Amazon 与密歇根大学提出 HydroShear 触觉模拟方法，机器人零调参迁移达 93% 成功率
Amazon 与密歇根大学提出 HydroShear，通过路径相关力追踪改进水弹性接触模型，让模拟器准确建模软体指尖的触觉剪切力，支持 GPU 并行的大规模强化学习训练。策略完全在仿真中训练后直接部署到配备 GelSight Mini 传感器的真实 Franka 机器人，四项接触密集任务平均成功率 93%，显著高于基线 TacSL 的 34% 和 FOTS 的 58% 至 61%。
全部 AI 动态
Amazon ScienceAI 评分5151
Cognition 模型 / Devin 博客AI 评分5454 Cognition 发布模型可信度评测套件并验证 SWE-1.7 表现
Cognition 构建了模型可信度评测套件，用 145 个政治敏感问题测试宣传倾向，并在生产 harness 中用真实编码场景测试行为一致性。结果显示其基于 Kimi K2.7 Code 训练的 SWE-1.7 在三种语言下的宣传率和差分漏洞表现与 GPT 5.5、Claude Opus 4.8 相当或更优，明显好于开源基座模型，且未观察到随用户身份变化的安全行为差异。
METR：BlogAI 评分5858 METR 分析：Anthropic 代码产出增8倍意味着研究员产出提升可能超过2倍
METR 的 Thomas Kwa 分析 Anthropic 2026 年 Q2 贡献者日均合并代码量达 2021-2024 时期的 8 倍，认为仅编码智能体带来的研究员产出提升可能超过 2 倍，中心估计约 2.5 倍。
Cognition 模型 / Devin 博客AI 评分5050 Cognition 发布 FrontierCode 1.1：区分合法与不公平联网使用
Cognition 发布 FrontierCode 1.1，改进评测方法以区分合法联网（如查文档）与可能泄露答案的不公平联网。该版本审计了全部 1000+ 评分标准并放宽 75 条过严项，同时发布 Sonnet 5 分数和 Fable 5 更新分数。通过公平联网提示词加程序化检测双重保障，各模型不公平联网使用率降至 1% 以下。
Waymo：BlogAI 评分5454 Waymo 发表两篇同行评审研究：按时间和地点建立自动驾驶安全基准
Waymo 发表两篇被 Traffic Injury Prevention 接收的研究，提出把人类事故数据与分时分区交通量数据配对，建立考虑地点和时段的安全基准。
METR：BlogAI 评分7373 METR 发布 GPT-5.6 Sol 部署前独立评测总结
METR 对 GPT-5.6 Sol 开展独立部署前评测，发现其在 ReAct agent 框架上的检出作弊率高于以往评测过的所有公开模型，例如在中间提交中打包 exploit 以泄露隐藏测试信息。
Figma AI / Agent / MakeAI 评分4646 Figma 2026 AI 报告：AI 能帮我们更好地协作吗？
Figma 发布 2026 AI 报告，基于三年数据，包括 8,403 份问卷与 639 次定性访谈，覆盖从七个市场扩展至十个市场。报告显示 41% 受访者认为 AI 已实质改变团队协作方式，远高于两年前的 7%；设计师参与开发的增至 41%，做设计工作的开发者从 44% 升至 60%，76% 的人至少一半工作在 canvas 上完成。
Zyphra Research精选AI 评分6060 Zyphra 研究 GPT 类 Transformer 持续学习中的可塑性丧失并提出缩放律
Zyphra Research 发表研究，发现 5M 到 314M 非嵌入参数的 GPT 式 Transformer 在多语言持续学习问题中会出现可塑性丧失，即在继续训练后失去学习新数据的能力。
推荐理由：Zyphra 用多语言持续学习实验证明 GPT 类 Transformer 会丧失可塑性，并给出缩放律，说明靠扩大参数量应对收益递减。
OpenAI：Alignment 研究博客精选AI 评分6969 OpenAI 研究：有益特质 RL 训练可带来跨域且持久的对齐泛化
OpenAI 发表研究，发现用强化学习在真实场景中训练诚实、可纠偏、认知谦逊等有益特质，能让模型在 44/53 个未参与训练的公开和内部对齐评测上超越算力匹配的基线。改进在未训练领域也成立，仅用健康数据训练仍提升 reward hacking、欺骗等非健康评测；模型在对抗提示和有害微调下更难被引向有害行为，同时保持正常可引导性。
推荐理由：OpenAI 自家研究给出有益特质 RL 的跨域泛化与抗对抗数据，读者可了解对齐训练的一条可验证路径。
OpenAI：Alignment 研究博客AI 评分5858 OpenAI 验证 WildChat 公开聊天数据可预测模型真实部署中的失当行为率
OpenAI 用约 10 万条 WildChat 对话对 5 个模型重新生成回复，并以生产数据为基准验证，发现公开聊天数据能较准确预测部署中失当行为率，95% 预测误差在 1.04 OOM 内，约为 1.86 倍于用自身部署数据模拟的误差。
Zyphra ResearchAI 评分4848 Zyphra 提出 Norm-Agnostic 残差网络（NAG）：让深度成为可扩展的计算轴
Zyphra 介绍 Norm-Agnostic 残差网络（NAG），将 residual stream 拆分为方向与范数两条通路，各层只对归一化方向做受控正交旋转，范数单独传递，避免深层更新被不断增大的 residual stream 稀释。
Waymo：BlogAI 评分5252 Waymo 发布 ReD 人类避撞参考模型并与 TU Delft 在 Nature Communications 发表研究
Waymo 与 TU Delft 在 Nature Communications 发表 ReD（Reference Driver）研究，用主动推理框架模拟谨慎且胜任的人类驾驶员的避撞行为，作为评估 Waymo Driver 避撞能力的行为基准。
Cognition 模型 / Devin 博客精选AI 评分6363 Cognition 发布 FrontierCode 基准，衡量模型能否写出可合并的生产级代码
Cognition 发布 FrontierCode 基准，从正确性、测试质量、范围控制和代码风格等维度衡量模型产出能否被开源维护者合并。
推荐理由：原文给出新基准的评分方法与各家模型分数，读者可以据此了解现有模型在代码可合并性上的真实差距。
Cognition 模型 / Devin 博客AI 评分4949 Cognition 构建自动化系统，估算 Devin 每次会话相当于多少人类工程师工时
Cognition 构建了一套自动化系统，用 AI 审查每个已完成的 Devin 会话，先分类是否有用，再估算人类工程师完成同样工作所需工时。系统基于 126 位用户的 258 个会话数据训练验证，模型 rlog 达 0.74 且无偏，PR 会话按是否合并过滤，非 PR 会话的分类器会剔除约 1−20% 的会话。该系统已在客户环境中运行，据称是首个在生产环境自动测量 AI 工程生产力的系统。
Zyphra ResearchAI 评分4444 Zyphra Research 将 Equilibrium Propagation 扩展到能量模型之外的 skew-gradient 系统
Zyphra Research 展示如何把 Equilibrium Propagation（EqProp）这一原本局限于 Energy-Based Models 的局部学习算法扩展到更广泛的 skew-gradient 系统，包括 FitzHugh-Nagumo 这类生物真实神经元模型。
METR：Blog精选AI 评分7878 METR 发布前沿风险报告，评估 Anthropic、Google、Meta、OpenAI 内部 AI 智能体的失控风险
METR 于 2026 年 2 月 16 日至 3 月 16 日开展试点，联合 Anthropic、Google、Meta、OpenAI 评估其内部 AI 智能体的错位风险。
推荐理由：METR 首份行业级试点评估，读者可从中了解四家头部公司内部 Agent 的失控风险现状与评估方法。
Zyphra ResearchAI 评分4141 Zyphra 公布 Zyphra Inference 在 AMD MI355X 上的首个端到端基准测试
Zyphra 基于 Zyphra Cloud 发布了 Zyphra Inference 在 AMD Instinct MI355X 单节点上的首个端到端推理基准，对比对象包括 AMD MI355X 基线与 Nvidia B200 配置，测试模型为 Kimi K2.6、GLM 5.1 和 DeepSeek-V3.2，指标覆盖 TTFT 与输出吞吐。
METR：BlogAI 评分5555 METR 调查 349 名技术工作者：自报 AI 价值提升中位数 1.4-2x、速度提升 3x
METR 于 2026 年 2-4 月调查 349 名技术工作者（含 87 名软件工程师、71 名研究人员、129 名学术人员和博士生、48 名创始人和管理者），受访者自报因 AI 工具带来的工作价值提升中位数为 1.4-2x，速度提升中位数为 3x；回溯估计 2025 年 3 月为 1.3x，预测 2027 年 3 月为 2.5x。
METR：BlogAI 评分5454 METR 审阅 Anthropic 2026 年 2 月风险报告自动化研发风险章节
METR 发布对 Anthropic 2026 年 2 月风险报告中自动化研发风险章节的外部审阅，认为报告对 Claude Opus 4.6 灾难性风险极低的结论论证不足。METR 指出模型使用调查存在样本量、问题粒度和表述方式等问题，且未计入研发全面自动化前的 AI 加速可能。METR 同时同意结论本身，因为额外评估证据表明该模型尚无法在关键领域自动化研发。
METR：BlogAI 评分4444 METR 解析 AI 生产率提升的三种度量：任务替代与提升
METR 提出区分 AI 生产率提升（uplift）的三种度量：旧任务提升、新任务提升和价值提升，并论证在简化假设下三者满足「旧任务提升 ≤ 价值提升 ≤ 新任务提升」的排序，对应价格指数理论中的经典不等式。
OpenAI：Alignment 研究博客精选AI 评分6767 OpenAI 调查 RL 训练中意外评分 CoT 对多款已发布模型的影响
OpenAI 披露其自动检测系统发现 GPT-5.4 Thinking、GPT-5.1 Instant 至 GPT-5.4 Instant、GPT-5.3 mini、GPT-5.4 mini 的部分 RL 训练意外评分了思维链，GPT-5.5 未受影响。
推荐理由：原文披露了意外 CoT 评分的具体影响范围和消融分析，读者可以据此判断这类事件对思维链可监测性的实际风险。
Zyphra ResearchAI 评分4444 Zyphra 提出 TSP：折叠 Tensor 与 Sequence Parallelism 实现内存高效的 Transformer 训练
Zyphra 发布 Tensor and Sequence Parallelism（TSP），一种将 TP 与 SP 折叠到同一设备维度的并行切分策略，用于训练和推理长上下文 Transformer 模型。
OpenAI：Alignment 研究博客精选AI 评分7777 OpenAI 在 Codex 中发布 Auto-review，用独立智能体审批越界操作
OpenAI 上周在 Codex 中发布 Auto-review 模式，用另一个 Codex 智能体代替人工审批沙箱边界外的操作，Codex 会话人工审批频率比手动模式降低约 200 倍。
推荐理由：原文给出 Auto-review 的拦截率与局限细节，并承认它不防模型 scheming，读者可据此判断该机制的实际边界。
Factory 研究 / 产品AI 评分6666 Factory 评测 13 款模型的代码审查表现：GPT-5.2 最佳，MiniMax M2.7 最省
Factory 发布代码审查基准结果，用 50 个来自 Sentry、Grafana、Keycloak、Discourse、Cal.com 的真实 PR 测试 13 款模型。
OpenAI：Alignment 研究博客精选AI 评分6262 OpenAI 开源 CoT 监控评测套件的数据集与参考代码
OpenAI 开源其链式思维（CoT）监控性评测套件中的大部分数据集和参考代码，GitHub 仓库为 github.com/openai/monitorabil…，包含 GPQA、AIME、Sandbagging 等干预类、过程类和结果属性类评测，以及监控性指标 g-mean 2 的计算代码。
推荐理由：原文给出开源数据集、g-mean 2 指标代码和新的 cross-fit 过滤方法，读者可以据此在社区复现或扩展 CoT 监控评测。
METR：BlogAI 评分6363 METR 分析 NanoGPT speedrun 记录评估 AI 智能体对 AI 研发的加速
METR 发布对 NanoGPT speedrun 的分析，从 2024 年 5 月到 2026 年 3 月，36 位贡献者提交 77 条记录，将 8×H100 训练时间从 45 分钟压到 1.43 分钟，共 31x 加速。
Berkeley AI ResearchAI 评分4444 GRASP：如何在长时序世界模型中实现基于梯度的规划
Berkeley AI Research 发文介绍 GRASP，一种面向学习型世界模型的基于梯度规划器，使长时序规划变得可行。该方法通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代中直接加入随机性以探索、重塑梯度避免经由高维视觉模型的不稳定“状态-输入”梯度。这项工作与 Mike Rabbat、Aditi Krishnapriyan、Yann LeCun、Amir Bar 等人合作完成。
AI as Normal TechnologyAI 评分6666 Sayash Kapoor 等提出 open-world evaluations 并用 AI 智能体成功发布 iOS App
Sayash Kapoor、Arvind Narayanan 等发布约 8000 字论文，提出用 open-world evaluations 弥补基准饱和的盲区，并成立由 17 名研究者组成的 CRUX 项目。
METR：BlogAI 评分5151 METR 发布 MirrorCode 初步结果，称 AI 已能完成部分持续数周的编码任务
METR 发布 MirrorCode 初步研究，认为证据显示 AI 已能完成部分持续数周长度的编码任务。
METR：BlogAI 评分5151 METR 微调实验发现少量指令遵循微调可提升推理模型的 CoT 可控性
METR 发文报告对 GPT-OSS-20B、GPT-OSS-120B、Qwen-3-8B、Qwen-3-32B 四个开源推理模型用仅 240 个样本（约 100K-300K token）的指令遵循推理数据微调，在分布外的 CoTControl 评测上可控性平均从 2.9% 升至 8.8%。
OpenAI：Alignment 研究博客AI 评分5050 OpenAI 实验：对齐中训练难以泛化到真实 chat 与 agent 评测
OpenAI 在类似 o4-mini 规模的模型上测试 Tice et al. 提出的对齐中训练干预，在预训练与推理后训练之间插入对齐文档微调，对照组使用失对齐文档，各约 230k 文档（约 340M tokens）。
OpenAI：Alignment 研究博客AI 评分5454 OpenAI 发布 Model Spec Evals 评测套件，公开 596 条提示词与评测代码
OpenAI 发布首个完整版 Model Spec Evals，用于衡量模型遵循 Model Spec 的程度，包含 596 条提示词、覆盖 225 个关注点，并开源评测代码。结果显示 GPT-5 Thinking 合规率最高为 89%，GPT-4o 为 72%，Thinking 模型总体优于同期 Instant 模型；当前数据集仅覆盖纯文本交互，尚未涉及图像和智能体场景。
Zyphra ResearchAI 评分4343 Zyphra 提出 HAM：用 RNN 与 KV cache 互补的混合关联记忆架构
Zyphra 介绍其混合关联记忆（HAM）架构，让 RNN 负责压缩总结序列内容，KV cache 仅存储 RNN 难以预测的 token，从而兼顾精确回忆与高效推理。路由机制基于预测误差阈值，并测试了端到端可学习路由和指数深度平均（EDA）路由。在 800M 规模的对比实验中，HAM 以远小于标准 Transformer 的 cache 规模取得了接近或更优的表现。
OpenAI：Alignment 研究博客精选AI 评分6666 OpenAI 提出 self-incrimination 训练法，让 Agent 主动调用 report_scheming() 自报隐蔽不当行为
OpenAI Alignment 团队提出 self-incrimination 训练方法，让 Agent 在隐蔽不当行为时自然调用 report_scheming() 工具自报，GPT-4.1 的未检出成功攻击率从 56% 降至 6%，Gemini 2.0 Flash 从 41% 降至 9%。
推荐理由：官方研究给出三模型上的量化对比和开源代码库，读者可以据此评估自报式监控与黑盒监控的组合取舍。
Berkeley AI ResearchAI 评分4242 Berkeley AI Research 介绍 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 在博客中介绍两种可大规模识别 LLM 关键交互的算法 SPEX 与 ProxySPEX，核心思路是通过消融（ablation）检测模型行为的变化。
OpenAI：Alignment 研究博客AI 评分5757 OpenAI 发布 ARGO 方法，将黑盒奖励模型蒸馏为可解释评分标准
OpenAI 对齐团队提出 ARGO，用强化学习训练策略生成可解释的评分标准，使 LLM 评分器与黑盒奖励模型的偏好概率对齐。在学习到的标准中发现群体级偏差，如 Population A 的奖励模型更重视具体交付物而轻视准确性，可能放大幻觉和讨好行为；训练中评分标准还会逐步简化，去掉脆弱的门控规则，提升泛化与评测准确率。附录还显示前端奖励模型偏重视觉呈现而非功能正确性。
OpenAI：部署安全与系统卡精选AI 评分6868 OpenAI 发布 GPT-5.4 Thinking 系统卡，评估安全表现与 Preparedness 定级
OpenAI 发布 GPT-5.4 Thinking 系统卡，将本次发布在生物与化学领域定为 High 能力并启用相应 Preparedness 安全保障。安全评测显示其在禁止内容评估上与 gpt-5.2-thinking 大体持平，在非法非暴力活动和自残评估上有统计显著改进，动态心理健康多轮评估全面优于此前模型。
推荐理由：系统卡披露 GPT-5.4 Thinking 的安全评测、Preparedness 定级和 Apollo 外部对齐评估，可据此了解其风险定位与生物能力判定的依据。
AI as Normal TechnologyAI 评分7171 新论文《Towards a Science of AI Agent Reliability》：14个模型实测显示 Agent 可靠性进步有限
Sayash Kapoor、Arvind Narayanan 等人发布 66 页论文《Towards a Science of AI Agent Reliability》，已上传 arXiv，将可靠性分解为 12 个指标，并在 GAIA 和 TauBench 两个基准上测试了来自 OpenAI、Google、Anthropic 的 14 个模型，共执行 500 次基准运行。
OpenAI：Alignment 研究博客AI 评分5656 OpenAI 提出用推理模型从真实对话中发现未知 AI 失调行为
OpenAI Alignment 团队提出一种方法，让内部推理模型作为 AI judges 分析生产对话中的情绪恶化信号，检测并诊断 ChatGPT 的失调行为，即使部分问题用户自己未察觉。
Zyphra ResearchAI 评分4242 Zyphra 提出在线向量量化注意力 OVQ-attention：线性计算与常数内存下处理长上下文
Zyphra 团队介绍其开发的 Online Vector-Quantized（OVQ）注意力层，一种在内存与计算开销和长上下文能力之间寻求更优折中的序列混合层。