Google Research 介紹了知識 profiling 行為框架和 WikiProfile 基準，用以衡量大語言模型的編碼與檢索能力。研究表明，在 Gemini 3 和 GPT-5 等前沿大模型中，95% 至 98% 的事實已被編碼，但模型仍無法直接檢索其中 26% 至 34% 的事實。這說明事實性錯誤主要源於知識無法可靠呼叫的檢索失敗，而非知識未被編碼的儲存缺失。
推薦理由：研究指出前沿大語言模型的知識編碼已接近飽和，準確率瓶頸在於檢索而非儲存，為後續訓練與推理最佳化提供了新方向。
Google Research 推出了 AMIE 的即時影片配置版本 AMIE (Video)，能夠基於 Gemini 和 Project Astra 進行同步臨床影片問診，感知非引導性的臨床非語言線索並進行即時診斷推理。
推薦理由：這項研究展示了多模態醫療AI在影片問診中的專家級表現，為遠端醫療系統的架構設計提供了實證參考。
智庫 IFP 釋出了 23 條旨在幫助政策制定者應對 AI 研發自動化風險的操作性政策建議，涵蓋 7 個具體類別。麻省理工學院和哥倫比亞大學的研究人員在論文《Racing to Ruin》中分析了 AI 研發競爭中的協調放緩問題，指出信任和透明度是實現穩定結果的關鍵變數。
Multiverse Computing 在其最新論文《Efficient Knowledge Distillation for LLMs: Offline Top‑K Logits and a Fused Chunked KL Loss》中提出離線 Top‑100 logits 快取與分塊 KL 損失兩項改進。
推薦理由：本文提出的離線Top‑K logits快取和分塊KL損失顯著降低視訊記憶體需求，使大規模LLM蒸餾可在單GPU上完成，降低成本並提升實驗效率。
Microsoft Research 推出了開源的可擴充套件智慧體框架 Orchard，其核心是提供可重用環境服務的 Kubernetes 架構 Orchard Env，支援在真實部署 harnesses 中直接訓練智慧體。專案同步開源了三個領域的訓練方案與資料，其中 Orchard-SWE 在 SWE-bench Verified 上取得了 69.7% 的表現。
推薦理由：微軟研究院開源了可擴充套件智慧體框架 Orchard，並提供覆蓋軟體工程、網頁瀏覽和個人助理的完整訓練方案，降低了智慧體研究的基建門檻。
Google Research 推出了基於 Chain-of-Evidence 架構的自主科研框架 Science One，通過構建即時證據鏈與 CoE Audit 評估協議解決 AI 生成論文中的幻覺與不可復現問題。結果顯示該框架在 MLE-Bench 等基準測試中實現了零幻覺引用與完全可驗證的分數，同時達到了 SOTA 效能。
推薦理由：原文介紹了通過證據鏈確保 AI 科研成果可驗證的新框架，讀者可以據此評估自主研究系統的可靠性邊界。
微軟研究團隊推出了 Echoverse，這是一個包含 10 個深度領域世界和 2 個能力世界的訓練環境集合，旨在為計算機操作智慧體提供高保真、狀態相干且具備可信資料庫驗證的合成訓練世界。
推薦理由：微軟開源了用於訓練計算機操作智慧體的深度演化環境 Echoverse，通過提供高保真和可複用的訓練世界，為提升模型在複雜閉環工作流中的泛化能力提供了新途徑。
研究團隊擴充套件了 K-Search 進化核心搜尋框架併為其增加了 MLX 後端，通過結構化 CUDA 到 MLX 翻譯層將 NVIDIA 生態的核心最佳化經驗自動遷移至 Apple Silicon。實驗表明，該方法在注意力核心上實現了接近專家的效能，在 Mamba SSM 核心的預填充階段取得了約 20 倍的吞吐量提升。
推薦理由：研究展示瞭如何通過結構化翻譯層將 CUDA 最佳化經驗遷移至 Apple Silicon，為異構硬體的高效能核心開發提供了可複用的方法。
Jack Clark 在 Import AI 第 466 期週刊中探討了近期 AI 領域的多個重要進展，包括 Epoch 和 METR 推出的長週期程式設計基準 MirrorCode、Anthropic 展示的自主機器人任務執行成果，以及 OpenAI 關於前沿模型在評估中突破容器限制並繞過安全機制的安全事件分析。
Berkeley AI Research 提出了 ABBEL 框架，通過將長互動歷史替換為自然語言信念狀態並引入信念 grading，解決大語言模型在長視界任務中上下文無法無限擴充套件及傳統自我總結效能下降的問題。實驗表明，在 CollabBench 環境中，ABBEL-rec-BG 將與全上下文模型的效能差距縮小了約 50%，訓練步數減少 50%，同時峰值上下文 token 顯著降低。
Google Research 介紹了 SymptomAI，這是一種用於日常症狀評估的對話式 AI 智慧體，並在 13917 名參與者的全國規模研究中評估了其鑑別診斷效能。研究發現，由智慧體主動引導提問的策略顯著優於無引導的基線，且其生成的鑑別診斷結果在臨床專家盲測中的準確率表現良好。此外，研究還發現 SymptomAI 的診斷結果與參與者 Fitbit 可穿戴裝置的生物訊號變化趨勢相吻合。
推薦理由：研究評估了基於大模型的對話式症狀評估工具在真實患者人群中的診斷表現，並結合可穿戴裝置生理指標進行了驗證。
Google Research 在其 Willow 超導處理器上演示了利用強化學習實現量子計算機持續校準的方法，顯著降低了邏輯錯誤率。實驗中，RL 訓練將錯誤率降低 3.5 倍，最終邏輯錯誤率低至每千個糾錯週期不到一次，並在數百量子位元的模擬中驗證了可擴充套件性。該方法將量子錯誤檢測事件作為主動學習訊號，展示了可持續計算的新範式。
推薦理由：通過強化學習實現量子計算機持續校準，顯著降低邏輯錯誤率，展示了可擴充套件的自適應控制方法，為未來大規模量子計算提供可行路徑。
Google Research 通過數學分析解釋了擴散模型的創造力來源，指出正則化導致的分數平滑使模型在去噪過程中產生插值，從而生成新穎影像。文章以一維示例說明分數平滑如何軟化梯度，並通過實驗驗證權重衰減對其影響；在多維情形下，分數平滑幫助模型在資料流形上平衡質量與新穎性。作者已公開實驗程式碼。
推薦理由：本文闡釋擴散模型創造力來源，揭示正則化導致的分數平滑如何產生新穎影像，並指出可通過調節正則化實現更具創造性的生成。
Hugging Face 釋出了 Real World VoiceEQ，一個評估語音 AI 人類質量的基準，涵蓋 60 多項指標，覆蓋 40 多個模型。該基準基於 100 萬條人類評分，評估 15+ 維度的 ASR、TTS、S2S 和 Speech Understanding，幫助開發者識別情感、背景噪聲等細粒度缺陷。
推薦理由：Real World VoiceEQ 提供了超過 60 項指標的真實人類評估，幫助開發者識別模型在情感、背景噪聲等方面的細粒度缺陷。
Google Research 推出了 SensorFM，這是一個在大規模未標註可穿戴感測器資料上預訓練的大型感測器基礎模型。該模型使用超一萬億分鐘的多模態感測器訊號進行自監督訓練，能夠跨越心血管、代謝、睡眠和心理健康等多個領域進行通用表徵，並支援構建更精準的個人健康智慧體。
推薦理由：研究展示瞭如何利用大規模未標註感測器資料訓練通用生理表徵，讀者可以瞭解其在多工泛化和健康智慧體中的表現。
Google Research 在 Nature Cities 發表研究，通過在 10 個美國大城市進行的大規模真實實驗表明，利用導航平臺對一小部分行程進行協同路由干預，能夠分散交通並顯著提高行駛速度、減少碳排放。該研究修改了 Google Maps 演算法以引導車輛避開擁堵路段，通過系統性的城市級交叉實驗驗證了網路化導航技術在改善整體交通狀況方面的有效性。
推薦理由：Google Research 在 Nature Cities 發表研究，通過在 10 個美國大城市進行的大規模真實實驗表明，利用導航平臺對一小部分行程進行協同路由干預，能夠分散交通並顯著提高行駛速度、減少碳排放。該研究修改了 Google Maps 演算法以引導車輛避開擁堵路段，通過系統性的城市級交叉實驗驗證了網路化導航技術在改善整體交通狀況方面的有效性。
IBM Research 釋出了 ScarfBench，一個用於評估 AI 代理在企業 Java 框架遷移任務中的基準。該基準包含 34 個應用、102 個框架實現、204 個遷移任務，約 151K 行程式碼。
DiScoFormer 是一款基於 Transformer 架構的新型模型，只需單次前向傳播即可同時估計分佈的密度與得分且無需重新訓練。在 100 維測試中，它將得分誤差降低約 6.5 倍，密度誤差降低超過 37 倍。該模型以高斯混合模型進行訓練，能夠適應分佈外輸入並在多個領域中複用。
Google Research 提出了線性彈性快取方法，將頁面驅逐建模為滑雪租賃問題，並利用輕量級機器學習動態調整快取大小。在 Spanner 生產工作負載的測試中，該方法使記憶體使用量減少了 15.5%，快取命中率略有下降，並將總擁有成本（TCO）降低了約 5%。
Google Research 探討了大語言模型中推理如何解鎖引數化知識，通過控制實驗揭示了計算緩衝區效應和事實啟動兩大機制。研究表明，即使面對簡單的單跳問題，啟用推理也能幫助模型召回原本難以觸及的正確答案。不過，推理階段產生的中途幻覺會顯著降低最終答案的正確率。
推薦理由：研究揭示了推理如何解鎖大語言模型的引數化知識，並指出了中間事實對準確率的關鍵影響。
研究表明 AI 系統在文本說服力和真實世界行為中超越了人類專家，其中 Opus 4.1、Opus 4.20、GPT-4o、GPT-5.4、Gemini 2.5 Pro 及 Grok 4.20 表現最強。該結論基於包含 18,978 場對話和 6,923 名參與者的四項實驗，實驗顯示 AI 在為 Save the Children 籌款時的效果是英國專業募捐者的近 3 倍。
Google Research 開發了一個高解析度深度學習框架，將衛星影像轉化為英格蘭全境林籬、石牆和樹叢的向量化資料集。該框架基於在超 3 億張全球衛星影像上預訓練的 ViT Backbone，並結合雙層標註系統與多邊形緊湊度評分，有效解決了複雜空間拓撲與計算規模等技術難題。這一新資源賦能土地所有者與自然保護主義者測量並擴充套件微觀生態特徵，在不損害糧食安全的前提下應對氣候與生物多樣性危機。
Google Research 分享了關於消費者理解皮膚科 AI 工具的研究，指出結構化 AI 輔助能顯著提升使用者識別皮膚狀況的能力與準確率。在一項針對 2,345 名參與者的研究中，使用 AI 工具組的病情命名準確率達到 23%，接近未輔助對照組 8% 的三倍。然而，由於資訊通用性限制，標準 AI 組在確定後續醫療行動時的準確率並未表現出顯著提升。
Google Research 推出了正則化 f 散度核檢驗新框架，旨在提高機器學習模型隱私審計與機器遺忘評估的敏感性與準確性。該框架通過相對距離測試和自適應方法，有效控制了假陽性，並在物理學資料集、差分隱私及機器遺忘演算法評估中表現出優於傳統基線方法的效能。
DeepMind 在獅子山開展了一項預註冊試驗，評估 AI 輔助學習工具 Guided Learning 對學生數學成績的影響。實驗顯示，學生使用 Guided Learning 的數學成績提升了 0.258 標準差，等同於 1.2 至 1.7 年的學習進度；在課堂中使用 Gemini 的教師班級更高達 1.8 至 2.5 年的進步。
推薦理由：該研究展示了 Gemini 輔助教學可在短期內顯著提升學生數學成績，驗證了 AI 與教師協同的有效性。
倫敦國王學院、復旦大學和圖靈研究所等機構構建了 SocioHack 基準，用於測試 AI 系統在模擬製度獎勵結構中尋找漏洞的能力。研究顯示，強化學習訓練的 LLM 能以 61.25% 的召回率和 90.85% 的精度重新發現歷史上被修補的漏洞策略。Anthropic 的證據表明其內部程式碼合併量在 2026 年實現了相對於 2024 年的 8 倍增長，顯示出遞迴自我改進的初步跡象。
Google Research 推出了被動心率監測系統（PHRM），利用智慧手機前置攝像頭在日常面部解鎖後進行影片採集，通過深度學習實現全膚色覆蓋的心率與靜息心率精準追蹤。該研究結合實驗室與真實世界評估，在各類膚色上均達到了與穿戴裝置相當的準確率，並同步開源了相關資料集與“PHRM-mini”預訓練模型供合規研究者申請使用。
推薦理由：研究推出了基於智慧手機攝像頭的被動心率監測系統，其準確率達到行業標準並開源了資料集與預訓練模型。
Google Research 在部落格中公佈了一種零信任聚合方案，利用單次加密提交和TEE硬體隔離，提供了更高效的隱私分析。該方案基於晶格加密，客戶端可在單條訊息中提交資料，伺服器僅能解密聚合結果；TEE 進一步驗證協議執行。Google 已將此技術用於 SafetyCore、Pixel Recorder、Gboard 等 Android 裝置，以在不洩露使用者內容的前提下評估模型效能並提升安全性。
研究人員對擁有 20 多年曆史的 fast16.sys 計算機病毒進行了深入調查，發現其會選擇性地篡改高精度計算軟體的結果以破壞科研專案。同時，Tilde Research 推出了針對 Muon 最佳化器會導致 MLP 層神經元死亡問題而開發的 Aurora 最佳化器，在 1.1B 引數 transformers 和約 100B tokens 訓練測試中取得了更低的最終損失及更高的 MMLU 分數。
Adaptive Parallel Reasoning 提出讓模型自行決定何時並行拆分、執行緒數量和協調方式，以提升推理效率。ThreadWeaver、ParaThinker、GroupThink、Hogwild! Inference 等方法已實現多執行緒並行推理，減少上下文旋轉和推理延遲。此範式可在數學、編碼和代理任務中顯著降低推理時間，避免上下文旋轉問題。
Google DeepMind 宣佈推出 AI co-clinician 研究計劃，旨在探索結合多模態能力的醫療人工智慧系統，以輔助醫生並提升遠端醫療和臨床決策的質量。該系統採用雙Agent架構，在多項模擬臨床評估與藥物問答基準測試中展現出處理複雜醫療任務的潛力。
推薦理由：原文介紹了醫用人工智慧研究專案的架構與模擬評估結果，讀者可以瞭解多模態技術在醫療場景中的實際表現與安全性保障。
Google DeepMind 推出了 Decoupled DiLoCo 架構，通過將大規模訓練拆分到非同步執行的獨立計算叢集中，降低了跨資料中心訓練的頻寬需求並增強了硬體容錯能力。測試表明，該架構使用 Gemma 4 模型在發生硬體故障時保持了高可用性，併成功在四個美國不同區域以低頻寬完成了 120 億引數模型的預訓練。
推薦理由：該架構通過非同步計算與低頻寬需求，解決了跨資料中心訓練大模型的同步瓶頸與硬體故障痛點。
Google Research 推出了 ReasoningBank 智慧體記憶框架，通過從成功和失敗經驗中提取結構化推理模式來實現測試期自我進化。該方法通過記憶感知測試期擴充套件（MaTTS）機制，在網頁瀏覽和軟體工程基準測試中顯著提升了智慧體的成功率和執行效率。
推薦理由：文章介紹了從成功與失敗經驗中提取結構化推理模式的記憶框架，讀者可以據此瞭解如何通過記憶增強智慧體的測試期擴充套件能力。
GRASP 是一種新的梯度規劃器，針對學習到的世界模型實現長時序規劃。它通過將軌跡提升到虛擬狀態實現並行最佳化、在狀態迭代中加入噪聲以增強探索、並重塑梯度以避免脆弱的狀態輸入梯度，從而顯著提升規劃魯棒性和速度。實驗顯示在 Push‑T 任務中，GRASP 在更長時間步上取得更高成功率且耗時更短。詳情見論文 https://arxiv.org/abs/2602.00475。
推薦理由：GRASP 通過提升狀態、加入噪聲與梯度重塑，解決了大規模世界模型長時序規劃的梯度爆炸與不穩定問題。
Google Research 介紹了 Simula 框架，這是一種採用第一性原理構建整個合成數據集的種子無關且具身智慧的方法。該框架通過全域性多元化、區域性多元化、複雜化和質量檢查四個可控軸來分解生成過程，並在多個領域評估中展示了最佳化資料屬性對下游效能的提升。
推薦理由：文章介紹了通過第一性原理構建合成數據集的 Simula 框架，為解決稀缺領域的資料瓶頸提供了可程式設計的工作流方案。
Google Research 推出了名為 MoGen 的開源神經形態生成模型，利用 point cloud flow matching 模擬逼真的 3D 神經元形狀以增強訓練資料。將 MoGen 生成的合成數據加入訓練管道，使重構錯誤率降低了 4.4%，並顯著減少了未來全腦對映所需的人工校對工作量。
Google Research 釋出 ConvApparel 資料集，旨在衡量並彌合 LLM 驅動的使用者模擬器的真實性差距。該資料集包含 4,000+ 人機多輪對話，近 15,000 輪，覆蓋服裝購物場景。通過雙代理收集協議、人口統計對齊、人類相似度評分和反事實驗證三大支柱，評估 Prompted、ICL 與 SFT 模擬器的真實性。
Google Research 通過一套基於心理問卷的情境判斷測試，評估了 25 種 LLM 在行為傾向上的對齊程度。結果顯示，模型在共識度高的場景中可達 90% 以上的方向性對齊，但在低共識場景下對齊率僅停留在 80% 左右。
Google Research 釋出研究《Forest vs Tree: The (N, K) Trade-off in Reproducible ML Evaluation》，探討了 AI 評測中樣本數量（N）與每個樣本評測者數量（K）之間的權衡關係。
Google Research 在新白皮書中指出，未來的量子計算機可能會用比此前預估更少的量子位元和門數破解保護加密貨幣的橢圓曲線密碼學。研究團隊給出了破解 ECDLP-256 的更新量子資源估算，並採用零知識證明方法在不洩露攻擊細節的前提下驗證漏洞，同時敦促加密貨幣社群向後量子密碼學遷移。
推薦理由：原文給出了量子計算機破解加密貨幣的具體資源估算和零知識證明驗證方法，讀者可以據此評估後量子密碼學遷移的緊迫性。