10月28日 · 周三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。
Google Research 推出 SensorFM，一个面向可穿戴健康数据的通用传感器基础模型。它基于 500 万名受试者在 2024 年 9 月至 2025 年 9 月间产生的超过一万亿分钟、34 项一分钟级特征进行自监督预训练，覆盖心率、血氧、睡眠、运动等模态，并通过 Adaptive and Inherited Masking (AIM) 直接处理真实数据缺失。
推荐理由：原文给出了 SensorFM 在可穿戴健康数据上的预训练规模、下游迁移表现和与人工真实标签的对比，读者可以据此了解通用传感器基础模型在该领域的能力边界。