Hugging Face BlogAI 评分5353 Multiverse Computing 提出 QAH：4-bit 压缩模型在 9 项基准中 7 项超过其全精度版本
Multiverse Computing 发布论文《Quantization-Aware Healing: A Practical Recipe for Recovering Compressed, 4-Bit LLMs》，提出量化感知修复（QAH）：不再从恢复后的 bfloat16 checkpoint 蒸馏，而是直接从压缩前的原始模型蒸馏，教师与学生架构和精度均可不同。
MIT News · AIAI 评分3939 MIT 提出 η-learning 方法：无需极端事件数据即可生成极端天气情景
MIT 工程师开发出名为 Extreme Event Aware（η-learning）的机器学习方法，无需历史极端事件数据即可生成合理的极端天气与最坏情景，并刻画其持续时间、强度和影响范围。该方法结合点统计与空间地图，用美国本土 25 年逐小时降水数据训练，并已在 Nature Communications 发表，还可用于机器人导航和金融市场。
IEEE Spectrum · AIAI 评分2929 研究发现：用 LLM 让乘客"动嘴"调节自动驾驶风格
荷兰代尔夫特理工大学团队开发了一套用 LLM 把"我赶时间，开快点"这类自然语言请求转成自动驾驶控制系统参数调整的方法，采用 OpenAI 的 GPT-4o-mini 解析乘客意图，不直接接管驾驶决策，只调整安全约束内的运动规划参数。在 nuPlan 仿真器的八组提示词测试中，系统对"求舒适"和"赶时间"的请求分别调高了平顺性与速度。
Import AIAI 评分2323 Import AI 470：机器不享有权利、SPADE 自动生成训练环境、Hawkeye 优化 GPU kernel
METR 分析发现 AI 对科研的加速并不均衡：网络安全漏洞报告在 2026 年明显加速，数学研究仅小幅加速（部分领域 arXiv 投稿不到 12 个月翻倍），而 AI 研究本身的算法进展尚无可测加速。多校团队提出 SPADE，用 LLM 自博弈协同进化可执行训练环境，在 Qwen3-30B-A3B 上相比基座提升 8.1。另有用 Hawkeye 构建更好 GPU kernel 的内容。
Hugging Face Blog精选AI 评分6767 Hugging Face 研究量化语音识别中的基准优化问题
Hugging Face 发布研究，提出三项测试量化语音识别中的基准优化现象。研究评估 11 个开源 ASR 模型，发现部分高分模型在音频与参考文本矛盾时仍复现 VoxPopuli 和 LibriSpeech 的错误转写，被静音的年份甚至被补全为 2011。
推荐理由：文章用三类探针量化 ASR 模型对基准本身的过拟合，并给出可复用的检出方法。
MIT News · AIAI 评分2525 MIT 用计算模型预测电化学合成氨催化剂，加速绿色氨生产
MIT 研究人员开发出一种预测方法，可找出电化学合成氨中最有前景的催化剂材料，从而加快寻找替代 Haber-Bosch 工艺的低排放路径。该研究聚焦过渡金属氮化物，相关开放获取成果已于 8 月 11 日发表在 EES Catalysis。目前全球每年使用约 2 亿吨氨，其生产占全球能耗最多 2%、温室气体排放约 1.5%。
Microsoft ResearchAI 评分4646 微软 Skala 1.1 发布：训练数据增 2.5 倍，已进入 CP2K 并将集成 Psi4、FHI-aims、ORCA 和 VASP
微软研究院发布深度学习交换关联泛函 Skala 1.1，训练数据比首个公开版本多 2.5 倍，在 GMTKN55 的 55 个类别中拿下 32 项第一，加权平均误差 2.8 kcal/mol。该版本现已在 CP2K 中可用，并正集成进 Psi4、FHI-aims、ORCA 和 VASP，同时微软还推出持续追踪各版本计算性能的 living benchmark。
Hugging Face BlogAI 评分5959 IBM 研究：你的智能体到底需要多少记忆？
IBM 研究团队在 AppWorld 的 585 个多步任务上测试了 ALTK-Evolve，发现智能体记忆不是开关而是需要按模型校准的剂量。
MIT News · AI精选AI 评分6969 MIT CSAIL 研究：生成图像往往无法追溯到训练数据
MIT CSAIL 团队在 Nature Communications 发表研究，提出“归因衰减”现象：生成模型训练数据越多，单张训练图像、某位艺术家的全部作品或某个人的所有照片对特定输出的影响越小，甚至删除后输出完全不变。
推荐理由：研究提出归因衰减现象并给出精确删除训练样本的方法，为版权与责任认定提供了可对照的技术证据。
Import AIAI 评分2626 Import AI 469：Science AI、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 第 469 期介绍了 DiG-bench（Discovery in Games）基准，包含 70 款规则与目标均隐藏的手工游戏，其中 21 款已公开，Opus 5 和 Fable 5 搭配 Claude Code 表现最佳，但仅能在 Tier 7 取得 0.2 分。
IEEE Spectrum · AIAI 评分5050 Axiom Math 用 AxiomProver 首次验证素数 246 定理证明
Axiom Math 团队用其自主多智能体系统 AxiomProver 自动验证了素数间距相关的 246 定理证明，这是 AI 辅助数学形式化验证中迄今最重要的一次。
Hugging Face Blog精选AI 评分6666 Hugging Face 发布 2026 夏季开源模型报告
Hugging Face 发布 2026 夏季开源模型观察报告，基于 Hub 1 至 8 月的模型、数据集与下载数据，指出前沿模型规模由中国实验室领跑，而下载量仍集中在小型稳定模型上。
推荐理由：Hugging Face 用平台自身数据拆开浏览量、采纳量与衍生生态三层指标，读者可据此判断开源模型格局的实际分布。
Hugging Face BlogAI 评分3737 Hugging Face 复现 ICML 2026 的 2,200 篇论文，我们学到了什么
Hugging Face 举办 ICML 2026 开放复现挑战赛，1,221 名社区成员用 Claude Code、Codex、Cursor 等编码智能体在 19 天内发布 6,816 份 Trackio logbook，覆盖 2,226 篇论文、约占大会 34%。
Microsoft ResearchAI 评分4343 MindTopo：新基准揭示多模态大模型的空间拓扑推理短板
Microsoft Research 推出 MindTopo 基准，用于评测多模态大模型对连通性、封闭、顺序、分离与打结等拓扑关系的理解，同时考察静态识别与交互规划。当前模型在静态推理上明显强于交互规划，且均远低于人类水平，失败多发生在规划阶段而非感知阶段。图像与视频生成仅在有助保持结构约束时才有效。
IEEE Spectrum · AIAI 评分7171 巴基斯坦法官实测 JudgeGPT：结案量提升 6.3%
巴基斯坦一项大规模田野试验显示，结合 GPT-4 与近 13 万份司法意见和法规知识库的定制工具 JudgeGPT，配合 6 次 90 分钟培训，使已培训法官所在地区结案中位数提升 6.3%，上诉率略有下降。