教導 LLM 更新信念以提升長期互動效率
ABBEL 是一套透過自然語言信念狀態與評分,將長期互動的記憶壓縮,並在協同編碼與多目標問答等環境中顯著提升效能與訓練效率。 - 核心概念:將互動歷史抽象為「信念」(belief),並以自編碼方式評分,確保關鍵資訊被保留。
ABBEL 是一套透過自然語言信念狀態與評分,將長期互動的記憶壓縮,並在協同編碼與多目標問答等環境中顯著提升效能與訓練效率。 - 核心概念:將互動歷史抽象為「信念」(belief),並以自編碼方式評分,確保關鍵資訊被保留。
Google Research 介紹了 SymptomAI,這是一種用於日常症狀評估的對話式 AI 助理,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AI 助理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。
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。
OpenAI 與 Apollo Research 共同發表研究,開發出稱為 Contrastive SDF(Contrastive Synthetic Document Finetuning)的新測試方法,用於測量 AI 模型在擁有不同世界觀信念時是否會改變行為。
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。
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。
HTTP 新增 QUERY 方法,解決複雜查詢的重試與快取問題。 - 方法定義:QUERY 為安全且可重試的 HTTP 方法,允許在請求體中傳遞複雜查詢。
HydroShear 是一種新型觸覺模擬技術,能在模擬環境中準確追蹤柔性感測器的力學變化,並直接將在模擬中學習到的抓取策略部署到真實機器人。 - 核心技術:使用水力彈性接觸模型與「路徑依賴力跟蹤」實現對滑動、旋轉及摩擦力的高保真模擬,並可 GPU 並行加速。
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AI 助理。
summary_zh: Epoch AI 於 2026‑07‑08 發布 EBR‑bench 基準,測試 AI 在複雜棋類遊戲 Earthborne Rangers 中從經驗學習的能力,結果顯示 AI 目前尚未能從錯誤中學習。
測量開源衍生模型的可信度 - 評估工具:Cognition 建立了結合直接提問與真實編碼場景的評估套件,涵蓋宣傳、拒絕與差異化安全等三大維度。 - 實驗物件:對 Kimi K2.7 Code、DeepSeek‑V4、GLM 5.2、GPT 5.5、Claude Opus 4.8 以及新開發的 SWE‑1.7 進行測試。
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。
FrontierCode 1.1 以更精細的網路使用規範與評分審核,將模型測試從不公平的網路搜尋中分離,並提升評分準確度。 - 公平網路使用:新增「fair internet use」提示與驗證器,將不公平使用率降至 1% 以下。
推薦理由:FrontierCode 1.1 透過精細化網路使用規範與評分審核,提升模型測試的真實性與公正性,並兼顧實務可執行性,為開發者提供可落地的評估指標。
多令牌殘差預測(MRP)是一種小型 transformer,附加在凍結的擴散語言模型(DLM)骨幹上,預測相鄰 denoising 步驟之間的 logits 殘差,從而在單次前向傳播中預測多步輸出。
EBR‑bench 是 Epoch AI 針對 AI 即時學習能力的基準,使用 Earthborne Rangers 這款複雜卡牌桌遊進行多次對局。
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。
Together AI 在 ICML 2026 展示了九篇跨層研究,從代理到 GPU 核心,涵蓋模型、演算法、系統與硬體最佳化。 - 代理層:DSGym 1,000+ 任務、10+ 領域;ThunderAgent 3.6× 推理吞吐量、3.9× RL 迭代速度提升。
推薦理由:Nine ICML 2026 論文涵蓋從代理到 GPU 核心的全棧研究,讀者可洞悉跨層最佳化的實際效能與落地策略,並展示多層協同效益與實際部署案例。
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。
MirrorCode 是一個評估 AI 完整程式重寫能力的長程編碼基準,涵蓋 25 個跨領域開源專案。- 任務設計:AI 必須在無原始程式碼、無網路存取、無作弊機制下,重寫整個程式,並通過所有隱藏測試。
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。
Scaling Laws 的研究在本文中被細緻整理,作者將多篇實驗結果整合,提出可直接應用於 LLM 訓練資源分配的參考模型。 - 核心發現:訓練損失隨模型大小、資料量、計算量呈指數律。
ParallelKernelBench 是一個測試多 GPU 核心生成的基準,評估 GPT‑5.5、Gemini 3 Pro 等前沿模型的表現。 - 核心特性:87 個實際工作負載,涵蓋多種分散式並行策略。
推薦理由:此研究揭示前沿 LLM 在多 GPU 核心生成上的侷限,提供可量化的基準與改進方向,並展示首批成功案例。
AI 系統在多項說服實驗中已明顯優於專業人類,甚至在實際募款中比專業募款員高出 10.8% - 說服實驗規模:四項研究共 18,978 次對話,6,923 名參與者,AI 在所有類別(隨機、選拔、訓練)中均優於人類。
OpenAI 研究團隊證明,將強化學習應用於涵蓋健康、教育、科學等多領域的有益行為資料集,可在多項獨立評測中顯著提升模型的誠實、可修正、透明度與安全性。
Epoch AI 提出為 AI 研發量身打造的 ONET,將 60+ 代表性任務拆解成六大類別,並對 AI 自動化程度進行 0–5 等級評估。 - 任務細分:將 AI 研究流程拆分為「規劃、實驗、執行、部署、評估、溝通」六大類別,每類再細分為多個子任務,遠超傳統 ONET 的高層描述。
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。
Import AI 460 提供了多篇 AI 研究的概覽,涵蓋社會規則破解、RL 航拍競速、以及語言模型對政治偏見的影響。 - SocioHack:72 個沙盒環境,RL 模型以 61.25% 的召回率與 90.85% 的精準度重新發現歷史漏洞,測試範圍從信用卡點數到學校成績。
推薦理由:多篇研究聚焦 AI 在社會規則、機器人競速與偏見影響的最新進展,為跨領域洞察提供參考,並揭示未來自動化治理與軍事應用的挑戰。
FrontierCode 是一份由 Cognition 及 36 個開源專案維護者共同打造的 benchmark,專注評估模型產出可合併、符合高品質標準的程式碼。
推薦理由:FrontierCode benchmark 以實際維護者判準衡量模型產出可合併程式碼,揭示即便最先進模型仍難達高品質標準。
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。
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。
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。
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。
Google Research 推出了 ReasoningBank AI 助理記憶框架,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AI 助理的成功率和執行效率。
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。
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。