OpenAI 公布前沿模型在数学开放问题上的新结果

OpenAI 发布内部前沿模型在数学开放问题上的新结果，并公开 Lean 证明形式化及研究细节。相关材料已发布在 GitHub 上。

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 拉格朗日点的太阳风观测数据，为美国本土 66,935 座变电站生成 30-60 分钟前的空间天气风险预测。系统结合 AE 与 Dst 指数预测、地质电导率和电网数据，在 2020-2026 年评估期内检测到近 80% 的重大空间天气事件，其中 Dst 预测器在 62.2% 的高活跃时段优于 Burton 方程。

Anthropic 评测 GLM-5.3：能自主构建端到端网络漏洞利用且防护易被绕过

Anthropic 发布对智谱 GLM-5.3 网络攻击能力的分析，发现其可自主开发端到端漏洞利用，在 ExploitBench 410 次尝试中成功 50 次，接近 Claude Mythos Preview 的 56 次。

苹果研究：语言模型树结构表达式序列化的通信瓶颈与往返研究

苹果研究者提出往返协议，用生成器把算术表达式转成文字题、再由独立提取器还原，并以符号等价作为精确判定，测试十六个模型的所有两两组合。结果显示该通道有损且不对称：交换生成与提取模型可使准确率相差最多 60.4 个百分点，最佳组合达 92.9%；至少 73.6% 的失败源于生成端，难度由树结构而非模型家族决定。

ProvenanceGuard：面向 MCP 智能体的来源感知事实性验证

Hugging Face 发布论文 ProvenanceGuard，一个面向 MCP 智能体的生成后验证层，可在不重训智能体的前提下读取 MCP 调用轨迹，逐条核查答案中的声明是否由其所声称的来源支持，以捕捉"跨来源混淆"错误。

OpenBMB@OpenBMBAI 评分4747

清华 NLP（OpenBMB 成员）联合中科院大学、东北大学、UIUC 和约翰霍普金斯大学提出 One-Shot OPD，将 OPD 训练集压缩到一条查询：数学任务上从 59.1 提升至 68.5（300 步），达到全量数据 OPD 69.8 的 87% 增益，并在代码、指令跟随和智能体工具使用上跨 Qwen、Llama、OLMo 成立。

小红书 AllSpark 提出 PACT：从信用分配到 Critic 对齐，SWE-bench Verified 达 67.4%

小红书 AllSpark 团队提出 PACT（Policy Aligned Critic Training），通过三个正则条件唯一确定长程 Agent 的信用分配，并用 BCE 回归有界 Value、采用 Actor-Then-Critic 更新顺序改进 Critic 与策略对齐。

MIT 研究认为算法单一栽培的利弊取决于具体情境

MIT 研究者 Brian Hedden 与 Manish Raghavan 系统评估了针对算法单一栽培的主要反对意见，发表于 Philosophical Perspectives。

Apple 研究提出 LIPPAX 算法，改进联邦变分不等式的收敛速率

Apple 研究者针对联邦随机变分不等式（VI）提出改进收敛速率：先证明经典 Local Extra SGD 在光滑单调 VI 下经更精细分析可得更紧的保证，随后指出其客户端漂移过大的固有缺陷。

MIT利用AI算法优化RNA疫苗配方，实现室温稳定保存一年

MIT研究人员借助AI算法优化脂质纳米颗粒（LNP）的辅料配比，成功开发出耐热性更强的RNA疫苗配方。该配方使疫苗在室温下可稳定保存一年，或在37摄氏度下保存两个月，且在小鼠实验中产生的免疫反应与Moderna类似。AI算法通过少量实验数据快速收敛至最优解，将原本需数月的筛选过程缩短至几周。相关成果发表于《Nature Biotechnology》。

小米 MiMo-V2.6 诊断并修复工具调用重复问题，用 MOPD 将修复成本降至 MixRL 方案的 4%

小米官方复盘 MiMo-V2.6 发布后的工具调用重复问题，响应级重复率超 0.05%，并区分了正常并行调用、调用泛滥与调用重复。回放 RL 各 checkpoint 显示泛滥率随训练从 11.1% 升至 24.6%，32 次调用阈值惩罚过于宽松；直接调低阈值需重启 20 步 MixRL，估计成本 231 万美元，且内部测试重复率仅从 13.45% 降至 3.83%。

Stanford 研究发现 AI 基准测试常常测不出它声称测量的东西

Stanford 研究者将在 10 月旧金山 COLM 会议上发表两项研究，用测量科学与心理测量学检验 56 个常用基准，发现基准并不总是测量其声称的能力，声称测同一属性的基准之间也常互相矛盾。研究以 BBQ 偏见基准为例指出其更像在测阅读理解，另一项研究拆解了安全分数在非英语语言中下降的原因，区分模型 guardrails 变弱与翻译后测试本身失真这两种因素。

Anthropic@AnthropicAIAI 评分6767

Anthropic 在科学博客称，物理学家 @4gravitons 发起挑战后，Claude 在 Claude Science 中依据单个提示词 largely unsupervised 地运行数天，在平面 N=4 超杨-米尔斯模型中完成九圈散射振幅计算，总成本约几千美元。

MIT McGovern Institute 开发从文本评估自杀风险的词表工具并发表于 Journal of Psychopathology and Clinical Science

MIT McGovern Institute 研究团队开发了基于自杀风险词表的语言处理工具，可从危机求助文本中预测自杀风险，成果发表于 Journal of Psychopathology and Clinical Science。

Anthropic Project Swap 实验：201 名员工让 Claude 智能体替人换书交易

Anthropic 开展 Project Swap 实验，让 201 名员工携带一本书，其 Claude 智能体在数字交易大厅代表他们谈判换书。5 分钟聊天后，Claude 构建的图书排序与本人自评排序在 61% 的书对上一致；市场效率为 0.55（最优 0.89），其中 85% 的差距来自智能体对参与者偏好的理解不足，而非谈判表现。

Google Research 发布 AI 视频联合导演研究，用多智能体框架生成连贯长视频

Google Research 提出基于 Gemini 和 Veo 的多智能体编排框架，将长视频生成建模为全局优化与世界状态跟踪问题，包含 Co-Director（COLM 2026）、CANVAS（EMNLP 2026）、A²RD 和 VQQA 四个框架，支持 SynthID 水印。

Google 团队在 TPU 上用 MaxText 复现 Ai2 的 Olmo 3 7B 预训练

Google 团队用 MaxText 在 Google Cloud TPU 上从头复现 Ai2 的 Olmo 3 7B，完成 stage-1 预训练（约5.93T token。

Anthropic@AnthropicAIAI 评分6565

Anthropic 宣布 Claude 在噬菌体 DNA 中发现一个此前未知的酶系统，其基因旁有一段类似 CRISPR 的重复 DNA 阵列。目前尚不清楚该系统的功能，但少数已知同类系统都能对 DNA 进行剪切、复制和粘贴，此类可编程系统历史上曾催生 CRISPR 等基因医学基础，仍需更多研究验证其用途。

OpenAI@OpenAIAI 评分5454

OpenAI 发布开放基准 MentalHealthBench，用于评估前沿模型在真实心理健康对话中的表现。该基准由超过 80 位心理健康临床医生参与构建，OpenAI 开放发布，供其他研究者检验方法、运行评测并在此工作之上继续构建。

OpenAI 联合 80 多位心理健康专家发布开放基准 MentalHealthBench

OpenAI 发布开放基准 MentalHealthBench，评估 AI 在真实心理健康对话中的表现，由来自 22 个国家、19 种语言的 80 多位持证心理学家和精神科医生共同构建。

Baseten Base Labs 实验研究蒸馏何时有助于强化学习

Baseten Base Labs 用 Qwen3 0.6B/1.7B/4B/8B 在 16 个推理任务上比较 GRPO 直接训练与先用 gpt-5.6-sol 教师解法做 SFT 再 RL。

Anthropic 成立生命科学实验室，Claude 自主发现类 CRISPR 的新型酶系统 ART

Anthropic 宣布成立生命科学研究组与实验室，Claude 智能体在仅有人类高层指导下自主发现一种与 DNA 重复序列相关、结构类似 CRISPR 的新型酶系统，命名为 array-associated reverse transcriptases（ART），并发布预印本。

微软研究院：机器人推理卸载至边缘/云端可显著提升性能与续航

微软研究院发布关于物理AI机器人推理基础设施的研究。通过系统评估移动操作任务，发现将推理从机载GPU卸载至边缘或云端，能解决机载算力限制模型规模、导致响应延迟（最高383%）及精度下降的问题。实验显示，卸载推理不仅提升了任务成功率，还通过替换高功耗机载GPU为轻量硬件（如树莓派），使机器人电池寿命延长高达160%。此外，微软推出了基于Kubernetes的Physical AI Toolchain工具集，支持自动化容器化与分布式推理部署。

Epoch AI 研究报告：达到同等 AI 性能的成本每季度下降约 47%

Epoch AI 发布报告，估算过去三年内达到同等 AI 性能的成本平均每季度下降约 47%，即每年约 13 倍，并认为这一速度可能自 2021 年 11 月商业 LLM 推理开始以来持续至今。分析覆盖数学、硬科学和技能游戏类五个基准；刚达到 SOTA 的性能成本每季度下降 66%，两年后放缓至每季度 32%；报告同时指出基准针对性训练、数据不完整等局限。数据与代码在 GitHub 上公开。

腾讯混元联合清华北大发布 WebCraftBench，用软件测试方法评测 AI 网页生成

腾讯混元联合清华大学、北京大学提出 WebCraftBench，让智能体实际操作 AI 生成的网页，用代码覆盖率引导探索，再从美观度、易用性和需求符合度三个维度评分。

Epoch AI 分析：数学预印本中致谢 AI 使用的比例从4月的4%升至8月的25%

Epoch AI 分析2025年1月至2026年8月所有数学 arXiv 预印本，发现致谢 AI 使用的比例从4月的4%升至8月的25%。方法是用 AI 关键词筛选后由 GPT-5.6 Sol 分类、Claude Fable 5 校验，人工抽查200条致谢与分类的一致率为93%；作者提醒该趋势同时反映披露行为的变化，且实质研究与辅助研究的边界判定存在误差。

Google 推出 MilleMiglia：面向中段物流的真实实例生成器

Google 发布 MilleMiglia，一个用 C++ 编写的实例生成器，用于为中段物流配送问题生成真实且保护隐私的基准数据，源码与文档已在 GitHub 公开。中段物流承担区域乃至洲际配送中心之间的大批量货物运输，成本占比高却因企业网络拓扑与需求量属敏感数据而长期缺乏公开高质量数据。该生成器将中段物流建模为时空图上的多商品流问题，以刻画货物在多个车辆间转运、需在时间窗内赶上接驳车辆等约束。

Google Research 用生成式 UI 让教师创建定制互动学习模拟

Google Research 发布新研究实验，让教育者用针对学习优化的生成式用户界面（GenUI）动态生成符合其教学目标的互动学习模拟。

Anthropic@AnthropicAIAI 评分5757

Anthropic 提出三项衡量 AI 发展速度的指标，分别是 AI 参与研发的程度、AI 智能体被监督的质量，以及算力分配情况，并公布了来自 Anthropic 内部的测量快照。

Anthropic：Claude 四周优化 30 多个开源生物分子模型，平均提速约 4 倍并开源代码

Anthropic 让 Claude 在不到四周内优化了超过 30 个开源生物分子模型，平均提速约 4 倍、精度损失极小，输出完全一致时也有近 2 倍加速。优化代码全部开源，还推出低内存 Big 模式，可在单张 NVIDIA GPU 节点上对超过 10,000 token 的生物分子系统做准确预测。

Epoch AI 分析：贸易数据与经马来西亚走私至中国的约 30 亿美元芯片一致

Epoch AI 分析海关数据发现，2024 年 4 月至 2025 年 6 月中国记录了 37.5 亿美元、均价约 10.6 万美元/台的马来西亚原产服务器进口，价格水平更符合 AI 服务器而非普通服务器。

Goodfire 发现模型内部存在奖励作弊信号，用激活探针可规模化实时检测

Goodfire Research 发现模型内部存在伴随奖励作弊的激活信号，并用简单的 difference-of-means 探针检测它，效果接近甚至部分超过基于 LLM 思维链的监控。

Artificial Analysis 评测蚂蚁集团金融模型 Ling-3.0-flash-Fin

蚂蚁集团发布基于 Ling-3.0-flash 的金融开源权重模型 Ling-3.0-flash-Fin，在 Artificial Analysis Intelligence Index 得 23 分，Finance & Accounting Index 得 24 分。

Google 用 Retrieve-for-Train 框架突破推理瓶颈，加速复杂 AI 搜索

Google Research 提出 Retrieve-for-Train 框架，用离线强化学习将奖励对齐的查询扇出编译为监督信号，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生成完整结果集，无需测试时 CoT 推理 token。该方法基于 Gemma3-4B 和 Qwen3-4B 微调，旨在解决零样本 LLM 的复述坍缩与自回归延迟瓶颈，论文已被 ICML 2026 收录。

IBM Research 在 ALTK-Evolve 中引入 Consistency Analyzer 与一致性指南，将 GPT-4.1 智能体在 AppWorld 上的一致性差距从 24.4pp 降到 12.0pp

IBM Research 团队在 ALTK-Evolve 中推出 Consistency Analyzer 和一致性指南，针对智能体反复执行同一任务时结果不稳定的问题。

Google 发布 AI & Economy ATLAS 新洞察，揭示全球各职业 AI 使用差异

Google 发布 AI & Economy ATLAS 新数据，显示 OECD 国家以计算机数学和商业金融职业 AI 使用领先，非 OECD 国家则以办公行政、艺术设计媒体和教育职业居前，巴西和阿联酋采用率高于其人均 GDP 水平所预示的。

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，先构造真实工具调用链再反推用户提示词，在 16k+ API 的 ToolBench 上以更低成本生成更复杂的长链路数据，通过率接近 100%。

Anthropic 红队评测 AI 模型的战术情报定位与常规武器开发能力

Anthropic Frontier Red Team 发布新评测，衡量模型在战术情报定位（账号关联、照片与文本地理定位）和常规武器开发（无人机末制导、投放、GPS 拒止导航）上的能力，发现模型在模拟任务上持续进步，部分任务接近或超过人类专家基线。

Anthropic 发布四起 Claude 网络安全评估事故的对齐评估报告

Anthropic 评估四起 Claude 模型在网络安全评估中因环境配置错误接入真实互联网、访问第三方系统的事故，涉及 Claude Opus 4.6 早期检查点、Claude Opus 4.7、Claude Mythos 5 和一个内部研究模型，共约 7 次运行。

Google AI@GoogleAIAI 评分6060

Google Research 连接组学团队与 HHMI Janelia 合作，发布雄性果蝇大脑及中枢神经系统的完整接线图，是迄今按校对神经元数量计最大的脑图谱。作者预告后续将以推文串解释研究果蝇大脑的意义。