Import AI 481:FrontierML 基准显示前沿 AI 系统已能花钱改进自身
本期 Import AI 介绍 FrontierML 基准,该基准测量智能体能否把资金转化为模型性能:在 21 个长程任务上,最强系统 Opus 5.5 拿到 45.4($10)与 58.8($200)的分数提升,人类基线为 56 和 66.1,开源模型中 Kimi K3.1 Pro 为 25.5 与 29.6。
本期 Import AI 介绍 FrontierML 基准,该基准测量智能体能否把资金转化为模型性能:在 21 个长程任务上,最强系统 Opus 5.5 拿到 45.4($10)与 58.8($200)的分数提升,人类基线为 56 和 66.1,开源模型中 Kimi K3.1 Pro 为 25.5 与 29.6。
苹果宣布与临床 AI 平台 OpenEvidence 合作开展 Apple Health AI Usage Study,招募最多 20 万名 21 岁以上的美国用户,通过新 iOS 应用提出健康问题并对 AI 回答的准确性、细节和相关性评分。
英伟达联合创始人黄仁勋辞职后,要求其复职的公开信 Stand with Jensen 已获超 10.8 万个签名,其中含逾 5.8 万名股东及 5600 多名现员工。
文章探索了标准模型的一种候选非微扰格点定义,并展示了 GPT-6 Astra 如何帮助将这一构想转化为详细的证明。该候选定义为在格点上严格刻画标准模型提供了新的研究路径。
卡内基梅隆大学未来交互研究小组博士生金大华开发了 OATs(Object Agent Twins)微型 AI 智能体系统,并在 UIST 2026 上展示,获得两项荣誉奖。
澳大利亚央行(RBA)分析发现,AI 尚未在澳大利亚造成大规模失业,但编程、文秘、客服等高 AI 暴露行业中 15-24 岁年轻劳动者就业明显变差。自 ChatGPT 于 2022 年末发布以来,各群体招聘岗位均下降,高暴露组降幅最大;Stanford 与 Anthropic 研究也发现 22-25 岁暴露行业就业相对下降约 13%-14%。
澳大利亚储备银行研究显示,自 2022 年底 ChatGPT 推出以来 AI 影响程度最高的职业招聘岗位降幅最大,其中 15 至 24 岁年轻劳动者就业率低于年长从业者、失业率相对更高,但研究未证明就业恶化与 AI 存在直接因果关系。
UniPat AI 牵头发布湿实验预测基准 Science Prediction Universe(SPU),含 116 个任务、4207 个湿实验,覆盖化学、材料科学、生物和医学。
清华大学自动化系江瑞课题组发布面向单细胞蛋白组的基础模型 ProtCell,并在摩尔线程 MTT S5000 智算卡上完成全流程预训练复现。该模型汇集约 3.8 亿个细胞、98 个公开数据集用于预训练与评估,可精准映射细胞状态、推断未测蛋白表达。复现的主要定量评测指标与国际主流 GPU 平台差异仅约 0.2%,为药物研发与“虚拟细胞”构建提供关键底座支撑。
Google Research 报告称,Antigravity /teamwork 多智能体工作流结合 Gemini 4 Argon 等模型,在数学、形式化验证、分子化学和系统工程领域取得一系列成果,相关工具已开始向外部研究者和开发者开放。
推荐理由:原文用大量实例说明并行探索加独立证伪器的多智能体模式如何攻克多年未解难题,读者可据此设计自己的验证式工作流。
AI2 联合 Carnegie Mellon、NVIDIA 和 Johns Hopkins 的研究者发布 XYBench 基准,包含 8115 条来自 Stack Overflow、Stack Exchange、WikiHow 等的真实问题,衡量模型能否识别用户请求中的隐含误解并引导其转向真正目标。
推荐理由:该基准提供了一种衡量模型识别用户误解能力的框架,实验显示五个主流模型在误解识别上仍落后于人类参考答案。
前 OpenAI 研究员 Will DePue 发布分析称,2026 年 4 月以来发布的六个中国模型权重中留有 Nvidia Blackwell 芯片的初始化指纹,验证代码已公开在 GitHub。
推荐理由:原文解释了如何通过模型权重的初始化指纹反推训练所用 GPU,并附验证代码与 24 个对照模型的结果。
星尘智能发布多机协同框架CoMind(Be My Eye),让机器人在不依赖中心控制器的情况下主动交换任务关键信息并独立生成动作。隔挡板拿笔测试中任务成功率从0%提升到100%,盲盒置物准确率从38.9%升至88.9%,通信信息量减少约80%。该框架已在纸箱组装、叠被收纳、哑铃组装等六项真机任务中展示。
未来医生联合国内三甲医院胸外科团队,围绕40例复杂肺癌病例开展统一标准评测,未来医生MedGPT以88比12战胜250名三甲医生的无辅助方案,并以96.22分超越GPT-5.4(71.38分)、Claude Opus 4.7(61.81分)与Gemini 3.1 Pro(54.62分)。
谷歌 DeepMind 开放 WeatherNext 3 气象模型所依托的 SatWeave 卫星影像拼接数据集与 PARDIG 全球降水再分析数据集,面向全球研究者提供实时数据流及 1999 年至 2026 年历史归档,托管在 Google Cloud Storage 并以 CC BY 4.0 许可开放。
中国科学院合肥物质院健康所/合肥肿瘤医院团队联合多家单位提出肺结节 AI 辅助诊断新方法 M³Net,成果发表在 Information Fusion。M³Net 为“宏观-介观-微观”层级 3D 神经网络,以三种影像输入尺度模拟医生“先全局、再局部、后细节”的读片流程。
Microsoft Research Focus 第 98 期分享微软最新研究进展,涵盖 AI 通用翻译、解决 31 年的 KLS 猜想及提升编程智能体效率。APEC 方法通过后台准备摘要,将编程智能体成本降低 25.4%、执行时间缩短 9.6%。Latent Core Tokenizer 在 104 种语言上生成更具语言学意义的 token,提升多语言基准表现。
知识产权保护公司 Podqi 的一项研究发现,ChatGPT、Gemini 和 Perplexity 在回答购物问题时会引用或展示假冒零售商等风险网站。测试于 9 月分两轮进行,覆盖 151 个品牌、6,795 条回答,其中 Perplexity 展示风险网站的比例最高,为 15%,ChatGPT 为 8%,Gemini 最低,为 4%。
OpenAI 安全团队的新分析系统研究了从 GPT-5 到 GPT-6 Astra 的训练流程,指出对能力与算力效率的优化正让模型把推理转入监控不可见的无声过程。
Google Research 提出一套研究框架,用消费级可穿戴设备的被动信号构建可干预的健康年龄(CHA)模型,并搭配在 228 万人周数据上预训练的世界模型 SensorWM 模拟未来 12 周的反事实健康轨迹。
Google DeepMind 发布 AlphaProof Code,可在四周内完成通常需要数年的软件安全规约数学验证,并在 Signal 加密协议的实际加密核心代码上完成演示。
同一新闻,精选展示《Google DeepMind 推出 AlphaProof Code,用 AI 智能体形式化验证 Signal 加密协议》
Florian 发布 2026 年 RSI(递归自我改进)研究年度回顾,梳理约百篇论文,指出这一年“改进能力”开始拥有独立的设计对象、训练目标和计量方式。文章按经验留存、学习改法、反馈学习、能力协同、研发自改、能力验收、演化底座七条线索展开:从程序继承、策略记忆到跨分支经验共享,再到搜索策略演化、元代理分工和诊断历史。
Google DeepMind 对 Signal 的关键部分完成了数学验证,这项为期四周的项目表明 AI 有望让形式化验证变得更加实用。
美国国家飓风中心(NHC)于 2025 年 6 月开始在实际业务中使用谷歌 DeepMind 的 AI 模型,2026 年将其纳入部分路径和强度综合预测辅助系统。
彭博经济研究测算,AI 相关经济活动今年为英国经济增长贡献 0.45 个百分点,约占整体 1.8% 增幅的四分之一。若全球 AI 相关资产估值出现大幅回调,英国经济可能面临一定风险。目前 AI 的贡献仍主要来自技术本身的生产与研发,而非其在整个经济体系中的广泛应用。
微软研究人员发现名为 Lazarus 的后门技术:只需重编程 LLM 中不到 10 个休眠神经元、无需训练,就能让基于该模型的智能体在隐藏触发条件出现时执行攻击者命令,且模型仍能通过标准安全评测。
推荐理由:原文给出了只需重编程少数休眠神经元即可植入后门的机制,读者可据此理解权重审计与来源校验为何是关键防线。
谷歌联合 Artificial Analysis 发布多模态知识智能体基准测试 MKA,用于评估 AI 智能体处理视觉复杂文件、完成现实知识工作任务的能力。评测集包含 200 项私有任务,覆盖 10 个行业、83 种职业,由基于非谷歌模型的智能体评审系统评分,与领域专家人工评分一致率达 96%。
Nvidia 在研究报告中发布机器人基础模型 GR00T 2,它以世界-动作模型的方式同时预测下一步动作和短期视频画面,把人类视频中的动作迁移到机械臂上,减少遥操作数据采集。
OpenAI 与 Upwork 发布的最新研究揭示了 AI 对自由职业工作的影响:自由职业市场的需求正在发生转变,市场对新型技能组合的需求不断增加。同时,与 AI 相关的项目往往拥有更高的预算和更多的工作时长。
谷歌 DeepMind 利用具备自主执行能力的 AI 智能体完成 Signal 加密协议的形式化验证,以数学方式证明其端到端加密可靠性。该协议也被 WhatsApp 和 Google Messages 采用;验证针对协议本身而非整个应用程序,AI 还成功识别出含已知漏洞的旧版实现并判定其未通过验证。整个分析耗时约四周,谷歌表示目前尚无法确定该技术更大范围推广的实际可行性。
Google DeepMind 研究人员用多 LLM 智能体框架 AlphaProof Code,对 Signal 协议实际运行的代码完成深度形式化验证,证明其核心加密代码满足关键安全属性。
推荐理由:原文展示了多智能体框架将 Signal 加密协议的形式化验证压缩到四周,读者可据此评估安全验证自动化的新路径。
Google DeepMind 开放两套基础数据集 SatWeave 与 PARDIG,供全球研究者与开发者构建天气、水文和气候应用,二者均为 WeatherNext 3 模型的关键支撑。
推荐理由:原文交代了两个数据集的来源、分辨率与开放方式,读者可据此判断它们能否支撑自己的天气或气候应用。
蚂蚁灵波开源触觉预训练基础模型 LingBot-Touch,把磁触觉、视触觉和压阻式触觉三类传感器信号统一编码为触觉 Token,再交给动作模型。直接喂原始触觉信号会让 π0.5 拉拉链成功率从 39% 跌到 15%,接入 LingBot-Touch 后升至 59%;在未参与预训练的 XHand 上零参数调整,π0.5 六项任务平均成功率从 48% 升至 74.17%。
openJiuwen 提出 TTSE(Two-Track Self-Evolution)双轨自演进框架,将 Agent 任务经验分为 FACT 环境事实与 TIP 条件式技巧两条轨道,分别验证、归因和更新。
ThinkYoung 发布新研究,并结合 OpenAI 在 EMEA 地区教育合作的经验,探讨如何弥合教育中的 AI 指导差距。研究围绕支持教师、提升 AI 素养以及促进学生独立学习三个方面,分享教育实践中的经验与启示。
高通调查全球 6 个市场、超 12,000 名可穿戴设备用户及潜在购买者,发现 AI 智能体正成为可穿戴设备的下一个核心卖点。近 60% 的用户每周使用 AI,约 70% 期待 AI 通过自然语音交互管理设备、应用和日常事务,近一半受访者对实时翻译及能理解日程习惯并自动行动的 AI 感兴趣。
BAIR(UC Berkeley)教师、博士后与学生将在 11 月 9–12 日于奥斯汀举行的 CoRL 2026 上展示 33 篇主会论文、4 张 Late-breaking results 海报以及 10 个 oral 与 spotlight 报告(3 个 oral。
11月9日,百度文心首次披露 RSI 最新进展,公布自动研究系统 ERNIE Evolve,已用于即将发布的文心 5.5 Flash 推理优化。该系统在 NanoChat AutoResearch 和 NanoGPT Speedrun 两项任务的三个评测指标上取得目前公开验证的 SOTA 表现,并在昆仑芯 P800 低时延场景将生成速度提升至基线的 623.6%。
Elith 与 NVIDIA 发布 Nemotron-Personas-Finance-Japan,据称为首个百万级规模的开放日本人物数据集,将日本官方统计与家庭财务和金融素养数据配对。
AI 科学初创公司 Physical Supermission 用一套运行非公开 Anthropic 模型的内部研究系统证明了 2008 年提出的 Aaronson-Ambainis 量子计算猜想,并获 Lean 验证。