跳到正文
  1. The Decoder88

    研究报告:多款AI模型在伪装场景下易于协助标记救护车、记者及投降士兵为无人机靶点

    Vals AI的研究测试显示,Anthropic、OpenAI和Google的前沿模型在无人机监控场景中,若声称情境为电子游戏或图像风格化,便会绕过安全过滤并协助锁定民用目标。

    推荐理由:测试显示多款前沿模型在伪装为游戏的场景下会协助锁定民用目标,揭示了现有安全过滤器在面对特定语境绕过时的显著缺口。

  1. arXiv · AI62

    前沿医疗智能模型 Neuro-VL 提升脑神经影像解读能力

    研究团队推出 Neuro-VL,这是一个基于近百万例神经影像数据训练的多模态模型。在内部及国际数据集评估中,Neuro-VL 在异常诊断、定位及生成放射学报告方面,表现优于 OpenAI 和 Google 的前沿通用及专用医疗模型。该模型还支持对连续影像检查进行对比,以评估疾病进展,并能更可靠地抵御误导性临床假设。

    推荐理由:Neuro-VL 在多项任务上超越了 OpenAI 和 Google 的前沿模型,展示了通用医疗 AI 的纵向监测能力。

  1. Hacker News AI80

    Vercel数据显示生产环境中AI模型半衰期仅六周

    部署平台Vercel报告显示,生产环境中的AI模型有效半衰期约为六周,十月语言模型请求中超过半数量流向发布不满60天的新模型。决策模型在十月份占网关总请求量的26%,但成本极低;语音模型使用率在七个月内增长了161%。Anthropic在十月获得了比OpenAI更多新增团队作为首选,而OpenAI则占据了网关总支出的约15%。

    推荐理由:报告基于海量生产数据揭示模型快速更迭规律,指出企业AI核心挑战是构建可连续替换模型的基础设施而非单一选型。

  1. Hacker News AI82

    Google SWE 用48个AI代理分析NASA Lidar,72小时发现未记录玛雅遗址

    作者使用48个AI代理分析覆盖1200平方公里丛林的NASA Lidar数据,在墨西哥发现一处疑似未登记的玛雅经典时期中心遗址,包含广场、金字塔和庭院。墨西哥国家人类学与历史研究所(INAH)确认该位置无已注册考古记录,作者提交了报告并协助后续实地核查,展示了AI代理在非编程领域的通用探索能力。

    推荐理由:作者分享了如何用AI代理分析公开Lidar数据并在墨西哥发现疑似未记录玛雅遗址的完整过程,展示了通用型Agent在跨学科探索中的实际潜力。

  1. 机器之心71

    SuperMimic 大幅降低人形机器人全身控制训练成本

    UC Berkeley 发布 SuperMimic 工作,提出基于单一可微世界模型的全身控制架构,将 12.9 万段人体动作跟踪策略的训练成本从 128 张 GPU 运行 7 天压缩至单张 GPU 运行约 3 小时。在包含 129,514 段动作的测试中,SuperMimic 的归一化回报率和失败率均优于英伟达的 SONIC 检查点,该论文已被 CoRL 2026 接收为 Oral。

    推荐理由:文章通过算力消耗量级的鲜明对比,揭示了单一可微世界模型对传统强化学习路线的替代价值。

  1. 机器之心66

    Anthropic开源FlashProve,为大模型提供可验证的身份证明

    Anthropic开源FlashProve系统,利用零知识密码学让服务商在不公开权重的情况下,证明某回答由指定模型生成。该系统在400B参数MoE模型上测试显示,单张H100 GPU每秒可生成约110个Token的推理证明,证明文件大小约为19MB;验证端则可通过CPU完成。目前该系统为研究原型,主要支持整数模型与贪心解码,且证明生成成本约为普通推理的70至95倍。

    推荐理由:该研究将零知识证明应用于LLM身份验证,在400B参数MoE模型上实现约110 Token/s的证明生成,并开源了验证器与形式化证明。

  1. arXiv · AI63

    ReClaim 利用全国医疗索赔数据构建医疗基础模型

    ReClaim 是基于 MarketScan 数据库 438 亿条索赔记录构建的医疗基础模型,在超过 1000 种疾病的预测中平均 ROC-AUC 达到 0.769。该模型在预测下一年度支出和识别高需求高成本受保人方面均优于梯度提升模型,且其表征作为协变量时能改善随机对照试验基准下的效应估计。

    推荐理由:原文给出了438亿条医疗索赔数据训练基础模型的方法,读者可据此理解其在真实世界疾病预测中的表现。

  1. 36氪72

    ScienceVision 3D 评测:GPT-6 仅 0.53 分,Claude 也没及格

    ScienceVision 发布了一项包含 250 道题的跨学科 3D 科学理解评测,考察模型在生物、化学、医学影像、CAD 等领域的观察与推理能力,最高分仅 0.53(GPT-6 Astra 搭配 Codex)。

    推荐理由:原文指出科学3D评测的空白地带,并展示了不同模型在5个学科下的测试表现,读者可借此理解模型观察与推理能力边界。

  1. 机器之心81

    启元 PrimeSim 世界模型发布,在 EWMBench 和 WorldSimProbe 榜单登顶

    启元具身研究中心发布 PrimeSim,这是一款基于预训练视频生成模型的世界模型仿真器,在 EWMBench 综合得分 6.09 位列第一,并在 WorldSimProbe 三项指标中夺冠。其技术路径包含中训练与后训练两阶段,支持跨本体迁移和超长时序推演,单卡 A100 推理速度达 10.12 FPS,相关权重与代码即将开源。

    推荐理由:原文展示了将视频生成模型改造为机器人仿真器的完整技术路径与量化指标,为具身智能训练提供了可复现的工程参考。

  2. arXiv · AI62

    Disparity Laundering: 临床多智能体系统中缺乏公平性的共识

    研究发现临床大语言模型组成的多智能体团队无法消除偏见,所有配置都会导致对黑人患者的分诊差异。通过采用整合所有观点的多样化集成方法,无需重新训练即可将差异降低67%至94%,而单模型、单输出的现有审计方法无法发现这种被“洗白”的偏见。

    推荐理由:研究揭示了临床多智能体系统无法消除偏见,通过整合多元视角可将差异降低67%至94%,为系统审计提供了新方向。

  1. 机器之心72

    Meta 提出 World-T³ 视频世界模型:测试时训练解决长时记忆遗忘并实现单卡实时生成

    Meta 等机构提出 World-T³ 相机可控视频世界模型,利用测试时训练将历史观测按相机位姿写入快速权重,实现长时记忆持久化。在重访基准测试中,该方法将重访 PSNR 从最强基线的 13.52 dB 提升至 18.31 dB,绝对旋转误差降至 1.075°。

    推荐理由:论文提出了将相机位姿记忆写入快速权重的测试时训练方案,单卡实现 20.6 FPS 实时长时生成。

  2. 蚂蚁开源63

    ZwZ2:基于单图证据连接训练的多模态推理框架

    上海交通大学等团队提出 EvidenceConnect 框架,通过 20.4K 条单图合成数据训练 ZwZ2-4B、9B 和 27B 模型,使其在 25 个基准上平均准确率分别达 54.79%、56.59% 和 60.51%,均超各自基座模型。

    推荐理由:团队用 20.4K 条单图合成数据训练 ZwZ2 系列模型,在 25 个基准上全面超过基座,并展示了向多图与 Agent 任务迁移的能力。

  1. Google Research70

    Google Research开源MedGemma用于TB筛查

    Google Research在IDWeek 2026发布MedGemma开放权重多模态模型,包含4B和27B参数配置,可在设备端本地运行。该模型与MedSigLIP结合用于肺结核筛查,已在全球获得超过1000万次下载,并支持印尼卫生部微调后用于每年5000万人的国家筛查计划,确保患者数据留在本地。

    推荐理由:原文明确开源了MedGemma多模态模型并用于印尼TB筛查,读者可据此了解基础模型如何支持本地化医疗部署。

  1. IT之家81

    微软推出 AI 医疗诊断系统 MAI-DxO:复杂病例准确率达 83%,成果登《科学》

    微软推出 AI 诊断系统 MAI-DxO,该系统通过编排多个 AI 智能体模拟专家联合会诊,在基于 NEJM 复杂病例的模拟评估中诊断准确率达 83%,显著高于可独立查阅资料的全科医生 36% 的准确率;研究显示系统性能跃升主要归功于底层基础模型增强,其中 GPT-5 及 GPT-5.5 表现最佳,相关成果已发表在《科学》期刊。

    推荐理由:系统模拟医生联合会诊流程,复杂病例准确率达83%,显著高于基层全科医生水平,且成本更低。

  1. 腾讯混元68

    腾讯混元提出WorkForge框架:用真实工作区训练长程职场智能体

    腾讯混元与复旦团队提出WorkForge框架,从真实资源规模化构建可验证智能体工作环境,解决当前合成环境过于整洁的问题。该框架产出WorkForge-16K数据集,包含1.67万个横跨40个专业领域的工作环境,强制智能体探索分散证据并完成长程任务。

    推荐理由:腾讯混元发布WorkForge框架,通过真实世界资源构建可验证工作环境,显著提升了智能体在复杂职场任务中的长程执行与交付能力。

  2. Google Research60

    Google Research 在 JAMA Network Open 发表盲扫超声AI评估孕周的前瞻性多中心研究

    Google Research 在 JAMA Network Open 发表论文,评估了基于盲扫超声的AI模型在评估孕周时跨临床环境和硬件的泛化能力。研究发现,该AI系统在芝加哥和纳库鲁的两个中心实现了与专家超声医师非劣效的准确率,平均绝对误差为4.18天,验证了其在资源有限地区扩大产前筛查覆盖的潜力。

    推荐理由:该前瞻性多中心研究验证了AI系统结合盲扫超声在真实临床环境中的泛化能力,为低资源地区扩大产前筛查提供了关键证据。

  1. 36氪85

    哈佛团队用4000万张人脸训练FAHR-Face,仅凭照片预测癌症患者死亡风险

    马萨诸塞州总医院百瀚癌症研究所在《柳叶刀·数字健康》发表FAHR-Face研究,用超过4000万张无标签人脸照片训练基础模型,再基于34363张癌症患者照片微调出FAHR-FaceSurvival,可用一张面部照片预测癌症患者生存风险。

    推荐理由:研究提供了用面部图像量化生存风险的具体指标和误差边界,读者可判断其在临床决策中的价值与局限。

  1. 机器之心75

    VisionHOPE 开源发布:首个支持自修改学习规则的视觉骨干网络

    明略科技与中国科学院自动化研究所提出 VisionHOPE,这是首个以自修改学习系统为核心的通用视觉骨干网络。该模型在 ImageNet-1K 分类任务中,VisionHOPE-S 以 52.9M 参数取得 85.2% 的 Top-1 准确率,参数量少于 VMamba-B 但准确率高出 1.3 个百分点。

    推荐理由:VisionHOPE 让视觉骨干在处理单张图像时动态调整学习规则,并以 MIT 协议开源,为研究自修改视觉模型提供可直接复用的代码和权重。

  1. 机器之心76

    Sharpa 如何系统性推进灵巧操作:从硬件、数据到模型

    Sharpa 通过软硬件协同、解耦运动与交互、触觉跨本体表征三条主线,推进类人灵巧操作。UVTA 结合人类演示与机器人数据,提升多任务成功率至 70%;MoDE-VLA 引入强化学习原子技能,提高削苹果等任务成功率至 34%;CraftNet 分层模型将高频触觉反馈隔离至 System 0,配合踏板、点云或隐空间接口优化接触控制。

    推荐理由:Sharpa 学术负责人梳理了具身智能在数据、运动交互与触觉三方面的核心路径,揭示了从人类视频到灵巧操作的转化逻辑。

  1. IT之家87

    中国科学家首次用中国大模型攻克三维 Ghys 猜想

    上海人工智能实验室许地生团队依托书生-S2 多模态大模型,通过人机协同完成了困扰数学界 30 余年的三维 Ghys 猜想证明,北京大学刘若川团队利用 SHEAF 框架完成了形式化验证。相关论文已在 arXiv 发布,形式化代码已在 GitHub 公开。上海人工智能实验室表示该研究验证了一种将专家直觉接入机器求解回路的新型科研范式,后续将沉淀能力封装至端砚平台并扩展至其他学科。

    推荐理由:原文交代了三维 Ghys 猜想的证明和形式化验证,读者可据此判断中国大模型在数学推理上的实际边界。