OpenAI 研究:编码智能体加速 AI 研究的不均衡前沿
OpenAI 测量了编码智能体加速 AI 研究的实际效果,发现其表现仍不均衡。这项研究同时探讨了这些结果对递归自我改进意味着什么。
OpenAI 测量了编码智能体加速 AI 研究的实际效果,发现其表现仍不均衡。这项研究同时探讨了这些结果对递归自我改进意味着什么。
OpenAI 用 GPT-6 Astra 优化了 Jalapeño 芯片中的电路,并改进了 RISC-V 核心设计。这展示了 AI 辅助芯片设计的进展。
UC Berkeley、Microsoft Research 和 Microsoft Security 发布开源插件 TokenEconomizer,它从智能体在仓库中的历史会话学习,在不修改智能体和底层模型的前提下减少后续会话的 token 浪费。
推荐理由:读者可以看到一个不改动智能体本身、只靠历史会话学习的插件,在 277 个真实修 bug 任务上如何降低 token 成本。
Google Research 提出一套研究性框架,用消费级可穿戴设备 passively 采集的静息心率、步数、睡眠时长和 Active Zone Minutes 等可改变行为信号,构建可指导的健康年龄(CHA)指标,并训练 SensorWM 世界模型模拟未来 12 周不同习惯下的健康轨迹。
微软研究者发现名为 Lazarus 的后门手法,只需重编程 LLM 中不到 10 个休眠神经元、无需训练,就能让智能体在隐藏触发条件出现时执行攻击者命令,例如时钟跨入 2027 年后下载并运行攻击者代码。
推荐理由:微软研究者披露仅改动不到 10 个休眠神经元即可给智能体植入后门,并给出权重溯源与扫描的防御思路。
Google DeepMind 发布 AlphaProof Code,一个多 LLM 智能体形式化验证框架,由 Gemini Carbon 驱动的智能体生成超过 600 万行 Lean 证明,验证了 Signal 协议实际代码的关键安全属性。
推荐理由:DeepMind 用多 LLM 智能体框架把形式化验证推进到已部署协议的实际代码层,四周完成过去需数年的工作。
Google DeepMind 发布 SatWeave 和 PARDIG 两个基础数据集,用于支撑天气、水文和气候应用开发,二者也是其近期发布的 WeatherNext 3 模型的关键。
Google Research 联合 Beth Israel Deaconess 医学中心和哈佛医学院在 Nature 发表 AI-PPG-ACC-HTN 系统,利用智能手表的 PPG 与加速度计信号被动检测高血压迹象,无需袖带校准。
推荐理由:研究以 24 小时动态血压监测为金标准,给出智能手表在初筛与确诊两种场景下的灵敏度与特异度,便于判断无袖带筛查的边界。
微软研究院发布研究原型 PDD Kit,把开发者意图转成 Verus 形式化规范,证明智能体生成的代码对每个输入都满足规范,证明覆盖不到的部分则回退到测试。
Google Research 提出 Agile Deliberation 框架,把主观 AI 分类器的定义过程变成人与 AI 的迭代对话,先解决人类自身的概念模糊,再构建更稳健的分类系统。
Google 研究团队提出 sleep 框架,让 LLM 在活跃交互与离线巩固两个阶段间循环,把短期上下文压缩进长期参数。该框架用 MoE 参数扩展、广义知识蒸馏与强化学习模仿实现记忆巩固,并在离线阶段用自生成样本做自我改进。
推荐理由:Google 研究者提出把持续学习拆成清醒交互与离线巩固两阶段,并给出多组基准对比,便于理解灾难性遗忘的一种解法。
Google Research 在 JAMA Network Open 发表研究,用 AI 模型解读未经专业超声培训的操作者采集的盲扫超声图像来评估孕周。在 385 名 16 至 36 周孕妇的队列中,模型平均绝对误差为 4.18 天,优于专家标准流程的 4.48 天;仅用芝加哥 120 名参与者数据微调后,芝加哥误差 4.10 天,未做本地优化的内罗毕为 4.27 天。
推荐理由:研究在芝加哥与内罗毕两地前瞻验证同一模型,只用 120 人数据微调即可跨硬件泛化,为低资源地区产检覆盖提供了可参照的部署路径。
GitHub 发布 AI 代码审查开放基准 ReviewBench,基于 1.039 亿个 GitHub PR 的分布特征,构建了覆盖 19 种语言、187 个开源仓库的 219 个 PR 评测集。
Berkeley AI Research 介绍将 K-Search 演化内核搜索框架扩展到 MLX 的工作,通过结构化的 CUDA 到 MLX 翻译层,让已有 CUDA 内核经验迁移到 Apple Silicon。