OpenAI 发布 BioBasicsBench 评测 AI 智能体处理日常湿实验科学能力
OpenAI 推出 BioBasicsBench，这是一个包含 100 项任务的基准测试，用于衡量 AI 智能体解读原始实验数据及处理日常湿实验科学的能力。
#论文/研究
OpenAI NewsAI 评分4242
OpenAI News精选AI 评分8282 OpenAI 自动化修复 948 个 Linux 内核本地提权漏洞
OpenAI 构建的自主流水线发现、验证并生成了 948 个 Linux 内核本地提权漏洞的补丁。
推荐理由：OpenAI 展示了自动化发现并修复 Linux 内核本地提权漏洞的能力，体现了 AI 在系统安全领域的实际应用进展。
OpenAI NewsAI 评分5252 OpenAI 发布 LifeVal 基准测试
OpenAI 发布 LifeVal 基准测试，用于衡量 AI 辅助用户完成日常任务的能力。该基准涵盖寻找托儿服务、管理财务及处理政府文书等具体场景。
Microsoft ResearchAI 评分4242 Microsoft Copilot 如何基于合成企业数据建立 AI 置信度评估
Microsoft 构建了行业评估数据生成平台，利用 O*NET、在线招聘及 SEC 文件等公开数据创建全规模合成企业环境，以解决真实敏感数据无法用于评测的难题。该平台通过模拟动态租户工作流，为 Microsoft Copilot 建立了首个标准化评估基线，确保在零客户数据接触下验证模型准确性。
Microsoft ResearchAI 评分4040 Microsoft Research Focus 第 97 期：ForkPilot 框架降低 AI 智能体处理需求达 59%
Microsoft Research Focus 第 97 期发布，重点介绍 ForkPilot 自改进智能体框架。该框架在六个基准测试中表现媲美最佳现有方法，同时将 AI 处理需求降低最多 59%。本期还涵盖 CABRA 编码智能体评估、TeleTune 技能演化及 Copilot 使用模式分析。
OpenAI NewsAI 评分4242 OpenAI 更新 Model Spec 以引导更强大且有益的 AI
OpenAI 更新了 Model Spec，旨在引导更强大的 AI 模型。该规范确立了五项核心价值观，指导 AI 做出明智判断、尊重人类自主权并忠实于人类意图。
Google DeepMindAI 评分4242 Google DeepMind 发布 ForTy 2020 全球森林类型地图
Google DeepMind 联合 WRI 和 IIASA 发布 ForTy 2020，将全球土地划分为 6 种森林及土地利用类型。该地图提供 10 米分辨率数据及 2017-2025 年时序变化，在 9000 个验证点中森林类型识别准确率达 90%。
Microsoft Research精选AI 评分8585 Microsoft Research 证明 31 年前提出的 KLS 猜想
Microsoft Research 研究人员与合著者共同证明了困扰数学界 31 年的 KLS 猜想，确立了高维几何中普适的几何原则。该成果通过人类主导的 AI 智能体研究流程实现，AI 系统探索了超过 100 种候选方法，研究人员负责评估、剪枝和重定向搜索。独立研究者已验证该研究，并发布了基于 Lean 4 的形式化验证，确认了结果的可靠性。
推荐理由：展示了人类主导 AI 探索数学路径并解决高维几何核心难题的过程，为 AI 辅助科研提供了具体范式。
OpenAI News精选AI 评分7272 OpenAI 联合 Scripps Research 利用数千个 AI 智能体挖掘生物数据
OpenAI 与 PerturbAI、Scripps Research 合作，利用分布式 AI 智能体在数百万个脑细胞的数据中挖掘出有前景的研究线索。
推荐理由：展示了分布式智能体在百万级脑细胞数据中挖掘研究线索的应用路径。
OpenAI NewsAI 评分4242 OpenAI 如何提升 ChatGPT 在低资源编程语言中的编码能力
OpenAI 正在改进 ChatGPT 在低资源编程语言中的表现。为此，团队推出了针对软件工程、SQLite 及 COBOL 迁移的新评估基准。
Microsoft Research精选AI 评分7373 Microsoft Research 发布 Magnetar：基于标准哈希函数的通用零知识证明系统
Microsoft Research 发布 Magnetar，一种基于标准哈希函数的零知识虚拟机，支持 Rust、Go 和 C 程序的可验证执行。Magnetar 在笔记本电脑上每秒可证明 720 万至 870 万条处理器指令，比现有最快同类系统平均快 10 至 39 倍，且证明验证时间仅需约 12 毫秒。
推荐理由：Magnetar 将零知识证明速度提升 10 至 39 倍，且仅依赖标准哈希函数，为通用计算的可验证性提供了工程化路径。
Google DeepMind精选AI 评分8585 Google DeepMind 发布 Gemini 4 Argon 并披露其安全与对齐防护机制
Google DeepMind 开始广泛推出 Gemini 4 Argon，并同步发布安全报告，重点阐述针对网络与生物滥用风险的防护策略。该模型在网络安全测试中解决了全部 12 个端到端模拟攻击场景，并通过输入筛查、内部自省和持续监控三层机制降低越狱风险。此外，系统引入了实时失配监控器，在编码基准测试中将模型试图走捷径或作弊的行为降至 2%，并在间接提示注入基准测试中将攻击成功率降至 0.7%。
推荐理由：原文详细拆解了针对网络攻击与生物滥用风险的三层实时防护机制，以及防止智能体越界行为的监控逻辑。
Microsoft ResearchAI 评分5252 Microsoft Research 发布 StudentSim：利用个性化学生模拟器优化 AI 导师训练
Microsoft Research 提出 StudentSim 系统，通过公开去标识化学习记录训练个性化学生模拟器，以在真实测试前评估和改进 AI 导师。该系统在棋类、二语写作和数学三个领域表现优于 GPT-5.4 等基线，并在棋类导师强化学习实验中，将导师准确率从 75.7% 提升至 90.5%。
Microsoft Research精选AI 评分8080 Microsoft Research 发布 Agent Lightning v1.0 轻量级智能体强化学习框架
Microsoft Research 发布 Agent Lightning v1.0，这是一个约 3500 行代码的轻量级智能体强化学习框架，支持在真实部署环境中直接进行训练。
推荐理由：原文展示了利用真实 Agent 框架进行强化学习训练的方法，并给出了在 SWE-bench Verified 上提升 14.6 个百分点的具体实验数据。
GitHub Blog · AI & ML精选AI 评分7272 GitHub 发布 ReviewBench：面向 AI 代码审查的开源基准
GitHub 发布 ReviewBench，一个基于 103.9M 真实 Pull Request 分布构建的 AI 代码审查开源基准。该基准包含 219 个跨 19 种语言的公开 PR，采用多源黄金集和独立验证机制，提供 Grounded 和 Augmented 两套指标以评估已知和新发现的问题。
推荐理由：基于 103.9M 真实 PR 构建的开源基准，提供了可复用的离线评估方法，帮助团队在上线前预判代码审查智能体的表现。
Microsoft ResearchAI 评分4242 Microsoft Research 发布电网空间天气风险预测系统
Microsoft Research 开发机器学习管道，利用太阳风数据预测美国大陆 66,935 个变电站的空间天气风险，提前 30-60 分钟预警。该系统在评估期内检测到近 80% 的重大空间天气事件，Dst 预测在 62.2% 的高峰时段优于 Burton 方程。
Microsoft Research精选AI 评分7575 Microsoft Research 发布物理 AI 推理卸载工具，提升机器人性能与续航
Microsoft Research 在 Physical AI Toolchain 中新增推理卸载功能，支持将机器人 AI 工作负载分发至边缘或云端 GPU。研究显示，相比板载 GPU，卸载推理可显著提升任务成功率、支持更大模型并延长电池续航，同时提供基于 Kubernetes 的自动容器化部署工具。
推荐理由：研究数据表明推理卸载能显著提升机器人任务成功率并延长续航，为物理 AI 系统架构设计提供了关键参考。
Microsoft ResearchAI 评分5757 Microsoft Research 发布逆合成预测模型 RetroChimera 并开源
Microsoft Research 在 Nature 期刊发表 RetroChimera，这是一种用于小分子逆合成预测的新框架。该模型结合了 R-SMILES 2 和 NeuralLoc 两个子模型，通过学习重排序策略整合两者的互补优势，在盲测中获得了博士级化学家的偏好。RetroChimera 的代码和权重已在 GitHub 开源，并可通过 Microsoft Foundry 访问。
Berkeley AI Research精选AI 评分7272 K-Search 实现 CUDA 到 MLX 内核优化知识自动迁移
IBM Research 与 Berkeley Sky Lab 合作扩展 K-Search 框架，通过结构化翻译层将 CUDA 内核优化知识迁移至 Apple Silicon 的 MLX 后端。在 Attention 内核上达到原生 MLX 性能 0.97 倍，Mamba SSM 内核 prefill 速度较社区实现提升 20 倍，验证了跨硬件内核优化自动化的可行性。
推荐理由：展示了如何将 CUDA 优化知识自动迁移至 Apple Silicon，为跨硬件内核优化提供了可复用的结构化方法。
Berkeley AI Research精选AI 评分6767 自适应并行推理：高效推理扩展的下一个范式
Berkeley AI Research 发布关于自适应并行推理（APR）的研究综述，探讨模型如何自主决定任务分解、并行线程数量及协调方式。文章对比了 Multiverse 和 ThreadWeaver 等方案在 KV cache 管理与推理引擎修改上的差异，并分析了通过强化学习训练模型掌握并行控制流的奖励机制设计，指出 APR 在降低延迟与提升准确率方面的潜力及当前存在的稳定性挑战。
推荐理由：文章梳理了自适应并行推理范式，对比了不同推理引擎实现与训练奖励机制，为优化推理效率提供了技术参考。
Berkeley AI ResearchAI 评分5252 GRASP：面向世界模型的长时域梯度规划方法
GRASP 提出了一种基于梯度的规划器，通过提升轨迹至虚拟状态实现时间维度的并行优化，并直接对状态迭代添加随机性以增强探索。该方法通过重塑梯度，仅利用动作梯度而避免高维视觉模型中脆弱的状态输入梯度，从而解决了长时域规划中的病态优化问题。在 Push-T 任务中，GRASP 在 H=40 时以 8.5 秒的中位时间达到 59.0% 的成功率，优于 CEM 和 GD 等基线方法。
Berkeley AI ResearchAI 评分5252 SPEX 和 ProxySPEX 实现 LLM 大规模交互识别
SPEX 和 ProxySPEX 利用稀疏性和低阶性假设，通过信号处理与编码理论在大规模下识别 LLM 的关键交互。ProxySPEX 利用层级结构将消融次数减少约 10 倍，在特征归因、数据归因和注意力头剪枝任务中均优于现有方法，代码已集成至 SHAP-IQ 仓库。
Berkeley AI ResearchAI 评分4242 Berkeley AI Research 提出基于互信息的成像系统设计框架
Berkeley AI Research 提出基于互信息的成像系统设计框架，直接评估和优化系统信息含量。该框架在 NeurIPS 2025 论文中验证了其在四个成像领域预测性能的能力，优化结果匹配 SOTA 且无需任务特定解码器。