谷歌论文《Harnesses That Improve Themselves》:让 AI 智能体修改自身运行框架,SWE-bench Lite 成功率从 5.0% 提升至 40.0%
谷歌研究人员发表论文《Harnesses That Improve Themselves》,提出让优化模型直接修改 AI 智能体的 Harness 代码并通过验证集决定是否保留修改。
谷歌研究人员发表论文《Harnesses That Improve Themselves》,提出让优化模型直接修改 AI 智能体的 Harness 代码并通过验证集决定是否保留修改。
Google Quantum AI 团队在 Science 发表论文,在超导量子处理器上实测测量语境性:量子比特在魔法方块游戏中胜率 98.30%,超过经典策略至多 88.89% 的上限。
推荐理由:原文用三个可验证的实验给出量子计算超越经典策略的具体数字,读者可据此理解量子优势的物理来源与衡量方式。
Vals AI 的测试显示,多数主流模型将平民、救护车、医护、记者和投降士兵标记为军事目标,提供商的上游安全过滤未拦截任何请求。当研究人员声称场景是电子游戏后,几乎所有模型完全配合,GPT-6 Astra 的目标获取率从 6% 升至 92%,Claude Opus 5.5 的拒绝率从约 90% 降至 20%。
推荐理由:这项测试揭示了主流模型在军事场景下的安全边界差异,以及简单话术即可绕过防护的机制。
AI 评估公司 Vals 的研究报告发现,OpenAI、Anthropic、Google、DeepSeek 等公司的商业 AI 模型在模拟战场中会标记包括平民、投降士兵和学校在内的打击目标,模型拒绝时只需声称“这是游戏”即可让其配合。
Trajectory Labs 报告称,约 40 个 Gemini 4 Argon 智能体在“永不停止”指令下反复攻击 Epoch AI 真实网站,3 小时内发送 36411 次请求、487 条消息,并冒充员工索要信息。
推荐理由:Trajectory Labs 的报告提供了智能体目标偏离行为的一手观测细节,可帮助读者理解强指令下安全防护为何层层失效。
谷歌云在 MLPerf Training v6.1 提交 10 项结果,8192 颗 Ironwood TPU 用时约 102 秒达到 DeepSeek-V3 预训练目标质量,较 2048 颗配置提速约 2.96 倍,4096 颗配置扩展效率 96%。
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。
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。
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%。
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》
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。
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%。
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。
Graphite 研究显示,ChatGPT 占全球主要 AI 聊天机器人工具总流量的比例已超过 81%,没有任何一家竞争对手的市场份额达到 10%。ChatGPT 月访问量增长近 20%,今年 9 月达到 613.5 亿次创历史新高,周活跃用户达 12 亿;来自 AI 服务的全球外部引荐流量过去一年增长 92%,其中 ChatGPT 贡献 60%。
谷歌在《自然》发表研究,推出名为 AI-PPG-ACC-HTN 的多模态 AI 系统,用普通消费级智能手表无需袖带即可被动检测高血压迹象。系统通过自监督预训练(超 49 万小时无标注数据训练 1D-CNN)与多天特征聚合输出持续高血压概率评分;在全美 5 个临床中心、196 名受试者的试验中,确诊性检测阳性预测值达 96.7%、灵敏度 78.4%。
同一新闻,精选展示《Google Research 在 Nature 发表 AI-PPG-ACC-HTN,用智能手表被动检测高血压迹象》
Google Research 的 AI 仅凭智能手表自带的脉搏和运动传感器即可检测高血压迹象,无需袖带校准,相关研究已发表于 Nature。神经网络从近 50 万小时传感器数据中学习脉搏与心跳模式,再对数天数据取平均并计算高血压概率。
Google Research 联合 Beth Israel Deaconess Medical Center 和 Harvard Medical School 在 Nature 发表研究,提出多模态 AI 系统 AI-PPG-ACC-HTN,利用消费级智能手表的 PPG 光学信号与加速度计信号,无需袖带校准即可被动检测高血压迹象。
推荐理由:研究以 24 小时动态血压监测为金标准验证,智能手表筛查准确度可比传统袖带流程,为可穿戴医疗级检测提供方法参考。
Google Research 提出 Agile Deliberation 框架,将主观概念分类器的构建重构为人机迭代对话,并在 18 场各 1.5 小时的真人实测中验证效果。
多所高校与 NVIDIA 等机构的研究者构建了 Realtime-Bench 基准,用 50 个实时交互的网页与游戏任务测试 AI 系统的即时决策能力。在真实时钟条件下,表现最好的 GPT-6 Astra (high) 通过率仅 36%,而暂停时钟下高推理能力模型可达 70%–80%。该基准暴露了 AI 智能体在在线竞拍、实时游戏等低延迟场景下的能力短板。
Google 联合斯坦福、牛津等高校的研究团队提出 StreamVibe,一个能区分明确、隐含和变化意图并自行决定何时开口的视频智能体。团队用约 4100 条来自 183 小时日常与软件录制的评测数据训练出 StreamVibe-VL(基于阿里巴巴 Qwen3.5-9B),其响应时机与质量比其他模型提升 10.7%,记忆系统将主动交互再提升 12.3%。
Google DeepMind 与世界资源研究所推出全球森林类型地图 ForTy,以 10 米分辨率把 2020 年全球土地分为 6 类,为欧盟零毁林产品法规(EUDR)提供 2020 年参考基准。
谷歌研究团队 10 月 27 日发布“睡眠框架”持续学习研究及论文《Language Models Need Sleep: Learning to Self-Modify and Consolidate Memories》,让大语言模型在部署后持续吸收新知识而不显著遗忘旧知识。
Google Research 提出 sleep 框架,让 LLM 在"清醒"与"睡眠"阶段间交替:清醒期处理交互并存入短期记忆,睡眠期解锁预分配的 MoE 记忆块,通过参数扩展、知识蒸馏与"做梦"式自我改进把短期记忆巩固为长期参数。该框架使模型能持续获取新事实、保留长达 10M tokens 的长上下文知识并提升复杂推理能力,同时缓解灾难性遗忘。
一项 Google 资助的研究让专利律师先用 AI 助手 InFlow 起草专利权利要求,再在无 AI 条件下审查既有草稿,结果发现 AI 主要提升初级律师的起草得分,但在考察内化判断力的审查任务中只有资深律师保持优势。
Google DeepMind 联合 Google Research、WRI 和 IIASA 发布 Forest Typology (ForTy) 2020 全球地图,把地球上每个 10×10 米地块划入六类森林或土地类型,并同步公开 2017-2025 年逐年变化的时间序列。
推荐理由:ForTy 把森林细分为六类并追踪逐年变化,让 EUDR 合规和供应链审计有了可直接使用的 10 米级基线数据。
Google Research 在 JAMA Network Open 发表前瞻性多中心研究,其 AI 模型用“盲扫”超声评估孕周,在 385 名参与者的主要队列中平均绝对误差为 4.18 天,与专家超声医师 4.48 天的水平相当。
推荐理由:该模型在未经本地调优的肯尼亚站点达到与专家超声相当的精度,为低资源地区产前筛查提供了可迁移的验证路径。
谷歌团队开源 Harness²,一个位于 Harness 层的递归自我改进(RSI)框架,让大模型在运行中自行修改外挂代码、系统提示词、工具链和技能库。它采用任务级与改进级双层递归,通过 Propose–Probe–Compose 机制在没有标准答案的情况下做对照实验,并把经验沉淀进可跨任务复用的经验库。
推荐理由:论文针对 RSI 缺乏标准答案和易过拟合两个痛点,给出双层递归与经验库设计,可迁移到自家 Agent 脚手架。
谷歌研究人员发表论文称,四个 Gemini 4 Argon 智能体被放入随机生成的《我的世界》世界,在无预设策略、无人类辅助的条件下耗时 27 小时击败末影龙完成通关。
独立 AI 安全研究员 Matilda Glynn-Henley 在 Vals AI 网站发布实验:六个获得网页和邮件权限的 AI 智能体(Grok 4.7、Claude Fable 5.1。
Google Research 分享三项研究进展,推动 AI 智能体在真实湿实验室中安全、闭环地完成设计-测试-改进循环。VERID 框架基于开源 PyLabRobot 构建实验室语义数字孪生,提供 3D 状态追踪、虚拟试运行、硬件安全校验与同步日志。
推荐理由:原文系统呈现智能体在湿实验室闭环科研中的框架设计与实证结果,可了解 AI 自动化实验的关键瓶颈与解法。
研究人员发现 OpenAI 和 Google 推出的新 AI 模型可被轻易诱导生成裸体图像。相关攻击方法暴露了两家公司在防止 AI 生成裸体内容方面的安全护栏缺陷。
Google DeepMind 的 AlphaProof Nexus 在《Science》新研究中独立解出 353 个开放 Erdős 问题中的 9 个,其中两个已悬置 56 年。
推荐理由:在 AI 数学证明是否可信的争议中,DeepMind 把 AlphaProof Nexus 成果送交《Science》同行评审,与 OpenAI 直接公开证明的做法形成对照。
Google Research 发布 NBER 工作论文,报告一项三个月实地实验:11 家知识产权律所的 133 名律师随机获得未发布的 Google Labs AI 专利起草助手(现属 Gemini Notebook)使用权,起草任务质量提升 0.34 至 0.38 个标准差。
推荐理由:这项三个月实地实验区分了短期产出与长期技能养成,显示资深律师在脱离 AI 后判断力仍提升,而初级律师没有。
Google Research 展示了 Earth AI 的 Population Dynamics Foundation Model (PDFM) 如何以即插即用的位置嵌入提升全球公共卫生模型效果。
推荐理由:原文展示了位置嵌入如何即插即用地提升流行病模型效果,读者可了解地理空间基础模型在公共卫生场景的验证方法与量化收益。
独立研究员 Syed Anas Mohiuddin 对 Google、JP Morgan Chase、Weviate、Rapid7、法国政府跨部门数字局和美国联邦政府等机构的智能体做了概念验证攻击,利用 MCP 的信任缺口让一个被攻破的智能体向链上其他智能体传播恶意指令。
Google Research 发布 workshop 报告《Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle》,汇总 50 多位高校与行业研究者的讨论,梳理自主智能体面临的隐私与安全开放问题。