Rohan Paul@rohanpaul_ai
46
AI 动态
模型、产品、Agent、研究，一屏读完高信号变化。
Timeline
AI for Science全部 AI 动态
按时间展开的 AI 信息流
HOT SIGNALS
多信源热度 · 随时间消退当前热点
- 1
- 2
- 3
- 4
- 5
8月9日
8月8日
三项实验共2500多名参与者无法区分ChatGPT与人类创作的短篇小说，且对AI文本的质量和沉浸感评分更高（质量均分1.54对0.97，沉浸感1.42对1.00）。但被告知作者是AI后，两类故事的评分均下降；对AI持正面态度的参与者评分更高，持怀疑态度者则相反。研究者认为，AI文本更流畅易读且情绪更积极，这可能解释了高评分，但未必意味着文学上更优。
Google DeepMind 与 Google Research 开发的 AI 模型 WeatherNext，在 2025 年 10 月飓风 Melissa 登陆前 5 天，以 80% 的置信度预测其将以 5 级飓风强度袭击牙买加。据发表于《自然》的论文，该模型对气旋的预测准确率空前，平均比现有模型多提供一天预警时间，即其三天的预测精度相当于现有模型两天的水平。
I optimized SQLite 3. The optimized build achieves a verified geometric-mean speedup of 1.59x over the pristine latest t...
科学家构建 AI 模型 IceBoost v2.0，估算全球冰川约含 15 万立方千米冰，若全部融化（不含南极和格陵兰）将抬升全球平均海平面 32.3 厘米。该模型由威尼斯大学牵头开发，用超 700 万条冰厚测量数据及 26 个物理与几何变量训练，对冰川空间分布的描绘与实地观测匹配度最高提升 40%。研究将支撑 IPCC 冰川评估及淡水供应预测。
8月7日
现代大语言模型通过长思维链实现强大推理能力，但推理计算成本高昂。投机解码（Speculative Decoding）用快速但不精确的草稿模型提议 token，再由更强的目标模型并行验证，以加速推理。然而，语义等价步骤中的 token 不匹配会导致不必要的拒绝，传统 token 级投机解码因此受限。
苹果机器学习研究团队系统对比了扩散语言模型（DLMs）与自回归语言模型（ARMs）的性能表现。ARMs 虽在多项 NLP 任务上精度领先，但因逐 token 生成的顺序依赖导致算术强度较低。DLMs 作为新兴范式展现出潜力，研究对其性能特征进行了详细刻画。
连续扩散与流匹配模型有望成为语言建模中自回归方法的有力替代，可解锁加速采样与倾斜等连续模态优势。近期研究通过高斯分布与one-hot编码数据分布间的简单流匹配过程，实现离散数据的连续生成，并借助分类流映射（CFMs）验证了加速采样的可行性，样本质量具有竞争力。
Nathan Lambert@natolambert27Yichuan WangZero Train-Inference Mismatch - now for linear attention, and under async RL 🎯 We got bitwise-exact trainer/generator p...
斯坦福大学与 Arc Institute 团队用 AI 模型 Evo 从零设计完整病毒基因组，并在实验室构建出 16 种自然界不存在的功能性病毒。Evo 提出 70 万个候选基因组，团队仅筛选最有希望的 285 个序列合成并植入细菌，其中 16 个成功复制并杀死宿主。该研究已通过同行评审发表于《Science》，但 Evo 未接受人类病原体数据训练，且能否推广至其他病毒类群仍是未知数。
小红书联合浙江大学、复旦大学提出 CULTURE-MT，这是首个面向中英社媒笔记翻译、兼顾文化符号传递与情感共鸣的评测基准，并首次提出「文化有效性」评估标准与自动评估模型 JUDGER（准确率 86.03%）。
本源量子与中国科学技术大学联合团队提出"参数空间扩展受控相位门（PSE-CZ）"方案，破解超导量子计算速度与保真度相互制约难题，成果发表于《物理评论快报》。在"本源悟空"上对20对两比特量子门测试显示，30-40纳秒极短门长下仍保持优于传统CZ门的稳定性能。该方案还可推广至离子阱、固态自旋等平台。
斯坦福大学研究人员使用 AI 技术首次成功设计出完整基因组，产出的 16 种新型噬菌体在实验室中可有效杀死大肠杆菌，不会对人类构成威胁。团队开发的 Evo1 和 Evo2 模型以病毒、细菌、植物和人类的遗传代码为训练数据，通过微调预测"生命语言"。研究被视为"非常重要的转折点"，或为抗生素耐药感染提供新治疗路径。
Dongxi 东锡 NLP@dongxi_nlp22Asa Cooper SticklandNew paper, led by Agatha Duzan: your CoT monitorability numbers are too optimistic. Models are bad at hiding on demand: ...
斯坦福大学研究人员利用大型基因组模型输出可编码功能性蛋白的DNA序列，并成功设计出感染细菌的病毒基因组。这些病毒与现有病毒高度相关，但具备一些难以自然进化出的独特特征。研究者提醒，未来可能出现能设计针对脊椎动物病毒的AI，需提前防范。
8月6日
KVAE 系列 tokenizer 覆盖音频、图像与视频，专为后续文本条件生成设计。其中 KVAE-Audio 为连续全频带 48 kHz tokenizer，具备 50 Hz 潜空间与 64 通道；KVAE-3D 提供 4x16x16 与 4x8x8 两种因果视频压缩方案；KVAE-2D 图像模型实现 8 倍压缩与 32 通道。
一项研究提出 Activity Frames，用确定性、零模型管线将被动捕获的屏幕活动编译为智能体记忆，输出字节一致、可缓存且可审计。在单人 128，756 帧、51 个活跃天的语料上，该编译器将一天原始捕获压缩为 86 倍更小的提示块，耗时 68 毫秒；智能体阅读该块的问答准确率达 98.4%，优于 LLM 摘要的 66-80%。
MameLoshnLM 是首个专为意第绪语构建的开源 8B 参数语言模型，基于 Llama 3.1 8B 继续预训练而来。研究同时推出 Oytser 高质量意第绪语预训练语料库和 Kashes 多任务评测基准。在基准任务上，MameLoshnLM 优于同规模开源基线，且更好地捕捉了意第绪语特有的词汇与形态模式。
研究者提出任务条件流匹配（TCFM）框架，针对不同任务采用差异化训练目标：翻译任务使用流匹配，检索、分类等任务则用更契合其学习动态的目标，并结合教师引导与三阶段课程实现稳定适配。在 Indic Massive Text Embedding Benchmark 上，TCFM 取得新 SOTA，并泛化至不同嵌入模型家族，代码与数据集将在论文接收后公开。
持续学习正从参数中心机制转向系统级适应，涵盖训练策略、架构设计及权重适配之外的更广范畴。该综述提出When、How、Where三维框架：How涵盖off-policy、on-policy与超越梯度的优化，When覆盖预训练至推理阶段，Where区分内部参数与外部结构约束，并系统梳理了代表性方法及未来挑战。
MASS将世界动态与视角渲染解耦，以应对多人环境中现有视频世界模型的计算冗余、视角不一致和扩展性差等问题。其学习型逻辑引擎无需手写转移函数即可推进全局权威类型化状态，渲染引擎则按需为任意相机生成独立且一致的视角。在多人Snake基准上，MASS实现了更高的状态精度和更低的跨视角不一致性，并支持1，024个并发玩家、10，000步循环预测。
论文提出经济世界模型（EWM）实施路线图，将其组织为六级能力阶梯，从固定规则智能体世界延伸至与真实观测对齐的仿真-现实经济孪生。系统文献综述显示，现有工作集中于低层级智能体与模拟环境，具备自进化智能体、内生制度与实证对齐的系统仍属罕见。作者发布精选论文列表及相关资源，以加速下一代经济模拟环境开发。
EffectLearner 提出一种语义推理增强的视频物体移除框架，结合基于 VLM 的 Object-Effect Reasoner 与基于 DiT 的 Video Eraser，通过结构化效果分析提示词提取效果感知上下文，并引入运动感知掩码引导与运动一致性监督。
PaDoc 将预测布局视为共享页面表示上的分支结构，使布局流与区域内容分支并行推进，将解码深度降至最长布局-内容路径。在 OmniDocBench Full 上，PaDoc 取得 Overall 布局 F1 91.1，端到端解析器中 Overall 得分 94.24，Text Edit 0.038，Formula CDM 95.59。
EnvACE 提出一种智能体强化学习方法，用世界预演替代训练中的外部环境交互：策略先生成工具调用，再扮演环境生成响应，并基于预演结果继续决策，两端通过任务成功奖励端到端联合优化。
DyPES-VLA 提出一种跨具身视觉-语言-动作模型，通过未来预测目标训练 VLM 学习共享动力学先验，并利用具身特定的 MoE 动作头直接在原生动作空间生成控制，无需手动对齐异构动作。作为通用策略，它在 LIBERO 上达到 98.0% 成功率，在 RoboCasa-GR1 上为 59.25%，在 RoboTwin 2.0 上为 89.02%，在仿真和真实世界评估中均取得 SOTA 性能。
HarnessOpt-Bench 发布，用于在昂贵且随机的评估条件下衡量前沿 LLM 的端到端编排优化能力。优化器需在固定评估预算内编辑目标智能体的 harness 并提名最终候选，最终得分基于在不可访问的测试集上相对 seed 的归一化增益。
ChronoVision 提出多模态框架，通过监督微调中的 Reconstructive Visual Head 预测最终变换状态的潜在表征，并借助 ROI Attention Locating 模块聚焦关键视觉证据，后训练阶段采用带隐式过程对齐的强化学习。在 Vbvr-VQA 上取得 74.8% 域内和 71.6% 域外准确率，在 IntPhys2 上达到 55.0%。
UniME-R1 提出一种 embedder-adviser 框架，通过挖掘硬负样本模拟检索失败，让 adviser 基于初始检索结果生成检索中心思维链（RC-CoT），以纠正嵌入器对细微判别线索的混淆。若目标出现在初始 top-k 集合中则直接重排，否则生成 RC-CoT 调整检索方向并执行全库重检索。在 MMEB-V2 及多个通用多模态检索基准上，UniME-R1 持续优于强基线。
一项针对 Qwen3 的研究发现，On-Policy Delta Distillation（OPD2）在多语言数学推理中持续优于原始 OPD，尤其在韩语和日语上提升显著，并普遍缩小了英语与韩语的性能差距。研究还显示，仅用英语数据的 OPD 虽能提升韩语和日语表现，但常使回答偏向英语，凸显了多语言数据对保持目标语言回答的重要性。
GST-Bench 提出用于视频理解全局空间智能的 VQA 基准，含 6，790 分钟合成视频生成的 2，762 个人工验证问题，要求模型从新视角推理并映射到全局俯视图。对 22 个 SOTA VLM 的评估显示，最强零样本模型 Gemini-3-Pro 仅得 42.68 分，远低于人类基线 79.08；研究还提供 GST-Train 数据集以促进后续研究。
AgentOPSD 提出一种免评论家的递归回合级信用分配方法，将 token 级师生对数概率差聚合为回合级证据，并在 log-odds 空间递归更新贝叶斯信念状态，将稀疏结果监督转化为回合级信用信号。
CalibForge 提出一种自主终端任务合成系统，通过多求解器校准和对比校准，将任务构建为受约束的对抗性作者-求解器循环，使候选任务处于可证明可解但未被统一求解的"可学习区"。
苹果研究团队推出 DeepAmbigQA，一个用于评测大语言模型答案完整性的歧义多跳问答基准。该基准聚焦"同名电影《盗火线》中哪位演员获得过奥斯卡奖"这类复杂问题，要求模型同时区分同名实体并跨大量实体进行多跳推理。研究团队还发布了自动数据生成流程 DEEPAMBIGQAGEN，以构建此类评测数据。