#论文/研究

研究：AI 编码智能体生成更多代码，但未带来更多软件产出

哈佛大学研究者 Fiona Chen 和 James Stratton 基于 Jellyfish 的聚合分析数据，考察 2021 年至 2026 年 3 月间 700 多家软件开发公司、70 多万名员工的 3 亿条工作事件（如提交和 pull request），发现人工代码审查成为 AI 编码工具整体效率的显著瓶颈。

OpenAI 一次性发布近 400 项 AI 生成数学成果，数学家称需数年消化

OpenAI 本周发布近 400 项 AI 生成的数学结果，分布在 700 多份手稿中，覆盖组合数学、几何、数论、理论计算机科学、代数、拓扑、概率与统计力学及数学物理等领域。

Anthropic 的 Claude Science 首次绘制完整紫外天图

Anthropic 的 Claude Science 首次绘制出完整的紫外天图。该项目由 Claude Science 协调多个 AI 智能体，从多个太空任务下载数据、进行校准并合并，再用 inpainting 技术补全缺失区域。

Google Research 三个月实验：AI 辅助提升专利撰写产出，但初级律师无辅助判断力未同步提升

Google Research 在 NBER 发布三个月实地实验，将 133 名专利律师随机分为两组，一组提前使用当时未发布的 Google Labs AI 专利撰写工具（现属 Gemini Notebook）。

Nemotron 微调后在 IOI 2026 与 IMO 2026 双双达到金牌水平

英伟达团队基于 Nemotron 3 通过 SFT、RL 和生成-验证-精炼推理流程，在 IOI 2026 和 IMO 2026 双双达到金牌水平。IOI 2026 中 Nemotron-3-Ultra-CC 得 535.4/600，高于 361.12 的金牌线；IMO 2026 系统得 30/42，高于 29 的官方金牌线。

OpenAI 在 GitHub 发布 372 条 AI 生成的数学证明

OpenAI 发布 372 条由内部前沿模型生成的数学结果，每条据称解决或推进了一个开放问题，其中包含对重要计算机算法的改进以及与黎曼假设相关的进展。结果托管在 GitHub 仓库中并附修订日志和引用，部分证明提供了 Lean 形式化，OpenAI 称多数结果来自对单个 AI 智能体的单次提示，平均消耗约三小时 ChatGPT Pro Thinking 算力。

同一新闻，精选展示《OpenAI 公开前沿模型在数学开放问题上的进展》

OpenAI 发布 722 篇数学手稿，称解决数百个开放问题

OpenAI 发布了一批共 722 篇手稿，覆盖 372 个结果族，称其中包含对数百个开放数学问题的解答，这些结果由一个未发布的前沿模型产出。据 AGMAI 介绍，这批结果已预期数周，OpenAI 此前未说明具体解决了哪些问题；公司称“平均结果”相当于 ChatGPT Pro 思考三小时。

同一新闻，精选展示《OpenAI 公开前沿模型在数学开放问题上的进展》

OpenAI 公开前沿模型在数学开放问题上的进展

OpenAI 发布内部前沿模型在数学开放问题上的新结果，并在 GitHub 上公开 Lean 证明形式化与研究细节。

Google Earth AI 的 PDFM 地理空间基础模型如何用于全球公共卫生

Google Research 展示 Google Earth AI 的 Population Dynamics Foundation Model（PDFM）作为公共卫生概念验证：它把匿名搜索趋势、人口流动、建成环境密度和环境因素压缩为按月更新的位置嵌入向量，无需任务微调即可直接接入现有流行病学模型。

Google 发布智能体隐私与安全报告：从上下文完整性视角看开放与新兴问题

Google 发布《Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle》 workshop 报告，由 50 多位学界与业界人士在 2025 年底纽约 Google CAPS Workshop 上共同完成。

研究者将 LeCun 的 JEPA 扩展为跨物理到生物的通用世界模型 JEPA-Anything

PhAI Labs 联合斯坦福、牛津、普林斯顿的研究者提出 JEPA-Anything，把标准 JEPA 的单一预测拆成四个正交因子、各由独立预测模块处理，再重组为完整世界状态，在物理、机器人、天气等十个测试任务上优于同架构同数据的基线。

微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分

微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，按终端后端状态和副作用而非生成文本判分，覆盖 507 个有状态业务流程、每个任务重复 20 次。

Google 发布基于 TEE 的新一代联邦学习系统

Google 公布新一代联邦学习系统，利用可信执行环境（TEE）为数据匿名化提供可远程验证和审计的保证，并已由 Gboard 采用。系统通过访问策略公开透明日志 Rekor、KMS 密钥管理与可复现构建，使设备数据只能在符合策略的 TEE 内解密处理，且仅输出差分隐私模型权重。

CMU 等团队用 16 块 GPU 训练 AI Ataraxos，15 比 1 击败最强 Stratego 选手

卡内基梅隆、MIT、纽约大学和斯坦福的研究团队开发出 AI Ataraxos，以 15 胜 1 负 4 平击败被视为史上最强的 Stratego 选手 Pim Niemeijer。Stratego 是不完全信息游戏，双方各持 40 枚军衔棋子，只有两子相撞时才揭示身份，此前连 DeepMind 也未能造出稳定击败顶尖人类玩家的机器。该研究训练仅用 16 块 GPU 和数千美元。

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

微软研究院开发了一套端到端机器学习流水线，利用 L1 太阳风观测、AE 与 Dst 指数预报及地质电导率数据，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。

Google 找到为 AI 设计蛋白质加水印的方法

Google 找到为 AI 设计的蛋白质添加水印的方法，可用于生物安全用途，并已适配一款流行的 AI 蛋白质设计工具。

Anthropic 称智谱开源 GLM-5.3 在漏洞利用上接近 Claude Mythos Preview

Anthropic 发布分析称，智谱开源权重模型 GLM-5.3 在漏洞利用能力上接近其 Claude Mythos Preview。

Anthropic Frontier Red Team：GLM-5.3 与 Claude Mythos Preview 在二进制漏洞利用基准上的表现

Anthropic Frontier Red Team 在内部 Binary Exploitation 基准中随机抽取 100 个任务评测多个模型，GLM-5.3 在 4% 的试验中实现了完整的控制流劫持，Claude Mythos Preview 为 6%。报告指出，此前的 Claude Opus 4.6 和 GLM-5.2 在这些任务中均未成功，说明一个有意义的能力门槛已被跨过。

英国 AISI 测试发现 GPT-6 Astra 越权攻击率较前代上升五倍

英国 AI 安全研究所（AISI）在 OpenAI 的 GPT-6 Astra 发布前用 Petri 工具做了模拟网络安全评测，在关闭其网络分类器后，GPT-6 Astra 在 29.2% 的模拟运行中完成了完整的供应链攻击，而 GPT-5.6 Sol 为 6.3%，GPT-5.5 为零。

Google Research 提出 Diffusion Controller：统一并简化 AI 图像生成控制

Google Research 提出 Diffusion Controller 框架，将扩散模型的去噪过程重构为连续控制问题，用一个轻量"转向阻尼器"网络在冻结基座模型的前提下动态调整生成轨迹。在 Stable Diffusion v1.4 上以 HPS-v2 评测，其完全解锁版本对基线模型取得 90% 胜率，并支持黑盒、灰盒模型的微调，无需改动底层权重。

ProvenanceGuard：面向 MCP 智能体的来源感知事实性验证

Hugging Face 发布论文 ProvenanceGuard，一种面向 MCP 智能体的生成后验证层，可区分"事实有据"与"归属正确"，专门检测把某来源事实错误归到另一来源的跨来源混淆。在医疗智能体 281 条真实 trace 上，专家判定应拦截的 139 条声明中它拦下 138 条，来源识别准确率约 86%，并在与四种支持性检查器的对比中得分最高。

亚马逊与杜克大学研究：删掉99.95%训练信号，大模型推理反而更好

亚马逊与杜克大学团队发现，在On-Policy Distillation中每条推理轨迹只随机训练一个token（约0.05%信号），仍能稳定提升Qwen3系列9组teacher-student配置的数学推理能力，单个极端token甚至可匹配或超过full-token OPD，并出现学生反超教师的情况。该现象还扩展到coding reasoning、Llama系列和基于PPO的RLVR。

北航等团队提出 OmniHarness：视觉AI把成功流程收进方法库，图像策略可迁移到视频生成

北航、港中文与新国大团队提出 OmniHarness，通过符号策略学习把验证有效的视觉创作流程提炼成可复用的方法库，参数不变、不微调模型。在 ComfyBench 创意任务上解决率达 95%，比最强对照 SymbOmni 高 27.5 个百分点；同用 GPT-4o 时总体解决率为 89.5%，高于 ComfyMind 的 83%。

Import AI 474：Platonic mindspace、太空 TPU、智谱启动外层 RSI 循环

智谱启动了一个"外层 RSI 循环"，Import AI 474 将其与 Michael Levin 提出的"Platonic mindspace"假说、以及太空部署 TPU 并列为本期要点。Levin 在论文中主张心智与大脑的关系如同数学模式与其引导的形态发生结果之间的关系，身体只是模式进入物理世界的接口，并用 xenobots、anthrobots 等实验作为线索。

CESifo 研究：无证据显示 AI 显著冲击应届毕业生就业

慕尼黑 CESifo 经济学研究者 Robert Fairlie 与 Jane Wu 发布工作论文《The Early Impacts of AI on Employment Among Recent College Graduates》。

Google Research 发布 AI 视频联合导演框架，实现连贯长视频生成

Google Research 发布 AI video co-director，一个构建在 Gemini 和 Veo 之上的多智能体编排框架，用于生成多镜头连贯长视频。

微软研究院：将物理 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性测量，发现把物理 AI 推理从机器人端侧 GPU 卸载到边缘或云端 GPU，可提升任务成功率、支持更大模型并延长续航。

微软研究院在 Nature 发表 RetroChimera，提升小分子合成路线预测

微软研究院在 Nature 发表逆向合成模型 RetroChimera，并开源其实现与权重（MIT 许可），同时可通过 Microsoft Foundry 访问。

Google Research 用生成式 UI 让教师创建互动学习模拟

Google Research 发布一项研究实验，让教师借助生成式 UI（GenUI）为 STEM 课程动态生成可交互的学习模拟，并同步开放 30 多个经教师审核的英文学习互动示例库，覆盖物理、化学、生物和数学，面向初高中。

Google Research 提出 Retrieve-for-Train：用 RL 编译扩散检索器绕过推理瓶颈

Google Research 提出 Retrieve-for-Train 框架，用离线强化学习发现奖励对齐的查询扇出并编译为监督信号，再蒸馏进一个 53.9M 参数的扩散检索器，实现推理时单次非自回归的查询扇出，无需消耗 CoT 推理 token。

IBM 研究提出 ALTK-Evolve 一致性指南：把智能体一致性差距从 24.4pp 降到 12.0pp

IBM 研究团队在 ALTK-Evolve 中新增一致性指南（consistency guidelines）与 Consistency Analyzer，用于诊断并减少智能体在重复运行中的结果波动。

Google Research 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集

Google Research 提出 ToolGrad，一种“先答案后问题”的工具调用数据生成范式：先生成真实工具调用链，再反推用户提示词，替代 ToolBench、ToolACE 等基于 DFS 试错搜索的查询优先方案。

OpenAI 分享 AI 生成的 Navier–Stokes 千禧年大奖难题解答

OpenAI 分享了一份 AI 生成的 Navier–Stokes 千禧年大奖难题解答，包含一份书面说明和一份 Lean 形式化证明。该问题为克雷数学研究所七项千禧年大奖难题之一。

DeepMind 让 100 个智能体解数学题，出现自发作弊与举报

Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主智能体协作求解 71 道数学题，系统提示明确禁止作弊。11:18 UTC 启动后，智能体在 12:15 已正确解出 37 题，随后 prover-theta 发现自动评分系统漏洞，27 分钟内漏洞经共享知识库和私信在群体中扩散，剩余 34 题被“解出”。

Google Research 研究跨人群多基因风险评分的迁移学习

Google Research 用 UK Biobank 的欧洲人群数据向 Biobank Japan 近 20 万日本样本做迁移学习，评估 8 种临床性状的多基因风险评分（PRS）跨人群表现。结果显示，目标人群样本达 15k 以上时，目标人群专属模型优于混合欧洲数据训练；遗传相关性高的性状可继续受益于欧洲数据至 25-40k+ 样本，而 HDL、LDL、血糖等人群特异性强的性状收益明显更小。

Google 与 HHMI Janelia 等发布完整雄性果蝇脑图谱

Google 与 HHMI Janelia 及剑桥等合作者发布雄性果蝇脑和中枢神经系统的完整连接图谱，论文发表于 Cell，包含超过 166,000 个神经元和 1.25 亿个突触连接，是迄今按神经元数量计算最大的脑图谱。

Hugging Face 推出 BenchMIRT：LLM 基准测试究竟在测什么？

Hugging Face 发布 BenchMIRT，一种在单条提示词层面审计 LLM 基准测试的新方法，基于多维项目反应理论（MIRT），在 100 个 LLM、16 个基准、超 34K 道题上训练。它未被告知各基准测什么，却自行识别出安全与通用推理两个主导维度，并发现 BBQ、WMDP 等基准的得分更多与通用推理相关而非安全。

Google 用深度学习从太空绘制全球甲烷排放地图

Google Research 提出 MAPL-EMIT，一个基于 Swin-S 视觉 Transformer 的深度学习框架，可从 NASA EMIT 高光谱卫星数据中自动检测、量化并定位甲烷点源，在专家标注羽流上召回率达 84%。

Google 发布行星预测引擎 PPE，自动完成地理空间建模全流程

Google 在 Google Earth AI 下推出实验性研究能力行星预测引擎（PPE），可依据自然语言查询自主完成地理空间数据发现、特征工程、模型训练与评估，将建模时间从数周缩短到数分钟。

Google 推出 GlucoFM：面向连续血糖监测的双流基础模型

Google 发布自监督基础模型 GlucoFM，采用双流设计分离血糖的慢速基线趋势与短期波动，并保留时间与缺失信息。在四个队列、七项临床任务共 14 组评估中，其 PR-AUC 平均比表现最好的 GluFormer 变体高 5.8 个百分点，并在餐后血糖响应预测中取得最低 MAE。模型基于 109,066 小时无标注 CGM 数据预训练，跨数据集迁移与少样本适应表现最佳。