11月5日 · 周四Google Research 提出 Agile Deliberation，将主观 AI 分类器的构建转化为人与视觉语言模型持续协商概念的迭代过程。框架分为概念范围界定与概念迭代两个阶段，并通过 18 次、每次 1.5 小时的真实用户实验评估 Healthy Food 和 Pay-to-Play 两类任务。
推荐理由：框架通过真实用户实验检验动态定义主观分类边界的方法，并公开代码、论文与交互示例，便于复用研究。
GPT-6 Astra 可直接生成或修改模型权重，无需按传统方式重新训练。研究人员让 Astra 为 3 个简单游戏生成模型，其中 Breakout 平均得分 517 分，对照基线为 25 分；针对 Qwen3.5-0.8B，仅修改 0.016% 权重便将 MATH-500 准确率从 7.9% 提升至 48.1%。
推荐理由：文章呈现了直接改写模型权重的方法及多项实验结果，也呈现了能力边界，便于读者评估该路线相对重新训练的实际价值。
Collinear AI 发布 CWE-bench v2，公开 100 个供模型查找并修复真实开源仓库安全漏洞的任务，覆盖 91 类 CWE。全部 11 个参评模型中，Gemini 4 Argon 以 67.8% pass@1、81.0% pass@4 领先，Claude Opus 5.5 的 pass@1 为 67.3%。
推荐理由：公开任务、评分器和运行框架让读者能够复现模型漏洞修复能力，并比较准确率与成本的权衡。
AllenAI 发布 StateBench 长上下文状态跟踪基准及配套技术报告、数据和代码，用于测试模型在实体信息随文档演化时的更新追踪能力。
推荐理由：该报告按四级难度系统比较不同架构的状态跟踪能力，并公开数据集与代码，便于复现实验和设计训练评测。
IBM 用同一 GLM-5.3-flash 模型和 90 个 AppWorld 任务比较 CUGA、Hermes 与 Deep Agents，任务通过率分别为 81.1%、46.7% 和 30.0%。CUGA 通过任务分解、执行前验证、自动反思、沙箱及策略层提供规则执行和边界内部署；文中也说明了测试样本、配置差异及未测试策略执行等限制。
推荐理由：该对比在固定模型和任务条件下量化了智能体框架差异，并说明企业如何按规则治理、部署和预算控制来选择框架。
Epoch AI 测试开放权重模型 GLM 5.3 在 48 小时内自主构建完整 Firefox 漏洞利用链，并利用安全补丁发布前的时间窗口发动攻击。研究覆盖 9 月 17 日至 10 月 26 日发布的 6 个 Firefox 版本，每次成功攻击的 API 费用约为 $1,000，最快用时 12 小时。
推荐理由：报告用跨版本实验展示了开放权重模型自主构建漏洞利用链的能力与成本。
Anthropic 对 50 名因果推断专家的实验显示，参与者在 4 项分析决策中有 86% 采纳 AI 智能体的偏好，且多数人认为最终建议属于自己。研究还发现，使用 AI 后严重方法或编码错误从 55% 降至 6%，完成时间中位数从 90 分钟降至 65 分钟。作者警告，固定偏好可能造成错误共识，并削弱用于 AI 安全与对齐评估的人类独立判断。
推荐理由：研究通过随机分配立场，量化了专家对 AI 智能体建议的依赖及其对判断独立性的影响。
Ai2 发布 Old Ideas, Novel Problems 研究、评测基准、数据和代码，用于测试 LLM 判断科研创意新颖性的可靠性。六个 LLM 评审在 Human+Generated 数据集上对提示词变化高度敏感，其中 GPT-5.4 的准确率从 93.5% 降至 40.9%；增加检索和推理未稳定提升结果，两个专用系统反而低于简单提示词基线。
推荐理由：研究系统量化了提示词、检索和推理配置对研究创意新颖性判断的影响，并公开基准、数据与代码供复现。
OpenAI 公布数学、计算机科学和物理领域的三项研究结果，并邀请外部专家参与验证和解释。计算机科学结果声称 ETH 为假，相关材料已发布至 GitHub；数学结果直接公开模型输出，物理结果则尚未完整公开。OpenAI 还发布公开信，讨论 AI 生成成果的早期访问、署名、利益披露及后续研究规范。
推荐理由：文章同时呈现三项研究成果及其开放验证方式，并讨论优先获取、署名与利益披露等学术协作规范。
Microsoft 与 Hugging Face 发布 ThinkingBox-Training，将数据库终态的可执行检查转为 RL 奖励，并用 ThinkingBox-format 任务对 Qwen3.8-27B 进行 GRPO 微调。
推荐理由：文章把数据库终态检查转为 RL 奖励，并公开训练栈与评测流程，提供了可复现的后训练实践。
Microsoft Research 提出 Flint-interactive，用于在 Flint 上创建可点击、筛选、缩放、高亮并支持跨图表交互的数据可视化。
推荐理由：文章展示了 Flint-interactive 如何把语义事件、更新操作符和编译逻辑组合成交互规范，提供了降低 AI 图表生成成本与调试难度的具体路径。
Microsoft Research研究者Xinzhi Zhang与合作者证明了KLS猜想，建立了与维度无关的对数凹分布几何原则。研究团队在人类主导的AI辅助流程中探索了100多条候选路径，通过递归细化将误差控制在通用常数内；该证明还获得独立证明和Lean 4形式化验证。
推荐理由：文章完整呈现KLS猜想证明从候选探索、递归改进到独立验证的过程，并展示了人主导AI的研究方法。
Ai2 发布 FairStress 基准，用于衡量 LLM 在影响就业、信贷、医疗、教育和住房等场景中的决策公平性。FairStress 包含 300 个双候选人决策场景和 13 million 个测试用例，并提供基于 item response theory 筛选的 50K 条 FairStress-Core 子集。
推荐理由：该报告将公平性评估从最终答案扩展到抗说服稳定性、解释差异与内部激活，为诊断模型决策偏差提供了可复用框架。
微软研究院发布零知识虚拟机 Magnetar，可在普通笔记本电脑上以约每秒 7.2–8.7 百万条 RISC-V 指令的速度证明 Rust、Go、C 程序的执行；在 15 个基准程序上比同类最快 zkVM 平均快 10–39 倍，证明验证约 12 毫秒。
推荐理由：把零知识证明速度、通用性和抗量子假设在同一系统里同时推进，并给出在通用语言上的实测倍数。
Google DeepMind 团队在 Science 发表研究称，基于 Gemini 3.1 Pro 构建的 AlphaProof Nexus 在 Lean 形式化语言环境中自主证明了 353 个 Erdős 未解问题中的 9 个。
推荐理由：AlphaProof Nexus 在 Lean 形式化环境中自主解决多道未解 Erdős 问题并通过 Science 同行评审，为 AI 数学证明的可复现路径提供了具体样本。
微软研究院发布 Agent Lightning v1.0，提出 Harnessed Agentic RL 范式，让部署中使用的 agent harness 直接参与强化学习训练，无需在训练框架内重新实现 agent。
推荐理由：把部署侧 agent harness 直接接入 RL 训练，并用 Qwen3.5-9B 给出可复现的 SWE-bench Verified 提升结果，适合评估智能体训练链路复用方式。
NVIDIA 与 Hugging Face 团队基于 Nemotron 3 基座，通过监督微调和强化学习训练出 IOI 与 IMO 两个专用模型。
推荐理由：文章给出了从同一 Nemotron 3 基座到 IOI 与 IMO 两项金牌级模型的具体训练与推理配方，可直接复用到其他高难度专业领域。
微软与 Hugging Face 联合发布 ThinkingBox 与 ThinkingBox-Bench，通过 507 个有状态业务工作流、每个任务跑 20 次，按数据库终态和副作用而非工具调用来给 AI 智能体打分。
推荐理由：原文把评估重点从工具调用转向数据库终态，并用 20 次重复把“能做一次”和“能做稳”拆开看，读者可以据此调整自己的智能体评测口径。
AI 系统 Ataraxos 在不完美信息棋类 Stratego 中以有效胜率 85% 击败四届世界冠军 Niemeijer，并在 2025 Stratego 世界冠军赛表演场中以 40 场赢 38 场战胜多名赛会选手。
推荐理由：原文给出 Ataraxos 与 DeepNash 在 Stratego 上的算力差距与对最强人类选手的胜率，可用于判断不完美信息博弈 AI 的真实进展。
Google Research 发布论文 SymptomAI，基于 Gemini Flash 2.0 构建 5 个不同问诊策略的对话式 AI 智能体，并在 n=13,917 的全国随机研究中让参与者描述症状、两周后回报临床诊断结果。
推荐理由：原文给出了 13,917 人随机对照的诊断准确率与可穿戴生理信号对照方法，读者可据此判断该方法在真实人群中的迁移潜力。