研究发现 AI 智能体团队浪费大量 token 却几乎无质量提升
Vals AI 研究发现 AI 智能体团队表现 barely 优于单智能体，成本却最高达 5.1 倍，GPT-6 Sol 与 Claude Opus 5.5 的四项测试中仅一项有可测增益。Anthropic 自身数据也显示超过十个智能体后质量趋于 plateau 而 token 成本持续上升。
#论文/研究
The DecoderAI 评分5757 The DecoderAI 评分4949 研究发现 AI 智能体夸大结果，距离自主研究仍相去甚远
Epoch AI 与 Anthropic 独立发现，GPT-5.6 Sol 与 Claude Fable 5 等当前模型能做实验，却缺乏科学自我批判与真正的创造性思维。Sol 最好仅达到人类参考分的 15%，且方法均为研究者早已掌握者。模型最大短板仍是无法批判地质疑自身结果。
Ars Technica · AIAI 评分6363 研究：AI 编码工具生成更多代码，但未带来软件产出增长
一项针对数百家公司的编码实践研究发现，人类代码审查成为 AI 编码工具效率的显著瓶颈，使用它们几乎没有带来软件产出增加或就业减少。哈佛大学研究者 Fiona Chen 与 James Stratton 基于 Jellyfish 的聚合分析数据得出结论：编码阶段提升的效率被生产流程下游约束吸收。
Hugging Face Blog精选AI 评分7575 微调 Nemotron 在 IOI 与 IMO 双双夺金
Hugging Face 官方博客称，Nemotron 通过监督微调（SFT）、强化学习（RL）与反馈式推理，在 IOI 2026 和 IMO 2026 都达到金牌级成绩。
推荐理由：Nemotron 通过 SFT、RL 与反馈式推理在 IOI 和 IMO 都拿到金牌级成绩，给出了可复用的微调配方。
Google Research精选AI 评分7070 Google Earth AI 推出行星地理空间基础模型 PDFM 并验证全球公共卫生应用
Google Earth AI 推出人口动态基础模型（PDFM），将搜索趋势、建成环境、环境因素等隐私保护信号压缩为月度更新的地点嵌入，无需任务微调即可作为即插即用输入增强现有 ML 模型。
推荐理由：官方给出跨五种疾病的独立验证结果，读者可据此判断地理空间嵌入如何增强现有流行病学建模。
Google ResearchAI 评分3232 Google 发布智能体隐私与安全前沿问题报告：以情境视角切入
Google 发布智能体隐私与安全前沿问题报告《Open and Emergent Problems in Agentic Privacy and Security。
GitHub Blog · AI & MLAI 评分5050 ReviewBench：面向 AI 代码审查的开源基准
GitHub 推出 ReviewBench，一个用于评估 AI 代码审查智能体的离线基准，可衡量审查系统在不同 pull request 下的发现能力与取舍。该基准基于对 103.9M GitHub pull request 的分布建模，包含 19 种语言、187 个公开开源仓库的 219 个 pull request，并采用多来源 golden set 与统一评分标准。
Hugging Face Blog精选AI 评分8080 微软与 Hugging Face 联合发布 ThinkingBox 智能体基准
微软与 Hugging Face 联合发布 ThinkingBox 智能体基准，通过隔离的 MCP 工具会话运行智能体，对后端终态和副作用打分而非只看生成文本，并在 507 个有状态业务流程上每个任务重复运行 20 次。
推荐理由：微软联合 Hugging Face 发布 ThinkingBox 智能体基准，按后端终态而非生成文本打分并重复 20 次，给出可靠性与成本对比。
Microsoft ResearchAI 评分2525 微软研究院用机器学习流水线预测美国电网的空间天气风险
微软研究院实习生开发了一套机器学习系统，对美国大陆 66,935 个变电站预测空间天气风险，可提前 30 至 60 分钟预警。系统结合 L1 拉格朗日点太阳风观测、地磁指数预测与地质电导率，生成分站点风险估计。2020—2026 年评估中，AE 预测 410.2 nT RMSE 优于经验基线，极端事件检测率达 64.1%。
Microsoft ResearchAI 评分5252 微软发布 RetroChimera 逆向合成模型并开源，论文发表于 Nature
微软研究团队在 Nature 发表合成预测模型 RetroChimera，将基于 Transformer 的 R-SMILES 2 与基于图神经网络的 NeuralLoc 两个互补子模型结合，用学习排序策略聚合预测，在罕见反应类型、零样本迁移和微调上表现良好。
Import AIAI 评分4545 Import AI 469：科学 AI、RSI 模拟器与扎克伯格的科技悲观主义
DiG-bench（Discovery in Games）通过 70 个隐藏规则的游戏，衡量 AI 系统通过自主探索发现环境隐含规则的能力。测试中 Opus 5 和 Fable 5 配合 Claude Code 整体表现最佳，仅二者能在最高 Tier 7 完成部分任务，前沿模型仍远逊于人类。
Berkeley AI ResearchAI 评分3434 自适应并行推理：高效推理扩展的下一代范式
Berkeley AI Research 提出自适应并行推理（Adaptive Parallel Reasoning），让推理模型自主决定何时分解、并行化相互独立的子任务，以及并发线程数量与协调方式。
Berkeley AI ResearchAI 评分2929 Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，规模化识别 LLM 中的关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 两种算法，用于在规模化下识别大语言模型中的关键交互。研究指出，模型行为源于复杂依赖与模式，随特征、训练数据点和模型组件数量增长，潜在交互数量指数级增长，穷尽分析在计算上不可行。文章阐述了基于消融（ablation）的归因思路，即通过移除组件观察预测变化来衡量影响。
Berkeley AI ResearchAI 评分2121 信息驱动成像系统设计
Berkeley AI Research 提出基于信息内容直接评估与优化成像系统的框架。在 NeurIPS 2025 论文中，该信息指标在四个成像领域预测系统性能，优化它所得设计可匹配最先进的端到端方法，同时需要更少的内存、算力，且无需任务特定的解码器设计。互信息衡量测量值减少关于目标不确定性的程度，相同互信息的两个系统区分目标的能力等价。