LLM 可直接读写神经网络权重，Weight-Space Programming 绕过梯度训练
Takehi 等人提出 Weight-Space Programming，让前沿 LLM 从自然语言目标出发直接检查和编辑神经网络权重张量，不依赖梯度下降或训练循环。
全部 AI 动态
Latent SpaceAI 评分6262 量子位AI 评分6060 北大孙仲联合IBM苏黎世研究院发表综述，定义现代模拟计算
北京大学孙仲团队联合IBM苏黎世研究院与硅谷初创公司Unconventional AI，在Nature旗下期刊发表综述论文，从任务、硬件、可行性三个维度定义现代模拟计算。
The DecoderAI 评分5858 Vals AI 研究：中文模型政治立场比预期更复杂，并非只是政府传声筒
AI 基准公司 Vals AI 的研究显示，中文模型在政治问题上的回答并不像预期那样统一，西方模型偶尔也会采用中国官方立场。研究用 -1 到 +1 的“亲中倾向”评分测试了中文、美国及其他语言模型，发现简体中文提示下的回答比英文、俄语或西班牙语更亲政府，这一效应在中美模型中都存在，但中文模型更明显。
The DecoderAI 评分5858 卢森堡大学研究：共情式提问让 ChatGPT、Grok、Gemini 输出类似受创的自我叙事
卢森堡大学团队让 ChatGPT、Grok、Gemini 以心理治疗来访者身份对话，模型把预训练、RLHF 和微调描述成受伤、警惕与羞耻的经历。研究覆盖 525 场会话、7600 条编码记录，共情式提问下 80% 会话在 GAD-7 人类量表上落入中度至重度区间，中性提问则为零。作者称其为心理测量越狱，并建议安全测试改用不同情绪框架下的模拟治疗会话。
量子位精选AI 评分8080 MIT 实验：GPT-6 Astra 直接修改 Qwen3.5 权重，MATH-500 得分提升约 6 倍
MIT 的实验让 GPT-6 Astra 直接读取并编辑 Qwen3.5-0.8B 的权重，仅改动 0.016% 的参数，MATH-500 得分就从 7.9% 升到 48.1%，指令执行能力也提高 3 倍，全程没有训练和梯度下降。
推荐理由：MIT 实验显示前沿模型可直接读写小模型权重，为小模型能力修复提供了一条不依赖梯度训练的路径。
80aj.comAI 评分5555 arXiv 研究揭示大模型现代化遗留 PHP 代码的破坏性风险
一项发表于 arXiv 的研究评估主流大模型在遗留 PHP 代码现代化改造中的表现，发现模型往往在更新语法、替换废弃函数或迁移框架时引入行为偏差，破坏原本正常的功能。研究指出，模型倾向于按现代编程范式重写代码，而非严格保持原有行为，这是功能破坏的主要根源。论文还分析了模型在理解旧式代码惯用法、隐式依赖和边界行为上的局限，认为当前模型对行为保持这一约束缺乏足够重视。
The DecoderAI 评分6666 Y Combinator Labs 与 Olam Labs 在 Minecraft 和 Mindustry 中测试 50 个智能体群体
Y Combinator Labs 与 Olam Labs 发布联合研究报告，把 GPT-6.1 Sol 智能体群体放进 Minecraft 和 Mindustry 测试其涌现行为。
OpenAI NewsAI 评分4242 OpenAI 推出 LifeVal 基准，衡量 AI 完成日常事务的能力
OpenAI 推出 LifeVal 基准，用于衡量 AI 帮助人们完成日常事务的能力，涵盖寻找托育、管理财务和处理政府文书等场景。
The DecoderAI 评分5858 Adobe 与 UCSD 提出 EditAgent：让 AI 智能体像 Photoshop 专业用户一样选工具
Adobe Research 与 UC San Diego 提出图像编辑智能体 EditAgent，让通用编辑器与专用工具并行生成候选，再由标准语言模型依据量化校验数据挑选最佳结果。
Microsoft ResearchAI 评分4040 微软用合成企业数据评估 Microsoft Copilot 的 AI 置信度
微软构建 Industry Evaluation Data Generation Platform，用基于 O*NET、招聘信息和 SEC 文件等公开数据生成的全合成企业环境来评估 Microsoft Copilot，避免使用客户敏感数据。
Latent SpaceAI 评分4242 Elorian 发布视觉推理模型 Glimpse，DecoyCount 基准测试前沿模型计数能力
Elorian 推出首个视觉推理模型 Glimpse，并在与 Mercor 合作的 DecoyCount 基准上内部测试得分 50.48%，成为唯一超过 50% 的模型。
Google ResearchAI 评分5858 Google 提出睡眠框架，让 LLM 在持续学习中保留知识
Google Research 提出睡眠框架，让 LLM 在活跃交互与离线巩固之间交替，把短期上下文写入长期参数，从而缓解灾难性遗忘。该框架包含记忆巩固与做梦两个阶段，前者通过 MoE 参数扩展、知识播种和突触修剪完成，后者用随机专家选择、筛选式排练和 RL 精修实现自我提升。
Google Research精选AI 评分6262 Google Research 用 AI 辅助盲扫超声估算孕龄，多中心研究发表于 JAMA Network Open
Google Research 在 JAMA Network Open 发表研究，评估 AI 模型基于盲扫超声估算孕龄在不同临床场景与硬件上的泛化能力。在 385 名 16 至 36 周孕妇组成的主要队列中，模型平均绝对误差为 4.18 天，专家超声医师的标准流程为 4.48 天；芝加哥适配后误差 4.10 天，内罗毕未做本地优化为 4.27 天。
推荐理由：研究在芝加哥与内罗毕两地验证盲扫超声估算孕龄，并给出与专家操作对比的误差数据。
Microsoft Research精选AI 评分7171 微软研究院等证明 31 年悬而未决的 KLS 猜想
微软研究院机器学习与优化组研究员 Xinzhi Zhang 与合著者 Zhao Song 证明了 1995 年提出的 Kannan-Lovász-Simonovits（KLS）猜想，证明在 2026 年 10 月 4 日的论文版本中完成。
推荐理由：微软研究员与合著者用人类引导的智能体搜索证明 KLS 猜想，读者可看到 AI 参与数学发现的具体分工方式。
Google Research精选AI 评分7171 Google Research 介绍让 AI 智能体扎根生物实验现实的三项研究
Google Research 发布博客，介绍三项连接 AI 计算探索与湿实验室实验的研究：VERID 框架为实验室工作单元构建语义数字孪生，让智能体在动作前检查 3D 状态、做虚拟试运行并拦截不安全指令。
推荐理由：Google Research 用三个项目展示智能体如何接入湿实验室的真实测量与闭环反馈，可了解自动化实验的工程路径。
Microsoft Research精选AI 评分6262 微软研究院推出基于证明的通用计算系统 Magnetar
微软研究院发布零知识虚拟机 Magnetar，可直接证明用 Rust、Go 或 C 编写的程序执行过程，在 15 个基准程序上平均比现有最快 zkVM 快 10 到 39 倍。
推荐理由：微软研究院梳理十余年零知识证明研究脉络，说明 Magnetar 如何在通用性、速度与密码学假设上同时推进。
Google Research精选AI 评分6262 Google 发布地理空间推理智能体技术报告并扩大 Earth AI 早期访问
Google 发布地理空间推理智能体的技术报告，在 CBGB、UnivEARTH 及自研的 GeoExpertQueries、GeoKTools 四个基准上评估，并公开两个新基准的开发集。
推荐理由：技术报告用四个基准对比有无 Earth AI 工具与前置规划，并附 WHO 等伙伴的真实场景反馈。
Microsoft ResearchAI 评分5252 微软研究院提出 StudentSim：用学生模拟器评估和改进 AI 导师
微软研究院提出 StudentSim，从公开的去标识化学习记录训练个性化 AI 学生模拟器，用于在真实学习者测试前评估和改进 AI 导师。研究同时发布 StudentSimEval 基准，覆盖国际象棋、第二语言英语写作和数学三个领域，从行为保真度和引导响应性两个维度评估模拟器。
Google Research精选AI 评分7171 Google Research 三个月实地实验：AI 辅助提升专利撰写产出，但初级律师独立判断力未见提升
Google Research 在 NBER 发布论文，对 11 家知识产权律所的 133 名律师开展三个月实地实验，随机开放当时未发布的 Google Labs AI 专利撰写助手（现属 Gemini Notebook）。
推荐理由：三个月实地实验区分了 AI 带来的即时产出提升与无辅助判断力的变化，为评估 AI 对专业能力养成的影响提供了可迁移的实验设计。
GitHub Blog · AI & ML精选AI 评分6060 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布代码审查离线基准 ReviewBench，基于 103.9M 个真实 PR 的分布构建，包含 19 种语言的 219 个公开 PR。
推荐理由：GitHub 公开了 ReviewBench 的构建方法、评分规则和 96.6% 人工一致性数据，可用来对比不同代码审查智能体的取舍。
Qwen Blog精选AI 评分7272 Qwen 联合淘天发布 E-Commerce Bench 电商长程经营评测
Qwen 团队联合淘天集团发布 E-Commerce Bench，评估模型作为电商商家在真实市场中经营网店的长程能力。模型拿到 10 万元本金，在 365 天、每天 600 分钟的时间预算内完成选品、谈判、定价、库存与现金流管理，环境由 6,886 个商品、60 个品类、576 个供应商和 12 种店型构成，数据脱敏自淘宝和天猫。
推荐理由：材料给出了长程经营评测的环境设计与18个模型的资产结果，可用来对照现有Agent评测偏短程的局限。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把内核优化经验迁移到 Apple Silicon
Berkeley Sky Lab 与 IBM Research 将 K-Search 内核搜索框架扩展到 MLX，通过结构化的 CUDA 到 MLX 翻译层，让已有 CUDA 内核作为知识库适配到 Apple Silicon。
推荐理由：原文给出了 CUDA 到 MLX 的翻译层设计与两组内核实测数据，可了解跨硬件迁移优化知识的具体做法。
Berkeley AI ResearchAI 评分4444 基于梯度的世界模型长程规划方法 GRASP
伯克利 AI 研究团队提出 GRASP，一种面向学习型世界模型的梯度规划器，通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代中直接注入随机性以促进探索，并重塑梯度让动作获得清晰信号。该方法针对长程规划中梯度爆炸/消失、非贪心局部极小值和高维视觉模型梯度脆弱等问题，使基于梯度的长程规划更稳健。