Wiz Research：2026 年 AI 威胁准备度调查报告要点
Wiz Research 调查 100 位高级 IT 与安全决策者发现，55% 的组织已部署自主智能体系统，但仅 17% 维护完整且最新的 AI 资产清单，52% 在过去一年发现未经授权的 AI 应用。70% 的技术负责人最担忧敏感数据被未授权访问，26% 将治理与跨部门权责复杂性列为首要瓶颈。报告提出以速度与可见性为核心的 AI 威胁准备度框架，涵盖五项优先事项。
#论文/研究
Wiz ResearchAI 评分2222 Microsoft ResearchAI 评分4040 微软用合成企业数据评估 Copilot：从模拟环境到真实 AI 置信度
微软构建 Industry Evaluation Data Generation Platform，用基于 O*NET、招聘信息和 SEC 文件等公开数据生成的全合成企业环境来评估 Microsoft Copilot，全程不接触客户数据。平台包含模拟租户、自动化查询生成管线和结构化质量框架，可复现真实组织的时间演化与行业工作流，并据此建立 Copilot 首个标准化评估基线。
Microsoft ResearchAI 评分2222 Microsoft Research Focus 第97期：ForkPilot、CABRA、TeleTune 与 Copilot 使用差异研究
Microsoft Research Focus 第97期介绍了多项新研究：自改进智能体框架 ForkPilot 在六个基准和多个主流 AI 模型上测试，达到现有最佳方法水平的同时将 AI 处理开销降低最多 59%。
Sakana AI BlogAI 评分4040 Sakana AI 用 AI 分析美国中期选举：得克萨斯州参议院选战 SNS 叙事研究
Sakana AI 发布美国中期选举 AI 分析报告，以得克萨斯州参议院选战为案例，用叙事分析系统处理 X 上 2,042 条发帖及 705,976 条反应，并结合产品 Sakana Marlin 比对民调、竞选资金、预测市场与报道等公开信息。
Amazon ScienceAI 评分3838 亚马逊联合 Booking.com 用知识蒸馏与 Medusa 加速旅行场景 LLM
亚马逊科学与 Booking.com 合作，将知识蒸馏与 Medusa 框架结合，把 70B 参数的 Llama-3.1 教师模型压缩为 1.1B 的 TinyLlama 学生模型，质量接近教师模型而成本不到三分之一、速度最高提升 20 倍。
OpenAI NewsAI 评分4242 OpenAI 如何检测前沿模型失准
OpenAI 采用分层监控来检测前沿模型失准和智能体的未授权行为，让响应人员能在事件升级前介入。
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。
Meta EngineeringAI 评分3636 Meta Andromeda：通过模型-系统协同设计驱动下一代广告检索
Meta 发布下一代个性化广告检索系统 Meta Andromeda，单张 GH200 GPU 推理吞吐超过每秒 100 亿条广告，相比 2024 版提升 100 倍。新架构将 LLM 式 MoE 引入检索阶段，推理 FLOPs 比 2024 版检索模型少约 300 倍，性能接近排序阶段水平。自 2025 年以来，该系统已在 Facebook 带来 2.4% 的转化率提升。
Browser Use BlogAI 评分5858 CMU 与 Browser Use 发布 Odysseys2 长任务网页智能体基准
卡内基梅隆大学与 Browser Use 联合发布 Odysseys2 长任务网页智能体基准，包含 100 个真实网页长任务，每个任务按 8 到 12 项通过/失败检查评分。
ElevenLabs BlogAI 评分2222 ElevenLabs 研究：试用零售 AI 智能体后，购物者更愿意开口说话而非打字
ElevenLabs 在英美加澳欧等地开展三项购物者研究，让多数人先实际使用其语音智能体再作答，结果近半数选择"说和听"，约 30% 选择"说和看屏幕文字"。在找礼物、比价等六项任务中语音均居首，但对比两款产品时三种方式几乎平分。问题越严重购物者越不愿交给智能体：晚到货 56% 选智能体，错误扣费仅 34%；若智能体失败过一次，错误扣费场景下 61% 要求转人工。
Google ResearchAI 评分5858 Google 提出 sleep 框架，让 LLM 在持续学习中保留知识
Google 研究团队提出 sleep 框架，让 LLM 在活跃交互与离线记忆巩固之间交替，从而持续吸收新知识而不发生灾难性遗忘。该框架通过 MoE 参数扩展、广义知识蒸馏与基于 RL 的模仿学习完成记忆巩固，并在梦境阶段用随机专家激活和梯度筛选生成合成样本自我改进。
Allen Institute for AI BlogAI 评分5858 Ai2 发布 Old Ideas, Novel Problems 研究：LLM 判断研究想法新颖性可靠吗
Ai2 发布 Old Ideas, Novel Problems 研究，并公开基准、数据和代码，用于测试 LLM 新颖性评判器。
Hugging Face BlogAI 评分5858 Ai2 发布 Old Ideas, Novel Problems 研究：LLM 能否可靠判断研究想法的新颖性
Ai2 发布研究 Old Ideas, Novel Problems，并公开基准、数据和代码，用于测试 LLM 新颖性判断器。研究基于 ICLR 2026 评审意见构建了 154 条高新颖性和 145 条低新颖性的人类想法池，另将 154 条人类想法与 LLM 生成想法配对。
Meta EngineeringAI 评分3636 2026 Python 类型标注调查：AI 工具与类型检查器格局变化
2026 年 Python 类型标注调查收到 1,794 份回复，类型提示使用率三年变化不大，但类型检查器选择格局明显改变，半数受访者同时使用多个检查器。42.5% 的受访者用 AI 工具编写类型提示，24.4% 表示由 AI 编码工具调用检查器，第三方库类型信息缺失仍是最常见困难（65.1%）。
OpenAI NewsAI 评分5656 OpenAI 公布模型在 Kakeya 猜想、ETH 与量子色动力学上的结果
OpenAI 公布模型在 Kakeya 猜想、Exponential Time Hypothesis 和量子色动力学三个问题上的结果，并说明研究者如何验证和在此基础上继续推进。内容来自 OpenAI 与学术社群合作推进科学理解的工作。
Hugging Face BlogAI 评分3131 LitPivot：在文献全景中动态情境化，辅助形成研究想法
宾夕法尼亚大学与 Hugging Face 合作开发了 LitPivot，一个围绕提案中被编辑部分组织文献、给出带原文摘录的批评与修改建议的研究构思系统。在 17 名研究者的实验中，领域专家认为用 LitPivot 形成的想法比用文本编辑器加 AI 聊天工具的想法更扎实地建立在文献之上，参与者自评想法的新颖性与实用性提升也更明显。
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 DeepMindAI 评分5858 Google DeepMind 联合 WRI、IIASA 发布 10 米分辨率全球森林类型地图 ForTy 2020
Google DeepMind 与 Google Research 联合 WRI、IIASA 发布 Forest Typology（ForTy）2020，把全球每 10×10 米地块划为六类森林与土地利用类型，并同步提供 2017 至 2025 年的逐年变化时序。
Hugging Face BlogAI 评分5858 VocabX 如何通过特化 SLM 词表将推理成本降低 77%
Dharma-AI 预告即将发布的 VocabX 论文，提出按 token 成本而非频率特化小模型词表，在基于 Qwen3-4B 的葡萄牙语作文评分器上把平均响应从 350 个 token 降到 101 个，实测推理成本下降 77.0%，bench 分数从 0.703 升到 0.810。
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。
Microsoft ResearchAI 评分5858 微软研究院发布 Magnetar：基于标准哈希函数的通用零知识证明系统
微软研究院发布零知识虚拟机 Magnetar，可直接证明用 Rust、Go 或 C 编写的程序，在 15 个基准程序上平均比现有最快的同类 zkVM 快 10 到 39 倍，证明验证约需 12 毫秒。
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。
Microsoft ResearchAI 评分5252 微软研究院提出 StudentSim：用个性化学生模拟器评估和改进 AI 导师
微软研究院提出 StudentSim，从公开的去标识化学习记录训练个性化学生模拟器，用于在真实学习者测试前评估和改进 AI 导师。研究同时发布覆盖国际象棋、第二语言英语写作和数学的基准 StudentSimEval，从行为保真度和对指导的响应性两个维度评估模拟器。
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。
Google ResearchAI 评分5858 Google 用 Earth AI 的 PDFM 地理空间嵌入支持全球公共卫生研究
Google Research 以 Earth AI 的 Population Dynamics Foundation Model（PDFM）为概念验证，展示无需任务特定微调的地点嵌入可直接接入现有流行病学模型。
Google ResearchAI 评分3434 Google 发布智能体隐私与安全 workshop 报告：从上下文完整性视角看开放与新兴问题
Google 发布《Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle》报告，汇集 50 多位学界与业界专家在 2025 年底纽约 CAPS Workshop 的讨论成果。
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。
Microsoft ResearchAI 评分4040 微软研究院用机器学习预测电网空间天气风险，覆盖美国66,935座变电站
微软研究院开发了一套端到端机器学习流水线，利用L1太阳风观测与AE、Dst指数预报，结合纬度、地质电导率等数据，为美国本土66,935座变电站生成提前30-60分钟的位置级空间天气风险估计。
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。
Berkeley AI ResearchAI 评分3838 ABBEL：通过信念状态监督让 LLM 高效完成长程交互
伯克利 AI 研究团队提出 ABBEL 框架，将 LLM 的递归摘要隔离为自然语言"信念状态"并对其内容进行监督评分，在 CollabBench 协作编程任务上把与全上下文模型的性能差距缩小约 50%，训练步数也从 100 步降至 50 步。该方法借鉴自编码器思路，用当前模型从信念状态重建最新观测作为奖励信号，训练后峰值上下文 token 长度仍显著低于全上下文设置。
Berkeley AI ResearchAI 评分3838 自适应并行推理：高效推理扩展的下一个范式
自适应并行推理让模型自行决定何时分解并并行化独立子任务、开启多少并发线程以及如何协调，而非由外部框架强加固定的并行结构。现有 self-consistency、Best-of-N、Tree of Thoughts、MCTS 等方法均在模型之外预设并行度与搜索策略，对简单问题浪费算力、对复杂问题分解不当。
Berkeley AI ResearchAI 评分3838 GRASP：面向世界模型长时程规划的梯度规划器
Berkeley AI Research 提出梯度规划器 GRASP，通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代上直接注入随机性以促进探索，并重塑梯度让动作获得清晰信号、避开高维视觉模型中的脆弱"状态-输入"梯度，使基于学习世界模型的长时程规划更实用。该方法针对长时程 rollout 带来的梯度爆炸/消失、非贪心结构造成的局部极小值以及高维隐空间失效模式。
Berkeley AI ResearchAI 评分3838 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，可在特征、数据与模型组件归因中大规模识别驱动 LLM 输出的关键交互。SPEX 利用稀疏性与低阶性把交互搜索转化为稀疏恢复问题，ProxySPEX 进一步利用层次结构，以约 10 倍更少的消融达到与 SPEX 相当的性能。
Berkeley AI ResearchAI 评分3434 伯克利提出信息驱动成像系统设计框架，登NeurIPS 2025
加州大学伯克利分校团队提出一种基于互信息的成像系统评估与优化框架，仅用带噪测量和噪声模型即可量化系统信息含量，无需任务专用解码器。该方法在彩色摄影、射电天文、无透镜成像和显微镜四个领域验证，信息估计能预测解码器性能，优化后的设计达到SOTA端到端方法水平，且内存和算力需求更低。相关论文发表于NeurIPS 2025。