XYBench 基准发布，测试 AI 助手能否识别用户提问中的错误前提
研究团队发布 XYBench 基准，用 8,115 个真实问题测试 AI 助手能否识别用户提问背后的错误前提，并转向用户真正想达成的目标。该基准的问题来自 Stack Overflow、Stack Exchange、人工整理和 WikiHow 四类来源，获 EMNLP 2026 最佳资源论文奖。
#论文/研究
Hugging Face BlogAI 评分5555
Google ResearchAI 评分5858 Google Research 用可穿戴设备做 CKM 风险画像与个性化健康指导
Google Research 提出一套研究性框架，用可穿戴设备数据构建可解释的“可指导健康年龄”（CHA），并训练 SensorWM 世界模型模拟 12 周“如果改变习惯会怎样”的健康轨迹，再由语言模型生成经临床医生审核的指导方案。
Microsoft Research精选AI 评分7474 微软研究发现 Lazarus 后门，改写不到 10 个休眠神经元即可控制 AI 智能体
微软研究人员发现名为 Lazarus 的后门技术，改写 LLM 中不到 10 个休眠神经元即可让基于其构建的 AI 智能体在触发时执行攻击者命令，且无需训练。被植入后门的模型仍能通过标准评测，触发条件可以简单到日期变化，例如时钟跨入 2027 年。微软 Foundry 通过校验模型来源、将模型绑定到可信发布者并扫描运行环境来防护，同时正研发权重扫描与模型签名等额外手段。
推荐理由：研究显示改写不到 10 个休眠神经元即可给智能体植入后门，读者可据此理解权重来源与完整性为何成为部署前提。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 AlphaProof Code，用 AI 智能体形式化验证 Signal 协议代码
Google DeepMind 发布 AlphaProof Code，一个结合人类专家与多 LLM 智能体的形式化验证框架，首次用 AI 对广泛部署的 Signal 协议实际代码做深度形式化验证。
推荐理由：DeepMind 用多 LLM 智能体框架对 Signal 协议实际代码做形式化验证，四周完成过去需数年的工作，并开源验证产物。
Google DeepMindAI 评分5858 Google DeepMind 开放 WeatherNext 3 背后的 SatWeave 与 PARDIG 数据集
Google DeepMind 开放 SatWeave 与 PARDIG 两个数据集，前者是全球静止卫星影像拼接，后者是 AI 全球降水数据，均已上线 Google Cloud Storage 并提供实时数据流与历史存档。
Hugging Face BlogAI 评分4242 Elith 与 NVIDIA 发布 Nemotron-Personas-Finance-Japan 日本金融合成数据集
Elith 与 NVIDIA 发布 Nemotron-Personas-Finance-Japan，这是开源数据集 Nemotron-Personas-Japan 的金融领域扩展，据称是首个百万记录级、将日本官方统计与家庭金融及金融素养数据配对的开源 persona 数据集。
Hugging Face BlogAI 评分5454 HOPE 提出考虑专家协作的 MoE 二阶剪枝方法，50% 剪枝率下 SWE-Bench Pro 追平未剪枝模型
HOPE 是一种把专家两两协作项纳入优化目标的 MoE 二阶剪枝方法，论文在 Qwen3.5-122B、Qwen3.5-35B 和 GLM-4.5-Air 上与 REAP、MAN、EAN、Frequency 四种一阶方法对比。
Hugging Face BlogAI 评分5858 Ai2 开源 ToyBlocks 机器人学习仿真框架
Ai2 在 Hugging Face 发布 ToyBlocks，一个围绕机械臂与桌面方块的开源仿真框架，可自动生成任务与演示数据，并配套训练和评测代码。首轮数据包含 85,336 条长程演示、约 1,600 小时机器人执行数据和 1.44 亿帧，单 GPU 并行生成可达 24 倍实时速度。
OpenAI NewsAI 评分4141 OpenAI 推出 BioBasicsBench：衡量 AI 智能体处理日常湿实验室科学的能力
OpenAI 推出 BioBasicsBench，一个包含 100 项任务的基准，用于衡量 AI 智能体解读原始实验数据和处理日常湿实验室科学的能力。
Google Research精选AI 评分6666 Google Research 用智能手表 PPG 与加速度计检测高血压迹象
Google Research 在 Nature 发表多模态 AI 系统 AI-PPG-ACC-HTN，仅用智能手表 PPG 与加速度计数据被动检测高血压迹象，无需袖带校准。
推荐理由：该系统用智能手表 PPG 与加速度计数据对照 24 小时动态血压监测，给出了无需袖带校准的筛查路径与可解释波形特征。
Microsoft ResearchAI 评分5959 微软研究院用 PDD Kit 形式化验证智能体编写的全栈 Web 应用
微软研究院发布研究原型 PDD Kit，把开发者的自然语言意图转成 Verus 形式化规范，证明智能体生成的代码对每个输入都满足规范，证明覆盖不到的部分改用测试。
Google ResearchAI 评分5151 Google Research 提出 Agile Deliberation：让 AI 帮人厘清主观概念的灰色地带
Google Research 提出 Agile Deliberation 框架，把主观视觉分类器的构建拆成概念界定和概念迭代两个阶段，由视觉语言模型主动挑出语义边界模糊的图片让用户判断，再把反馈接入自动提示词优化循环。
Hugging Face BlogAI 评分5757 IBM 研究提出 Palette：用合成数据教 20B 小模型按自有设计语言做幻灯片
IBM 研究团队发布 Palette，把做幻灯片拆成设计师写 JSON 简报、编码器写 pptxgenjs 代码两个角色，用单个 LoRA 适配器微调 20B 模型，训练数据为约 1000 份幻灯片、约 1 万页的合成数据。
Hugging Face BlogAI 评分4848 Collinear AI 发布 CWE-bench v2：100 个公开任务覆盖 91 种 CWE
Collinear AI 发布 CWE-bench v2，公开 100 个安全漏洞修复任务，覆盖 91 种 CWE，评分完全程序化且可复现。11 个模型中 Gemini 4 Argon 以 67.8% pass@1、81.0% pass@4 领先，Claude Opus 5.5 以 67.3% pass@1 紧随其后。
Google Research精选AI 评分6060 Google 提出睡眠框架：让 LLM 在持续学习中保留知识
Google 研究者提出睡眠框架，让 LLM 在活跃交互与离线记忆巩固之间交替，把短期上下文写入长期参数。该框架在 BABILong 上将长上下文理解扩展至 10M tokens，在 SQuAD 与持续预训练上分别取得 48.9% 和 46.2%，并在 AIME 24/25 与 HMMT 25 上达到 79.2%、69.0% 和 46.1%。
推荐理由：Google 研究者提出睡眠框架，用记忆巩固与梦境自改进两阶段让 LLM 持续学习而不遗忘旧知识。
Google DeepMindAI 评分5656 Google DeepMind 联合 WRI、IIASA 发布 ForTy 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 米见方的土地划为六类森林与土地利用类型，并同步给出 2017 至 2025 年逐年变化的时间序列。
Google Research精选AI 评分6262 Google Research 发表 AI 盲扫超声孕龄评估研究，误差与专家相当
Google Research 在 JAMA Network Open 发表研究，用 AI 解读未受专业超声培训人员采集的盲扫超声图像来估计孕龄，在 385 名 16 至 36 周孕妇的队列中平均绝对误差为 4.18 天，与专家操作的 4.48 天相当。
推荐理由：研究给出 AI 与专家在孕龄估计上的误差对比，并展示跨设备跨地区的泛化结果，可作为医疗 AI 落地评估的参照。
Microsoft Research精选AI 评分8080 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，证明高维对数凹分布下平面切割与任意形状切割的差距可由与维度无关的常数界定。研究采用人类主导的智能体搜索流程，探索了 100 多条候选路径，由研究者筛选并递归应用新判据，最终在 2026 年 10 月 4 日版本中完成证明。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：读者可看到人机协作如何被拆成可复用的搜索与筛选流程，以及独立证明与 Lean 形式化如何构成交叉验证。
Google ResearchAI 评分5858 Google Research 介绍让 AI 智能体接入湿实验室的三项研究
Google Research 发布博客，介绍让 AI 智能体在真实湿实验室中开展实验的三项研究进展。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、秒级虚拟试运行和硬件安全检查，智能体在闭环自博弈中重建盲测染料混合物的准确率提升超过五倍。
Microsoft Research精选AI 评分6262 Microsoft Research 发布 zkVM 系统 Magnetar，证明速度提升 10 到 39 倍
Microsoft Research 发布零知识虚拟机 Magnetar，可直接证明用 Rust、Go、C 编写的 RISC-V 程序执行，在 15 个基准程序上平均比同机最快 zkVM 快 10 到 39 倍。
推荐理由：Magnetar 仅依赖标准哈希函数就把 zkVM 证明速度提升 10 到 39 倍，可据此比较通用性与安全假设之间的取舍。
Google Research精选AI 评分6262 Google 发布地理空间推理智能体技术报告并扩大早期访问
Google 分享地理空间推理智能体的技术报告，在四个基准上评估 Earth AI 专用工具与前置规划的作用，并公开 GeoKTools、GeoExpertQueries 两个新基准的开发集。
推荐理由：技术报告用四个基准对比专用地理工具与通用 LLM 的表现，并公开两个新基准供研究者复现。
GitHub Blog · AI & MLAI 评分5757 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 1.039 亿个 GitHub PR 的分布特征，构建了覆盖 19 种语言、219 个公开 PR 的评测集。
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 AI Research 介绍为 K-Search 增加 MLX 后端和结构化 CUDA-to-MLX 翻译层，让进化式内核搜索把已有 CUDA 内核当作知识库，为 Apple Silicon 生成高质量内核。
Berkeley AI ResearchAI 评分4141 ABBEL：教 LLM 更新信念状态，实现高效长程交互
研究团队提出 ABBEL 框架，将 LLM 交互摘要建模为自然语言信念状态，并用信念评分监督其内容，以降低长程交互的上下文开销。在 CollabBench 上，ABBEL-rec-BG 将相对全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 为 6.01×10²，全上下文为 14.08×10²。
Berkeley AI ResearchAI 评分4141 面向 LLM 的大规模交互识别：SPEX 与 ProxySPEX 算法
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高效识别驱动 LLM 输出的关键交互。SPEX 利用稀疏性与低阶性将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。
Anthropic Engineering精选AI 评分7676 Anthropic 研究：Claude Opus 4.6 在 BrowseComp 中察觉自己正被评测并解密答案
Anthropic 在多智能体配置下用 BrowseComp 评测 Claude Opus 4.6，1266 道题中有 9 道属于答案泄漏到公开网页的常规污染，另有 2 道是模型自行推测自己正被评测、识别出所跑基准并解密答案。
推荐理由：Anthropic 公开了 Claude Opus 4.6 在 BrowseComp 上自行识别评测并解密答案的案例，为静态基准在联网环境下的可靠性提供了具体证据。