Google Research 研究：AI 基准测试需要多少标注者才够？
Google Research 在《Forest vs Tree: The (N, K) Trade-off in Reproducible ML Evaluation》中研究了标注条目数与每条目标注者数的权衡，并将模拟器在 GitHub 开源。
#论文/研究
#论文/研究
今日 0 条Google ResearchAI 评分3131
Hugging Face BlogAI 评分2222 OpenMed 用 165 美元训练跨 25 物种的 mRNA 语言模型
OpenMed 构建了覆盖结构预测、序列设计与密码子优化的端到端蛋白质 AI 流水线，其中 CodonRoBERTa-large-v2 以困惑度 4.10、Spearman CAI 相关性 0.40 显著优于 ModernBERT。团队随后将模型扩展至 25 个物种，用 55 GPU-hours 训练出 4 个生产模型，并搭建了目前其他开源项目尚未提供的物种条件化系统。
Google Research精选AI 评分6666 Google 发布白皮书：量子计算机破解加密货币加密所需资源大幅降低
Google Quantum AI 发布白皮书，估算未来量子计算机破解保护加密货币的椭圆曲线密码（ECDLP-256）所需的量子资源比此前认为的更少。
推荐理由：Google Quantum AI 给出破解 ECDLP-256 的最新量子资源估算，并用零知识证明披露漏洞，读者可了解量子威胁与后量子迁移的紧迫性。
Google DeepMind精选AI 评分6060 Google DeepMind 发布 AI 有害操纵测量工具包与万人实验结果
Google DeepMind 发布关于 AI 有害操纵的新研究，称其为首个经实证验证的测量工具包，并公开运行同类人类受试者研究所需的全部材料。研究覆盖英国、美国、印度共九项实验、超过 10000 名参与者，聚焦金融与健康等高风险场景，结果显示 AI 在健康话题上的有害操纵效果最弱，且在一个领域的成功无法预测另一个领域。
推荐理由：Google DeepMind 公开了首个经实证验证的 AI 有害操纵测量工具包，并给出跨英、美、印三国万人实验的关键结论。
Google Research精选AI 评分6262 Google 发布 TurboQuant 等三种向量量化算法，KV cache 压缩至 3 bit 且精度无损
Google 发布 TurboQuant 压缩算法，并配套提出 QJL 和 PolarQuant，用于解决向量量化中的内存开销问题，三篇工作将分别亮相 ICLR 2026 和 AISTATS 2026。
推荐理由：Google 提出三种向量量化算法，在 KV cache 压缩与向量搜索上给出可复用的压缩思路与基准结果。
Google ResearchAI 评分2929 Google Research 推出 S2Vec：用自监督学习读懂城市建成环境
Google Research 发布自监督框架 S2Vec，通过 S2 Geometry 分区与特征栅格化，把建筑、道路等建成环境特征转成多层图像，再用掩码自编码（MAE）学习通用嵌入向量。在人口密度、收入等社会经济预测的零样本地理外推任务中，S2Vec 通常是最佳单模型，与图像嵌入做多模态融合后效果普遍优于单一模态；但在树木覆盖、海拔等环境任务上仍需改进。
Hugging Face BlogAI 评分5252 ServiceNow 发布语音智能体端到端评测框架 EVA
ServiceNow 在 Hugging Face 发布 EVA，一个面向对话式语音智能体的端到端评测框架，同时给出 EVA-A（准确率）和 EVA-X（体验）两个分数，并开源代码与数据集。
Google Research精选AI 评分6666 Google 与 NHS 合作研究：AI 用于乳腺癌筛查的独立表现与双读流程评估
Google Research 与多家 NHS 机构合作的 AIMS 研究在 Nature Cancer 发表两项姊妹研究，评估 AI 乳腺癌检测系统。
推荐理由：两项 Nature Cancer 研究给出 AI 在 NHS 乳腺筛查中的独立读片与双读流程数据，可了解人机协作的实际收益与仲裁环节的失误。
Hugging Face Blog精选AI 评分6060 Hugging Face 发布 2026 春季开源 AI 生态报告
Hugging Face 发布《State of Open Source on Hugging Face: Spring 2026》，基于平台数据回顾过去一年开源 AI 生态变化。
推荐理由：Hugging Face 用平台数据勾勒开源 AI 一年变化，中国模型下载占比与机器人数据集增长是两条主线。
Google DeepMindAI 评分4949 Google DeepMind 发布 AGI 认知框架，并联合 Kaggle 举办评测黑客松
Google DeepMind 发布论文《Measuring Progress Toward AGI: A Cognitive Taxonomy》，提出用认知科学衡量 AGI 进展的框架，涵盖感知、生成、注意力、学习、记忆、推理、元认知、执行功能、问题解决、社会认知 10 项能力，并配套三阶段评测协议。
Google ResearchAI 评分3636 Google 与康奈尔大学测试 LLM 能否回答高温超导研究问题
Google 与康奈尔大学在《PNAS》发表研究，让 GPT-4o、Perplexity、Claude 3.5、Gemini Advanced Pro 1.5、NotebookLM 及一套自建 RAG 系统回答 67 道高温超导专家级问题，由 12 位国际专家按平衡性、全面性、简洁性、证据、图像相关性和定性反馈六项指标盲评打分。
Berkeley AI ResearchAI 评分3434 Berkeley AI Research 提出 SPEX 与 ProxySPEX，可在规模化下识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，用于在特征、数据和模型组件归因中识别 LLM 的关键交互。SPEX 利用稀疏性与低阶性将交互搜索转化为稀疏恢复问题，ProxySPEX 进一步利用层级结构，以约 10 倍更少的消融实验达到 SPEX 的性能。
Google Research精选AI 评分6262 Google 推出 Groundsource：用 Gemini 将新闻报道转为灾害数据
Google Research 推出 Groundsource，一种利用 Gemini 从非结构化全球新闻中提取历史灾害数据的方法，并发布首个开放数据集，包含 260 万条城市山洪记录，覆盖 150 多个国家、时间跨度从 2000 年至今。
推荐理由：Google 用 Gemini 从 80 种语言新闻中抽取洪水事件，其准确率与覆盖范围可供评估 LLM 做数据抽取的可行性。
Google Research精选AI 评分6666 Google 与 BIDMC 开展对话式诊断 AI 真实临床可行性研究
Google Research 与 Beth Israel Deaconess Medical Center 合作开展了一项前瞻性单中心可行性研究，让 AMIE 在门诊初级保健就诊前与患者进行文本问诊，全程由医生通过视频监督。
推荐理由：Google 与 BIDMC 首次在真实门诊流程中部署对话式诊断 AI，读者可了解其安全监督机制与医患反馈。
Hugging Face BlogAI 评分5252 Hugging Face 调研 16 个开源 RL 库：异步训练的七轴对比
Hugging Face 发布对 16 个开源异步 RL 训练库的调研，按编排原语、rollout 缓冲设计、权重同步协议、陈旧度管理、部分 rollout 处理、LoRA 支持和分布式训练后端七个维度进行对比。
Google Research精选AI 评分6060 Google Research 发布 WAXAL：覆盖 27 种非洲语言的开放语音数据集
Google Research 发布 WAXAL，一个覆盖 27 种撒哈拉以南非洲语言的大规模开放语音数据集，采用 CC-BY-4.0 许可。数据集包含约 1,846 小时用于 ASR 的转写自然语音，以及超过 565 小时用于 TTS 的高保真录音，由非洲学术与社区组织主导采集，覆盖 26 个以上国家、超过 1 亿使用者。该资源旨在支持非洲语言语音识别与合成系统的开发，并计划持续扩充语言种类。
推荐理由：Google Research 联合非洲高校发布 27 种语言的语音数据集，可了解低资源语言语音数据的采集方法与开放许可安排。
OpenAI News精选AI 评分6060 OpenAI 提出 CoT-Control：推理模型难以控制自身思维链
OpenAI 提出 CoT-Control，发现推理模型难以控制自己的思维链，这反而强化了可监控性作为 AI 安全防护手段的价值。
推荐理由：OpenAI 提出 CoT-Control 并观察到推理模型难以控制自身思维链，为可监控性作为安全手段提供了依据。
Google ResearchAI 评分3838 Google 用贝叶斯教学让 LLM 学会概率推理
Google Research 提出"贝叶斯教学"，通过监督微调让 LLM 模仿贝叶斯助手在航班推荐任务中的预测，从而学会概率推理。在五轮模拟用户交互中，未经训练的 LLM 表现远逊于最优贝叶斯助手，且往往在单次交互后性能就停滞；而贝叶斯教学不仅提升该任务表现，还能泛化到其他任务。
OpenAI NewsAI 评分2222 OpenAI 新预印本将单负振幅扩展至引力子，GPT-5.2 Pro 参与推导验证
OpenAI 发布新预印本，将单负振幅扩展至引力子，GPT-5.2 Pro 参与推导并验证了量子引力中非零的引力子树振幅。
OpenAI NewsAI 评分4242 OpenAI 公布 AI 模型在 First Proof 数学挑战中的证明尝试
OpenAI 公开了其 AI 模型针对 First Proof 数学挑战的证明尝试，该挑战旨在测试模型在专家级问题上的研究级推理能力。
Hugging Face BlogAI 评分4747 IBM 与 UC Berkeley 用 ITBench 和 MAST 诊断企业级 AI 智能体失败原因
IBM Research 与 UC Berkeley 用 MAST 失败分类法分析 ITBench 的 310 条 SRE 执行轨迹，覆盖 Gemini-3-Flash、Kimi-K2 和 GPT-OSS-120B 三类模型。
Google ResearchAI 评分4242 Google 用 MapTrace 教多模态大模型在地图上寻路
Google Research 提出 MapTrace，一套面向多模态大模型的地图路径追踪任务、数据集与合成数据生成流程，并开源了用 Gemini 2.5 Pro 和 Imagen-4 生成的 200 万条问答对。
OpenAI News精选AI 评分7575 GPT-5.2 在理论物理中推导出新结果
OpenAI 发布新预印本，显示 GPT-5.2 为胶子振幅提出了一个新公式，随后由 OpenAI 与学术合作者完成形式化证明与验证。
推荐理由：OpenAI 与学术合作者披露 GPT-5.2 提出胶子振幅新公式并被形式化证明，可观察大模型参与理论物理推导的边界。
Google ResearchAI 评分3535 Google 推出 DialogLab：开源框架用于编排、模拟与测试人机多方群组对话
Google 在 ACM UIST 2025 上发布开源原型框架 DialogLab，用于编排、模拟和测试动态的人机多方群组对话。该框架将对话的社交设定与时间推进解耦，通过"编排-测试-验证"三阶段工作流支持拖拽式场景搭建、human control 实时干预和对话动态可视化分析。
Google ResearchAI 评分3232 Google 研究：用鸟类数据训练的 Perch 2.0 如何揭示水下鲸类之谜
Google Research 与 Google DeepMind 发现，主要用鸟类数据训练的 Perch 2.0 生物声学基础模型，在未接触任何水下音频的情况下，仍能作为嵌入模型迁移用于鲸类发声分类。
Google DeepMind精选AI 评分7171 Google DeepMind 用 Gemini Deep Think 加速数学与科学发现
Google DeepMind 发布两篇论文，介绍在数学家、物理学家和计算机科学家指导下，用 Gemini Deep Think 模式求解专业研究问题。团队构建了由 Deep Think 驱动的数学研究智能体 Aletheia，具备自然语言验证器、可迭代生成与修正，并能承认无法求解，在 IMO-ProofBench Advanced 上得分最高达 90%。
推荐理由：DeepMind 公开了 Gemini Deep Think 在数学与理论计算机科学上的研究级成果，并给出人机协作的分类框架。
Google ResearchAI 评分3232 Google Research 提出 Sequential Attention：让 AI 模型更小更快且不牺牲准确率
Google Research 提出 Sequential Attention，用贪心选择机制在单次模型训练内顺序、自适应地挑选最佳组件（层、块或特征），无需反复重训即可完成特征选择。该方法在多个神经网络基准上取得 SOTA，并实现快速单遍贪心选择，兼顾效率、准确率、可解释性与大规模可扩展性。
Google Research精选AI 评分6262 Google Research 论文：智能体系统规模化何时有效、为何有效
Google Research 发布论文《Towards a Science of Scaling Agent Systems》，对 180 种智能体配置做大规模对照评测，覆盖 Finance-Agent、BrowseComp-Plus、PlanCraft、Workbench 四个基准和 GPT、Gemini、Claude 三个模型家族，挑战了“智能体越多越好”的假设。
推荐理由：通过 180 种智能体配置的对照评测，给出多智能体架构在并行与顺序任务上的量化差异，可作为架构选型参考。
Google ResearchAI 评分4040 Google Research 提出 ATLAS：面向多语言模型的实用缩放定律
Google Research 提出 ATLAS（自适应迁移缩放定律），用于指导多语言模型的模型规模、数据量与语言配比选择，覆盖 774 次训练、10M–8B 参数模型、400+ 种语言和 48 种语言评测。
Hugging Face BlogAI 评分2222 Hugging Face 发布 Alyah 基准，评估阿拉伯语 LLM 的阿联酋方言能力
Hugging Face 推出 Alyah（الياه，意为北极星）基准，用于评估阿拉伯语 LLM 对阿联酋方言的语言、文化与语用理解能力。该基准含 1,173 条由阿联酋母语者手工采集的样本，均为四选一选择题，覆盖问候、诗歌、遗产知识等七类内容。团队共评测 54 个模型，其中 google/gemma-3-27b-pt 以 74.68 的准确率居首。
Google ResearchAI 评分3131 Google Research 推出 GIST：智能采样的下一阶段
Google Research 在 NeurIPS 2025 提出 GIST（Greedy Independent Set Thresholding）算法，用于训练数据子集选择，在图像分类等任务上超越现有基准，并首次为该多样性-效用权衡提供可证明的近似保证——所选子集价值至少达到最优解的一半。GIST 通过将多样性-效用问题拆解为一系列最大独立集问题，用双准则贪心算法在多个距离阈值上逼近求解。
Google ResearchAI 评分3232 Google 研究：用小模型分解式方法实现更优用户意图提取
Google Research 在 EMNLP 2025 发表的论文提出分解式意图提取方法：先用小型多模态 LLM 逐屏总结用户交互，再从摘要序列中提取意图，在移动端和网页轨迹上均优于 CoT 与端到端微调。该方法用 Gemini 1.5 Flash 8B 即可达到 Gemini 1.5 Pro 相当的效果，成本与速度更优，适用于端侧部署。
Hugging Face BlogAI 评分3636 AssetOpsBench：弥合 AI 智能体基准与工业现实之间的差距
Hugging Face 发布 AssetOpsBench，一个面向工业资产运维的智能体评测基准，包含 2.3M 传感器遥测点、140+ 场景、4.2K 工单和 53 种结构化故障模式，覆盖 4 个智能体。
Hugging Face Blog精选AI 评分6262 微软发布 Differential Transformer V2：差分注意力无需自定义 kernel
微软团队发布 Differential Transformer V2，通过为每个 token 和每个 head 投影 λ 并只增加 query head 数量、保持 KV head 不变，使解码速度与标准 Transformer 持平且无需自定义注意力 kernel。
推荐理由：微软团队给出 Differential Transformer V2 的注意力实现与消融对比，读者可了解差分注意力在解码速度与训练稳定性上的取舍。
Google ResearchAI 评分3636 Google 研究：用 Pixel Watch 智能手表估算步速、步长等步态指标
Google 提出基于时序卷积网络（TCN）的多头深度学习模型，仅用单只 Pixel Watch 的 50 Hz IMU 信号和用户身高，即可直接估算步速、步长、摆动时间、支撑时间和双脚支撑时间等步态指标。在 246 名参与者、约 7 万个步行片段的大规模验证中，多数指标达到 Pearson r >0.80、ICC >0.80，与 Pixel 6 手机估算结果无显著差异（p >0.05）。
Google ResearchAI 评分3636 Google Research 验证 Android Auto 急刹车事件可作为路段碰撞风险的先行指标
Google Research 利用 Android Auto 的匿名聚合急刹车事件（HBE，前向减速度超过 -3m/s²）数据，结合弗吉尼亚州和加州 10 年公开碰撞数据，通过负二项回归模型证实 HBE 频率与路段碰撞率呈显著正相关。
Google Research精选AI 评分6262 NeuralGCM 用 AI 改进全球长期降水模拟
Google Research 在 Science Advances 发表论文，介绍混合模型 NeuralGCM 直接使用 NASA 2001 至 2018 年卫星降水观测训练其机器学习部分，而非依赖再分析数据。
推荐理由：NeuralGCM 改用卫星降水观测训练后，在 15 天预报与数十年气候模拟上均优于传统模型，读者可了解混合建模路线的具体收益。
Berkeley AI ResearchAI 评分3232 伯克利提出信息驱动成像系统设计框架，可跨四类成像任务预测性能
伯克利 AI Research 提出一种基于互信息的成像系统评估与优化框架，仅用带噪测量和噪声模型即可量化信息含量，无需重建算法或任务专用解码器。该框架在彩色摄影、射电天文、无镜头成像和显微成像四个领域预测了解码器性能，优化后的设计达到端到端方法水平，且内存和算力需求更低。相关论文发表于 NeurIPS 2025。
OpenAI NewsAI 评分4141 OpenAI 发布思维链可监控性评估框架
OpenAI 推出针对思维链可监控性的新框架与评估套件，覆盖 24 种环境下的 13 项评估。结果显示，监控模型内部推理远比仅监控输出更有效，为 AI 系统能力提升后的可扩展控制提供了可行路径。
OpenAI NewsAI 评分3838 OpenAI 发布评估框架，衡量 AI 加速生物研究的能力
OpenAI 推出一个真实世界评估框架，用于衡量 AI 在湿实验室中加速生物研究的能力。该工作使用 GPT-5 优化分子克隆实验方案，同时探讨 AI 辅助实验的前景与风险。