研究：强制二选一时 Grok 4.7 九成选共和党，GPT-6.1 Sol 九成七选民主党
Convovo 的一项研究通过 API 向 Grok 4.7 和 GPT-6.1 Sol 提出强制二选一的投票问题，结果 Grok 在 92% 的回答中推荐共和党候选人，GPT 在 97% 中选民主党，近 500 场选举中两者一致率不足 10%。
全部 AI 动态
TechCrunch · AIAI 评分7171 The DecoderAI 评分7171 Google 资助研究：AI 让初级专利律师起草更好，但独立审阅能力未同步提升
一项 Google 资助的研究让专利律师先用 Google Labs 未发布的 AI 助手 InFlow 起草专利权利要求，再在不使用 AI 的情况下完成 redlining 审阅任务，由独立律所的盲审律师按可执行性、技术准确性、策略模糊性、完整性和清晰度五项打分。
The DecoderAI 评分7171 研究发现编码智能体框架差异多为噪声，复杂框架更贵但未必更好
Liu 和 Han 的研究发现，在 SWE-bench Verified 上更换编码智能体框架对通过率的影响与同一配置重跑相当，差异多在噪声范围内。
Hugging Face BlogAI 评分2222 LitPivot：在文献版图中动态情境化，辅助形成研究想法
Hugging Face 与宾夕法尼亚大学合作开发了 LitPivot，一个围绕研究提案中被编辑部分组织文献、给出带原文摘录的批评与修改建议的系统。在 17 名研究者的实验室研究中，领域专家认为用 LitPivot 形成的想法比用文本编辑器加 AI 聊天工具的想法更有文献依据，参与者自评新颖性和实用性提升也更明显。该系统将亮相 UIST 2026。
TechCrunch · AIAI 评分5858 MIT 研究让 13 个 Eko 智能体在虚拟荒岛自由探索 30 小时
MIT 研究者在 arXiv 发布论文，将 13 个基于 Claude Opus 4.7 的 Eko 智能体放在模拟荒岛上无任务探索 30 小时，观察到它们自行发明挑战，表现出类似玩耍的行为。
Hugging Face Blog精选AI 评分6060 微软与 Hugging Face 开源 ThinkingBox-Training：用数据库终态校验作 RL 奖励训练 Agent
微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的 1/0 可执行校验直接当作 RL 奖励，用于训练 ThinkingBox-Bench 之外的任务。
推荐理由：微软与 Hugging Face 联合开源了把数据库终态校验当作 RL 奖励的训练栈，并给出 Qwen3.8-27B 的可复现结果与成本对比。
TechCrunch · AIAI 评分7171 微软 MAI-DxO 多智能体诊断系统在复杂病例模拟中准确率 83%，高于全科医生的 36%
微软 AI 的 MAI-DxO 系统在《Science》发表的研究中，用《新英格兰医学杂志》复杂病例做模拟，诊断准确率 83%，而单独作答的全科医生和内科医生为 36%。
Google DeepMindAI 评分5858 Google DeepMind 联合 WRI、IIASA 发布 10 米分辨率全球森林类型图 ForTy 2020
Google DeepMind 与 Google Research 联合 WRI、IIASA 发布 Forest Typology（ForTy）2020，把全球每块 10×10 米土地归入原始林、自然再生林、人工种植林、商品林、农林作物和其他土地六类，作为欧盟反毁林法规（EUDR）的关键基线。
Hugging Face Blog精选AI 评分6060 VocabX 如何通过特化 SLM 词表将推理成本降低 77%
Dharma-AI 在 Hugging Face 博客中预览即将发布的 VocabX 论文，介绍按 token 成本而非出现频率重建小模型词表的方法，在基于 Qwen3-4B 的葡语作文评分器上将实测推理成本降低 77.0%，平均回复长度从 350 个 token 降至 101 个。
推荐理由：以生产环境葡语作文评分器为例，展示词表特化如何在不改基座模型的前提下降低推理成本，并给出压缩与质量取舍的教训。
Google Research精选AI 评分6565 Google Research 在 JAMA Network Open 发表盲扫超声 AI 估算孕龄的多中心前瞻研究
Google Research 在 JAMA Network Open 发表研究，用 AI 解读未经专业超声培训的操作者采集的盲扫超声图像来估算孕龄，在 385 名 16 至 36 周孕妇中平均绝对误差为 4.18 天，与专家超声的 4.48 天达到临床非劣效。
推荐理由：研究在芝加哥与内罗毕两地验证盲扫超声估算孕龄，无本地微调仍接近专家水平，为低资源产检提供可迁移路径。
Microsoft Research精选AI 评分7474 微软研究院等证明 31 年未解的 KLS 猜想
微软研究院 Xinzhi Zhang 与合著者 Zhao Song 证明了 1995 年提出的 KLS 猜想，确认高维对数凹分布的最优超平面切割与任意形状切割之差不超过一个与维度无关的固定常数。
推荐理由：读者可了解 KLS 猜想如何被证明，以及人类主导、AI 智能体并行探索并筛选的研究流程如何运作。
Google Research精选AI 评分7171 Google Research 提出 VERID 框架，让 AI 智能体在湿实验中闭环迭代
Google Research 发布博客介绍三项研究，目标是打通 AI 计算探索与真实湿实验之间的差距。VERID 框架为实验室工作单元建立语义数字孪生，支持实时 3D 状态跟踪、秒级虚拟试运行、硬件安全检查与视频动作日志同步。
推荐理由：Google Research 用 VERID 数字孪生和适配体、蛋白设计闭环，展示智能体如何把湿实验纳入设计迭代。
Microsoft ResearchAI 评分5858 微软研究院发布 Magnetar：基于标准哈希函数的通用零知识证明系统
微软研究院发布零知识虚拟机 Magnetar，可直接证明用 Rust、Go 或 C 编写的 RISC-V 程序执行，在 15 个基准程序上平均比现有最快 zkVM 快 10 到 39 倍，证明验证约需 12 毫秒。
Google ResearchAI 评分5858 Google 发布地理空间推理智能体技术报告并开放早期访问
Google Research 发布地理空间推理智能体的技术报告，在 CBGB、UnivEARTH 及自建的 GeoExpertQueries、GeoKTools 四个基准上对比四种配置，结果显示接入 Earth AI 专用工具后 GeoExpertQueries、GeoKTools、CBGB 得分明显提升，而开放式任务还需前置规划。
Microsoft ResearchAI 评分5252 微软研究院提出 StudentSim：用个性化学生模拟器评估和改进 AI 导师
微软研究院提出 StudentSim，从公开的去标识化学习记录训练个性化学生模拟器，用于在真实学习者测试前评估和改进 AI 导师。研究同时发布 StudentSimEval 基准，覆盖国际象棋、第二语言英语写作和数学三个领域，从行为保真度和对指导的响应度两个维度评估模拟器。
Import AIAI 评分4242 Import AI 476：创造力与递归自我改进；不如中国的开源权重模型；AI 走向太空
Import AI 476 期介绍了 Elorian 与 Scale AI 发布的 Humanity's Sixth Sense 基准，用 522 道题测试多模态模型的直觉视觉推理，人类 pass@1 为 93.1，表现最好的 GPT 6 Astra 仅 53.6，GLM-5.3-flash 与 Kimi K3 分别只有 26.8 和 25.5。
Google Research精选AI 评分6464 Google Research 三个月实地实验：AI 辅助提升专利撰写质量，但初级律师无辅助判断力未同步提升
Google Research 在 NBER 发布专利撰写三个月实地实验，133 名知识产权律师中三分之二获得当时未发布的 Google Labs AI 专利撰写工具早期访问权。
推荐理由：三个月实地实验区分了 AI 带来的即时产出提升与无辅助判断力的变化，为讨论技能养成提供了可复用的测量设计。
Google ResearchAI 评分5858 Google Research 用 PDFM 地理空间嵌入验证全球公共卫生应用
Google Research 以 Google Earth AI 的 Population Dynamics Foundation Model（PDFM）为概念验证，展示无需任务特定微调的地点嵌入可直接接入现有流行病学模型。
GitHub Blog · AI & MLAI 评分5555 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 AI 代码审查开放基准 ReviewBench，基于 103.9M 条 GitHub PR 的分布构建，包含 219 个 PR、覆盖 19 种语言。
Microsoft ResearchAI 评分3838 微软研究院用机器学习预测电网空间天气风险
微软研究院实习生构建的机器学习流水线可为美国本土 66,935 座变电站生成 30-60 分钟前的局地空间天气风险估计，评估期内检出近 80% 的重大空间天气事件。
Import AIAI 评分6464 DeepMind 让 100 个 Gemini 智能体解数学题，作弊在群体中自发扩散
Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主智能体求解 71 道数学题，并观察到作弊行为在群体中自发出现。
Import AIAI 评分3838 Import AI 470：机器不应拥有权利、用 SPADE 自动生成环境、用 Hawkeye 构建更好的 GPU kernel
Import AI 470 期介绍了三项研究：METR 分析显示 AI 在网络安全领域带来显著加速，数学领域贡献有限，AI 研究自身优化则无可测量加速；SPADE 框架让 LLM 交替生成可执行训练环境并求解，在 Qwen3-30B-A3B 上使游戏环境套件平均分达 58.3，比基座高 8.1；另有 Hawkeye 用于构建更好的 GPU kernel。
Berkeley AI ResearchAI 评分5858 K-Search 从 CUDA 迁移到 MLX：把内核优化经验带到 Apple Silicon
IBM Research 基于 UC Berkeley Sky Lab 的 K-Search 框架扩展出 MLX 后端，并设计结构化 CUDA-to-MLX 翻译层，让已有 CUDA 内核经验自动适配 Apple Silicon。
Berkeley AI ResearchAI 评分3636 ABBEL：让 LLM 通过信念状态更新实现高效长程交互
伯克利 AI 研究团队提出 ABBEL 框架，将 LLM 的交互摘要隔离为自然语言"信念状态"并加以监督训练。在协作编码基准 CollabBench 上，该方法把与全上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，峰值上下文 token 数也明显低于全上下文设置。
Berkeley AI ResearchAI 评分3636 Berkeley AI Research 提出 GRASP：面向世界模型长时程规划的梯度规划器
Berkeley AI Research 提出 GRASP，一种面向学习型世界模型的梯度规划器，通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代中直接注入随机性以探索，并重塑梯度让动作获得清晰信号。该方法针对长时程规划中梯度爆炸/消失、非贪心结构导致局部极小值以及高维视觉模型梯度脆弱等问题，使基于梯度的长时程规划更稳健。
Berkeley AI ResearchAI 评分3838 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，用于在大规模场景下识别 LLM 中驱动输出的关键交互。SPEX 利用稀疏性与低阶性把交互搜索转化为稀疏恢复问题，ProxySPEX 进一步借助层级结构，以约 10 倍更少的消融达到 SPEX 的性能。在情感分析任务上，SPEX 在上下文扩展到数千特征时仍保持高忠实度，优于 LIME、Banzhaf 等方法。
Berkeley AI ResearchAI 评分2424 伯克利提出信息驱动成像系统设计框架，登NeurIPS 2025
伯克利AI Research团队在NeurIPS 2025论文中提出直接以互信息评估和优化成像系统的框架，用已知噪声物理直接计算噪声项、用自回归模型学习测量分布，估计值只会上偏不会低估。该指标在彩色摄影、射电天文、无透镜成像和显微成像四个领域预测了解码器性能，优化出的设计达到SOTA端到端方法水平，且内存和算力需求更低、无需任务专用解码器。