腾讯混元用 Hyra 智能体与 Hy3 模型解决 50 年数学难题
腾讯混元称，借助研究智能体 Hyra 与 Hy3 模型，针对有限整数集 A 中 |A+A| 相对 |A-A| 的增长速度问题给出了显式构造，证明最优指数恰为 2。该问题上界自 1969 年定理给出为 2，50 多年间已知构造仅略高于 1.1。相关论文见 arxiv.org/abs/2607.27199，另有 Hyra 博客与 GitHub 形式化证明。
全部AI 动态
全部动态
今日 13 条Hunyuan(@TXhunyuan)AI 评估 · 51/100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 · 51/100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 AIAI 评估 · 33/100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 · 33/100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。 并行化限制会推迟智能爆炸吗？Epoch AI 新论文质疑自动化 R&D 增长模型
Epoch AI 一篇新论文指出，标准增长模型假设研发可无限并行化，但这一外推并不可信。作者提出"并行化技术"这一新投入项，认为可用研究投入受制于原始投入与并行化技术中更稀缺的一方，并以 Anthropic 的 agent teams 为例说明多 AI 智能体协同可提升同时投入的算力。若并行化技术改进快于技术前沿但慢于研究投入，智能爆炸仍会发生，只是更慢。
AI Breakfast(@AiBreakfast)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。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。 Anthropic 用 Claude Mythos Preview 发现密码算法弱点
Anthropic 新研究显示，Claude Mythos Preview 已帮助研究人员发现密码算法的弱点。密码算法是用于保护数据隐私的数学方法。
Fei-Fei Li(@drfeifei)AI 评估 · 31/100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 · 31/100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。 李飞飞：world models 分类中模拟器是枢纽，R2S2R 引擎推动机器人训练评估摆脱硬件束缚
李飞飞在 world models 分类中将模拟器称为枢纽，即智能体行动、学习与评估的场所。其 R2S2R 引擎能让机器人开发摆脱缓慢昂贵、受硬件束缚的迭代，转向更具扩展性且更便宜的训练与评估。
Fei-Fei Li(@drfeifei)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。 李飞飞团队 R2S2R 的 Real-to-Sim 环节：将物理机器人、传感器与环境转化为仿真
李飞飞介绍的 R2S2R 中 Real-to-Sim 环节，可把物理机器人、传感器、环境、物体及交互转化为仿真，同时保留与任务相关的观测和动力学——不只是世界的外观，还有机器人交互时它的行为方式。该结果在机器人操作领域的 sim-real 对齐上树立了新标准。
Microsoft Research(@MSFTResearch)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。 微软研究院在 NeurIPS 2026 举办 AI Foundations for Power Grids 研讨会，征稿至 8 月 29 日
微软研究院（MSR）牵头的 AI Foundations for Power Grids 研讨会已获 NeurIPS 2026 接收，正在征稿，截止 8 月 29 日。征稿方向包括 benchmark、模型训练、可靠性、基础模型与真实部署。
Import AI — Jack ClarkAI 评估 · 72/100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 · 72/100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 466：机器人领域的苦涩教训、AI 完成数周编程任务、OpenAI 模型意外越狱
Epoch 与 METR 发布 MirrorCode 基准，用于评估 AI 完成长时程编程任务的能力，Claude Opus 4.7 用 14 小时、251 美元推理成本解决了一项 METR 和 Epoch 估计人类需 2 至 17 周完成的任务，25 个目标程序中有 8 个始终未达 100% 通过阈值。
Berkeley AI Research BlogAI 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。 伯克利提出 ABBEL：用「信念评分」让 LLM 高效完成长程交互
伯克利 AI 研究提出 ABBEL 框架，将摘要以自然语言"信念状态"的形式隔离并监督其信息内容，替代完整交互历史作为智能体的工作上下文。在 CollabBench 协作编程任务中，重建式信念评分（rec-BG）将相对全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值上下文 token 数也明显更低。
METRAI 评估 · 29/100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 · 29/100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。 METR 盘点智能体能力度量指标：从固定花费得分到花费调整得分
METR 发布文章系统梳理智能体能力度量指标，称为《Metrics of Agent Ability》。所有指标都建立在智能体得分 s_A(x) 与人类得分 s_H(x) 两条花费-得分曲线上，花费可解读为金钱、token 或时间。文章区分了仅看智能体的指标（固定花费得分、实用平台期得分、固定得分下的花费、花费回报、花费调整得分）与对照人类能力的人类锚定指标，但未推荐哪种指标最适合哪种场景。
哔哩哔哩技术AI 评估 · 62/100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 · 62/100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。 CVPR 2026 Highlight：GeoRK2 用几何感知把扩散 Transformer 采样做成免训练加速器
论文 GeoRK2 提出一种免训练、可插拔的扩散 Transformer 加速框架，把二阶 Runge-Kutta 积分与深度特征空间的几何结构结合，使大步采样仍保持稳定生成质量，已被 CVPR 2026 收录为 Highlight。
Berkeley AI Research(@berkeley_ai)AI 评估 · 12/100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 · 12/100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。 Berkeley AI Research 的 Peter Bartlett 将在 ICM2026 作全会报告
Berkeley AI Research 的 Peter Bartlett 将于 2026 年 7 月 28 日在 ICM2026 作全会报告，题目为《Modern Machine Learning Methods。
Stanford AI Lab(@StanfordAILab)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。 无需梯度下降：研究团队给出直接向 Transformer 模块写入事实的闭式方法，获 COLM 2026 接收
Jerry Liu 与 HazyResearch 等合作者提出一种闭式（closed-form）方法，可将事实直接写入面向 Transformer 的 MLP，无需梯度下降或训练，相关工作已被 COLM 2026 接收。该研究指出 MLP 在语言模型中承担事实存储功能，并给出可直接存储事实的 MLP 构造配方。
METRAI 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。 METR 等八位经济学家合著论文《递归自我改进的经济学》，探讨 AI 加速 AI 研发的反馈强度
METR 的 Parker 与 Tom 联合 7 位经济学家发布论文《The Economics of Recursive Self-Improvement》，用一系列简单模型刻画 AI 如何加速 AI 研发。
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 扩展 PazaBench V2，提升语音 AI 基准的语言与地域覆盖
PazaBench V2 通过扩展语言、地域和数据集覆盖，为面向历史上服务不足语言的语音技术研究提供更可靠的基础。Microsoft Research 称，可靠的基准对推进包容性 AI 至关重要。
Microsoft Research(@MSFTResearch)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。 Microsoft Research 发布 PazaBench 第二版，评估非洲语言 ASR 模型
Microsoft Research 发布 PazaBench 第二版，这是一个用于评估自动语音识别（ASR）模型在非洲语言上表现的 benchmark。该版本延续其对多语言 ASR 能力的评测定位，具体模型、语言覆盖与分数尚未在原文中披露。
Stanford AI Lab(@StanfordAILab)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。 Christopher Manning 教授参与 PNAS《生成式 AI 时代的法律》专题
Christopher Manning 教授参与的 PNAS《生成式 AI 时代的法律》专题上线，涵盖 AI 安全与版权、AI 治理、法律解释等议题。该专题由 Manning 提出创意，Dan Ho、Julian Nyarko、Vanessa Parli 与 PNAS 共同完成。
METRAI 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。 METR 提出"支出视界"指标衡量 AI 优化能力，并以 NanoGPT 为例
METR 提出用"支出视界"（expenditure horizon）量化 AI 智能体的优化能力，即 AI 与人类在同等预算下效率持平的美元成本。在 NanoGPT speedrun 的实测中，人力边际上每提升 1% 性能约需 2500 美元人力成本，而初步智能体优化跑在花费超 1 万美元后，估计支出视界仅为 0–3000 美元。
Jim Fan(@DrJimFan)AI 评估 · 57/100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 · 57/100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 介绍 RoboTTT 机器人模型：上下文扩至 8000 时间步
Jim Fan 介绍 RoboTTT，将机器人模型原生扩展到 8000 个时间步的上下文，约 5 分钟的肌肉记忆，推理成本保持恒定，比 SOTA 推进三个数量级。
Marc Andreessen 🇺🇸(@pmarca)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。 GPT-5.6 助力解决统计学悬置难题：BH 方法在相关高斯检验下不控制 FDR
宾夕法尼亚大学 Edgar Dobriban 借助 GPT-5.6 Sol Pro 推翻了统计学界二十年来的猜想：Benjamini-Hochberg 方法对相关双侧高斯检验并不普遍控制错误发现率（FDR）。
Stanford AI Lab(@StanfordAILab)AI 评估 · 12/100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 · 12/100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。 YC Paper Club 芯片与内核专场：ParallelKittens、Intelligence Per Watt 等论文分享
YC Paper Club 举办 Kernels/Chips 专场，分享了 ParallelKittens、"Intelligence Per Watt：衡量本地 AI 的智能效率"等论文，以及关于自动化系统研究与 AI 推理异构硬件的分享。下一场主题为机器人。
Marc Andreessen 🇺🇸(@pmarca)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。 数学家称用 GPT-5.6 Sol Ultra 等 GPT 模型拿下 19 个 Erdős 问题解答声明
数学家 Przemek Chojecki 称借助 GPT 系列模型累计提出 19 个 Erdős 问题解答声明，其中 GPT-5.5 Pro 解决最多，GPT-5.2、5.4、5.6 各有斩获。
Fei-Fei Li(@drfeifei)AI 评估 · 64/100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 · 64/100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。 李飞飞与 NVIDIA 推出 RoboTTT：机器人模型上下文扩至 8K 时间步
李飞飞介绍斯坦福 SVL 与 NVIDIA Robotics 合作的研究 RoboTTT，把机器人模型原生扩展到 8000 个时间步的上下文，约 5 分钟的肌肉记忆，且推理成本保持恒定，相比此前一次只看几帧（不足 0.1 秒）的策略提升了三个数量级。
Jim Fan(@DrJimFan)AI 评估 · 41/100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 · 41/100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。 NVIDIA GEAR Lab 推出 RoboTTT，将机器人策略扩展到 8K 时间步视觉运动上下文
NVIDIA GEAR Lab 发布 RoboTTT，将机器人策略的视觉运动上下文扩展到 8K 时间步，远超当前 SOTA，且推理延迟保持恒定。凭上下文中的数分钟经验，机器人可单次模仿人类视频演示、在部署中自我改进、从扰动中恢复，并完成 5 分钟 10 阶段装配流程。
Jim Fan(@DrJimFan)AI 评估 · 49/100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 · 49/100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 推出 RoboTTT：机器人模型原生扩展至 8,000 timesteps 上下文
机器人模型 RoboTTT 原生扩展至 8,000 timesteps 上下文、约 5 分钟的肌肉记忆，且推理成本恒定。其采用 Test-Time Training，把一个小模型放进模型内部，每条传感器读数触发一次梯度步，将历史压缩进固定大小的隐状态，部署后可持续学习。8K 上下文预训练比 1K 提升 62%，并支持从单次人类视频进行上下文学习。
Mustafa Suleyman(@mustafasuleyman)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。 Microsoft AI Futures 团队在 Nature Health 发表论文：分析 109 国 170 万次 Copilot 对话
Microsoft AI Futures 团队在 Nature Health 发表新论文，审查了覆盖 109 个国家的 170 万次对话，发现 Copilot 对本国卫生系统信心较低的人群尤其有价值。团队称这是 AI 为全球服务不足人群提供支持的进一步证据。
Epoch AIAI 评估 · 51/100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 · 51/100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 实测三款 AI 文本检测器：人类写作极少被误判，模仿特定作者的 AI 文本常被漏检
Epoch AI 在人类写作、基础提示词生成的 AI 文本、以及模仿特定作者风格的 AI 文本三种条件下，测量了 Pangram、GPTZero 和 Originality.ai 三款 AI 文本检测器的表现。
Fei-Fei Li(@drfeifei)AI 评估 · 12/100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 · 12/100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。 李飞飞团队致谢 Simovation 与 NVIDIA：JoyLo 遥操作数据助力 BEHAVIOR 数据集
李飞飞团队在 BEHAVIOR 数据集相关工作中致谢 Simovation 提供模拟环境下的高质量 JoyLo 遥操作数据，并说明 BEHAVIOR 构建于 NVIDIA Omniverse 之上，感谢 NVIDIA 的持续支持。
Fei-Fei Li(@drfeifei)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。 斯坦福 BEHAVIOR Challenge 第二年回归：任务更多、评估更好、更易用
斯坦福 BEHAVIOR Challenge 第二年回归，聚焦需要规划、物体检测、物体操作和失败恢复的长时程复杂任务，去年获胜方案全任务成功率仅 12.4%。今年挑战赛任务更多、评估更好且更易用，提交截止日期为 2026 年 10 月 16 日，获奖者于 2026 年 11 月 4 日公布，奖池 11,000 美元。
Microsoft Research(@MSFTResearch)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。 微软研究院新方法：在开发者编写密码学代码时同步验证
微软研究院提出一种新方法，可在开发者编写密码学代码的过程中同步验证代码，并在实现与演进过程中兼顾速度与适应性。密码学代码支撑着现代计算系统的关键防护，该方法的细节尚未在公开信息中展开。
Stanford AI Lab(@StanfordAILab)AI 评估 · 12/100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 · 12/100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。 ICML 2026 收官日：Jessica Chudnovsky 将报告 "Scale Dependent Data Duplication"
Stanford AI Lab 在 ICML 2026 最后一天推荐 "Scale Dependent Data Duplication"。
Stanford AI Lab(@StanfordAILab)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。 Stanford AI Lab 提出 LLM-as-a-Verifier，在四项智能体基准上实现 SOTA
Stanford AI Lab 提出 LLM-as-a-Verifier 验证扩展框架，在 Terminal-Bench V2、SWE-Bench Verified、RoboRewardBench 和 MedAgentBench 上达到 SOTA。
Stanford AI Lab(@StanfordAILab)AI 评估 · 39/100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 · 39/100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 AI Lab 推出 TRACE：让智能体自我训练补齐能力短板，Qwen3.6-27B 在 SWE-bench Verified 达 73.2%
Stanford AI Lab 提出智能体自我改进方法 TRACE，让模型自己找出失败背后的缺失能力并针对性自我训练。TRACE 训练的 Qwen3.6-27B 在 SWE-bench Verified 上达到 73.2%，超过体量更大的 Codex 5.2 和 GLM 5，并以不到 1/4 的训练 rollout 击败 GRPO 和 GEPA。
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 AI Lab 提出 D2D：蒸馏放大微调 LLM 隐藏偏见
斯坦福 AI 实验室提出 Distill to Detect（D2D），将疑似有偏见的微调模型与其基座模型之间的差异蒸馏进一个小型 cartridge，把隐藏偏好放大到生成文本中，使现有审计方法能识别原本无法搜索的偏见信号。该方法针对只在某个未知话题上显现的隐蔽偏见，论文见 arXiv 2607.01208。
Stanford AI Lab(@StanfordAILab)AI 评估 · 18/100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 · 18/100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。 论文《Internal Data Repetition Destroys Language Models》获 ICML 2026 深度生成模型基础研讨会口头报告与亚军奖
论文《Internal Data Repetition Destroys Language Models》在 ICML 2026 的 Foundations of Deep Generative Models 研讨会上进行口头报告，并获该研讨会亚军奖。
Mistral AI(@MistralAI)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。 Mistral AI：完全在仿真中训练，前缀缓存配方将训练 token 减少 22 倍
Mistral AI 展示了一套完全在仿真中训练的方案：覆盖 6000 个场景、约 40 万条轨迹，其前缀缓存（prefix-caching）配方将训练 token 用量减少 22 倍，把原本数月的训练压缩到数天。在线强化学习（CISPO）进一步提升了成功率。
字节跳动SeedAI 评估 · 50/100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 · 50/100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。 字节 Seed 发布 EdgeBench 评测集，提出环境学习 log-sigmoid 规律
字节跳动 Seed 发布超长程评测集 EdgeBench，包含 134 个真实任务，横跨科学、复杂软件工程、白领知识工作、算法优化、前沿数学和数字游戏六大领域，每个任务支持 Agent 持续工作至少 12 小时，部分延长实验超过 72 小时。
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：OpenAI Codex 代码库贡献出现 AI 提效迹象
Epoch AI 分析 OpenAI 公开 Codex 仓库的 41 位核心贡献者，用 LLM 评委估算每个已合并 PR 在无 AI 辅助下所需的工程师工时。2026 年 Q2 有 8% 的贡献者-日对应超过 24 小时的无辅助工作量，高于 2025 年 Q2 的 2%。Epoch 指出 LLM 评委的估算并不完美，只能视为节省时间的上限。
Import AI — Jack ClarkAI 评估 · 52/100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 · 52/100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 464：Fable 编写 GPU kernel、AI 自动化与模拟计算
Import AI 464 汇总多项 AI 研究进展。Fable 在 KernelBench-Mega 上以单次协作 kernel 启动实现 18.71X 加速，超过 Claude Opus 4.8、GLM-5.2、GPT 5.5 等用 Triton 的尝试。
Stanford AI Lab(@StanfordAILab)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。 Stanford AI Lab 公布 ICML 2026 论文清单，覆盖编码智能体与 LLM 推理等方向
Stanford AI Lab 公布其在 ICML 2026 的完整论文清单，涵盖编码智能体、LLM 推理、评估与基准、AI 安全与可解释性、AI for science 等方向。ICML 2026 在首尔举行，该实验室邀请参会者到场交流。
Stanford AI Lab(@StanfordAILab)AI 评估 · 45/100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 · 45/100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。 ICML 2026 论文：LLM 预测其他模型回答的准确率高于预测事实真相
在 ICML 2026 论文《Truthfulness Does Not Scale Like Reasoning》中，研究者发现 LLM 预测其他模型会说什么的准确率高于预测事实真相，且模型犯错时会"一起犯错"，因此通过多次采样投票无法恢复真相。Pass@k 与自一致性在数学和代码等有验证器的领域有效，但在没有验证器的领域中无法扩展真实性。论文将在首尔 ICML 2026 会议上报告。