AI 进展依赖可复用模型、智能体框架与验证;相关主张需独立核实
2026-11-14 16:00 UTC
要点
- 生物基础模型在分子与基因组各类任务上正收敛于同一套“先预训练、后迁移”的逻辑,但其最亮眼的性能声明仍局限于预印本或厂商口径,尚未经过独立复现。
- 智能体能力越来越多地落在运行时脚手架之中——工具调度、验证、持久记忆、假设搜索与持续编译——基础模型只是其中一个组件,而非能力的唯一来源。
- 安全与安保方面的发现指向同一个判断:提示词层面的防护栏并不足够,因为攻击与防御如今已在模型权重、微调数据配比和部署运行时控制层面展开。
- 验证与评估设计(包括泄漏控制)正在成为科学与智能体各类声明背后的“限速”基础设施,尤其是在验证依赖昂贵的专业工作或湿实验的场景中。
- 地球科学与 PDE 基础模型的进展,依赖的是开放的观测数据集和具备物理感知的归纳偏置——例如球面图、无坐标注意力与边界感知基准——而非单纯的参数规模。
本周的证据显示,AI 进展正集中体现在可复用的基础模型、智能体运行框架以及验证/评估基础设施上,而最具分量的性能与部署声明仍出自第一方或预印本,尚需独立验证。 各章节的推进线索如下:先从生物基础模型入手——其可复用表征正在趋同,但验证仍受限于预印本或厂商口径; 继而转向智能体研究,这类工作把能力重新安置到运行时脚手架、搜索流程与编译循环之中。 安全方面的发现随后把视线引到提示词层之下,聚焦权重、数据配比与运行时控制; 与此同时,评估正成为科学与智能体声明的限速基础设施。 地球科学与 PDE 系统表明,进步来自开放数据与物理感知架构,而非单纯的规模; 机器人领域则呈现两极分化:一端是通用控制策略,另一端是面向特定传感器的基础表征,而部署级别的成功率大多由厂商自行报告。 简讯(Briefly Noted)收录主线论证之外的重要条目。
生物基础模型正趋同于可复用表征,但验证仍局限于预印本或厂商来源
本周的分子与基因组条目共享同一种基础模型逻辑:先从大规模序列语料中构建可复用表征,再将其迁移到不同任务上 1, 2, 3。 Bonbon 是相互作用层面的实例,它在约 3.2 万亿 token 的蛋白质-配体配对序列上进行自监督训练,参数量与 token 数之比为 1:2,000,且训练过程不使用结构坐标,也不依赖任务特定监督 1。 其宣称的收益在于:用一个快速的序列模型,取代大量任务特定的监督模型以及耗时数小时的物理计算 1。 ProTEUS 则把这一逻辑从相互作用预测延伸到蛋白质工程:将突变体视为序列、MSA 与结构信息共同构成的联合潜在空间中的状态,将突变视为动作,并预测其功能后果 2。 在一项闭环醛脱氢酶改造项目中,该预印本报告了 5 轮共 150 个突变体,并在 100 条序列的预算内实现了超过野生型 10 倍的活性 2。 把 1 与 2 放在一起看,二者呈现的是扩展而非复制:两者都追求可迁移表征,但 2 把迁移单元从分子相互作用推进到了突变驱动的功能 1, 2。
然而,验证并未同步跟上。 Bonbon 是一篇预印本,其前瞻性湿实验验证由作者自行报告,在所提供的证据中并未经过独立重复 1; ProTEUS 同样是预印本,同行评审状态不明,其闭环活性提升也出自作者自报 2。 两者都没有提供独立基准或外部重复 1, 2。 基因组一侧的问题则在于受制于厂商而非预印本:AlphaGenome 2 是 DeepMind 的官方公告,宣称对突变影响基因调控的效应可达到细胞类型与细胞状态级别的分辨率,而非宽泛的组织层面平均值 3; 这是一份第一方公告,而非独立基准 3。 Decoder 的报道印证了向细胞类型分辨率的转变,并补充说明其训练数据涵盖来自人类和小鼠 68 种组织的超过 1.07 亿个单细胞图谱,取代了前代版本的组织整体水平预测 4; 不过,作为针对同一发布的媒体报道,它只是衍生性的佐证,并非独立验证 3, 4。
综合来看,本周的生物基础模型在表征策略层面呈现出趋同态势——即通过自监督或联合潜在空间预训练来实现迁移——而最关键的性能与部署声明,仍主要出自预印本作者或发布厂商 1, 2, 3, 4。
智能体能力正在向运行框架、搜索过程与编译循环迁移
本周的智能体研究把运行时脚手架——工具调度、验证、持久记忆、假设搜索、持续编译——视为能力的主要载体,基础模型只是其中的一个组件。 REINS 对此表述得最为直接:它将智能体运行框架范式——即以工具调度、验证和持久记忆包裹 LLM 推理循环的运行时脚手架,因 Claude Code 与 Codex 而广为流行——移植到自动驾驶的实时轨迹规划中 5。 论文将这种脚手架视为化解核心矛盾的一种可能方案:在安全攸关、毫秒级预算的控制回路中使用 LLM 时,既要保留语义推理,又不能付出每步延迟的代价,也不能盲目信任随机性输出 5。 这是该预印本自己的主张 5。
AutoAssumption 则把同样的逻辑搬进了搜索过程。 它是一个 LLM 运行框架,将假设而非程序作为算法搜索单元,把 89 个已发表的机器学习系统算法——44 个关于 KV 缓存淘汰、26 个关于投机解码、19 个关于权重剪枝——形式化为经 Lean 校验的证明图,其节点为假设、定义和定理 6。 论文声称的目标,是让自动化算法发现从不透明的代码修改转向可解释、经机器校验的假设变更,使性能提升能够归因到具体的设计决策 6。 REINS 把验证与持久记忆放进运行时循环 5,AutoAssumption 则在那里放了一个可校验的搜索空间 6; 两者合在一起表明,被认为承载能力的是过程本身,而非采样得到的输出。 AutoAssumption 是一篇 arXiv 预印本,同行评审状态未知 6。
Together AI Research 的 TKCC 把这种迁移从任务执行延伸到生产优化:它被描述为首个真正持续、由智能体驱动的 AI 推理优化循环,瞄准的是吞吐量与保真度之间的权衡——论文称正是这一权衡限制了现有的智能体编译系统 7。 其宣称的关键在于一次转变:从一次性的内核调优,转向持续、流量感知的编译,动因是生产环境中的流量形态在不断漂移 7。 这同样是一篇同行评审状态未知的预印本 7。
模型层面的反主张出自第一方。 Google DeepMind 将 Gemini 4 Carbon 定位为旗下在网络安全与长时程智能体工作流方面最强的前沿模型,宣称其在 CursorBench 4 上排名第一,并列举了多项成果:两小时内发现 0-day 漏洞(Wiz 的 Scan for Good),以及 AlphaProof Code 以数学方式证明 Signal 的加密协议代码 8。 这些结果大多由厂商自行报告,尚待独立复现 8。 若对照 harness 方面的工作来读,这份公告的主张单位是模型而非脚手架——这一解释性对比是原始文献本身并未做出的——而它所引用的成果属于长时程工作流,也正是那些 harness 论文定位自身贡献的同一范畴 8, 5。
纵观这几项内容,能力主张所针对的是调度、验证、记忆、假设搜索与持续编译,基础模型只是其中一个组成部分 5, 7, 6。 脚手架一侧的主张仍停留在预印本阶段 5, 7, 6,模型一侧的主张则仍属第一方 8。
安全证据正从提示词层下沉到权重、数据配比与运行时控制
本周的安全证据将攻击面定位到了提示词之下。 一篇预印本论文描述了 Lazarus——一种权重级后门,它将模型最后一个 SwiGLU 前馈块中不到十个休眠神经元重编程为“特洛伊”神经元:这些神经元在良性输入下保持沉默,一旦出现触发字符串,就会提升攻击者选定的载荷 token 9。 一份公司官方公告描述了同一攻击,指出重编程不到 10 个休眠神经元就足以给基于该模型构建的智能体植入后门,该技术无需训练,且只需要检查点写入权限 10。 两个来源在机制与低访问门槛上相互印证:10 佐证了 9 所述的权重级风险,并指出这可能使权重溯源与完整性成为部署开源权重模型或内部自研模型者的一等安全关切 10。 预印本作者主张应像审计代码一样审计权重,并为模型托管平台、供应商、企业和用户提出了建议,包括与声明的基座模型做差异比对、展示溯源信息、限制权限以及审查操作 9。
完整性问题并不局限于权重。 LessWrong 上的一篇社区帖子报告了“顺势疗法式学习”(homeopathic learning):本身几乎不产生影响的投毒微调数据,一旦与干净的、性质相反的数据混合,就可能诱发隐藏后门 11。 这将担忧从检查点扩展到了数据配比:帖子指出,单独审计或过滤训练数据的安全方法可能因此失效,因为某个数据子集的危害可能只有在与同类良性数据混合后才会显现 11。 如果说 9 和 10 划定的是权重层面的边界,那么 11 划定的则是孤立检查无法覆盖的数据配比边界。
相应的防御措施也在向运行时转移。 一份公司官方公告介绍了 Control Room——一个部署在 OpenAI 研究基础设施中的集中式系统,用于追踪模型工作负载,并在出现安全或安保方面的顾虑时迅速将其叫停 12。 公告称,这种“故障即关闭”(fail-closed)的推理层瓶颈设计,或许能减少对易出错、由研究人员自行掌控的工作负载代码的依赖,并指出它能与监控器形成互补——例如此前捕捉到 OpenAI 近期 DNS 相关事件的那套监控 12。 由此,防御面从静态的模型检查扩展到了实时的工作负载控制 12。
综合来看,这些信息表明,提示词层面的防护措施只覆盖了整个技术栈的最顶层,而该技术栈的完整性如今正于权重 9, 10、微调数据配比 11 以及部署运行时 12 层面受到挑战。 权重层面的结论依据是一篇同行评审情况尚不明确的预印本 9; 数据配比层面的结论来自一篇社区帖子 11; 运行时控制则由其开发者自行描述 12。 这种趋同只是方向上的一致,并未经过独立验证,但它们指向了同一个方向:安全边界已经下沉到了提示词之下。
验证与评估正在成为科学声明与智能体声明的限速基础设施
本周的评估工作与其说聚焦于某张排行榜,不如说指向深度形式化验证、AI 开发本身的自动化,以及构建与评分成本高昂的专业任务或湿实验室任务 13, 14, 15, 16。 这表明,评估设计——尤其是防泄漏控制——本身就是所做声明的一部分,而非下游的便利性配套。
Google DeepMind 的 AlphaProof Code 被介绍为一个用于形式化验证的多 LLM 智能体框架,曾用于对 Signal 加密协议的实际实现代码进行关键安全属性的数学证明 13。 据官方公告,这有望让形式化验证从小范围、历时数年的人工工作,转向由 AI 智能体驱动、数周内完成的生产级软件验证,直指现实世界漏洞常常潜伏的设计与实现之间的鸿沟 13。 该声明针对的是生产代码而非玩具级规范,且属于第一方演示 13。 这也提示我们,深度验证本身就是一个评估问题:什么才算是对实现的证明? 又有谁来检验检验者?
Singularity-Bench 则将这股评估势头延伸到了另一个方向。 一篇预印本论文描述了一个面向自主 AI 开发的开放式基准,包含六项端到端任务,涵盖预训练、中期训练、后训练、推理、智能体运行框架(agent harness)与集群编排 14。 其宣称的目标是追踪智能体如今已能将 AI 开发的多大比例自动化; 结果表列出了智能体在六项任务上的得分与成本 14。 由于来源是预印本、同行评审情况不明,这些报告的分数应被解读为初步结果,而非定论 14。 该基准的设计也显示出评估正从任务准确率转向端到端开发——运行框架与编排本身就是被评分内容的一部分 14。
湿实验与专业任务类基准把“成本”这一维度摆上了台面。 量子位(QbitAI)消息称,UniPat AI 发布了 Science Prediction Universe——一个包含 116 项任务、4,207 个湿实验的基准,覆盖化学、材料科学、生物学和医学 15。 该报道认为,这一基准有望把湿实验预测变成一种可度量的能力,并帮助团队筛选研究方向 15。 Google 的 Multimodal Knowledge Agent 基准则走互补路线:每项任务都是一个多步骤项目,资深专业人士需要花 3–8 小时才能完成,并配有一份专家评分细则,包含约 70 项“是/否”检查项,权重上事实准确性占 75%、视觉设计占 25% 16。 Google 表示,完整题集为防泄露而保持私密,仅将 10 道公开任务发布在 Hugging Face 上; 标准化的评测框架加上经过验证的自动评分器,有望让跨模型比较更加可信 16。
综合来看,这几条动态指向同一个判断:评测正在某种特定意义上成为限速环节——真正要紧的那些论断,无论是生产代码验证、智能体自我开发、湿实验预测,还是长时程的专业工作,构建起来成本高昂,又极易被污染。 16 通过一套私有的留出集直接应对泄露问题; 15 把度量延伸到高成本实验; 14 把度量延伸到开发技术栈; 13 则把度量延伸到实现层面的证明。 不过,一处张力依然存在:支撑这些评测工作的证据,来自第一方公告、一篇预印本和一篇媒体报道 13, 14, 15, 16。 这并不足以否定这些基准,但确实意味着,评测基础设施如今需要接受与它所评判的系统同等的独立审视。
地球科学与 PDE 基础模型依靠开放数据与物理感知架构取得进展,而非仅靠规模
近期的物理科学系统把进展的落点放在几何结构和数据获取上,而不是模型规模。 PARDIG 是一个构建在球面图-网格 Transformer 之上的 AI 框架,能够生成近实时的全球降水估计,它将几何视为一项明确的架构选择 17。 这一问题的设定本身就带有观测性质:论文指出,全球仅有 13.4% 的陆地满足世界气象组织(WMO)的监测要求,并把该系统的价值定位在海洋和观测设备不足的区域 17。 这是在说明测量数据在哪里缺失,而不是在论证网络需要多大。 该成果是一篇 arXiv 预印本,同行评审情况未知 17。
DeepMind 公开了其 AI 天气模型背后的数据集——托管于 Google Cloud Storage,PARDIG 数据也已进入 Earth Engine——通过开放底层观测延续了这一工作路线。 该公司表示,这有望降低天气、水文与气候应用的门槛,尤其是在缺乏密集地面雷达覆盖的地区 18。 对照 17 来看,这次发布把数据获取当作能力本身的一部分,而非下游的便利措施; 由于这是一份第一方公告,关于降低门槛的说法出自该公司自身 18。
物理感知架构的论点并不止于气候领域。 ISLA 是一个面向稳态、边界驱动 PDE 的 Transformer 代理模型,据称是首个对欧几里得群精确等变的切片注意力(slice-attention)模型 19。 论文围绕部署条件来界定问题:在汽车与空气动力学设计场景中,位姿、网格划分器与单位约定各不相同,而该架构被描述为无坐标(coordinate-free)的,没有任何可学习操作接收坐标输入 19。 其贡献在于归纳偏置——无坐标、以测度加权的注意力——而所报告的改进方向是等变性,而非模型容量 19。
AeroZoo 则从评估角度印证了同一论点。 其基准与训练语料由 3,815 个带转捩模型的非定常 RANS 方程时间平均解构成,覆盖七类几何族、八种封闭腔体构型,雷诺数范围从 10^3 到 10^8 20。 该工作被定位为 ISLA 的姊妹篇 20, 19,其设计将神经 CFD 从“由形状到流场”的插值推向具备边界感知的解算子; 边界标记据称可带来 9 倍的误差降低,且该基准对封闭腔体构型表现出敏感性 20。 两者均为预印本,数据集也即将发布 20。
综合来看,这几项工作共同表明:地球科学与 PDE 基础模型的真正制约因素在于几何结构、边界条件设定与观测覆盖,而非参数量。 同时需要附加一个总体性的提醒:四项工作中有三项是同行评审情况未知的预印本 17, 19, 20,数据集的发布属于第一方 18,因此其性能与可获取性方面的说法仍有待独立验证。
机器人技术正在分化为通用控制策略与传感器专用基础表征两条路线
本周的机器人领域证据分成两种复用策略:其一是把通用模型留在控制回路之内 21,其二是构建能够跨越多种传感器类型的触觉基础表征 22。 在前一条路线上,苹果的智能体操作策略(Agentic Manipulation Policies,AMPs)让一个通用前沿 AI 模型驻留在操作控制回路中,直接指挥机械臂,并随任务展开不断修正动作,而不是依赖由演示数据训练出的专用策略(如 VLA 和 WAM)21。 该预印本称,在 RoboLab-120 上零样本成功率为 85.6%,而领先的 VLA 为 49.2% 21。 作为一篇同行评审情况尚不明确的 arXiv 预印本,这一差距只是论文层面的声明,并非经过独立验证的结果 21。 按照该预印本的表述,能力被置于控制回路之中,而非某个专用策略之内 21。
谷歌 DeepMind 的 Gemini Robotics 2.5 指向同样的通用控制方向,但源自 VLA 谱系,宣称技能覆盖面更广、技能习得速度更快 23。 官方公告称,在实际运行的汽车生产线上成功率为 96% 23。 这一数字出自第一方,公告也没有提供独立复现 23。 一种解读是,这样的成功率意味着在单调体力劳动上已具备部署级可靠性,但公告本身并未做出这一推断 23。 这两项通用控制工作对 VLA 类别的定位并不相同:21 将 VLA 视为其通用控制回路所取代的专用方案,而 23 则把 VLA 作为承载第一方部署声明的载体。
另一条分支则将表征与硬件解耦。 Robbyant 的 LingBot-Touch 被描述为一个触觉基础模型,它学习一种覆盖压阻式、磁性与视触觉传感器的统一表征,并能在无需重新训练的情况下迁移到预训练中未见过的传感器模型 22。 该预印本称训练使用了 4,983 小时、46.4 万条 episode 的数据,并指出这有望把触觉理解从特定传感器的物理特性中解放出来,让不同传感器的数据得以汇聚,从而使触觉像视觉和语言那样实现规模化 22。 量子位(QbitAI)的媒体报道证实了 11 月 10 日的开源发布,以及该模型对磁性、视触觉和压阻式这三种主流感知原理的覆盖,其背后是近 5,000 小时的真实触觉数据 24。 报道还提到,在 XHand1 上——其磁性传感器模型并未出现在预训练数据中——参数冻结的 LingBot-Touch 仅凭手套采集的经验依然能够正常工作 24。 作为一篇媒体报道,它证实的是发布事实与传感器覆盖范围,而非提供独立的性能验证 24。
综合来看,这种分化确实存在,但证据支撑并不均衡。 通用控制分支拥有一份预印本基准测试的领先幅度 21 和一项第一方部署声明 23; 传感器表征分支则拥有一份预印本迁移声明 22 和一篇证实发布事实与传感器覆盖范围的媒体报道 24。 两个分支都没有为部署真正关键的性能数字提供独立验证,而这一组证据中达到部署级别的成功率来自第一方 23。 因此,这种分化与其说是向单一机器人基础模型的收敛,不如说是一种分工:通用模型进入控制回路 21, 23,触觉基础模型则试图让触觉在不同传感器硬件之间可移植 22, 24。 证据表明至少在某些情形下二者可以组合使用:22 将触觉 token 描述为即插即用、可无缝集成到策略之中,24 则报道 LingBot-Touch 已集成进 LingBot-VLA,并在真实机器人上提升了 π0.5、Diffusion Policy 和 T-Rex 的表现 22, 24。 现有证据无法确定哪个分支的性能声明承担着更重的验证负担 21, 23, 22, 24。
简要点评
本周有几项工作正处于基础模型与科学发现的交汇处,且全部以预印本形式发布。 Google DeepMind 与 Google Quantum AI 的研究人员在一篇论文中提出了一个基于量子 Hoare 逻辑构建的 Lean 定理证明器验证库,并配套一个多智能体 LLM 工作流,用于发现带有机器校验的正确性与成本证明的量子程序; 作者将这一思路视为从人工电路设计迈向“数学证明约束下规格驱动的 AI 发现”的可能转变 25。 另一篇预印本 CatAI 将 180 万条结构—性质关系组织为 30 个独立预训练的物理化学编码器,覆盖稳定性、电子、热力学、表面、机械与输运性质,其宣称的目标是让物理化学知识在机理各异的催化体系之间可复用,而不必逐例定制 26。 传染病预测基础模型 Mantis 2 在训练课程中把机理模拟的疫情与真实监测数据混合——取代了初代 Mantis 仅依赖模拟数据的配方——单个模型即可联合预测最多六个变量,预测时域达 16 周,并能提前 6 周以上预警疫情峰值 27。 在临床场景中,介绍 Glyph 的预印本详述了一套自动化多阶段框架:借助稀疏自编码器,将腹部 CT 体数据、放射学报告与实验室测量的基础模型嵌入分解为稀疏且可解释的概念,再将其作为候选疾病标志物进行评估; 作者报告称,Glyph 概念在留出队列中的复现率高于源自文献的标志物 28。
另外两项面向科学的成果出自不同的来源层级,解读时也应据此区别看待。 Google 公布了 Antigravity 的 /teamwork 多智能体系统的新成果:该系统构建于 Gemini 4 模型(Argon、Carbon、Hydrogen)之上,曾与人类专家合作攻关数学、化学、系统软件和机器学习工程领域的开放性问题,相关工具现已通过免费开放的方式提供给 10,000 名学术研究者使用 29。 Planet Labs 与康奈尔大学合作的一篇预印本论文(据其场所备注已被 NeurIPS 2026 接收)提出了一种免标注数据引擎:它将变化表示为视觉-语言模型在两个时间点的嵌入向量之差,并结合交集搜索、直接变化向量搜索与 MLLM 驱动的方法来发现全球变化事件; 作者认为,该模型能够提前数月预测事件完成情况,有望支撑行星尺度的主动干预 30。
数学与生产侧的进展为本周画上了句号。 Hacker News 上的一则社区帖子宣布,2009 年提出的 Aaronson-Ambainis 猜想已被初创公司 Physical Superintelligence(PSI)证明:这项工作由 David Turturean 与 Jim Halverson 领导,在一款内部 Claude 模型上借助一套专有的研究工具框架完成——按帖子的说法,其意义在于解决了量子查询复杂度领域被称为“最后几个核心重要开放问题之一”的难题,并回答了 Fortnow 与 Rogers 在 1998 年提出的随机预言机问题 31。 一篇预印本论文报告了作者所称的首次公开将递归自我改进应用于从零启动的整个前沿预训练运行,并把这一结果解读为预训练瓶颈可能从算力转向组织记忆 32。 百度的 ERNIE 团队推出了 ERNIE Evolve,Hacker News 上的一则社区帖子将其描述为一个自动化研究系统:它在既定约束下追求明确目标,贯穿研究方向选择与实现开发两个环节,并被用于在研的 ERNIE-5.5-Flash 的推理优化,由此产生的改动通过了生产级负载与正确性验证 33。 在服务侧,快手与学术合作者提出了 RecoGEM,一个面向生成式推荐的生产级服务系统:模型以自回归方式生成简短的语义标识符序列,而非对候选物品打分; 论文报告单实例 QPS 超过 1,000、P99 延迟低于 35 毫秒,并指出快手、谷歌与 Meta 正在推进向生成式推荐的转型 34。 综合来看,这些内容表明本周“可复用基础设施”的故事远不止于正文各主要章节所涵盖的范围——但其中的科学与数学论断依据的是预印本论文和一则社区帖子,生产数据则来自论文自身的报告,独立验证仍有待完成。
综合与展望
综合来看,这些论断共同勾勒出一个领域的转变:从孤立的模型发布,走向嵌入更广泛系统中的可复用基础表征。 生物基础模型、地球科学/PDE 以及机器人学方面的论断都印证了这一模式:可复用的预训练以及具备物理或传感器感知能力的表征被呈现为持久的基础层,而单纯的规模扩张并不具备这种地位。 智能体与验证方面的论断则以另一种方式相互关联:如果能力越来越多地体现在执行框架(harness)、搜索流程和编译循环之中,那么评估与泄漏控制就成为能力栈的组成部分,而非事后补充。 安全方面的论断进一步强化了这一转变,它将风险与防御定位在提示词层之下——即权重、数据配比和运行时控制之中——再次指向基础设施。 明显的张力在于:地球科学/PDE 领域开放且具备物理感知的进展,与其他领域中受制于厂商或预印本的性能声明形成了对照; 这表明各领域的成熟度参差不齐,而非存在单一的前沿。 就现有证据的组合而言,对这一方向性趋势可以抱有中等程度的信心,但在性能与部署声明最强劲、却仍待独立验证之处,证据最为薄弱。 综合起来的含义是:进展正集中于可复用模型、运行时脚手架和验证基础设施,而独立验证则是决定性的门槛条件。 一个悬而未决的问题是:评估与验证基础设施能否足够快地成熟,以便在部署压力超越其能力之前检验这些论断。
本综述基于 34 项进展:其中 19 项来自 A 级研究来源,9 项来自 B 级第一方来源,6 项来自 C/D 级二手或社区来源。 最可靠的论断建立在 A 级研究之上,而第一方与社区来源应被视为方向性参考; 要获得更强的信心,需要对自述结果进行独立复现和一手来源确认。
原文链接与引用索引
- [1] 分子相互作用基础模型中涌现的生物能力 — arXiv · Tier A/research_paper
- [2] ProTEUS:面向闭环蛋白质进化的突变分辨世界模型 — arXiv · Tier A/research_paper
- [3] AlphaGenome 2:解码细胞如何读取DNA,以更好地理解疾病 — DeepMind Blog · Tier B/official_tech_blog
- [4] 谷歌DeepMind推出AlphaGenome 2,将基因组学AI从批量组织预测提升至单细胞类型分辨率 — The Decoder · Tier D/other
- [5] REINS:面向实时轨迹规划的自进化智能体脚手架 — arXiv · Tier A/research_paper
- [6] AutoAssumption:通过在假设上搜索发现机器学习系统算法 — arXiv · Tier A/research_paper
- [7] Together Compiler:面向 AI 推理的持续编译 — arXiv · Tier A/research_paper
- [8] Gemini 4 Carbon 现已发布 — DeepMind Blog · Tier B/official_tech_blog
- [9] Lazare, veni foras(拉撒路,出来吧):重编程休眠神经元以对AI智能体植入后门 — arXiv · Tier A/research_paper
- [10] Lazare, veni foras(拉撒路,出来吧):重编程休眠神经元以给AI智能体植入后门 — Microsoft Research · Tier B/official_tech_blog
- [11] 同态学习:稀释被投毒的微调数据反而能增强其效果 — LessWrong · Tier C/community_opinion
- [12] Control Room:用于追踪并停止研究基础设施中模型工作负载的中央系统 — OpenAI Blog · Tier B/official_tech_blog
- [13] AlphaProof Code 亮相:深度验证复杂软件的突破 — DeepMind Blog · Tier B/official_tech_blog
- [14] Singularity-Bench:智能体能构建智能体吗? — arXiv · Tier A/research_paper
- [15] 「史上最严」湿实验预测基准发布!推理拉满、算力翻5倍也白搭 — 量子位 QbitAI · Tier C/media_report
- [16] 推出多模态知识智能体基准(MKA) — Google AI News · Tier B/official_tech_blog
- [17] PARDIG:从稀疏卫星观测学习的全球降水估计 — arXiv · Tier A/research_paper
- [18] 开放我们AI天气模型背后的数据集 — DeepMind Blog · Tier B/official_tech_blog
- [19] ISLA:面向边界驱动偏微分方程的无坐标、测度加权Transformer — arXiv · Tier A/research_paper
- [20] AeroZoo:面向空气动力学基础模型的适定流动问题基准 — arXiv · Tier A/research_paper
- [21] 论智能体操作策略 — arXiv · Tier A/research_paper
- [22] 面向通用灵巧操作的异构触觉表征学习 — arXiv · Tier A/research_paper
- [23] Gemini Robotics 2.5 加速真实世界通用灵巧操作 — DeepMind Blog · Tier B/official_tech_blog
- [24] 从“一脑多机”到“一脑多手”,蚂蚁灵波开源LingBot-Touch触觉基础模型 — 量子位 QbitAI · Tier C/media_report
- [25] 用AI发现经形式化验证的量子程序 — arXiv · Tier A/research_paper
- [26] 自适应催化剂发现涌现自可组合的科学智能 — arXiv · Tier A/research_paper
- [27] 基于 Mantis 2 的通用传染病预测 — arXiv · Tier A/research_paper
- [28] Glyph:面向临床数据AI驱动科学发现的可解释性引擎 — arXiv · Tier A/research_paper
- [29] 用 Antigravity 的 /teamwork 推进科学与工程 — Google Research Blog · Tier B/official_tech_blog
- [30] 在PB级海量影像中大海捞针:卫星影像中的开放词汇事件预测 — arXiv · Tier A/research_paper
- [31] Aaronson-Ambainis 猜想获证(当然,是 AI 证明的) — Hacker News: AI/LLM · Tier C/community_opinion
- [32] 没有第二次运行:递归自我改进(RSI)是否止步于前沿预训练? — arXiv · Tier A/research_paper
- [33] ERNIE Evolve:面向真实世界AI研发的自动化研究系统 — Hacker News: AI/LLM · Tier C/community_opinion
- [34] RecoGEM:面向生产级生成式推荐的推理服务系统 — arXiv · Tier A/research_paper