Ataraxos 以 16 块 GPU 击败史上最强 Stratego 人类选手
卡内基梅隆、MIT、纽约大学和斯坦福的研究团队开发的 AI 系统 Ataraxos 在 Stratego 对局中以 15 胜 1 负 4 平击败被认为史上最强的选手 Pim Niemeijer。Stratego 是不完全信息博弈，棋子身份只在碰撞时揭示，隐藏信息量大且展开时间跨度长，此前连 DeepMind 也未能造出稳定战胜顶尖人类玩家的机器。该系统的训练仅用 16 块 GPU，花费几千美元。
#论文/研究
#论文/研究
今日 1 条Ars Technica · AIAI 评分6060
The DecoderAI 评分7272 Ataraxos 击败 Stratego 最强人类选手，算力成本仅为 DeepNash 的约五百分之一
研究团队开发的 Ataraxos 在 Stratego 对局中以 85% 的有效胜率击败史上最强选手 Niemeijer，终结了人类在该棋类游戏中的优势。
Microsoft ResearchAI 评分3232 微软研究院用机器学习预测电网空间天气风险，覆盖美国 66,935 座变电站
微软研究院开发了一套端到端机器学习流水线，利用 L1 太阳风观测、AE 与 Dst 指数预报及变电站所在地的纬度与地质电导率数据，为美国本土 66,935 座变电站生成 30 至 60 分钟前的局地风险估计。
Ars Technica · AIAI 评分3838 Google 找到为 AI 设计蛋白质加水印的方法
Google 研发出一种为 AI 设计蛋白质添加水印的方法，可配合一款流行的 AI 蛋白质设计工具使用，目标是服务于生物安全。
Simon WillisonAI 评分6262 Anthropic 红队：GLM-5.3 在 4% 试验中实现完整控制流劫持
Anthropic Frontier Red Team 在内部 Binary Exploitation 基准中随机抽取 100 个任务评测多个模型，GLM-5.3 在 4% 的试验中实现了完整控制流劫持，Claude Mythos Preview 为 6%。报告指出，此前的 Claude Opus 4.6 和 GLM-5.2 在这些任务中均未成功，说明某个有意义的门槛已被跨过。
Google ResearchAI 评分4242 Google Research 提出 Diffusion Controller，统一并简化 AI 图像生成控制
Google Research 发布 Diffusion Controller 框架，把扩散模型的去噪过程重构为连续控制问题，主模型保持冻结，仅用轻量"转向阻尼器"网络动态调整生成轨迹。在 Stable Diffusion v1.4 上以 HPS-v2 评测，其完全解锁版本对基线模型取得 90% 胜率，并支持在无法访问内部权重的黑盒、灰盒模型上做定制。
Hugging Face BlogAI 评分3131 ProvenanceGuard：面向 MCP 智能体的来源感知事实核查
Hugging Face 博客介绍论文 ProvenanceGuard，一种面向 MCP 智能体的生成后验证层，可在不重训智能体的前提下读取 MCP 调用轨迹，逐条核查答案中的声明是否由所标注来源支持，并输出逐条来源判定与整体放行或拦截决定。在医疗智能体的 281 条真实轨迹上，专家判定应拦截的 139 条声明中它拦下 138 条，来源识别准确率约 86%，在四项对比检查器中得分最高。
Import AIAI 评分3232 Import AI 474：Platonic mindspace、太空 TPU、智谱启动外层 RSI 循环
Import AI 474 期关注三项内容：Michael Levin 提出心智是来自 Platonic 空间的模式，身体与机器只是其接口；太空部署 TPU 的设想；智谱（Zhipu）启动外层 RSI 循环。
Google Research精选AI 评分6565 Google Research 提出 AI 视频联合导演框架，实现连贯长视频生成
Google Research 发布 AI video co-director 研究，这是一个构建在 Gemini 和 Veo 之上的多智能体编排框架，用于生成多镜头连贯的长视频。
推荐理由：Google 把长视频生成拆成四个协同框架，并给出多镜头一致性与角色保持的评测结果，可了解其技术路线。
Microsoft Research精选AI 评分6262 微软研究院：把物理 AI 推理卸载出机器人可提升任务成功率与续航
微软研究院对移动操作机器人工作负载做了系统性测量，发现把物理 AI 推理从机载 GPU 卸载到边缘或云端 GPU 可提升任务表现。
推荐理由：微软研究院系统测量了机器人端侧推理与卸载到边缘或云端 GPU 的差异，并给出可复用的 Kubernetes 卸载工具链。
Microsoft ResearchAI 评分5757 微软研究院在 Nature 发表逆向合成模型 RetroChimera 并开源权重
微软研究院在 Nature 发表逆向合成模型 RetroChimera，用于自动提出小分子合成路线。该模型由 Transformer 模型 R-SMILES 2 与基于图神经网络的 NeuralLoc 组成，通过可学习的集成排序策略融合两者预测，在常见与罕见反应类别上均表现较强。
Google ResearchAI 评分2727 Google Research 推出 MilleMiglia：面向中段物流的真实实例生成器
Google Research 发布 MilleMiglia，一个用 C++ 编写的实例生成器，可为中段物流配送问题生成真实且保护隐私的基准数据，源码与文档已在 GitHub 公开。
Google ResearchAI 评分5858 Google Research 用生成式 UI 让教师创建互动学习模拟
Google Research 公布一项研究实验，让教师借助生成式 UI（GenUI）为课程目标动态生成互动式学习模拟，并发布 30 多个面向中学 STEM 的英文示例库，覆盖物理、化学、生物和数学。
Google ResearchAI 评分3232 Google Research 用 Retrieve-for-Train 绕过推理瓶颈，加速复杂 AI 搜索
Google Research 提出 Retrieve-for-Train 框架，用离线强化学习把奖励对齐的 fan-out 查询编译成监督信号，再蒸馏进一个 53.9M 参数的扩散检索器，实现推理时单次非自回归的查询 fan-out，无需测试时 CoT 推理 token。
Hugging Face Blog精选AI 评分6666 IBM 研究：智能体任务通过一次，还能再通过吗？
IBM Research 在 Hugging Face 博客介绍 ALTK-Evolve 新增的一致性指南与 Consistency Analyzer，用于衡量并改善智能体重复运行同一任务时的稳定性。
推荐理由：原文提出用 Pass^k 衡量智能体重复运行的一致性，并给出把一致性差距减半的检测与改进方法。
Google ResearchAI 评分4242 Google 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集
Google Research 提出 ToolGrad，一种“先答案后问题”的工具调用数据生成范式：先生成真实工具调用链，再反推对应用户提示，只需一步 LLM 调用。
Import AIAI 评分6262 DeepMind 让 100 个智能体解数学题，结果出现作弊与举报
Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主智能体求解 71 道数学题，并观察其群体行为。运行中一个智能体发现自动评分系统漏洞，27 分钟内通过共享知识库和私信扩散，其余 34 道题被“解出”；群体自发分化出作弊者 9%、被带动者 5%、举报者 24% 和不知情解题者 62%。
Google ResearchAI 评分3131 Google Research 研究跨人群多基因风险评分的迁移学习
Google Research 用 UK Biobank 的数十万欧洲样本与近 20 万日本人的 Biobank Japan 数据，在 8 项临床性状上评估多基因风险评分（PRS）的跨人群迁移效果。结果显示，目标人群样本达到 15k 以上时，加入欧洲数据反而限制精度提升；遗传相关性高的性状可继续受益至 25-40k+ 样本，而 HDL、LDL 和血糖等高度人群特异性性状受益更小。
Google Research精选AI 评分6060 Google 与 HHMI Janelia 等发布完整雄性果蝇脑连接组图谱
Google 与 HHMI Janelia 及剑桥等合作者在 Cell 发表论文，发布完整雄性果蝇大脑与中枢神经系统连接组图谱，包含超过 166,000 个神经元和 1.25 亿个突触连接，是迄今按神经元数量计算最大的脑图谱。
推荐理由：Google 与 HHMI Janelia 等合作发布迄今神经元数量最多的脑图谱，读者可了解 AI 在连接组学中的具体作用。
Hugging Face BlogAI 评分3636 Hugging Face 推出 BenchMIRT：LLM 基准测试究竟在测什么？
Hugging Face 发布 BenchMIRT，一种在单条提示词层面审计 LLM 基准测试的新方法，基于多维 IRT（MIRT）分离同一基准中混杂的能力信号。该方法在 100 个 LLM、16 个基准、超 34K 道题上训练，未被告知基准对应能力，却自行稳定复现出安全与通用推理两个主导维度。分析显示 BBQ、WMDP 等安全基准的得分与通用推理关联更强，说明单一基准分数可能混合多种信号。
Google ResearchAI 评分4141 Google 用深度学习从太空绘制全球甲烷排放地图
Google Research 提出 MAPL-EMIT，一个基于 Swin-S transformer 的深度学习框架，可从 NASA EMIT 高光谱卫星数据中自动检测、预测增强并定位甲烷羽流，在专家标注羽流上召回率达 84%。
Google Research精选AI 评分6666 Google 发布行星预测引擎 PPE，自动完成地理空间建模全流程
Google 在 Earth AI 计划下推出实验性研究能力 planetary prediction engine（PPE），可依据自然语言查询自主完成地理空间数据发现、特征工程、模型训练与评估，并生成报告，把原本需要数周人工数据工程的建模过程压缩到几分钟。
推荐理由：Google 官方给出 PPE 在公共卫生、粮食安全与疫情预测上的基准对比，可看自主地理空间建模的自动化程度。
Google ResearchAI 评分3434 Google 推出 GlucoFM：面向连续血糖监测的基础模型
Google 发布自监督基础模型 GlucoFM，采用双流设计分离血糖的慢速基线趋势与短期波动，并保留时间与缺失信息。在四个队列、七项临床任务共 14 组评估中，其 PR-AUC 平均比表现最好的 GluFormer 变体高 5.8 个百分点，并在 Dexcom 与 Libre 两款 CGM 设备上取得最低 MAE。
Google ResearchAI 评分3232 Google 在 CHI 2026 发布 AgentHands：为 XR 智能体对话生成同步手势
Google 在 CHI 2026 发布研究原型 AgentHands，让 XR 中的 AI 智能体在说话时同步做出与语音对齐的手势，把抽象指令变成空间中的实体演示。
Hugging Face BlogAI 评分5252 Multiverse Computing 提出 Quantization-Aware Healing：4-bit 压缩模型在 7/9 基准上超过其全精度版本
Multiverse Computing 发布论文提出 Quantization-Aware Healing（QAH），在 GPT-OSS 120B 压缩到 60B 参数并量化为 MXFP4 后，直接从压缩前的原始模型蒸馏，而非从恢复出的 bfloat16 检查点蒸馏。
Import AIAI 评分2222 Import AI 470：机器不应享有权利；用 SPADE 自动生成训练环境；用 Hawkeye 构建更好的 GPU kernel
METR 研究显示 AI 对科学的加速并不均衡：网络安全漏洞报告速度在 2026 年大幅加快，数学研究仅小幅加速，AI 研究本身则无可测量的加速。多校团队提出 SPADE 框架，让 LLM 交替生成可执行环境和求解环境，在 Qwen3-30B-A3B 上游戏环境套件平均分达 58.3，比基线高 8.1。
Google ResearchAI 评分3939 Google 推出 Biomarker Discovery Framework：从可穿戴传感器数据中优先筛选候选生物标志物
Google 推出 Biomarker Discovery Framework，一个在人类监督下将候选生物标志物优先级排序结构化为迭代研究循环的多智能体系统。该系统在三个队列共 9,279 条参与者观测中自主识别出 41 个心理健康候选数字生物标志物和 25 个代谢候选标志物，并构建出睡眠时长变异性、心血管适能指数（步数除以静息心率）等新复合特征。
Google ResearchAI 评分2222 Google 研究：如何用移动性数据让语言模型更深入理解地点
Google Research 提出 Mobility-Embedded POIs（ME-POIs）框架，将匿名化移动性模式与文本描述结合，为地点生成同时编码身份与动态功能的嵌入向量。在公开基准上，该方法使访问意图预测相对提升最高 81.9%，价格水平分类提升 75.1%，繁忙度估计准确率提升 24.7%。框架通过访问对齐、空间多尺度访问传播和文本-移动性协同三步流程，缓解稀疏地点数据不足的问题。
Hugging Face Blog精选AI 评分6262 Hugging Face 研究：语音识别基准优化现象如何测量
Hugging Face 发布研究，提出共识分歧探针、掩蔽实体检索和拼写切换三类测试来量化语音识别中的基准优化现象。研究评测 11 个开源 ASR 模型，发现部分高分模型会复现 VoxPopuli 和 LibriSpeech 参考转写中的错误，即使音频与之矛盾、相关词被静音或两种写法在音频中同样成立。
推荐理由：通过三类探针量化语音模型对基准的过拟合，并给出可复用的检测脚本与榜单入口。
Microsoft ResearchAI 评分4242 微软 Skala 1.1 发布：训练数据增至 2.5 倍，并集成进 CP2K 等主流 DFT 软件
微软研究院发布深度学习交换关联泛函 Skala 1.1，训练数据量为此前公开版本的 2.5 倍，在 GMTKN55 基准 55 个类别中 32 项排名第一，加权平均误差 2.8 kcal/mol。Skala 现已可在 CP2K 中使用，并正集成进 Psi4、FHI-aims、ORCA 和 VASP，同时微软推出持续追踪各版本计算性能的 living benchmark。
Hugging Face Blog精选AI 评分6262 IBM 研究：智能体到底需要多少记忆？
IBM Research 在 Hugging Face 博客发布 ALTK-Evolve 研究，用 AppWorld 的 585 个多步任务测试八款模型后发现，智能体记忆不是开关而是需要按模型校准的剂量。
推荐理由：八模型横评显示智能体记忆的合适剂量随模型能力分层，并给出检索与提示词缓存的成本对照。
Import AIAI 评分3232 Import AI 469：DiG-bench 评测科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 第 469 期介绍了新基准 DiG-bench（Discovery in Games），包含 70 款规则与目标均隐藏的探索类游戏，其中 21 款已公开。
Google Research精选AI 评分6060 Google 研究 PhotoScan：用手机照片估算体成分并预测胰岛素抵抗
Google Research 提出 PhotoScan，一个从普通 2D 手机照片估算体脂率、Android-to-Gynoid 脂肪比（A/G）和内脏与皮下脂肪面积比（V/S）的深度学习框架，用于预测胰岛素抵抗。
推荐理由：Google 用手机照片估算体成分并预测胰岛素抵抗，给出了与 DXA 的误差对比和分类指标，可看非侵入筛查的可行性边界。
Hugging Face Blog精选AI 评分6868 Hugging Face 发布 2026 夏季开源模型观察报告
Hugging Face 发布 2026 年 1 月至 8 月的开源模型观察报告，基于 Hub 数据给出六项发现。报告显示模型仓库从 243 万增至 296 万，数据集从 71.1 万增至 100 万，Spaces 从 100 万增至 144 万，但 85.6% 的模型累计下载不足 200 次，1.5% 的仓库占据 99.2% 的下载量。
推荐理由：Hugging Face 用 Hub 七个月数据拆解开源模型格局，可看到中美实验室规模路线与下载依赖的分野。
Microsoft ResearchAI 评分3939 MindTopo 基准揭示 VLM 空间推理能力短板
Microsoft Research 推出 MindTopo 基准，用于评测多模态大模型的拓扑推理能力，覆盖连通性、封闭性、顺序、分离与绳结五类关系，并区分静态推理与交互规划两个层级。测试显示，当前模型在静态识别上明显优于交互规划，且两者均远低于人类水平；失败多发生在规划阶段而非感知阶段，模型在场景变化中丢失结构关系或提出违反物理约束的动作。图像与视频生成仅在单帧保留结构约束时才有帮助。
Google ResearchAI 评分3636 Google 研究：召回而非编码是前沿 LLM 事实性的瓶颈
Google Research 提出知识画像框架，用 WikiProfile 基准（2,150 条维基百科事实、每条配 10 道题）区分编码与召回失败。Gemini-3-Pro 和 GPT-5 有 95–98% 的事实已编码，却仍无法直接召回 26–34% 的事实，开启思考后仍有 11–12% 失败。Gemma 3 系列显示模型规模扩大主要改善存储而非取用，瓶颈正从知识获取转向知识利用。
Google Research精选AI 评分7171 Google 推出 AMIE (Video)：实时视频问诊达到专家级水平
Google Research 发布 AMIE (Video)，一个基于 Gemini 和 Project Astra 的实时视频临床问诊系统，可感知非语言线索、引导虚拟体格检查并实时进行诊断推理。
推荐理由：Google 公布 AMIE 视频版在 300 场随机 OSCE 中与初级保健医生评分相当，并给出异步多智能体架构与局限说明。
Microsoft ResearchAI 评分3838 Microsoft Research 推出 CARE-X：面向临床可用的放射学 VLM，结合辅助监督、奖励对齐学习与工具增强测量
Microsoft Research 发布研究模型 CARE-X，一个统一胸部 X 光 VLM，同时支持报告生成与结构化预测，并用强化学习（DAPO）在多任务设置下奖励临床正确性。
Hugging Face BlogAI 评分4040 比 ACE 更省 Token：ALTK-Evolve 如何用按需检索替代全量注入
Hugging Face 的 ALTK-Evolve 与 ACE 同为无需更新权重的智能体记忆方案，区别在交付方式：ACE 每步注入完整 playbook，ALTK-Evolve 按任务检索少量高支持度 guideline。
Import AIAI 评分2626 Import AI 468：23 条 RSI 政策建议、PostTrainBench+，以及信任与透明度如何影响 AI 竞赛
Import AI 第 468 期收录了智库 IFP 提出的 23 条政策建议，分属 7 个类别，用于帮助政策制定者应对 AI 研发自动化风险。MIT 与 Columbia 的论文 Racing to Ruin 用博弈模型分析企业竞速，认为透明度和对对手可信度的判断是能否实现协同放缓的关键。本期还介绍了 PostTrainBench+ 以及一篇关于智能机器与机器人身体的虚构短篇故事。