01
Chronicles-OCR 基准测试
腾讯HY实验室联合4家机构发布古文字识别基准 Chronicles-OCR，用于评测 AI 对跨越3000年中国古文字的识别能力。该基准包含2800张专家标注图像，覆盖甲骨文、金文、篆书、隶书、楷书、行书、草书7类。28个前沿多模态模型在任务上表现不佳：最强的 VLLM 在甲骨文识别上准确率仅14%，端到端检测的最高 H-mean 只有1...
值得跟进
Signal Feed
#研究突破 主题信号第 4 页
围绕 研究突破 的精选动态、来源摘要和重要性判断。
动态列表
02
Facebook停用实验
斯坦福经济学家 Hunt Allcott 和 Matthew Gentzkow 在 2018 年通过 Facebook 广告招募了 2743 名活跃用户，并按随机对照实验让其中 1611 名估值低于 102 美元的用户以 102 美元停用 Facebook 4 周，对照组则继续正常使用。研究在 2018 年美国中期选举后进行，团队通过多次...
观察
03
SkillOpt 让 skill 也能“训练”
微软联合上海交通大学、复旦大学、同济大学等机构提出 SkillOpt 框架，用于自动评估并迭代优化 Agent 的 skill。论文中，该框架通过 harness 闭环让大模型先写 skill，再在独立验证集上跑分，只有分数提升的文本编辑才会保留；其编辑操作包括增加、删除、替换文本。实验显示，GPT-5.5 的直接对话准确率因此提升了 2...
观察
04
Poolside 报告发布
Poolside 发布技术报告，介绍Laguna M.1和Laguna XS.2的模型工厂、预训练数据、分布式训练、后训练、Agent RL、量化及评估。报告提供了详细的技术细节和评估指标。
观察
05
Language models need "sleep"
DAIR.AI 转引一篇关于长上下文 agent 的论文，提出让语言模型在运行中加入类似“睡眠”的离线巩固步骤：模型会周期性地对最近上下文做 N 次离线递归前向，然后把结果写入 state-space blocks 的 persistent fast weights，并清空 KV cache。这样可把额外计算挪到“睡眠”阶段，同时保持“清...
观察
06
Claude Mythos 解决 Erdős #90
一位数学家在周末测试 Claude Mythos 是否能解决长期未解的 Erdős problem #90，结果它成功给出了解答。该模型没有复现 OpenAI 的 #1196 已知解法，而是反复收敛到另一种被数学家形容为更简洁的论证，且没有解析复杂性；测试环境为 air-gapped、无互联网、无信息泄漏。原帖还提到，GPT-5.5 在今...
观察
07
效率增益幻觉：人们低估AI使用率并高估其在简单任务上的收益
MIT、Stanford、New York Univ和Princeton的研究团队发现AI使用效率幻觉现象，在3项预注册研究中，2,691名参与者预期AI平均节省55.7秒，实际仅节省7.5秒，且使用AI仅2次后即形成依赖，即使独立完成更快。
观察
08
The First Drop of Ink: Nonlinear Impact of
Muhan Gao团队在ICML 2026发表的论文发现，长上下文LLM中误导信息的损害呈非线性关系。在128K-token的Qwen2.5设置中，前10%的hard distractors（硬干扰项）解释了约58%的总性能损失，而非按比例分配；10%的hard distractors即可解释约97%的干扰压力。机制在于softmax注意...
观察
09
MIT CSAIL 发现 Apple M1 易受 Phantom 攻击
MIT CSAIL 开发的操作系统内核 Fractal 让研究人员更清晰地观察芯片内部运作，发现 Apple M1 可能易受一种称为 Phantom 的投机攻击。
观察
10
AutoResearchClaw
来自 Meta、Stanford、Google 等实验室的论文提出 AutoResearchClaw（arxiv:2605.20025），讨论如何让自动化研究在 AI 出错、恢复、并在合适时机请求人类介入时表现更好。论文强调将辩论、修复、验证、记忆和选择性人类输入纳入同一个受治理的循环，而不是单纯提高自治程度。作者报告，在 ARC-Ben...
观察
11
Toward Training Superintelligent Software
Meta、CMU等实验室发表论文提出Self-Play SWE-RL方法，使编码代理能通过在真实项目中制造和修复bug来自我训练。该方法将学习单位从标记任务转为可执行情境，一个模型版本探索真实代码库、削弱测试、注入有意义的bug并留下测试工件；另一个版本需要修复系统以恢复测试行为。相比于传统方法依赖人类编写的问题描述、拉取请求、测试和注释...
观察
12
Language Models Need Sleep
CMU 和 UMD 研究者在论文《Language Models Need Sleep》中提出，模型在处理深度推理任务时不只是受限于内存容量，还需要通过多次 forward pass 将当前 context 巩固成更可用的内部表示。研究使用 Rule 110 这种图灵完备的 toy task 做实验，方法是在清除 KV cache 前让模...
值得跟进
13
KPop 提升 MoE RL 稳定性
团队提出 KPop，用自适应 binary-KL 区域替代 IcePop 里的固定比例 mask，以匹配每个 token 的噪声强度，从而提升大型 MoE 模型的 RL 训练稳定性和长时程 agentic RL 更新稳定性。该方法宣称无需修改基础设施、无需 routing replay，仅通过一个参数即可生效，并使 Ring-2.6-1T...
观察
14
PowLU
Ling Team 提出了一种可直接替换现有激活函数的 PowLU，用于稳定大规模预训练。原文指出，SwiGLU 在大输入下近似表现为 x²，会放大激活值和异常值，使深层网络或低精度（FP8/FP4）训练更容易出现 loss spike；在 FP8 训练稳定性对比中，SwiGLU 和 SwiGLU-Clip 都在约 step 77k 附近...
观察
15
科学进步可否预测
Sakana AI 转发 hardmaru 的帖子，并引用其与 Oxford University、Stanford University、Allen AI 等研究者合作发表的研究。该研究提出评估 AI 科学预测能力的基准 CUSP，使用 4,760 件科学事件进行验证，结果显示当前最先进模型能识别有前景的研究方向，但难以预测这些方向是否...
观察
16
Code as Agent Harness
Meta、Stanford 和 Illinois 的一篇综述论文提出，AI agents 在把 code 作为主要工作层时表现更好。作者指出，单纯的 LLM 更像文本预测器，长任务中容易丢失状态、掩盖错误，并把计划脆弱地转成动作；他们把围绕模型的系统称为 agent harness，包括工具、记忆、沙箱、检查和反馈回路。论文的核心观点是让...
观察
17
单次输注降 LDL
Verve Therapeutics（Eli Lilly）在《NEJM》发表了 VERVE-102 的 Phase 1 结果。该疗法是一种单次输注的 base-editing 基因编辑治疗，作用于肝脏 PCSK9；在最高剂量下，PCSK9 下降 88%，LDL 胆固醇下降 62%，且降幅至少维持 1 年。研究纳入 35 名家族性高胆固醇血...
观察
18
📢 Accepted to TMLR, with reproducibility c
Yann LeCun 转发并宣布 Basile Terver 的 JEPA‑WM v2 论文在 TMLR 接受，提供新的数据扩展实验、多步回滚训练的 Lipschitz 分析及扩展讨论，arXiv:2512.24497
观察
19
BestBlogs 早报 05-26
BestBlogs 早报精选了 10 篇内容，其中 3 篇深度精讲。核心包括：Google 将 FDE 面试从“4-6 轮数周”压缩到“2 天 2 轮”，OpenAI 斥资 40 亿美元成立独立部署公司并收购了 150 名 FDE 的 Tomoro，Anthropic 也跟进建立同类架构。Anthropic 研究 PM Alex 首度披露...
值得跟进
20
AlphaProof Nexus 解 9 个 Erdős 问题
Google DeepMind 的 AlphaProof Nexus 通过将 LLM 推理与 Lean 形式化验证结合，自动解决了 9 个开放的 Erdős 问题，其中部分问题已悬而未决 56 年；单个问题的成本为“几百美元”。它还证明了 44 个开放的 OEIS 猜想，解决了一个 15 年前的代数几何问题，并在优化理论中发现了一个人类此...
值得跟进