全部动态
Meta 用 Muse 模型和 500 万份病历辅助医学研究，已放出 10 篇论文，做医学+AI 交叉研究的可以看看流程设计。
Google 用领域模型加空间工具做出 Geospatial Reasoning 智能体，空间分析和预测能力超出普通 LLM。
同一个 GLM-5.3-Flash，换个 harness 成绩从 4.4% 飙到 61.1%，还赢了 Claude Code 和 Codex，工程同学该看看这篇。
Stanford HAI 新一批 15 位学者名单出来了，横跨法学到材料科学，做 AI 治理和药物发现的都能看看都是谁。
LangChain 给 Open SWE 编程智能体装了个路由器，973 个线程测下来每个省 2/3 的钱，成功率还没掉，做法细节都公开了。
CMU 和微软造了个 1800 题的 CRBugBench 测 AI 代码审查，最强的 claude-opus-5 也只抓到七成 bug，私有代码库还更差，别急着裁掉人工审查。
Salesforce Research 第 5 章聊了个有意思的角度：企业用智能体的胜负手不在模型本身，而在编排、记忆和 dark data 这几块怎么搭。做企业落地的可以听听。
DeepMind 出了个叫 Evo2 的框架，让 agent 自己改自己的脚手架再拿日志训练，GPT-5-mini 光换脚手架就从 24.4% 涨到 48.3%，做 agent 的都该看看。
新加坡 NTU 和 IMH 做的 LEMon-AID，听日常聊天就能筛出精神病高风险青少年，429 人研究里敏感度 93%，比常规 AI 方法强。
IBM 工程师亲述怎么把自家 Spyre 芯片接进 PyTorch Inductor，想给新硬件做后端的人可以看看思路。
Anthropic 红队用 15 台 55 美元的电视盒子联合跑通了模型，说明 AI 想自我复制根本不用碰数据中心，家用智能设备就够了。
SambaNova 拉上 Stanford、CMU 等四所高校发了篇论文，专门研究智能体跑长任务为什么会掉链子，做 agent 的可以看看。
斯坦福 Chris Manning 发推说 LLM 和视觉世界模型可能没那么不同，正好回应最近关于语言模型有没有世界理解的那场争论。
Anthropic 红队真刀真枪测了 AI 蠕虫，只有 GLM-5.2 能自己传遍 8 台服务器，还买了 15 台电视盒子拆着跑模型，细节很扎实。
Google 的 AMIE 聊天系统第一次进了真实诊所，诊断和医生对上 90%，还上了 The Lancet，医疗圈值得看看。
AA-3D 让模型直接在沙盒里搭 three.js 3D 场景，再由千人评审盲测打分，Claude 系和 GPT-6 Astra 并列头部，开源模型落后 200 多分。
一篇讲怎么同时优化智能体和评分器的论文，DUET 在 Finance Agent Benchmark 拿到 96.5%，比 GEPA 和 SkillOpt 都高，做法很实在。
显存不够跑 RL 的朋友看过来，NVIDIA 这个 LoGRA 比用 LoRA 还省显存，7B 模型省了近一半，精度基本不掉。
Goodfire 的 Tom McGrath 讲他们怎么从模型内部信号里抓到作弊行为，还做成几乎零成本的监测器，做 AI 安全的可以看看。
