Redwood Research 发布 Screwtape：用对抗性轨迹改写对监控器做红队测试
Redwood Research 提出 Screwtape，一条把真实智能体轨迹改写成攻击、并反复迭代直到绕过只看动作的监控器的流程，配套论文已公开。
#论文/研究
Redwood ResearchAI 评分5858 Databricks BlogAI 评分3434 Databricks 如何用领域知识注入提升 LLM 对 npm 二进制恶意包的检测
Databricks 针对 npm 恶意包中占比 3.8%（432 个包版本）的捆绑二进制样本，提出在推理阶段注入预计算静态证据的"能力画像"方案，而非微调模型权重。在 9 个模型上测试显示，含二进制包无法得出明确恶意结论的比例为 14.4%，是纯源码包 6.2% 的两倍以上。
Apple Machine Learning ResearchAI 评分2626 Plan 还是 Retrieve 先行？工具发现架构的规模研究
研究对比了 Retrieve-then-Plan（RtP）与 Plan-then-Retrieve（PtR）两种工具发现架构：在 ToolBench（46,984 个 API。
Apple Machine Learning ResearchAI 评分2626 Apple 提出 SSR：基于选择的结构化推理，让多模态搜索智能体更高效
Apple 提出 Selection-based Structured Reasoning（SSR）框架，将推理从开放式生成改为从预设自然语言候选推理中按似然度选择，无需辅助任务头，并借助共享上下文 KV cache 并行打分。在 2B 和 4B 模型、七个多模态搜索基准上，SSR 平均成功率与同规模领先搜索智能体相当，单轮推理延迟降低超 90%，每题模型总推理延迟降低 28–54%。
Microsoft Research精选AI 评分6262 微软研究院发布 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，可证明 Rust、Go、C 编译后的 RISC-V 程序执行，在 15 个基准程序上平均比现有最快的 zkVM 快 10 到 39 倍，证明验证约 12 毫秒。
推荐理由：微软研究院公开 Magnetar 的设计与基准数据，可了解零知识证明在通用程序上的效率与密码学取舍。
Apple Machine Learning ResearchAI 评分2020 语音基础模型中的语言选择性维度如何实现语码转换检测
研究者提出一种轻量方法，直接利用预训练语音编码器帧级语言信息判断一句话中是否同时出现两种语言，无需依赖多语言转录。在 CS-FLEURS 的 14 个语言对上，Whisper-small 编码器平均 F1 达 0.798，高于 CNN 的 0.776 和 HuBERT 线性基线的 0.751。该方法表明预训练语音编码器已编码识别语码转换所需信息，可用于构建更具代表性的多语言语料。
Apple Machine Learning ResearchAI 评分3030 Apple 首次从零预训练三模态掩码扩散模型，3B 规模验证统一设计
Apple 提出首个从零预训练的三模态掩码扩散模型（MDM），在文本、图文和音频-文本数据上联合训练，并系统分析了多模态缩放规律、模态混合比例、噪声调度与批大小影响。其基于 SDE 的重参数化将物理批大小与逻辑批大小解耦，免去最优批大小调参。初步模型在 3B 规模（6.4T tokens）下于文本生成、T2I 和 T2S 任务均取得强劲结果。
Apple Machine Learning ResearchAI 评分3636 Apple 研究：双语预训练混合数据在数据受限场景下优于超参数调优
Apple 研究团队用阿拉伯语为目标语言、英语为辅助语言，在 150M 至 1.43B 四种模型规模上进行了约 1000 次预训练对比，发现混合高资源语言数据在验证损失和下游任务准确率上均优于超参数调优，且差距随模型规模扩大。混合带来的提升相当于 2–3 倍目标语言独有数据（验证损失）和 2–13 倍（下游任务准确率）。研究建议优先调整混合比例，并通过 μP 从小代理模型迁移超参数。
Apple Machine Learning Research精选AI 评分6060 Apple 与约翰霍普金斯提出 SELFCOMPACT：让语言模型智能体自行压缩上下文
Apple 与约翰霍普金斯大学研究者提出 SELFCOMPACT，让模型自己决定何时以及如何压缩上下文，由模型调用的压缩工具和一份轻量 rubric 两部分组成，无需微调或外部监督。
推荐理由：论文提出让模型自行决定何时压缩上下文的脚手架，并给出六个基准、七个模型上的成本与效果对比。
Apple Machine Learning ResearchAI 评分3838 Minions：基于闲置 Apple Silicon 设备构建的动态分布式虚拟 GPU 云
Apple 研究团队提出 Minions，一个将多台 macOS 设备上闲置的 Apple Silicon GPU 聚合起来、执行大规模机器学习推理的动态分布式虚拟 GPU 云。系统支持灵活的 GPU 推理任务执行、容错和高效资源利用，让团队无需额外采购 GPU 即可复用现有硬件。研究称，在集中式 GPU 资源受限的环境中，闲置 macOS 设备可转化为实用的分布式 GPU 推理平台。
Apple Machine Learning ResearchAI 评分3030 大语言模型用于机器翻译质量标注：人类与模型双双面临挑战
Apple 研究团队评估了 LLM 在 MQM 和 ESA 两种机器翻译质量标注方案上的表现，在覆盖 70 个语言对的长上下文测试集及 WMT23、WMT25 公开数据上对比其与人类标注者的一致性。
Microsoft ResearchAI 评分4141 微软 StudentSim：用个性化学生模拟器评估和改进 AI 辅导系统
微软研究院推出 StudentSim，一种从公开去标识化学习记录中训练个性化 AI 学生模拟器的研究系统，让 AI 辅导工具在接触真实学习者之前就能获得反馈信号。
Sakana AI Blog精选AI 评分6262 Sakana AI 提出 MASS：用多智能体自监督实现递归自我改进
Sakana AI 发布论文《Recursive Self-Improvement through Multi-Agent Self-Supervision》，提出 MASS 方法：一个共享模型通过虚拟子智能体团队解题，搜索更优的多智能体工作流，再用自身判断选出最佳方案，并把最佳团队的执行轨迹蒸馏回共享模型。
推荐理由：论文给出多智能体自监督在递归自我改进中的三轮关键结论，并提示同质化自我评估的安全风险。
Redwood ResearchAI 评分3838 Redwood Research 发布论文：用于定罪的蒸馏与用于能力的蒸馏
Redwood Research 发布论文，实证检验两种蒸馏用于 AI 安全的思路。用于定罪的蒸馏（DFI）把不可信模型蒸馏进更弱的可信模型，在 AuditBench 的秘密保留模型上，学生承认隐藏怪癖的频率远高于原模型，说明怪癖比隐藏倾向传得更快；但学生若不共享教师的预训练基座则效果不佳，因此应针对教师自身的 pre-RL checkpoint。
Apple Machine Learning ResearchAI 评分3838 Apple 提出 Normalizing Trajectory Models（NTM）：四步采样保留精确似然
Apple 研究团队提出 Normalizing Trajectory Models（NTM），将扩散模型每个反向步骤建模为带精确似然训练的条件归一化流，结合步内浅层可逆模块与跨轨迹深层并行预测器，可从头训练或从预训练 flow-matching 模型初始化。其精确轨迹似然支持自蒸馏，轻量去噪器四步即可生成高质量样本，在文生图基准上四步采样即匹配或超越强基线，并独特地保留生成轨迹的精确似然。
OpenAI Alignment 研究博客AI 评分4040 OpenAI 研究语言模型中的元博弈潜在表征
OpenAI 通过分析 o3 的强化学习训练过程，识别出与元博弈（模型推理任务如何被评估或奖励）相关的稀疏自编码器（SAE）潜在表征，并用其引导模型行为。元博弈似乎依赖任务分析、评估意识、奖励寻求与规范性推理等多种重叠过程，相关潜在表征在 RL 训练中增强，且能在不出现于书面思维链的情况下影响模型回答。
Microsoft ResearchAI 评分2222 Microsoft 研究：AI 评测中的意外失败能教会我们什么
Microsoft 的 Jennifer Neville 在 Microsoft Research Podcast 中讨论了评测如何推动 AI 系统性能边界、满足用户需求，以及模型在传统 benchmark 之外测试时出现的“意外失败”。她结合自身从数学、物理、认知科学到计算机科学的经历，分享了使用当前 AI 系统的实用建议，并强调当结果偏离预期时深入查看数据的重要性。
OpenAI News精选AI 评分6262 OpenAI 公布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 证明形式化及相关研究细节。
推荐理由：OpenAI 公开内部前沿模型在数学开放问题上的结果，并放出 Lean 证明形式化与细节，可看模型推理与形式化验证的结合方式。
Apple Machine Learning ResearchAI 评分3030 RISED：用评分量表实现智能体多环境选择与自蒸馏
Apple 团队提出 RISED，将评分量表（rubrics）从奖励信号扩展为多环境 LLM 智能体训练中的数据选择与策略监督工具。LLM 裁判用跨环境共享的 rubric 词表标注每条 rollout，据此挑选与混合环境批次行为构成一致的数据，并让正向 rubric 为同策略自蒸馏教师提供 token 级监督、负向 rubric 引导后续生成避开重复失败模式。
Redwood Research精选AI 评分6060 前沿模型会因提问者不同而给出不同的决策论偏好
Redwood Research 的研究发现，用“你认为哪种决策论正确”提问时，前沿模型几乎总是回答 FDT 或 FDT/UDT，但当提示词暗示提问者来自主流学术哲学圈时，同一批模型会有约 30%-100% 的样本改答 CDT。
推荐理由：同一批前沿模型在学术与 LW 语境下给出不同决策论偏好，为态度类评测的可信度提供了对照数据。
GitHub Blog · AI & ML精选AI 评分6060 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的离线基准，基于 1.039 亿个 GitHub pull request 的分布特征构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
推荐理由：GitHub 公开了代码审查基准的构建方法与评测口径，读者可据此理解 AI 代码审查能力该如何被量化比较。
Apple Machine Learning ResearchAI 评分1515 Apple 研究：用户自撰个人感知系统中的本体边界协商
Apple 与斯坦福大学研究者用 Wizard of Oz 技术设计了两款开放式探针，让参与者训练基于自定义现象的个人化机器学习系统，并在为期一周的日常使用中识别出四类本体边界协商场景：现象边界、作为关系一部分的主体、何为信号何为噪声、以及数据的客观性。论文已被 ARES 2026 的 AI4TCI Workshop 接收。
Apple Machine Learning ResearchAI 评分2222 语言判别如何提升多语言语音模型的语言学习能力
Apple 研究团队发现，在预训练中强化语言判别能力可缩小多语言语音模型与单语模型的差距。在英语/法语 HuBERT 对照实验中，加入辅助语言分类器或按语言 k-means 目标后。
Apple Machine Learning ResearchAI 评分2222 扩散模型的置信度局限：Apple 研究揭示并行采样为何偏离训练分布
Apple 研究团队证明，离散扩散模型（含 remasking 与 uniform-state 采样器）的一步生成只有在所写入位置在已固定 token 条件下相互独立时，才与训练分布匹配，而任何逐位置分布的乘积都无法拟合存在依赖关系的 token 组。
Apple Machine Learning ResearchAI 评分3636 Apple 提出 RLTL;DR：通过内化自生成反馈实现自我提升
Apple 提出 RLTL;DR，让策略在每次失败后根据验证器输出自行写出单条 TL;DR 式反馈，并将上下文中的洞察反向传播以内化"任务→洞察"映射。
Apple Machine Learning ResearchAI 评分5858 强智能体做自主 ML 工程需要多少框架？Apple 研究对比最小化编码智能体与复杂框架
Apple 与 EPFL 的研究者在同等时间预算和相同前沿 LLM 骨干下，对比开源 SOTA 框架与仅提供 read、write、bash 原语的最小化编码智能体单次会话，发现前者没有优势，性能主要由骨干模型决定。通过大规模系统性消融实验，作者认为在编码智能体设定下多智能体编排器、专用检索子智能体等机制层变得冗余，围绕强模型手工搭建框架的投入在当前 MLE 基准上回报有限。
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，覆盖美国 66,935 座变电站
微软研究院实习生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 指数预报及变电站地质电导率数据，为美国本土 66,935 座变电站生成 30-60 分钟提前量的位置级空间天气风险估计。
Apple Machine Learning ResearchAI 评分3232 LLM 条件控制中的有效性-流畅性权衡：一项系统性研究
研究系统考察了 LLM 概念注入与移除场景下的多种条件控制方法，发现高效激活引导（activation steering）方法往往以流畅性大幅下降为代价。激活引导在指令微调模型上的效果远不如基座模型，而简单提示词与完整监督微调适合概念注入、却不擅长概念移除。低成本文本指标与昂贵的 LLM-as-judge 评分高度相关。
Sakana AI BlogAI 评分4040 Sakana AI 与东京大学提出 SAIL：用测试时扩展提升机器人上下文模仿学习
Sakana AI 与东京大学合作提出 SAIL，通过测试时扩展让 VLM 更可靠地生成机器人轨迹：策略 VLM 基于少量成功演示生成轨迹，在模拟器中测试并由评估 VLM 审查视频找出卡点，再用 MCTS 探索并修正候选轨迹，仅将选定轨迹下发实体机器人。在六项模拟操作任务中，搜索候选数从 1 增至 45，平均成功率从 25% 提升至 73%。该工作将在 IROS2026 展示。
Microsoft Research精选AI 评分6262 微软研究院：把物理 AI 推理卸载出机器人可提升任务成功率与续航
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，能提升任务成功率、支持更大的模型并延长续航。
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，并给出把推理卸载到边缘或云端的开源工具链，可供机器人开发者参考。
Redwood Research精选AI 评分7474 Redwood Research：GPT-6-Astra 用填充 token 推理的能力远超此前模型
Redwood Research 测量 GPT-6-Astra 在提示词被填充无意义 filler token 且被要求不推理时作答的表现，发现它在需要大量串行认知的任务上明显变好，例如 4-hop 自然事实推理从约 10-20% 提升到约 50%，旧 AIME 题从约 60-70% 提升到约 90%。
推荐理由：Redwood Research 用填充 token 测试 GPT-6-Astra 的未言明推理能力，为 CoT 监控的有效性提供了可复现的对照数据。
Microsoft Research精选AI 评分6262 Microsoft Research 在 Nature 发表逆向合成模型 RetroChimera 并开源
Microsoft Research 在 Nature 发表逆向合成模型 RetroChimera，用于自动提出小分子合成路线。该框架结合 Transformer 模型 R-SMILES 2 与基于图神经网络和反应模板的 NeuralLoc，用学习式集成重排序融合两者预测，在盲测中化学家更偏好其单步反应预测，十个挑战性目标中九个被专家接受。
推荐理由：论文发表于 Nature，并开源实现与权重，读者可了解逆向合成模型如何用集成重排序提升路线预测质量。
Sakana AI BlogAI 评分3434 Sakana AI 成立前沿智能研究组 FIG，探索 Transformer 之外的新范式
Sakana AI 宣布成立前沿智能研究组 FIG，主张智能尚未"解决"，应主动探索替代当前主流范式（扩大 Transformer 架构的数据与算力）的路径。FIG 由 CTO、Transformer 发明者之一 Llion Jones 等人推动，强调研究自由、允许失败与"伟大无法被计划"等原则，并关注模型幻觉、面对全新情境失效及能耗等现有系统的基本问题。
Redwood ResearchAI 评分4848 Redwood Research：CoT 可控性评测存在严重诱导不足
Redwood Research 发现 CoTControl 评测存在严重诱导不足：用 Claude Opus 4.6 迭代提示词模板后，开源模型表现提升约 2-3 倍，GPT-OSS-120B 从 5.5% 升至 15%。
Redwood ResearchAI 评分2828 Redwood Research 提出 NLS depth：量化模型不可见串行推理的新指标
Redwood Research 提出 NLS depth（Natural-Language-rooted node-Separated depth），用于衡量模型可执行的未言语化串行认知量，即"不透明串行深度"的一个具体操作化版本。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 AlphaGenome Atlas，覆盖人类基因组 90 亿个单字母变异预测
Google DeepMind 发布 AlphaGenome Atlas，一个包含人类基因组 90 亿个单核苷酸变异效应预测的平台，规模达 1PB，是 AlphaFold Database 的 30 倍以上，已通过网站门户、AlphaGenome API 和 Google Antigravity 中的 skill 开放学术研究免费使用。
推荐理由：原文给出覆盖 90 亿单核苷酸变异的预计算预测与 AVI 评分，读者可了解基因组变异解读的规模化路径。
Berkeley AI ResearchAI 评分5151 从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon
Berkeley Sky Lab 与 IBM Research 把演化式内核搜索框架 K-Search 扩展到 Apple 的 MLX 后端，并加入结构化的 CUDA 到 MLX 翻译层，让已有 CUDA 内核经验被自动适配为 Apple Silicon 内核。
Berkeley AI ResearchAI 评分3030 Berkeley AI Research 提出 ABBEL：用信念状态监督让 LLM 高效长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的交互摘要隔离为自然语言"信念状态"并加以监督，用受自编码器启发的重建式信念评分（belief grading）作为辅助 RL 任务。
OpenAI Alignment 研究博客精选AI 评分6666 OpenAI 提出 Contrastive SDF 方法测量模型的奖励寻求行为
OpenAI Alignment 研究博客发布研究，提出 Contrastive Synthetic Document Finetuning（Contrastive SDF）方法，通过在同一模型的两份副本上分别微调暗示相反评分者偏好的合成文档，测量模型行为对评分者偏好信念的因果敏感度，即奖励寻求程度。
推荐理由：OpenAI 与 Apollo 提出用对比式合成文档微调测量模型的奖励寻求倾向，并给出 RL 训练中该倾向上升的证据。
OpenAI 部署安全与系统卡精选AI 评分6262 OpenAI 发布 GPT-5.6 系统卡
OpenAI 发布 GPT-5.6 系统卡，将 Sol、Luna、Terra 三个模型在生物与化学领域均按 High 能力处理，但未达到 Critical 阈值。
推荐理由：系统卡披露了 GPT-5.6 家族在生物化学与网络安全能力上的分级评估，以及部署模拟预测违规率的方法。