Google Research 发布 ConvApparel 数据集，量化并弥合用户模拟器的真实感差距
Google Research 推出 ConvApparel，一个包含超 4,000 段人机多轮对话（近 15,000 轮）的服饰购物领域数据集，用于量化 LLM 用户模拟器与真实人类的真实感差距。
全部AI 动态
全部动态
今日 2 条Google ResearchAI 评分3232 Google ResearchAI 评分4242 Google 推出 PaperVizAgent 与 ScholarPeer 两个学术 AI 智能体
Google 发布两个学术智能体框架：PaperVizAgent（原 PaperBanana）从论文方法章节生成出版级图表，ScholarPeer 则自动评审论文。
Google ResearchAI 评分3838 Google Research 评估 LLM 行为倾向与人类的对齐程度
Google Research 提出一套框架，用改编自 IRI、ERQ 等心理学问卷的情境判断测试（SJT），在真实用户-助手场景中评估 LLM 行为倾向与人类共识的对齐程度。对 25 个 LLM 的大规模分析发现两类差距：模型倾向偏离人类标注者共识，以及在无共识时无法覆盖人类意见的分布范围。
Google ResearchAI 评分3131 Google Research 研究：AI 基准测试需要多少标注者才够？
Google Research 发布研究《Forest vs Tree: The (N, K) Trade-off in Reproducible ML Evaluation》，指出 AI 评测常用的每项 1-5 名标注者往往不足，要反映人类意见差异常需每项超过 10 名标注者。
Hugging Face BlogAI 评分2626 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 CodonRoBERTa-large-v2 以困惑度 4.10、Spearman CAI 相关性 0.40 显著优于 ModernBERT。团队随后扩展到 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 Quantum AI 发布白皮书：披露量子计算机破解加密货币加密的资源估算
Google Quantum AI 发布白皮书，给出破解 256 位椭圆曲线离散对数问题（ECDLP-256）的更新资源估算：两个 Shor 算法量子电路分别使用不到 1。
推荐理由：Google Quantum AI 给出破解 ECDLP-256 的更新资源估算，并说明用零知识证明确认结论的披露方式。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 AI 有害操纵评测工具包
Google DeepMind 发布关于 AI 有害操纵的研究，称其为首个经实证验证的评测工具包，并公开运行同类人类被试研究所需的全部材料。研究覆盖英国、美国、印度逾 1 万名参与者，开展九项研究，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，且某一领域的成功无法预测另一领域。
推荐理由：Google DeepMind 公开了首个经实证验证的 AI 有害操纵评测工具包，读者可了解其研究设计与公开材料。
Google Research精选AI 评分6060 Google 发布 TurboQuant 等三种向量量化算法，KV cache 可压至 3 bit
Google 发布 TurboQuant 压缩算法，并配套提出 QJL 与 PolarQuant，用于解决向量量化中的内存开销问题，相关论文将分别在 ICLR 2026 和 AISTATS 2026 上展示。
推荐理由：Google 提出 TurboQuant 等三种向量量化算法，可在不损失精度下把 KV cache 压到 3 bit，读者可了解其压缩思路与实测收益。
Google ResearchAI 评分3131 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，将道路、建筑等建成环境特征栅格化为多层图像，再用掩码自编码（MAE）学习通用嵌入向量，无需人工标注即可预测人口密度、房价等指标。
Hugging Face BlogAI 评分4242 Hugging Face 推出语音智能体评估框架 EVA
Hugging Face 发布端到端语音智能体评估框架 EVA，首次同时打分任务成功率（EVA-A）与对话体验（EVA-X），并开源含 50 个航司场景的数据集。对 20 个级联与音频原生系统的基准测试显示，准确率与体验之间存在一致的权衡：任务完成得好的智能体，用户体验往往更差。
Google Research精选AI 评分6262 Google Research 与 NHS 合作研究：AI 用于乳腺筛查工作流
Google Research 与多家 NHS 机构合作的 AIMS 研究在 Nature Cancer 发表两项研究，评估 AI 乳腺筛查系统。
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，可了解落地条件。
Google DeepMindAI 评分4545 Google DeepMind 发布 AGI 认知框架，并启动 Kaggle 黑客松
Google DeepMind 发布论文《Measuring Progress Toward AGI: A Cognitive Taxonomy》，提出用 10 项认知能力（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）衡量 AI 向 AGI 的进展，并配套三阶段评估协议。
Google ResearchAI 评分4040 Google 在 PNAS 发表研究：用高温超导问题测试 LLM 世界模型
Google 与康奈尔大学合作在 PNAS 发表研究，让 GPT-4o、Perplexity、Claude 3.5、Gemini Advanced Pro 1.5、NotebookLM 和一套自建 RAG 系统回答 67 道高温超导专家级问题，由国际专家小组按六项指标盲评打分。
Berkeley AI ResearchAI 评分3434 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，用于在大规模场景下识别 LLM 中驱动输出的关键交互。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 进一步借助层次结构，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，让对话式诊断 AI AMIE 在门诊初级保健就诊前为患者采集病史，由医生通过视频实时监督。
推荐理由：Google 与 BIDMC 首次把 AMIE 放进真实门诊流程做前瞻性可行性研究，读者可看到安全监督机制与盲评结果。
OpenAI News精选AI 评分6262 OpenAI 用 IH-Challenge 改进前沿 LLM 的指令层级
OpenAI 发布 IH-Challenge，用于训练模型优先执行可信指令，从而改进指令层级、安全可控性和对提示词注入攻击的抵抗能力。
推荐理由：OpenAI 公开 IH-Challenge 训练方法，读者可了解指令层级与提示词注入防御的一条技术路径。
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，由非洲高校与社区组织主导采集，覆盖 26 个以上国家、超过 1 亿使用者。
推荐理由：Google Research 联合非洲高校发布 27 种语言的开放语音数据集，可了解低资源语音数据的采集方法与许可条件。
OpenAI NewsAI 评分4242 OpenAI 研究：推理模型难以控制其思维链，而这正是好事
OpenAI 提出 CoT-Control，发现推理模型难以控制自身的思维链，这反而强化了可监控性作为 AI 安全保障的价值。
Google ResearchAI 评分4040 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 模仿贝叶斯助手的预测，从而学会概率推理。在五轮模拟航班推荐任务中，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了该任务表现，还能泛化到其他任务。
OpenAI NewsAI 评分1212 OpenAI 用 GPT-5.2 Pro 将单负振幅扩展至引力子
一篇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。
Hugging Face BlogAI 评分4949 IBM 与 UC Berkeley 用 ITBench 和 MAST 诊断企业级 Agent 失败原因
IBM Research 与 UC Berkeley 用 MAST 失败分类法分析了 310 条 ITBench SRE 执行轨迹，覆盖 Gemini-3-Flash、Kimi-K2 和 GPT-OSS-120B 三类模型。
OpenAI NewsAI 评分3636 OpenAI 与 Paradigm 推出 EVMbench：评估 AI 智能体发现、修补与利用智能合约漏洞的能力
OpenAI 与 Paradigm 联合推出 EVMbench，用于评估 AI 智能体检测、修补和利用高危智能合约漏洞的能力。该基准聚焦高严重性漏洞，覆盖发现、修复与攻击三类任务。
Google ResearchAI 评分4040 Google 用合成数据教多模态大模型读懂地图路径
Google Research 提出 MapTrace，一套可扩展的合成数据生成流程，用于训练多模态大模型在地图上追踪路径，并开源了基于 Gemini 2.5 Pro 和 Imagen-4 生成的 200 万问答对。
Google ResearchAI 评分3838 Google Research 推出 DialogLab：开源多智能体群组对话创作与测试框架
Google Research 发布开源原型框架 DialogLab，用于创作、模拟和测试动态的人机群组对话，相关论文在 ACM UIST 2025 展示。该框架将对话的社交设定与时间流程解耦，通过"创作-测试-验证"三阶段工作流支持多参与方、角色分组与打断规则配置。
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，主要用鸟类等陆生动物音频训练的 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7676 Google DeepMind 用 Gemini Deep Think 推进数学与科学发现
Google DeepMind 发布两篇论文，介绍由 Gemini Deep Think 驱动的数学研究智能体 Aletheia 在数学、物理和计算机科学领域解决专业研究问题。
推荐理由：DeepMind 公开了两篇论文与数学研究智能体 Aletheia 的细节，读者可据此了解 AI 参与研究级数学与理论计算机科学的实际边界。
Google ResearchAI 评分2828 Google Research 提出 Sequential Attention：让 AI 模型更精简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中顺序、自适应地挑选最佳组件，把子集选择直接融入训练流程，避免传统贪心算法带来的数量级训练开销。该方法在多个神经网络基准上取得 SOTA，并已用于特征选择等真实场景，兼顾效率、准确率、可解释性与大规模扩展能力。
Google Research精选AI 评分6262 Google Research 论文：智能体系统扩展的量化规律
Google Research 发布论文《Towards a Science of Scaling Agent Systems》，对 180 组智能体配置做大规模对照评测，覆盖单智能体与独立、集中、去中心化、混合四种多智能体架构，以及 Finance-Agent、BrowseComp-Plus、PlanCraft、Workbench 四个基准。
推荐理由：通过 180 组智能体配置的对照评测，给出多智能体架构何时增益、何时拖累性能的量化规律。
Google ResearchAI 评分5252 Google 发布 ATLAS：面向多语言模型的实用缩放律
Google Research 发布 ATLAS（自适应迁移缩放律），用于指导多语言模型的模型规模、数据量与语言配比选择，论文将在 ICLR 2026 展示。该研究基于 774 次训练运行、10M–8B 参数模型、400+ 语言数据和 48 种语言评测，并给出 1,400 对语言之间的迁移关系矩阵。
Hugging Face BlogAI 评分2121 Hugging Face 发布 Alyah：面向阿拉伯语 LLM 阿联酋方言能力的评测基准
Hugging Face 团队推出 Alyah（阿联酋方言中意为"北极星"），一个专门评估阿拉伯语 LLM 阿联酋方言能力的基准，包含 1,173 条由阿联酋母语者手工采集的样本，每题四选一。评测覆盖 54 个模型（23 个基座、31 个指令微调），google/gemma-3-27b-pt 以 74.68 的准确率居首，tiiuae/Falcon-H1-34B-Base 为 73.66。
Google ResearchAI 评分2929 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，在多样性与效用之间取得平衡。GIST 在图像分类等基准任务上超越现有最优方法，并首次为该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。
Google ResearchAI 评分3131 Google 小模型拆解式意图提取：Gemini 1.5 Flash 8B 媲美 Gemini 1.5 Pro
Google Research 提出一种拆解式方法，让小型多模态 LLM 在设备端理解用户意图：先逐屏总结每次交互，再从摘要序列中提取意图。在移动端与网页轨迹上，该方法优于 CoT 和端到端微调，Gemini 1.5 Flash 8B 取得与 Gemini 1.5 Pro 相当的结果，成本与速度仅为后者一小部分。该论文已在 EMNLP 2025 发表。
Hugging Face BlogAI 评分3838 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 BlogAI 评分4040 微软 Differential Transformer V2 发布：解码速度对齐标准 Transformer，无需自定义注意力内核
微软发布 Differential Transformer V2（DIFF V2），在保持 KV 头数量不变的前提下将查询头数量翻倍，使解码速度与标准 Transformer 持平，且无需自定义注意力内核。
Google ResearchAI 评分3434 Google 研究：用 Pixel Watch 智能手表估算步态指标，精度媲美手机
Google 研究团队提出一种基于时序卷积网络（TCN）的多头深度学习模型，仅凭单只 Pixel Watch 的 IMU 信号和用户身高，即可直接估算步速、步长、双支撑时间等多项步态指标。在 246 名参与者、约 7 万段步行数据的验证中，手表估算与手机结果无显著差异（p>0.05），多数指标 Pearson r>0.80、ICC>0.80。
Google ResearchAI 评分3434 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 Virginia 和 California 的公开碰撞数据与 Android Auto 匿名聚合的急刹车事件（HBE，减速度超过 -3m/s²）数据，通过负二项回归模型确认 HBE 频率与路段碰撞率呈显著正相关。
Google ResearchAI 评分5151 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。
Berkeley AI ResearchAI 评分2626 伯克利提出信息驱动的成像系统设计框架，登 NeurIPS 2025
伯克利 AI Research 提出一套基于互信息的成像系统评估与优化框架，可直接从含噪测量中估计信息量，预测系统性能。在彩色摄影、射电天文、无镜头成像和显微成像四个领域验证中，该指标正确排序了不同硬件设计，优化后性能匹配 SOTA 端到端方法，且内存与算力需求更低、无需任务专用解码器设计。
Google ResearchAI 评分3131 Google 提出 Urania：用差分隐私从 AI 聊天机器人对话中挖掘使用洞察
Google Research 在 COLM 2025 论文中提出 Urania 框架，通过差分隐私（DP）聚类与 DP 关键词提取，从 LLM 聊天机器人对话中生成使用洞察，且 LLM 只接触匿名关键词、不接触原始对话。与基于 CLIO 的非隐私基线 Simple-CLIO 相比，其隐私摘要在人工评估中最高有 70% 的情况更受 LLM 评审青睐，但隐私预算收紧时主题覆盖度会下降。
Google DeepMindAI 评分4040 Google DeepMind 与 Kaggle 推出 FACTS Benchmark Suite，系统评估大语言模型事实准确性
Google DeepMind 联合 Kaggle 发布 FACTS Benchmark Suite，在原有 FACTS Grounding 基础上新增 Parametric、Search、Multimodal 三项基准，并将 Grounding 升级至 v2，共 3513 个公开样例，另设私有留出集。