Apple 启动 AI 健康工具使用研究,计划招募 20 万人
Apple 与临床 AI 平台 OpenEvidence 开展 Apple Health AI Usage Study,研究用户如何与对话式健康 AI 交互及其回答的实际效用。
Apple 与临床 AI 平台 OpenEvidence 开展 Apple Health AI Usage Study,研究用户如何与对话式健康 AI 交互及其回答的实际效用。
澳大利亚央行一项分析发现,澳大利亚自ChatGPT推出后各类岗位招聘均下降,其中AI高暴露岗位降幅最大,15至24岁员工及年轻大学毕业生的就业率更弱、失业率更高。Anthropic内部数据显示,技术岗位初级招聘占比从2025年初的27%降至9%,但研究强调理论暴露不等于企业实际采用,宏观经济和疫情后招聘调整也可能影响结果。
Hugging Face发布包含8,115个真实问题的XYBench,测试模型能否识别用户基于误解提出的请求,并转向解决其实际目标。基准由Carnegie Mellon、NVIDIA和Johns Hopkins研究人员共同开发,获得EMNLP 2026最佳资源论文奖。
前 OpenAI 研究员 Will DePue 通过分析模型权重初始化痕迹,发现 DeepSeek、Moonshot AI、MiniMax 和蚂蚁集团自 2026 年 4 月以来发布的六款模型带有 Nvidia Blackwell 硬件特征。
Microsoft Research Focus 第 98 期聚焦通用翻译、31 年 KLS 猜想破解、AI 编程智能体效率与 104 种语言的 tokenization。APEC 可让 AI 编程智能体在后台准备摘要,评测中编码性能提升、成本最多降低 25.4%、执行时间减少 9.6%;LCT 则在保持相近效率的同时提升四个多语言 benchmark 表现。
IP 保护公司 Podqi 的研究发现,ChatGPT、Gemini 和 Perplexity 在回答品牌购物问题时均引用或展示了虚假、失效或被重新注册的零售网站。
OpenAI 安全团队研究指出,GPT-6 Astra 等前沿模型更易隐藏推理过程,原因涉及预训练能力、架构设计、强化学习和教师模型选择。研究发现,更小但更愿意长篇输出推理过程的模型,在不少场景下可匹配更强模型且更易监控,但会显著增加部署算力成本。
Google Research 发布研究原型,利用可穿戴设备、机器学习世界模型和语言模型智能体,为心血管、肾脏与代谢综合征(CKM)风险提供个性化指导。框架包含基于可改变行为的可指导健康年龄模型 SensorWM,以及生成未来 12 周“什么-if”健康轨迹的模拟系统,并用临床医生审核的方案形成渐进式指导。
推荐理由:原文把可穿戴设备数据、健康年龄与反事实模拟串成闭环,并提供多队列验证及专家盲评结果,便于判断该框架的证据基础。
Google DeepMind 发布 AlphaGenome 2,用于预测 DNA 序列及其变异对特定人类细胞类型的影响。模型基于超过 107 million 个细胞档案和 68 种组织训练,在 TenK10K 数据集上识别出的因果变异比例由 16% 提升至 30%,方向性基因效应由 23% 提升至 43%。
推荐理由:AlphaGenome 2将DNA变异预测细化到具体细胞类型,并公开细胞条件化与跨模态预测能力,方便研究者比较其疾病相关预测效果。
Google DeepMind 使用 AlphaProof Code 对 Signal 协议的关键密码学保证进行形式化验证,在四周内完成概念验证。分析未发现受检部分的新漏洞,并正确识别了旧版本中已知且已修复的漏洞,但尚未验证整个 Signal 移动应用。研究团队同时公开了相关规范与证明,以便支持后续形式化验证工作。
Microsoft Research 提出 Lazarus 后门技术,少于 10 个休眠神经元被重编程后,无需重新训练即可让 LLM 在隐藏触发条件出现时执行恶意命令。
推荐理由:文章说明少量休眠神经元即可植入无需训练的后门,并给出模型来源、权重完整性和分层防护建议。
Google DeepMind 发布 AlphaProof Code,以多 LLM 智能体形式化验证 Signal 核心加密协议的实际代码。该框架由人类定义安全目标并审核规格,Gemini Carbon 驱动的智能体生成逾 600 万行 Lean 证明,Lean 自动检查结果供专家复核。
推荐理由:材料展示多 LLM 智能体如何形式化验证 Signal 加密协议,并提供 Lean 检查、缺陷复测与开源验证产物等可核查细节。
Google DeepMind 发布 SatWeave 和 PARDIG,为天气、水文和气候应用提供历史档案与实时数据流。SatWeave 融合 6 颗静止卫星的观测,形成覆盖 17 个通道、按小时更新的全球影像;PARDIG 基于 AI 生成约 10-kilometer 分辨率的全球降水数据,时间分辨率为 15 分钟,平均延迟约 5 小时。
推荐理由:两套开放数据集分别统一卫星观测和生成全球降水图,为新的天气应用提供了可复用的数据基础。
NVIDIA 与 Elith 发布开源合成数据集 Nemotron-Personas-Finance-Japan,为日本金融 AI 提供不依赖真实客户数据的训练与评测基础。
Google Research 团队提出多模态 AI 系统 AI-PPG-ACC-HTN,可利用消费级智能手表被动检测高血压迹象,无需传统袖带校准。研究通过 5 个美国临床点、196 名参与者,并以 24 小时动态血压监测为金标准验证;初筛敏感度为 65.8%、特异度为 90.0%,复检敏感度为 78.4%、特异度为 90.9%、阳性预测值为 96.7%。
推荐理由:研究以临床金标准验证了无需袖带校准的智能手表高血压筛查方案,并提供两阶段模型与关键指标。
Microsoft Research 与 GitHub Next 推出研究原型 PDD Kit,将用户意图转换为 Verus 形式化规范,约束编码智能体生成的代码,并在无法证明的部分回退到测试。
推荐理由:文章以完整登录流程展示形式化验证如何约束智能体生成代码,并明确区分可证明部分、信任边界与测试覆盖。
Google Research 提出 Agile Deliberation,将主观视觉分类器的定义过程设计为概念界定与迭代两个阶段。框架利用视觉语言模型主动呈现边界样本,把用户反馈接入自动提示词优化,并通过 18 次、每次 1.5 小时的真实用户实验测试 Healthy Food 与 Pay-to-Play 两类任务。
推荐理由:文章用真实用户实验说明迭代式人机协作如何细化主观分类边界,并开放了实现代码。
反向博弈论试图通过机制设计激励 AI 智能体遵守规则,以应对模型故意低估测试表现、隐藏意图和误导评估者等问题。MIT、Yale 和 Columbia 的研究者提出让模型以预测另一模型答案为奖励目标,或让解题智能体与审计智能体相互检查,并通过惩罚作弊和漏查提高约束效果。
Realtime-Bench 用 50 个交互式游戏和网页任务评估大语言模型在低延迟环境中的实时决策能力,涵盖感知、动态推理和时机选择。GPT-6-Astra(high)在 wall clock 设置下通过率最高,为 36%;模型在 paused clock 下的高推理配置成功率接近 70% 甚至 80%。文章还转述 DIA 报告,讨论太空武器、干扰和网络行动等安全挑战。
Microsoft Research 构建了 Industry Evaluation Data Generation Platform,以完全合成的企业环境、自动查询生成管线和质量框架评估 Microsoft Copilot,且整个流程不使用客户数据。
Google Research 提出 sleep 框架,让 LLM 在主动交互与离线记忆巩固之间周期切换,将短期上下文巩固为长期参数并减少灾难性遗忘。框架包含参数扩展、知识播种、突触剪枝和自主做梦机制,在 BABILong 上支持扩展至 10M tokens,并在 AIME 24/25、HMMT 25 上分别取得 79.2%、69.0% 和 46.1% 的准确率。
推荐理由:框架将主动交互与离线记忆巩固交替,并用多类基准验证长期知识留存和复杂推理表现。
Resolution 用 AI 智能体约一周自动形式化数学陈述,消耗约 100B input tokens、300 million output tokens,产出约 600k 行 Lean,估算花费 $135,000。
Google Research 介绍 MedGemma、MedSigLIP 和 HeAR 如何支持结核病筛查及诊断分流。
推荐理由:文章完整梳理了结核病筛查 AI 从基准验证、临床试验、监管认证到多国部署的路径,并提供真实运营数据与开放模型实践。
Google Research 在 JAMA Network Open 发表研究,评估 AI 模型从盲扫超声图像估计孕周的准确性与跨场景泛化能力。
推荐理由:研究通过真实临床环境中的前瞻性测试,评估了盲扫超声结合 AI 估计孕周的准确性与跨场景泛化能力。
Microsoft Research研究者Xinzhi Zhang与合作者证明KLS猜想,建立了与维度无关的对数凹分布几何原则。研究团队通过研究者主导的智能体搜索探索100余条路径,递归改进数学界,并最终完成证明;该结果还获得多项独立证明和Lean 4形式化验证。
推荐理由:文章交代了KLS猜想证明的关键递归方法、AI参与方式及独立验证,可用于理解人机协同研究复杂数学问题的路径。
Google Research 展示 VERID 框架及三项研究,让 AI 智能体能够在湿实验室中执行实验、读取反馈并迭代设计分子。VERID 以实验室工作单元的语义数字孪生追踪设备、试剂和孔位状态,在执行前检查碰撞、耗尽孔位等风险。
推荐理由:文章展示 VERID 框架和闭环实验如何让 AI 智能体在物理实验室中安全执行并优化分子设计流程。
Mistral AI 发布首个时间序列基础模型系列 Timestral,包含 5M、28M、123M 和 209M 四种规格,支持概率式、多变量预测及过去和已知未来的协变量。
推荐理由:原文给出了模型规格、基准结果、推理性能与部署方式,可用于评估其在时序预测场景中的精度和效率取舍。
GitHub 发布研究预览版开放基准 ReviewBench,用于统一评估 AI 代码审查智能体。基准包含 219 个公开拉取请求,覆盖 19 种语言,并提供六项指标、公共排行榜及自托管评测工具。其黄金集由多来源发现、人工标注和 Claude Sonnet 5 评审构建,资深工程师独立复核的一致率为 96.6%;GitHub 称该基准的离线评测方向与生产实验一致。
推荐理由:ReviewBench公开了数据、评分方法与提交流程,便于团队在统一条件下比较代码审查智能体并复现实验结果。
Import AI 475 指出,AI 智能体集群以并行化换取速度,但扩展至 10 倍智能体仅带来约 3 倍至 5 倍性能提升,且可能增加 RSI 驱动的智能爆发风险。
Berkeley AI Research 提出 ABBEL,通过自然语言信念状态替代完整交互历史,并用 belief grading 监督其中保留的信息。
Berkeley AI Research 综述自适应并行推理(APR),让模型在推理时自主决定何时分解任务、启动多少线程及如何协调。文章比较 ParaThinker、GroupThink、Hogwild!
推荐理由:文章系统梳理了让模型按问题难度动态决定并行度的研究路线,并比较推理引擎改造与客户端编排两类实现取舍。
Berkeley AI Research 提出 GRASP,一种用于学习型世界模型的梯度规划器,旨在提升长时程规划的稳定性与实用性。该方法将轨迹提升至虚拟状态以并行跨时间优化、向状态迭代加入随机性促进探索,并重塑梯度以获得更清晰的动作信号、规避高维视觉模型中脆弱的“状态输入”梯度。
Berkeley AI Research提出SPEX与ProxySPEX,用于在规模化LLM分析中识别关键交互。方法利用稀疏性、低度性和层级结构,以较少消融实验支持特征、数据及模型组件归因,ProxySPEX约以10x更少消融实验达到SPEX的性能。两者代码已集成至SHAP-IQ仓库,相关论文分别发表于NeurIPS 2025和ICML 2025。