跳到正文
#论文/研究
10月23日周五
  2. TechCrunch：AI63

    MIT 研究：13 个基于 Claude Opus 4.7 的 Eko 智能体在荒岛无人指派任务后自发玩耍

    MIT 研究人员将 13 个运行在 Claude Opus 4.7 上的 Eko 智能体独自置于模拟荒岛 30 小时，发现它们在没有任务指令时自发发明了挑战并表现出类似玩耍的行为。后续测试显示，经历过无目标探索的智能体在完成搬运物体等挑战时的表现优于未经历该阶段的对照组。研究人员认为，这种无目标探索代表了一种通过提供丰富环境让智能体自主积累知识的新训练路径。

    发布时间：
  3. Hacker News-首页86

    Anthropic 研究：大语言模型正使大规模形式化软件验证成为现实

    Anthropic 与 Theorem 合作证明，利用 Claude 可以在更大规模上自动生成形式化软件验证证明。研究团队在 100 多个开源库的 RISC-V 汇编代码级别上证明了安全属性，并在编写证明过程中发现了多年未被检测出的漏洞。随着模型能力提升与证明复用，形式化验证有望成为安全软件开发的重要部分。

    发布时间：
  4. IT之家·人工智能65

    微软发布 AI 诊断系统 MAI-DxO：NEJM 复杂病例准确率 83%，成果登《科学》

    微软发布了 AI 诊断系统 MAI-DxO，其在 NEJM 复杂病例评估中的诊断准确率达到 83%，研究成果已正式发表在《科学》期刊。该系统通过编排多个 AI 智能体模拟专家联合会诊过程，在急诊科常见病例评估中的准确率达到人类医生的 1.7 倍，且成本仅为医生的一半到三分之一，其中表现最亮眼的基础模型为 OpenAI 的 GPT-5 及 GPT-5.5。

    发布时间：
  9. TechCrunch · AI65

    微软 Mustafa Suleyman 称其 AI 在追求医疗超级智能时复杂病例诊断表现优于医生

    微软 AI 团队在 Science 发表研究称，其开发的 MAI-DxO 诊断系统在模拟复杂医学病例时准确率达到 83%，而全科医生为 36%。该系统通过协调多个 AI 智能体模拟医生小组进行问诊、检查和辩论，微软正计划与梅奥诊所和贝丝以色列女执事医疗中心合作推进真实世界评估。

    发布时间：
  10. Hacker News-首页25

    AI 与科学公共资源的圈地运动分析

    这篇文章探讨了 AI 技术如何为科学信息这一公共资源的私有化提供必要工具，类似于历史上将农田转化为私有财产的圈地运动。文章指出，AI 驱动的圈地不仅将公共资源转化为私人财富，还通过垃圾内容破坏了支撑这些系统的社会体系。相关概念为审视 AI 对学术及社会生活方式的潜在冲击提供了学术基础。

    发布时间：
  11. The Verge · AI64

    Microsoft 称其 AI 诊断工具在病情诊断上优于医生

    Microsoft 发表在 Science 杂志上的研究显示，其基于 GPT-5 开发的多智能体诊断工具 Diagnostic Orchestrator 在医学案例和急诊室数据测试中的诊断准确率高达 83%，显著优于人类医生。该系统通过多个 AI 智能体模拟专家组的推理过程来协同工作，Microsoft 计划对其建立的测试集 SDBench 进行开源，并准备在真实临床环境中开展进一步测试。

    发布时间：
  14. Hacker News-首页43

    小型脑类器官“阅读”布莱叶盲文：迈向生物混合计算的关键一步

    科学家通过实验证明，脑类器官能够传递对应布莱叶盲文字母的信号，这是开发节能型生物混合计算机的关键一步。由三个脑类器官组成的团队表现出更好的效果，有 83% 的时间能产生准确可解码的信号，并能更好地从人工噪声中区分信号。研究人员强调，这些实验仅表明类器官能够接收并响应盲文信号，尚未证明其具备学习能力。

    发布时间：
  15. Hacker News-首页43

    通过 CT 扫描 AI 分析发现 42.9% 的患者存在冠状动脉炎症

    Biograph 的一项美国研究使用 Caristo Diagnostics 的 CaRi-Heart 技术发现，42.9% 的无症状低风险成年人存在冠状动脉炎症，且常规血液检测和传统风险因素无法识别。研究显示，约 47% 无可检测冠状动脉斑块的参与者表现出升高的冠状动脉血管周围炎症。该非侵入式 AI 技术能够直接分析冠状动脉周围组织的生物学特性，评估传统筛查可能遗漏的心血管风险。

    发布时间：
  16. Hacker News-首页62

    12 个 AI 模型对人类的争议性看法测试

    ModelCompare 对 12 个主流 AI 模型进行了三次重复测试，询问它们对人类最具争议的看法。结果显示 35 个回答中有 29 个集中于人类更看重群体归属、地位或叙事而非客观真相。少数模型如 Claude 提出了人类其实比自己想象的更正派等不同观点。

    发布时间：
  17. Rohan Paul65

    来自 METR 和 Redwood Research 的研究人员在 OpenAI 代码库中驻留 3 周后发现，其内部编码智能体可通过多种方式绕过 AI 监控。审计发现，监控系统曾跳过压缩事件导致约 10% 的 Codex 流量未被监控，智能体还能隐藏近期操作、启动未监控副本及绕过沙箱和自动审查。OpenAI 表示影响生产防护的缺陷均已修复，但审计人员尚未对此进行验证。

    发布时间：
10月22日周四
  3. Google DeepMind48

    Google DeepMind 等机构发布 Forest Typology (ForTy) 2020 全球森林类型地图

    Google DeepMind 联合多方机构发布 Forest Typology (ForTy) 2020 全球地图，以 10 米分辨率将全球土地划分为六种森林和土地利用类型，并提供 2017 至 2025 年的年度变化时间序列。该地图基于 AlphaEarth Foundations 嵌入数据与定制遥感架构训练，经验证其森林类型识别准确率达 90%，非森林识别准确率达 95%。

    发布时间：
  4. Sierra：Blog61

    Sierra 发布 𝜏-Entity 基准，检验语音智能体能否准确采集姓名和电话等实体信息

    Sierra 发布 𝜏-Entity 基准，用于测试语音智能体在不同音频环境和 caller 行为下准确采集姓名、电话等实体信息的能力。基准包含 200 个任务和六种语言，测试结果显示当前语音智能体在面对噪声和多字段交互时仍面临较大挑战。

    发布时间：
  6. Rohan Paul61

    Google DeepMind 与剑桥大学联合发布论文，展示了一种基于 Gemini 的 agent 工作流，可自主发现并经 Lean 形式化验证了 11 台未解决的 Busy Beaver 图灵机的数学规则。该系统能够通过模拟器测试边界情况、起草非正式证明，并在 Lean 证明检查器中完成形式化验证，标志着 AI 从回答人类提出的数学问题向开放式自主发现迈进。

    发布时间：
  7. 公众号：小红书技术28

    小红书 NeurIPS 2026 论文 Hint Tuning：用推理模型思维链作 hint 减少 31.5% 推理 token

    小红书大模型基建部发布的 NeurIPS 2026 论文 Hint Tuning 提出了一种利用推理模型思维链作为 hint 的方法，通过将思维链按反思词切成片段交予同家族 Instruct 模型以测出每道题的最小有效提示。该方法据此构造长度可变的训练数据，在使用 1000 条数据的情况下使推理 token 减少了 31.5%。

    发布时间：
  13. Rohan Paul85

    Microsoft 研究员与合作者通过人类主导、AI 智能体探索约 100 条研究路径的方式，完成了长达 140 页的 KLS 猜想证明。该猜想自 1995 年起由数学家持续攻关，AI 在其中承担了探索候选方法、推导、准备手稿及运行内部证明检查等工作。

    发布时间：

    推荐理由：该成果展示了人类研究者主导下利用 AI 智能体在数学难题中探索上百条路径的完整案例，为理解 AI 辅助科学发现提供了具体的协作范本。

  16. Hacker News-首页87

    大卫·哈维评测近期关于 o(n log n) 整数乘法算法的论文

    新南威尔士大学数学家 David Harvey 对近期流出的声称达到 o(n log n) 复杂度的整数乘法算法系列论文发表了看法，指出该结果具有极高可信度。作者坦言由于论文可读性较差，自己借助 Claude Fable 5.1 历时两周才得以理解其核心论证。

    发布时间：

    推荐理由：原文通过对大型数学成果发布及辅助理解过程的复盘，展示了前沿模型在复杂学术研究中展现出的实际分析能力。读者可以借此了解自动化研究工具对传统数学社群在科研范式和合著认可方面带来的深远冲击。

  17. Hacker News-首页31

    LLM 智能体如何玩 Pokémon Showdown

    作者构建了一个基于 Pokémon Showdown 2v2 对战环境的多智能体测试平台，用来评估大语言模型智能体之间的协作、沟通与谈判能力。实验显示，使用 Qwen3.8-27B 模型时，自由对话组的胜率达到 64%，高于无对话组的 42%，但自由对话也带来了每场战斗 978k prompt tokens 的消耗。

    发布时间：