Claude Sonnet 5 自主选定基因疗法并完成小鼠脑部手术
研究人员给 Claude Sonnet 5 一份包含 19 种候选基因疗法的清单和一台定制手术设备，唯一指令是减少癫痫模型小鼠的发作，该智能体自行选定了药物、脑区和立体定位坐标并完成注射，术中做了 32 次观察。
推荐理由：该实验记录了一个智能体自主选定治疗方案并完成活体小鼠手术，中途因安全限制拒绝继续，为智能体对齐讨论提供了具体案例。
精选
The Decoder精选AI 评分7878
The Decoder精选AI 评分8888 Epoch AI：开源权重模型 GLM 5.3 在 48 小时内零人工输入构建完整 Firefox 漏洞利用链
Epoch AI 研究人员发现，开源权重模型 GLM 5.3 在无人干预下针对 9 月 17 日至 10 月 26 日发布的 6 个 Firefox 版本利用补丁空窗期构建完整漏洞利用链，每次成功攻击的 API 费用约 1000 美元，最快一次耗时 12 小时。
推荐理由：Epoch AI 的测试显示开源权重模型能自主完成浏览器漏洞利用链，读者可据此理解补丁空窗期的现实风险与成本门槛。
Replit Blog精选AI 评分6060 Replit 发布 ViBench 2.0 长周期软件构建基准
Replit 发布 ViBench 2.0，用于评测智能体从空项目开始逐个功能搭建完整产品的长周期软件开发能力，包含 17 个产品、241 个功能请求和 544 个测试计划。
推荐理由：Replit 公开了长周期软件构建基准的题目设计、评分方式和多家模型对比，可据此理解现有编码智能体在功能叠加时的失败位置。
Artificial Analysis Articles精选AI 评分6060 Artificial Analysis 发布 Intelligence Index v5 与 Progress Index v1
Artificial Analysis 发布 Intelligence Index v5，新增 FrontierCode 2.0 和 Terminal-Bench-Science 两项基准，升级 HLE-Diamond、AA-Omniscience v1.1 和 CritPt v2，60% 的评测基于私有测试集或留出答案。
推荐理由：原文给出 v5 的基准构成、权重与各模型得分，可据此比较前沿模型在编码、科研与知识任务上的差距。
Hacker News AI精选AI 评分8888 OpenAI 称其模型推翻指数时间假说，Lean 证明与算法速度被逐条拆解
OpenAI 于 2026 年 10 月 26 日称其内部模型产出三项数学与物理结果，其中包括一个推翻指数时间假说（ETH）的确定性算法，该算法可在多项式空间内计数 k-CNF 的全部解。
推荐理由：原文把 OpenAI 声称推翻 ETH 的算法换算成具体变量规模，并拆解 Lean 定理实际证明了什么、没证明什么。
The Decoder精选AI 评分7878 Anthropic 让 Claude 自动为代码生成形式化安全证明
Anthropic 的 Frontier Red Team 与 Theorem 合作，让 Claude 对 Google OSS-Fuzz 中 123 个开源库的测试程序做形式化验证，几周内生成约 1.8 亿行数学证明代码，并由 Rocq 自动校验。
推荐理由：Anthropic 用 Claude 对 123 个开源库做形式化验证，并给出算力成本与适用边界，可据此判断 AI 自动验证代码的可行范围。
Hugging Face Blog精选AI 评分6262 微软与 Hugging Face 开源 ThinkingBox-Training：把数据库校验结果变成 Agent 的 RL 奖励
微软与 Hugging Face 开源 ThinkingBox-Training，把 ThinkingBox 对数据库终态的确定性校验直接当作 RL 奖励，用于训练 Agent。
推荐理由：微软与 Hugging Face 联合开源了把数据库终态校验转成 RL 奖励的训练栈，并给出 Qwen3.8-27B 的可复现配置。
Google Research精选AI 评分6565 Google Research 用 AI 解读盲扫超声评估孕龄，误差与专家相当
Google Research 在 JAMA Network Open 发表研究，用 AI 模型解读未经超声培训的操作者采集的盲扫超声图像来估计孕龄。在 385 名 16 至 36 周孕妇的队列中，模型平均绝对误差为 4.18 天，专家标准流程为 4.48 天；芝加哥适配后为 4.10 天，内罗毕零本地优化为 4.27 天。
推荐理由：研究在芝加哥与内罗毕两地验证同一模型对盲扫超声的孕龄估计，可看跨硬件与跨人群的泛化边界。
Microsoft Research精选AI 评分7878 微软研究院用人类引导的 AI 智能体证明 31 年悬而未决的 KLS 猜想
微软研究院的 Xinzhi Zhang 与合著者 Zhao Song 证明了 1995 年提出的 Kannan-Lovász-Simonovits（KLS）猜想，证明该猜想中的界与维度无关。
推荐理由：读者可以看到人机协作如何被拆成可复用的搜索与剪枝流程，以及独立证明和 Lean 形式化如何构成交叉验证。
Google Research精选AI 评分7171 Google Research 提出 VERID 框架，让 AI 智能体在湿实验室中闭环做实验
Google Research 发布 VERID 框架，为实验室工作单元建立可实时更新的 3D 语义数字孪生，让智能体在执行前检查孔板体积、模拟协议并拦截物理上不可行的指令。
推荐理由：Google Research 用 VERID 数字孪生和闭环实验，展示智能体如何在湿实验室里验证假设并自我修正。
Google Research精选AI 评分6565 Google 发布地理空间推理智能体技术报告并开放早期访问
Google 发布 Geospatial Reasoning 智能体的技术报告，在 CBGB、UnivEARTH 及自研的 GeoExpertQueries、GeoKTools 四个基准上对比四种配置，结论是 Earth AI 专用技能显著提升定量空间任务表现，开放式问题还需前置规划。
推荐理由：技术报告给出四组配置在四个基准上的对比，并公开两个新基准的开发集，可看领域工具与前置规划各自的作用。
Google Research精选AI 评分7171 Google 研究：AI 辅助提升专利撰写产出，但初级律师的判断力未同步增长
Google Research 与 NBER 发布三个月专利撰写实地实验，133 名律师中三分之二获得当时未发布的 Google Labs AI 专利撰写工具早期访问权。
推荐理由：三个月专利撰写实验区分了AI带来的短期产出提升与长期判断力积累，并指出初级与资深律师的收益差异。
GitHub Blog · AI & ML精选AI 评分6161 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 103.9M 条 GitHub PR 的分布构建，包含 219 个 PR、覆盖 19 种语言。
推荐理由：GitHub 公开了 ReviewBench 的构建方法、评分规则与验证数据，读者可据此了解 AI 代码审查的评测方式。
Berkeley AI Research精选AI 评分6060 从 CUDA 到 MLX：K-Search 如何把数十年内核经验带到 Apple Silicon
Berkeley Sky Lab 与 IBM Research 将 K-Search 内核搜索框架扩展到 MLX 后端，通过结构化的 CUDA-to-MLX 翻译层把已有 CUDA 内核作为知识库，在 Apple Silicon 上生成高质量内核。
推荐理由：读者可以看到 CUDA 内核经验如何被结构化翻译成 MLX 优化策略，以及翻译层对性能提升的具体贡献。
已经到底了