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。
#论文/研究
OpenAI NewsAI 评分4242
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。
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。
Hugging Face BlogAI 评分5858 Ai2 研究：LLM 能否可靠判断研究想法的新颖性
Ai2 发布研究《Old Ideas, Novel Problems》，测试 GPT-5.1、GPT-5.2、GPT-5.4、Claude Sonnet 4.5、Claude Opus 4.5 和 Claude Opus 4.6 六个 LLM 判断研究想法新颖性的可靠性，并同步开源基准、数据和代码。
Google DeepMindAI 评分5858 Google DeepMind 联合 WRI、IIASA 发布 ForTy 2020 全球森林类型地图
Google DeepMind 与 Google Research 联合世界资源研究所（WRI）和国际应用系统分析研究所（IIASA）发布 Forest Typology（ForTy）2020，将全球每块 10×10 米土地归入六类森林与土地利用类型，并同步给出 2017 至 2025 年的逐年变化时间序列。
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。