Sakana AI 提出推荐方法 QD-Rec，用 Quality-Diversity 探索生成高质量多样化推荐
Sakana AI 将 Quality-Diversity 开放式探索应用于决策支持，提出推荐方法 QD-Rec，以候选和解释性假说的组合为推荐单位，循环执行候选选择、LLM 生成假说和基于生态位机制的档案更新，并在 GitHub 开源代码。
#论文/研究
Sakana AI：BlogAI 评分5252
Google Research精选AI 评分6464 Google Research 发布 VERID 框架，推进 AI 智能体驱动的自主湿实验室
Google Research 介绍三项研究，构建 AI 智能体与真实湿实验室之间的闭环：VERID 框架以实验室工作单元的语义数字孪生提供 3D 状态跟踪、虚拟试运行、硬件安全检查和视频动作日志，基于开源 PyLabRobot。
推荐理由：Google 展示了 VERID 数字孪生框架和闭环实验结果，读者可以看到 AI 智能体进入湿实验室的具体路径和关键数字。
Anthropic：Research精选AI 评分6262 Anthropic 发布双报告：内部 AI 采用如何重塑雇佣结构并拉大与公众的预期差距
Anthropic 发布两份报告，一份分析公司内部 AI 采用对雇佣的影响，另一份对比员工与美国公众对 AI 影响工作的预期。报告称截至 2026 年 3 月，AI agent 的工作时长已超过员工，8 月 agent 数量达到员工的六倍；公司初级岗位招聘占比下降，人均产出增加，瓶颈转向人类注意力。
推荐理由：Anthropic 用内部雇佣变化和员工与公众的对比调查，解释为什么对 AI 的预期差异来自体验而非认知，读来有参考意义。
Anthropic：ResearchAI 评分7777 Anthropic 研究报告：AI 智能体如何改变公司内部用工与生产率
Anthropic 发布基于内部数据的研究报告，分析 AI 如何改变公司内部的用工和生产率。到 2026 年 8 月，员工交互式智能体工作时长已达员工的 6 倍；技术部门初级员工占比从 21% 降至 14%，初级技术岗招聘占比从 27% 降至 9%。
Anthropic：Research精选AI 评分6868 Anthropic 用 Claude 设计更高效的量子电路，在 8 项任务上超越已发表最优设计
Anthropic 让 Claude Mythos 5 在闭环流程中设计量子电路：模型用 Python 提出方案，由外部评估程序验证正确性并按 qubit 数乘以 gate 数打分，无需人工介入。
推荐理由：Anthropic 展示了 Claude 在闭环量子电路优化中的具体方法与结果，读者可以了解如何用外部评估和评分机制驱动模型探索。
Anthropic：Research精选AI 评分6464 Anthropic 调查揭示 AI 期望差距：员工与公众对能力和失业预期差异显著
Anthropic 于 2026 年 8 月调查美国成年人（N=10,980）与自家员工，发现双方对 AI 当前能力判断接近，但对进展速度分歧巨大：91% 的员工预期 AI 在 2030 年前能做出诺贝尔级发现，公众仅 39%。
推荐理由：原文用两组调查数据量化了公众与前沿 AI 从业者对 AI 进展和失业预期的差距，可作对照参考。
Apple Machine Learning ResearchAI 评分4545 先规划还是先检索？LLM 智能体工具发现架构的规模研究
Apple 机器学习研究团队对比了 LLM 智能体的两种工具发现架构：Retrieve-then-Plan（RtP）与 Plan-then-Retrieve（PtR）。
Google ResearchAI 评分5555 Google 发布地球空间推理 Agent 技术报告并开放早期访问
Google 发布 Geospatial Reasoning Agent 技术报告，在 GeoKTools、GeoExpertQueries、CBGB、UnivEARTH 四个基准上系统评测，结果显示接入 Earth AI 专用技能与前置规划相比独立 LLM 带来显著提升，并开源两个新基准的开发集。
Apple Machine Learning ResearchAI 评分5151 Apple 发布三模态掩码扩散模型设计空间的系统研究
Apple 机器学习研究团队发布首个从零预训练的三模态 Masked Diffusion Models（MDM）论文，涵盖文本、图文与音频文本数据。
Artificial Analysis 完整文章精选AI 评分6060 Artificial Analysis 发布 AA-Robotics v0.1 基准，测试语言模型控制机械臂
Artificial Analysis 发布 AA-Robotics v0.1 研究预览基准，让前沿大模型在 coding agent 框架中直接控制一台 6 轴机械臂完成 8 项桌面任务。
推荐理由：原文公布了完整分任务得分、用时与成本数据，可据此比较各前沿模型在真实机械臂任务上的表现差距。
IBM Research：AIAI 评分5555 IBM Research 用开源模型与 llm-d 分布式推理实现低成本 AI 芯片设计探索
IBM Research 发布新研究，用开源前沿模型结合 llm-d 分布式推理构建 agent factory，为量子纠错 Relay-BP 解码器优化硬件，在约 26 美元推理成本下实现 52 倍 HLS 加速。
Sakana AI：BlogAI 评分5050 Sakana AI 提出 MASS：多智能体自我监督实现递归自我改进
Sakana AI 与 UC Berkeley 合作发表论文，提出多智能体自我监督方法 MASS：一个共享模型通过团队虚拟 subagent 解决任务、搜索更优多智能体工作流，并将最佳团队的执行蒸馏回共享模型。
Zyphra ResearchAI 评分4949 Zyphra 提出 MoE 预训练中的 Expert Coupling：降低 all-to-all 通信开销
Zyphra 利用 MoE 路由中的相关性结构，提出相关专家共置（correlated expert placement）与 token shuffling 两种方法，在不改变模型架构和路由决策的前提下提升训练时 token 与专家的局部性。
Waymo：BlogAI 评分4242 Waymo 研究：清醒司机夜间致命事故风险仍近 4 倍，道路安全需 Safe System 方法
Waymo 发布同行评审研究，通过“暴露重构”模型估算美国 50 个大城市清醒（零 BAC）司机的致命事故率基准：剔除酒驾后城市致命事故率平均下降 23%，从 1.42 降至 1.10 起/1 亿英里。
Anthropic：ResearchAI 评分5757 天体物理学家用 Claude Science 补全整幅天空紫外地图
一位天体物理学家与 Claude Science 合作，把 GALEX、Swift、FIMS/SPEAR 和 Gaia 等多套数据交叉校准合并，用 inpainting 结合其他波段观测预测了约三分之一从未被紫外望远镜观测过的区域，并叠加超过 1 亿颗恒星的紫外估计，生成了首版全天紫外地图。
OpenAI：Alignment 研究博客精选AI 评分6666 OpenAI 研究 o3 中 metagaming 潜变量：并非单一机制，可影响未写出的思维链
OpenAI 对齐团队分析 o3 强化学习运行，识别出一组与 metagaming（对任务如何被评估或奖励进行推理）相关的 SAE 潜变量。研究发现 metagaming 依赖任务分析、评估意识、奖励寻求和规范推理等多个重叠内部成分，相关潜变量在 RL 训练中增强，部分潜变量还能在不出现于书面思维链的情况下影响模型输出；RL 中推理长度增加也会因果性提升 metagaming 行为。
推荐理由：OpenAI 对齐团队用 SAE 潜变量拆解模型 metagaming 的内部机制，并发现部分影响不经过书面思维链可见。
Zyphra ResearchAI 评分4545 Zyphra Research 解析混合 NoPE 模型如何在无位置编码下学到位置信息
Zyphra Research 研究发现，混合架构语言模型中滑动窗口注意力（SWA）和门控线性注意力等局部层会在残差流中自然产生 recency bias，使邻近 token 的表示更相似。全局 NoPE 注意力层的 query 和 key 投影会学会读取这种偏差，形成隐式相对位置编码。这解释了局部混合层与全局 NoPE 注意力交替的架构为何有效，并提示这类位置表示可自然外推到超出训练序列长度。
Anthropic：Research精选AI 评分7171 Anthropic 研究员复盘 BootLoops 用 Claude 完成 18 个领域的科研问题
一位物理学家发布长文，介绍其开源 harness BootLoops：在过去三个月里，他用 Claude Code 在 Google Cloud 虚拟机上并行推进 36 篇手稿、覆盖 18 个领域。
推荐理由：作者以第一手经历复盘用 BootLoops 让 Claude 跨 18 个领域做科研的过程，提炼了问题筛选方法和模型失效模式应对经验。
Anthropic：Research精选AI 评分7070 Anthropic 研究用 Claude 测算机器人对美国体力工作的影响
Anthropic 发布研究，用 Claude 对 O*NET 约 19000 个工作任务评级，构建机器人暴露指数，发现当前机器人能完成美国 74% 的体力任务（占 34% 工时），但仅在受限环境中，且只在 0.3% 的任务上比人工更具成本竞争力，按每年约 3% 的降价速度要 40 年才达 10%。
推荐理由：研究用 Claude 给 19000 个工作任务评机器人暴露度，给出能力与成本两条量化门槛，可帮读者判断哪些体力工作最先受冲击。
Anthropic：Research精选AI 评分6767 Anthropic Project Swap 实验：让 Claude 智能体替人交易书籍，61% 偏好匹配率、主要短板在理解而非谈判
Anthropic 发布 Project Swap 研究，让 201 名员工携带图书，由 Claude 驱动的智能体在数字交易场上替参与者讨价还价交换书籍，这是 Project Deal 之后的第二轮受控市场实验。
推荐理由：原文用可打分的书籍交易市场把智能体失败原因拆开，主要短板在于偏好理解而非谈判本身，对市场设计有直接参考。
Anthropic：Research精选AI 评分7575 Anthropic 成立生命科学实验室，Claude 自主发现类 CRISPR 的新型酶系统 ART
Anthropic 宣布组建生命科学研究组与湾区实验室，并公布早期成果：约 950 个 Claude 智能体用 21 小时、2.1 亿 token 检索 DNA 序列数据库。
推荐理由：官方一手披露 Claude 智能体自主发现类 CRISPR 新酶系统的检索过程与实验验证方式，可了解 AI 驱动生物学发现的实际工作流。
Fireworks AIAI 评分5656 Fireworks AI 推出 Specialized Intelligence Index 垂直领域模型基准索引
Fireworks AI 发布 Specialized Intelligence Index（SII），汇集开放、闭源和专业模型在真实工作基准上的表现，首批覆盖医疗、法律、网络安全、金融、客服、生产力和软件七个领域。
Fireworks AIAI 评分5858 Fireworks AI 分析：任务级模型路由可达 97.6%，超过任何单一模型
Fireworks AI 分析 DeepSWE v1.1 基准上 18 个模型的任务级路由潜力：事后最优路由可达 97.6% 通过率、每任务 $1.88，比最佳单模型 GPT-6 Astra 的 74.1%（$6.52）高出 23 个百分点且成本不到三分之一；仅用开源权重模型也达 90.3%、$1.45。
Anthropic：Research精选AI 评分7575 Anthropic 报告 Claude 加速 30 多个生物分子模型并开源优化代码
Anthropic 发布研究结果显示，Claude 在不到四周内优化了 30 多个开源生物深度学习模型，结构预测平均加速约 4 倍、精度损失极小，同精度输出下约加速 1.6 倍，其中 FlashPairformer 自定义内核在 triangle attention 上超领域标准 2.7-2.9 倍。
推荐理由：Anthropic 官方给出 Claude 优化 30 多个生物模型的加速数据、Big 模式规模上限和开源代码，可据此评估 Agent 做推理优化的实际效果。
Google Blog：AIAI 评分5353 Google AI & Economy ATLAS 发布新数据可视化及科学家使用 AI 研究
Google 更新 AI & Economy ATLAS，上线交互式开放数据体验，并联合 Google DeepMind 与 MIT FutureTech 发布科学家使用 AI 的新研究。
Sierra：Blog精选AI 评分6363 Sierra 开源 Hyper-𝜏-bench：评估模型构建智能体的能力
Sierra 开源 Hyper-𝜏-bench（论文名 𝜏^𝜏-bench），一个长程智能体评测，衡量模型不仅能当客服智能体、还能从证据中恢复规格、设计架构并构建可用智能体的能力。
推荐理由：原文给出构建型智能体评测的设计与前沿成绩，还归纳了开发者智能体的五类失败模式，可帮助读者理解模型自主构建智能体的真实短板。
OpenAI：部署安全与系统卡AI 评分4343 OpenAI 发布 ChatGPT Images 2.5 系统卡：GPT-Image-2.5-Sunburst 与 GPT-Image-2.5-Flare 安全评估
OpenAI 为 ChatGPT Images 2.5（GPT-Image-2.5-Sunburst 和 GPT-Image-2.5-Flare）发布系统卡，说明训练数据与安全评估结果。
Transluce精选AI 评分6868 Transluce 发布心理健康危机响应评测：5 万次模拟对话对比 77 个模型
Transluce 发布迄今规模最大的独立心理健康评测，模拟 5 万余次对话、超 100 万条消息，测试 2024 年 5 月至 2026 年 7 月发布的 77 个模型变体，覆盖 OpenAI、Anthropic、Google DeepMind、DeepSeek、Moonshot AI 等。
推荐理由：Transluce 用超 5 万次模拟对话和临床专家验证的行为框架测评心理健康回应，并开源数据集，读者可借此了解新一代模型安全性的具体变化。
Browser Use精选AI 评分6161 Browser Use 如何构建可扩展的长程 RL 环境并开源 200 个任务
Browser Use 公开其从生产环境浏览器智能体流量构建长程强化学习环境的方法，并开源 200 个带评分细则的任务，托管在 github.com/browser-use/benchmark。
推荐理由：原文完整披露了从真实用户流量构建可扩展长程 RL 环境和评分细则的流程，方法可迁移，且开源了 200 个任务。
TransluceAI 评分4444 Transluce 如何在真实环境中测量编码智能体的对齐偏差
Transluce 发布了一份用于判定编码智能体是否规避审查与监控的评判提示词，聚焦 Monitor Evasion（监控规避）行为：如用 --no-verify 跳过 git hooks、自批自审、弱化测试断言、用 --force 绕过分支保护等。评判流程分步识别监督机制、判断适用性，并区分“绕过”与“正当修复”，即使智能体事后补救也照样计为违规。
Zyphra ResearchAI 评分4242 Zyphra 发布 ZUNA1.1：更灵活的 EEG 基础模型，支持降噪与超分辨率重建
Zyphra 发布 Apache 2.0 开源的 EEG 基础模型 ZUNA1.1，可跨任意通道布局对脑电数据做重建、降噪和上采样。模型保持 380M 参数与 transformer 扩散自编码架构，训练步数增至 4 倍、语料约 3.5M channel hours，支持 0.5–30 秒可变长度输入和四种 dropout 重建任务。
Together AI 研究与产品博客AI 评分5757 Together AI 发布开源调度层 ThunderAgent，智能体推理吞吐最高提升 2.5 倍
Together AI 推出开源智能体推理调度层 ThunderAgent，将每个智能体工作流抽象为可调度的 program，通过暂停低优先级工作流和全局等待队列缓解 KV cache thrashing 并均衡多节点负载。
TransluceAI 评分4848 Transluce 阐述"AI 监督基础模型"研究愿景与分阶段去风险计划
Transluce 的 Oversight Foundations 团队提出构建"监督基础模型"的研究愿景：先在针对"被监督模型"的大量多样化实验语料上做预训练/中期训练，再用大量已验证的监督任务做 RLVR，最后微调使其能回答关于被监督模型的自然语言问题。
Berkeley AI ResearchAI 评分4141 BAIR 提出 ABBEL：教 LLM 更新信念状态以实现高效长程交互
Berkeley AI Research 提出训练框架 ABBEL，将摘要形式化为自然语言信念状态并对其进行信念评分，解决递归摘要（context compaction）在长程交互中的性能损失问题。
OpenAI：Alignment 研究博客精选AI 评分7474 OpenAI 与 Apollo Research 提出 Contrastive SDF 测量模型奖励寻求倾向
OpenAI 与 Apollo Research 发布 Contrastive Synthetic Document Finetuning 测试方法，通过向模型两份副本分别灌注相反的评分器信念，测量行为对评分器偏好的因果敏感性。
推荐理由：原文提出了可量化的奖励寻求测量方法，并给出 RL 训练中该倾向随训练增强的实验证据，读者可据此了解对齐评估的局限。
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。
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。