Epoch AI：推理模型问世以来，ECI 前沿能力每年提升 14 分
Epoch AI 数据显示，自推理模型出现以来，其 ECI（AI 能力指数）前沿水平以每年 14 分的速度提升。该机构此前在报告《Have AI capabilities accelerated?》中指出，ECI 等 AI 能力指标在推理模型出现后发生了趋势断点。相关趋势线、90% 预测区间及 bootstrap 样本数据已于 9 月 1 日更新。
全部AI 动态
全部动态
今日 13 条Epoch AIAI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 QdrantAI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 发布 Qdrant-FineWeb-10B 等开源向量检索基准数据集与 Supernova 引擎
Qdrant 与 Vultr 合作发布开源向量检索基准 Qdrant-FineWeb-10B，含 24.47 TB 向量和 28.66 TB 源文本元数据，用 gte-multilingual-base 在 FineWeb 语料上生成 10.07B 稠密与稀疏向量，并为 10 万条查询算出精确 top-1000 真实近邻。
Epoch AIAI 评估 · 71/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 71/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Epoch AI 发布 FrontierMath Erdős 基准
Epoch AI 发布 FrontierMath Erdős 基准，由 Thomas Bloom 从 erdosproblems.com 未解问题中挑选 68 道兼具数学意义与难度的问题，其中 50 道已由 Google Formal Conjectures 项目完成 Lean 形式化。
Qdrant(@qdrant_engine)AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 分享混合检索调优：跨 5 个数据集评测调参对检索质量的影响
Qdrant 将举办一场关于混合检索调优的分享，其工作在 5 个数据集上评测混合检索流水线，用以判断哪些调优参数真正影响检索质量。重点不只是每个参数各自的作用，而是在真实数据上哪些参数真正重要。
Qdrant(@qdrant_engine)AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 研究：向量搜索之外的几何与嵌入新方向
Qdrant 的研究已超出传统向量搜索，将探讨双曲与球面几何、新的嵌入向量方法、非对称双编码器、更小的端侧查询编码器以及高效边缘检索架构。内容以系列第 5 篇形式发布，未给出具体模型、参数或基准数据。
Anthropic(@AnthropicAI)AI 评估 · 60/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 60/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Anthropic 测试 Sonnet 5 能否对齐更强的 Opus 4.8
Anthropic 把“模型能否对齐比自身更强的后继模型”作为首个测试：让 Sonnet 5 对 Opus 4.8 的一个早期 checkpoint 做后训练。该检查点最终达到的安全分数接近经过完整对齐训练的正式版 Opus 4.8。
Anthropic(@AnthropicAI)AI 评估 · 56/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 56/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Anthropic 新研究：Claude 能否自主对齐其他 AI
Anthropic 公布新 Fellows 研究，测试 Claude 能否自主完成对其他 AI 的对齐工作。研究给 Claude 48 小时和 1 块 GPU，让它自行调研并提出方法，再独立训练和测试小模型，Anthropic 称效果出乎意料地好。
LlamaIndex 🦙(@llama_index)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LlamaIndex 探索如何提升静态嵌入的检索表现
LlamaIndex 尝试了三种方法改进静态嵌入的检索效果：对逐 token 嵌入做原始 maxsim 打分、训练小型 adapter 模型、调整蒸馏训练目标与教师模型，均未取得预期结果。静态嵌入吞吐量无可匹敌，但相比传统嵌入模型存在精度损失。相关探索已发布在 LlamaIndex 博客。
Stanford AI Lab(@StanfordAILab)AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Stanford 发布 Terminal-Bench-Science：面向科研工作流的 AI 智能体基准
Stanford 联合全球科研机构专家发布 Terminal-Bench-Science，用于评估 AI 智能体在跨科学领域科研工作流中的表现，v0.1 版本包含 70 项任务。Claude Opus 5 在该基准上仅解出约 30%。该基准由 Terminal-Bench 团队打造，是一项持续进行的 Stanford 主导社区项目。
Stanford AI Lab(@StanfordAILab)AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Muennighoff 等提出 Prefix Sliding：用前缀滑窗提升长推理效率
Niklas Muennighoff 等人提出 Prefix Sliding，一种面向高效测试时扩展的简单快速方法，让 LLM 在长推理轨迹中“遗忘”部分前缀。该方法针对原生全注意力在长任务上 OOM、而压缩又会丢失关键细节的问题，效果可同时超过两者。
Anthropic(@AnthropicAI)AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 SALT Lab 研究：超半数人机协作对话涉及高影响任务
SALT Lab 研究了人们如何与 AI 协作，发现其中超过一半的对话涉及"高影响任务"——即会影响他人或难以撤销的工作。该团队已在 alphaXiv 发布完整研究文章。
LangChain BlogAI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LangChain 用 WikiBench 评估开源文档智能体 OpenWiki
LangChain 为开源代码库文档智能体 OpenWiki 构建了 WikiBench 基准，通过"读者智能体"回答基于代码仓库的问题来评估生成的 wiki 质量及其对编码智能体的实际帮助。
LlamaIndex 🦙(@llama_index)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LlamaIndex 用 ExtractBench 评测 14 个前沿系统：370 份企业文档上的抽取能力
LlamaIndex 推出 ExtractBench，在 370 份企业文档、67 种文档类型、4800+ 页面上评测 schema 引导的信息抽取，覆盖扫描表单、嵌套表格、带合并表头的 40 页财报等场景。
Microsoft Research(@MSFTResearch)AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 微软研究院发布 Skala 1.1 深度学习交换相关泛函
微软研究院发布深度学习交换相关泛函 Skala 1.1，在提升精度的同时扩展了对计算化学生态系统的可及性，并引入可持续跟踪计算性能的 living benchmark。该版本为 Skala 的更新版本。
SemiAnalysisAI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 SemiAnalysis 开源 AgentX 1.0：百万上下文多轮智能体编码推理基准，CUDA 护城河在智能体推理下还成立吗？
SemiAnalysis 发布 AgentX 1.0，称其为全球首个完全开源、100 万上下文的多轮智能体编码推理基准，Apache 2.0 许可，数据集与全栈工具投入超 300 万美元。
Jim Fan(@DrJimFan)AI 评估 · 54/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 54/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 T-Rex：触觉反应式灵巧操作研究发布，开源数据集与模型
Jim Fan 转发 Dantong Niu 等人的 T-Rex：Tactile-Reactive Dexterous Manipulation，针对多数 Vision-Language-Action（VLA）模型忽略触觉反馈或无法响应高频接触信号的问题，给出数据与架构两方面的方案。
Jim Fan(@DrJimFan)AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Jim Fan 团队开源 T-Rex 触觉方法并发布 50 小时触觉数据集
Jim Fan 宣布开源名为 T-Rex 的触觉方法，将触觉作为模型的一等公民：其 mixture-of-transformer 以异步双时钟运行，慢速视觉运动专家规划动作，快速触觉专家以每个视觉 tick 4 个触觉 tick 的高频修正实时细化动作。
Kevin Weil 🇺🇸(@kevinweil)AI 评估 · 8/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 8/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 匿名者公布 rank 30 椭圆曲线，Kevin Weil 称人类与 AI 每日共同发现新知识
一条 rank 30 的椭圆曲线被匿名发布，数学研究者 Robin Houston 给出了该曲线的具体方程，相关数据可在 elliptic-rank.icarm.cloud 查看。Kevin Weil 转发并表示，人类与 AI 每天共同学到关于世界的新东西，这让他每天早上都充满期待。
Microsoft Research(@MSFTResearch)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Microsoft Research 发布 Skala 1.1 深度学习交换关联泛函
Microsoft Research 发布更新版深度学习交换关联泛函 Skala 1.1，精度更高，并扩展了对计算化学生态的兼容性。该版本同时提供一个持续更新的基准，用于追踪计算性能。
Stanford AI Lab(@StanfordAILab)AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 嵌入模型的困境：LLM 已超越嵌入模型，但成本更高，何时该用哪个？
Niklas Muennighoff 等人在新工作"embedder's dilemma"中发现，LLM 在嵌入任务上已超过专用嵌入模型，但成本高得多。该研究探讨了在什么场景下应选择嵌入模型、什么场景下应选择 LLM。论文见 arxiv.org/abs/2608.12875。
Latent.Space(@latentspacepod)AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Latent.Space 成员深挖 AI Engineer 后训练演讲中的 OPSD 与持续学习
Latent.Space 成员在今天的 paper club 上就 AI Engineer 的后训练演讲中涉及的 OPSD 展开深挖。在持续学习（Continual Learning）议题中，Trajectory 的 Ronak 介绍了他们如何应对 CL 遗留的核心数据问题，包括为何 GRPO 不够用、必须转向 on-policy 并逐一修复随之出现的问题。
LlamaIndex 🦙(@llama_index)AI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LlamaIndex 发布 ExtractBench：文档抽取开始考核“出处”而非只考字段值
LlamaIndex 推出 ExtractBench，对文档抽取的“依据”严格打分：字段值与其引文都正确才算对，词级框需 IoU 0.5。VLMs 和编码智能体均未返回任何证据，两级得分均为零；能返回框的系统中词级 F1 仍不足 50%。
Rowan Cheung(@rowancheung)AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Rowan Cheung 分享了一篇 ACM 研究论文链接
Rowan Cheung 在 X 上分享了一篇发表于 ACM 的研究论文链接（dl.acm.org/doi/10.1145/38…），未附加额外说明或评论。
Rowan Cheung(@rowancheung)AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 庆应大学与 MIT Media Lab 研发无脸漂浮机器人，用动作与人交流
庆应大学与 MIT Media Lab 的研究者造出一台氦气填充的漂浮机器人，没有脸、没有旋翼和夹伤点，靠轻柔拍动的鳍片在房间中漂移并用动作与人交流。演示中它充当闹钟、学习伙伴、起身活动提醒，甚至舞伴。团队避开类人脸孔带来的恐怖谷效应，押注这种像宠物般可触摸的软体硬件能被人接受进入个人空间。
Import AI — Jack ClarkAI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 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 期介绍新基准 DiG-bench，用 70 款隐藏规则的文字游戏测试 AI 自主发现环境规律的能力，Claude Opus 5 与 Fable 5 配合 Claude Code 表现最佳，GPT-5.5 紧随其后，但仅 Opus 5 和 Fable 5 能在最难的第 7 档取得 0.2 的成绩。
LlamaIndex 🦙(@llama_index)AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LlamaIndex 发布 ExtractBench：14 个文档抽取系统在扫描件、手写与旋转页上的感知盲区
LlamaIndex 推出 ExtractBench，用 1950 年代监管文件、手填税表及经传真阈值化、复印机色调曲线、传感器噪声和手机拍摄退化的页面测试了 14 个文档抽取系统。
LlamaIndex 🦙(@llama_index)AI 评估 · 48/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 48/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LlamaIndex 发布 ExtractBench：长文档抽取漏行比错值更危险，Agentic Plus 达 96.1% F1
LlamaIndex 发布文档抽取基准 ExtractBench，覆盖 370 份企业文档、14 个系统，最难的测试是长列表完整性：26,725 行的无主财产清单、8,624 条债权人矩阵、3,063 项持仓的 13F。
Microsoft Research(@MSFTResearch)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 MindTopo 新基准发布：测试 AI 对拓扑关系的理解
Microsoft Research 推出 MindTopo 基准，用于测试 AI 对路径、栅栏、绳结等拓扑关系的理解能力。该基准揭示 AI 在空间推理与规划方面仍有提升空间，并指出新的改进机会。
Microsoft Research BlogAI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 MindTopo 揭示多模态大模型的空间推理能力短板
Microsoft Research 推出 MindTopo 基准，用于评测多模态大模型在连通、包围、顺序、分离与打结五类拓扑关系上的推理与规划能力。测试显示，当前模型在静态识别上表现明显优于交互式规划任务，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。图像与视频生成仅在前者能维持单帧可见关系时有所帮助，视频推演常改变拓扑或违反任务物理约束。
Hunyuan(@TXhunyuan)AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 腾讯混元发布自进化智能体综述：提出 L0–L4 分类与可靠性阶梯
腾讯混元发布《Diving into Reliable Self-Evolving Agents》综述，为智能体自我进化建立系统图谱，提出 L0–L4 自进化分类体系和面向可信更新的可靠性阶梯，并整理 549 篇工作构成开放目录。其核心原则是：任何更新都不应掌控用于验证自身的唯一证据。
Microsoft Research(@MSFTResearch)AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Microsoft Research 的 CARE-X 探索胸部 X 光统一解读方法
Microsoft Research 提出 CARE-X，探索将灵活推理、校准预测与基于测量的工具统一用于胸部 X 光解读，让放射学 AI 不再局限于生成报告。
Microsoft Research BlogAI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 微软发布 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
微软研究院推出研究模型 CARE-X，一个统一胸部 X 光 VLM，可兼顾报告生成与结构化诊断预测，并用强化学习（DAPO）在多任务设置下奖励临床正确性。另一项独立实验中，团队将 Qwen3-VL-4B-Instruct 与确定性测量工具配对，检验直接计算能否改善心脏增大等依赖测量的病变判断。
LlamaIndex 🦙(@llama_index)AI 评估 · 37/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 37/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LlamaIndex 推出 ExtractBench：面向复杂企业文档信息抽取的基准测试
LlamaIndex 发布 ExtractBench，用于评测复杂企业文档的信息抽取能力，测试覆盖 14 个系统（前沿 VLM、编程智能体和抽取 API）、370 份企业文档、4,869 页、67 种文档类型，全程无 LLM 评判、完全确定性。
Hugging Face(@huggingface)AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 AI 智能体如何复现 ICML 2026 论文
Hugging Face 发布内容展示 AI 智能体如何复现 ICML 2026 的论文。该内容以直播形式呈现，配文附带 x.com 直播链接，未披露所用模型、复现数量或评测分数等具体细节。
Epoch AIAI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Epoch AI 调查：AI 已接手五分之一美国职场人原交给同事的工作任务
Epoch AI 与 Ipsos 于 7 月 10–19 日调查 1,106 名美国在职成年人发现，20% 受访者称 AI 已接管至少一项原本交给同事或外包的工作，十项职场任务中 AI 使用率从维护记录的 25% 到设计系统与软件的 57% 不等。
Mistral AI(@MistralAI)AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Mistral 内容审核模型：以自然语言政策输出校准评分，统一处理文本与图像
Mistral 的内容审核模型把审核政策当作自然语言问题输入，直接返回校准后的评分，并在同一接口中同时处理文本和图像。完整技术报告已发布在 arXiv（2607.25857）。
Microsoft Research(@MSFTResearch)AI 评估 · 16/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 16/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 小语言模型用 SocialRL 学习谈判，PazaBench V2 扩展非洲语言语音 AI 评测
微软研究院介绍多项成果：小语言模型通过 SocialRL 学习谈判，PazaBench V2 将语音 AI 评测扩展到多种非洲语言，EvoLib 则帮助智能体把经验转化为知识。此外还包括更可靠的 A/B 测试方法以及 AI 驱动精准肿瘤学的进展。
Rowan Cheung(@rowancheung)AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 一项研究（附 PMC 链接）
该推文分享了一项研究的链接，指向 pmc.ncbi.nlm.nih.gov 上的文章 PMC27…，未提供研究主题、结论或数据等具体信息。
Microsoft Research(@MSFTResearch)AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Microsoft Research 推出 Echoverse：用真实环境训练计算机操作 AI 智能体
Microsoft Research 提出 Echoverse，用于训练计算机操作 AI 智能体，让它们在真实环境中随任务、测试和环境的变化持续提升，而非单纯增加训练任务量。这类智能体目前在多步工作流（如邮件处理、客户支持）中仍表现吃力。
Microsoft Research(@MSFTResearch)AI 评估 · 11/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 11/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 微软 EvoLib：让 LLM 把经验转化为可演化知识
微软推出 EvoLib，将模型部署后积累的经验转化为可复用的技能与洞察，形成持续演化的知识，帮助 LLM 跨任务学习与适应，而非仅靠记住更多内容变聪明。