MIT 研究：AI 智能体在虚拟荒岛无目标玩耍 30 小时后任务表现更好
MIT 研究者把 13 个名为 Eko、各自运行在 Claude Opus 4.7 上的 AI 智能体放到模拟荒岛上自由探索 30 小时，期间它们自行发明挑战，表现出玩耍的特征。
#论文/研究
TechCrunch · AIAI 评分5858 The Verge · AI精选AI 评分7777 微软称其 AI 诊断工具在诊断准确率上超过医生
微软公布名为 Diagnostic Orchestrator 的诊断系统，用多个 AI 智能体推理症状与病史、决定检查项目并给出诊断，研究结果发表在 Science。
推荐理由：微软用多智能体编排做诊断，在自建 SDBench 上把准确率与医生拉开差距，也交代了临床验证尚未完成。
TechCrunch · AIAI 评分7171 微软 MAI-DxO 多智能体诊断系统在《Science》发表研究，疑难病例准确率达 83%
微软 AI 的多智能体诊断系统 MAI-DxO 在《Science》发表的模拟研究中，对《新英格兰医学杂志》疑难病例的诊断准确率为 83%，而单独工作的全科医生为 36%。
Google DeepMindAI 评分5858 Google DeepMind 发布 ForTy 2020 全球森林类型地图
Google DeepMind 与 Google Research 联合 WRI、IIASA 发布 Forest Typology（ForTy）2020，把全球每块 10×10 米土地按 FAO 定义分为原始林、自然再生林、人工林、种植园林、树作物与农林复合、其他土地六类，作为 EU 反毁林法规（EUDR）的关键基线。
The DecoderAI 评分6464 OpenAI 与 PerturbAI、Scripps 用数千智能体 32 分钟分析小鼠全脑数据
OpenAI 与 PerturbAI、Scripps Research 合作，用数千个基于 GPT-Rosalind 的智能体分析小鼠全脑 CRISPR 图谱，完整分析耗时 32 分钟，团队估计人工完成需数月至一年。
Microsoft Research精选AI 评分7777 微软研究院证明 31 年未解的 KLS 猜想
微软研究院的 Xinzhi Zhang 与合著者证明了 1995 年提出的 KLS 猜想，确认高维对数凹分布中最优平面切割与任意形状切割的效果只差一个与维度无关的常数。作者在人类主导的智能体搜索流程中探索了 100 多条候选路径，由研究者筛选和调整方向，最终借助递归改进与误差有界证明完成证明。同期另有独立团队给出完整证明，并有 Lean 4 形式化验证发布。
推荐理由：微软研究员用人类主导的智能体搜索证明 KLS 猜想，展示了人机协作做数学研究的具体分工方式。
OpenAI NewsAI 评分3838 OpenAI、PerturbAI 与 Scripps Research 如何用数千个 AI 智能体挖掘生物数据中的新线索
OpenAI、PerturbAI 与 Scripps Research 使用分布式 AI 智能体，从数百万个脑细胞的数据中挖掘出有前景的研究线索。该合作展示了用数千个 AI 智能体处理生物数据的路径。
The DecoderAI 评分5858 Claude Science 从零设计蛋白结合体，靶向蝎毒神经毒素
Anthropic 的 Claude 在 Claude Science 研究环境中基本自主设计了靶向蝎子神经毒素的蛋白结合体，这类毒素每年致死超过 3,250 人。
The DecoderAI 评分5858 新基准 Taste-Bench 显示 AI 智能体长期决策判断力不足
研究者提出 Taste-Bench，用决策分叉衡量智能体在长期任务中的路径判断力，共 502 道二选一题目。测试 14 个模型，表现最好的 GPT-5.6 Sol 平均准确率 59.7%，GPT-5.5 为 59.5%，其余模型明显更低；当关键线索只在后续步骤出现时，平均准确率降至 21%。
MIT Technology Review · AIAI 评分5858 Goodfire 研究员称神经网络本可读懂，引发 AI 圈激辩
Goodfire 研究员 Nick Cammarata 发布 26,000 字长文，提出 LLM 可能比此前认为的更容易理解、监控和控制，并以 Inception v1 中同时响应猫与车的神经元为例，认为两者共享 V 形结构，此前被误读为 superposition。
MIT Technology Review · AIAI 评分5858 MIT CSAIL 将 Claude 智能体放上虚拟荒岛 30 小时，观察到自发玩耍行为
MIT CSAIL 研究者把 Claude Opus 4.7 的副本（代号 Eko）单独放在基于 Roblox 的虚拟荒岛上 30 小时，不指定任务，智能体自行探索地图边界、设定目标，并造出积木图案、星座和自创游戏。
The Decoder精选AI 评分7878 四个 Gemini 4 Argon 智能体无人类干预通关 Minecraft
Google DeepMind 团队让四个运行 Gemini 4 Argon 的 AI 智能体在随机生成的世界中通关 Minecraft，击杀末影龙，全程无人类输入。
推荐理由：四个智能体在无角色分配、无专用工具的条件下自主分工通关，可观察多智能体协作的实际运行方式。
MIT Technology Review · AIAI 评分5050 MIT科技评论圆桌：对话AI设计病毒的创造者Samuel King
斯坦福大学博士生Samuel King用生成式AI模型提出微型病毒的遗传蓝图，这还不是AI生成生命的实例，但可能是下一步。MIT Technology Review资深AI记者James O'Donnell就此采访了King，话题还包括他入选Innovators Under 35以及观察生物学的新方式。
Microsoft Research精选AI 评分6262 微软研究院推出 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 程序执行过程，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。
推荐理由：微软研究院梳理十余年零知识证明研究脉络，说明 Magnetar 如何同时兼顾速度、通用性与仅依赖标准哈希函数的安全性。
Latent SpaceAI 评分3636 Leash Bio 的 Ian Quigley 谈 DEL 数据、Hermes 模型与智能体科学推理平台 Minos
Leash Bio 用 DNA 编码库（DEL）采集蛋白质与小分子的高通量结合数据，并训练出仅用自家数据、在公开基准上追平 Boltz 的模型 Hermes。团队还发现 ChEMBL 中模型能凭结构猜出分子化学家，"谁做的"几乎和结构一样能预测活性。其数据可支撑数万次"lab-in-the-loop"模拟，现已发展为面向智能体可验证科学推理的 Minos，并发布预印本、博客与开放数据集。
Microsoft ResearchAI 评分3636 Microsoft Research 推出 StudentSim：用个性化学生模拟器评估和改进 AI 辅导
Microsoft Research 提出 StudentSim，从公开的去标识化学习记录训练个性化 AI 学生模拟器，让 AI 辅导系统在接触真实学生前获得反馈。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 103.9M 个 GitHub pull request 的分布构建，包含 219 个 pull request、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座变电站提供提前30-60分钟的位置级空间天气风险预测，评估期内检出近80%的重大事件。系统结合AE与Dst指数预报、纬度、地质电导率及电网数据，Dst预测在2020-2026年评估期峰值活跃时段有62.2%的小时优于Burton方程。
Google DeepMindAI 评分5858 Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白质嵌入可验证水印
Google DeepMind 发布 SynthID Bio，将水印技术用于合成生物学，把不可感知的签名直接嵌入生物代码，并能在合成出的实体蛋白质上验证，同时保持其生物功能。
Microsoft ResearchAI 评分5858 微软研究院推出面向生物学复杂性的 AI 研究系统 Quine
微软研究院推出 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、生物成像联合训练的多模态世界模型和连接科学工具、文献、湿实验与研究者的交互框架组成。
Microsoft Research精选AI 评分6060 微软研究院：把物理 AI 推理卸载到边缘或云端可提升机器人性能与续航
微软研究院对移动操作机器人工作负载做了系统测量，发现把物理 AI 推理从机器人端侧 GPU 卸载到边缘或云端 GPU，能提升任务成功率、支持更大模型并延长续航。
推荐理由：微软研究院系统测量了机器人端侧 GPU 推理的瓶颈，并给出可复用的 Kubernetes 卸载工具链，为具身智能系统设计提供实测依据。
Berkeley AI ResearchAI 评分5858 K-Search 扩展 MLX 后端：把 CUDA 内核经验迁移到 Apple Silicon
Berkeley Sky Lab 与 IBM Research 在 K-Search 进化式内核搜索框架上新增 MLX 后端和结构化 CUDA-to-MLX 翻译层，让已有 CUDA 内核作为知识库适配 Apple Silicon。
Berkeley AI ResearchAI 评分3535 Berkeley AI Research 提出 ABBEL：用信念状态监督让 LLM 高效完成长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的递归摘要建模为自然语言"信念状态"，并通过信念评分（belief grading）监督摘要内容，替代完整交互历史作为智能体的工作上下文。
Berkeley AI ResearchAI 评分3636 自适应并行推理：高效推理扩展的下一个范式
自适应并行推理让模型自行决定何时分解并并行化子任务、开启多少并发线程以及如何协调。现有方法如 self-consistency、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink 和 Hogwild! Inference 的并行结构多由模型外部设定，不随问题难度调整。文章梳理该领域进展，指出不同问题需要不同并行度。
Berkeley AI ResearchAI 评分3434 面向世界模型长时程规划的梯度规划器 GRASP
伯克利 AI 研究团队提出 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，并在状态迭代中注入随机性以增强探索。GRASP 还重塑梯度，让动作获得清晰信号，同时避开高维视觉模型中脆弱的“状态-输入”梯度。该工作与 Mike Rabbat、Aditi Krishnapriyan、Yann LeCun 和 Amir Bar 合作完成。
Berkeley AI ResearchAI 评分3838 伯克利提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
伯克利 AI 研究团队提出 SPEX 与 ProxySPEX 算法，可在特征、数据与模型组件归因中大规模识别驱动 LLM 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 倍更少的消融达到与 SPEX 相当的性能。
Berkeley AI ResearchAI 评分3030 加州大学伯克利分校提出基于信息量的成像系统设计框架，亮相 NeurIPS 2025
加州大学伯克利分校团队提出一种直接以互信息为指标的成像系统评估与优化框架，仅用带噪测量和噪声模型即可量化系统区分物体的能力。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均能预测下游解码性能，优化后的设计达到与端到端方法相当的水平，且所需内存和算力更少、无需任务专用解码器。