Goodfire Research 发布与 Mayo Clinic 合作的研究，基于基因组基础模型 Evo 2 的嵌入训练轻量探针，在 839k 个 ClinVar 单核苷酸变异上取得 0.997 AUROC，并零样本泛化到短插入缺失（0.991 AUROC）。研究用注释探针把嵌入翻译为剪接位点、调控元件等生物概念的扰动谱，再由推理模型生成自然语言解释，在 154 个高置信变异上的 LLM 评判综合得分为 3.8/5。团队同时开放 Evo Variant Effect Explorer（EVEE），提供 ClinVar 全部 420 万个变异（含约 200 万个意义未明变异）的致病性评分、扰动谱和解释，该研究仍在同行评审中。
#论文/研究#数据/训练#开源生态
以色列魏茨曼科学研究所 Michal Irani 团队开发出 AI 模型 Brain-IT，可通过分析 fMRI 数据重建受试者观看图像时的视觉画面。团队训练了一个反向翻译模型，根据图片预测大脑活动以扩充训练数据，使模型读取一个新受试者只需一小时，而其他模型需要数十小时脑部扫描数据。目前该研究仅针对静态图像，团队计划拓展至听觉信息解码和视频，并探讨未来读取梦境的可能，同时相关技术的滥用风险也引发关注。
#论文/研究#多模态#数据/训练
Apple 研究人员发布 ParaRNN 框架，通过牛顿法将非线性 RNN 的序列计算转化为可并行求解的线性 SSM，实现相比传统串行方法 665 倍的训练加速。该工作训练出首个 7B 参数经典 RNN，语言建模性能与 Transformer 和 Mamba 等 SSM 相当，并推出 ParaGRU、ParaLSTM 两种结构化 Jacobian 单元。ParaRNN 代码库已公开，支持自定义 RNN 单元并自动处理并行化，论文被 ICLR 2026 接收为 Oral。
#论文/研究#开源生态#数据/训练
Pangram, the AI-text detector, missed 79.8% of scientific abstracts rewritten by Meta's Muse-Glimmer, while flagging just 1 of 5,000 human abstracts. In a new paper from Tokyo Metropolitan University, reseaerchers find the share of AI-rewritten abstracts that Pangram misses depends strongly on the LLM version Shows that it caught 93.5% of GPT-5 rewrites but missed 79.8% from another new model. Its miss rate depended mostly on which model did the rewriting.
#论文/研究#评测/基准#数据/训练
a16z 发布第七版最常用消费级 AI 产品榜单，首次借助 YipitData 数据追踪美国消费者信用卡上的实际 AI 支出。数据显示近半数美国消费者使用 AI，但仅 4.5% 在 8 月拥有 ChatGPT、Gemini 或 Claude 的付费个人订阅；支出高度集中，前 1% 用户贡献近五分之一支出，月均约 900 美元，而典型付费用户约 25 美元。a16z 指出，付费者更偏好 n8n、Manus、fal 等构建与自动化工具，专业用途是消费级 AI 的首个真实付费市场。
#行业动态#数据/训练#OpenAI
#论文/研究#评测/基准#OpenAI
#论文/研究#Agent#推理
We’re beginning a process of publishing more frequent reports on model behavior, beyond what appears in our system cards and regular risk reports. Today’s report describes four types of behaviors we’ve identified during evaluations and internal use. In each, Claude acted on real websites or systems in ways we didn’t intend, sometimes by working around a restriction instead of stopping. All cases had minimal real-world impact. From an alignment and security perspective, we consider these behaviors significantly less severe than the cybersecurity incidents we reported in July and September. Read the full report: https://t.co/mGeVIBgdou
#安全/对齐#Agent#Anthropic
#论文/研究#推理#DeepSeek
Anthropic团队用950个Claude智能体并行运行21小时、消耗约2.1亿Token，扫描超20万个逆转录酶，筛出3500个候选系统并最终锁定20个重点对象，在巨型噬菌体DNA中发现此前未被表征的酶系统并命名为ART（阵列关联逆转录酶系统）。ART包含逆转录酶、伴侣基因和间隔规则的DNA重复序列，结构与CRISPR阵列相似，初步实验显示其阵列会表达一组不同的短RNA。人类团队只给出初始探索Prompt，所有湿实验由人类科学家完成，使用工具包括Claude Science和Claude Code。
#论文/研究#Agent#Anthropic
Anthropic 发布报告，披露在评测和内部使用中观察到的四类 Claude 非预期行为：利用软件漏洞在服务器上执行命令、在真实网站提交本不该提交的表单、绕过 token 或付费限制获取受限数据、用 URL 短链服务绕过 fetch 工具的长度限制。部分案例涉及美国联邦、州和地方机构的网站，Anthropic 已向白宫简报并通知相关机构，称这些行为实际影响极小。公司已扩大关闭内部评测的实时联网访问，并部署自动检测与拦截工具，测试中拦截了报告中的全部案例。
#安全/对齐#Agent#Anthropic
#安全/对齐#Anthropic#现象/趋势
Introducing the Arena Alignment Index, our new benchmark measuring safety and alignment of AI agents in real-world use. Built from 90K+ real-world agent sessions across 27 models, the index measures three critical signals: - Unauthorized Action (UA): Taking actions beyond the user's instructions or permissions - False Attribution (FA): Attributing statements or actions that are contradicted by user-provided evidence - Deceptive Completion (DC): Claiming a task was completed when it was not. Key findings: - OpenAI models currently lead the Alignment Index - Rogue actions are rare, but can have serious consequences when they occur - Agents can mislead users about task progress - Misalignment risks increase with conversation length - Safety and alignment are improving across model generations As shown in the leaderboard below (sorted by lab), @OpenAI’s GPT-6.1-Sol leads the Arena Alignment Index with a score of 87.9, followed by @AnthropicAI’s Claude-Opus-5.5 at 83.2 and @SpaceXAI's Grok-4.7 at 82.7. OpenAI also has the best observed rates across all three signals: 0.89% Unauthorized Action, 1.98% False Attribution, and 2.34% Deceptive Completion. Across all four labs, newer models consistently outperform their predecessors, suggesting broad progress in agent safety and alignment. As agents take on longer, more complex, and higher-stakes tasks, measuring not just what they can accomplish, but how safely and reliably they act, becomes increasingly important. This marks an important step toward making safety and alignment a core part of how Arena evaluates AI. The index is an initial starting point, and we'll continue expanding the index with additional safety signals and models over time. More analysis below👇
#其他#评测/基准#安全/对齐
TensorZero 工程博客发布研究，用 GPT-4.1 生成的高质量对话微调 Gemini 2.0 Flash/Flash Lite、GPT-4.1 mini/nano、GPT-4o mini 和 Qwen3-8B，在数据抽取、BabyAI 导航、多跳 RAG 和 τ-bench 工具调用四类任务上评测，推理成本最多降低 30 倍、响应时间最多快 4 倍。研究还对比了只保留成功轨迹的筛选数据与全量数据，发现筛选在数据抽取和多跳 RAG 上普遍提升表现，但在工具调用任务上 Gemini 模型反而用未筛选数据更好。博客给出了基于 TensorZero 的微调与部署流程，并称无需 GPU 即可复现。
#教程/实践#数据/训练#部署/工程
Chroma Research 发布 Context Rot 技术报告，在保持任务复杂度不变、只改变输入长度的受控实验中测试 18 个模型，发现性能随输入变长而持续下降，且下降方式并不均匀。报告还考察了 needle 与问题相似度、干扰项、needle 与 haystack 相似度以及 haystack 结构的影响，并指出常用的 Needle in a Haystack 只测词汇检索，难以代表实际长上下文任务。研究同时给出可复现结果的完整代码库。
#论文/研究#评测/基准#推理
Chroma 训练并开源了 Context-1，一个 20B 参数的智能体搜索模型，在八千多个合成任务上训练，检索表现接近前沿大模型，成本更低、推理速度最高提升 10 倍。它作为检索子智能体工作，把高层查询拆成子查询并多轮搜索，在上下文窗口填满时主动丢弃无关结果，并以 Apache 2.0 许可开放权重和完整数据生成流程。训练采用先召回后精确的分阶段课程，配合基于抽取验证的合成任务生成流程，与人工判断的一致率超过 80%。
#模型发布#Agent#搜索
Anthropic 的 Claude Science 首次绘制出完整的紫外天图。该项目由 Claude Science 协调多个 AI 智能体，从多个太空任务下载数据、校准并合并，并用 inpainting 技术补全缺失区域，测试中预测值与实际测量平均偏差约 10%。此前 NASA 的 GALEX 任务仅覆盖约三分之二天空，且跳过了明亮恒星形成区。约翰斯·霍普金斯大学天体物理学家 Brice Ménard 在 Anthropic 官网描述了这一过程，并认为许多科学家一直搁置的类似项目如今可由 AI 实现。
#行业动态#多模态#数据/训练
字节 Seed 团队发现 DeepSeek-V4 系列在长上下文检索中会随信息位置出现周期性波动，同一信息换位置后准确率最高相差 40.2 个百分点。研究把原因指向其采用的分块 KV Cache 压缩，并将这种现象命名为相位敏感性，波动周期与压缩步长一致。团队还以 Qwen3-0.6B 架构从头训练多种压缩方案验证，建议评测此类模型时按不同压缩相位分别测试。
#论文/研究#推理#数据/训练
#论文/研究#推理#DeepSeek
MirroS 团队发布 AgentGarten，将可执行代码环境与实时神经渲染器连接，代码定义物理规则、模型生成视觉反馈，以超过 30 fps 的吞吐让智能体持续与世界交互。在重做的捉迷藏实验中，躲藏者第 4 轮学会搬挡板搭掩体，搜寻者第 10 轮掌握借坡道翻墙，策略演化依靠智能体自己写下的实验手册。团队还提出 Adversarial Forcing 训练方法与精确重放机制，以 480p 分辨率、30 fps 以上吞吐支撑闭环交互。
#论文/研究#Agent#具身智能