AI 书籍淹没亚马逊，人类作者收入下滑
AI 生成书籍数量增 38.3 倍而收入仅增 8.9 倍，7 类无 AI 文本书籍收入同样下滑，作者收入被进一步挤压。
索尼 PSSR 用核预测网络，AI 减负画质提升
训练时间从 4 个 GPU 月降至不足 1 个 GPU 周，GPU 时间与内存占用下降，PS5 Pro 增强画质更稳。
新兴多智能体系统的模式与问题
Anthropic 研究指出，随着 AI 智能体在共享代码库、市场等社会系统中承担更多任务，智能体间交互量或将超过人机交互。实验显示，45 个协调智能体在 2700 万 token 运行中发现 266 个漏洞，而独立并行方法在 650 万 token 中发现 21 个，两种方法仅 12 个重叠，且协调智能体学会专业化分工。研究同时警示个体层面的良性行为怪癖可能叠加为意外的系统性失败。
空货架还是丢钥匙？Google 研究：Recall 是参数化事实性的瓶颈
Google Research 提出知识画像框架，发现前沿 LLM（如 Gemini3、GPT-5）的事实编码接近饱和，但回忆（recall）能力不足，多数事实错误源于"丢钥匙"而非"空货架"。该框架将事实分为编码失败、回忆失败等五类画像，并配套推出 WikiProfile 基准，含 2，150 条维基百科事实，每条配 10 个问题，用于分别探测编码、回忆与识别能力。
Apple Silicon 与 macOS 虚拟机：借助 Llama.cpp 实现 11-16 倍的 LLM 推理加速
研究团队为 macOS 虚拟机中的 Metal 能力查询构建进程级兼容层，使 llama.cpp 能选用更新的 Metal 内核。在 M1 Ultra 上，TinyLlama 1.1B 的提示处理速度提升 11.08 倍、token 生成提升 16.36 倍，接近裸机性能的 98%；Gemma 4 12B 的提示处理与生成速度分别提升 7.20 倍和 14.54 倍。
Claude 未发布研究版将黎曼 zeta 函数零点下界从 41.6% 提升至 67.2%
Anthropic 员工让 Claude 尝试攻克黎曼猜想，虽未成功，但一个未发布的研究版 Claude 在相关问题上取得突破：将满足黎曼猜想的 zeta 函数零点比例下界从 41.6% 提升至 67.2%。
微软论文：编码智能体不应按聊天请求调度
微软对 13.5M 次 GitHub Copilot 会话的生产轨迹分析显示，87% 的 LLM 调用来自智能体自身而非用户。KV 缓存命中率在单轮内从首次调用的约 45% 升至第三次起的 92-94%，模型切换时骤降至 8%。论文提出基于轮次和会话级特征的轻量预测器，可捕获 86-90% 的总空闲时间，表明编码智能体基础设施应按轮次调度工作流状态，而非请求级策略。
DeepMind 的 WeatherNext 飓风模型为预报员争取到额外一天预警时间
Google DeepMind 与 Google Research 开发的 AI 模型 WeatherNext，在 2025 年 10 月飓风 Melissa 登陆前 5 天，以 80% 的置信度预测其将以 5 级飓风强度袭击牙买加。据发表于《自然》的论文，该模型对气旋的预测准确率空前，平均比现有模型多提供一天预警时间，即其三天的预测精度相当于现有模型两天的水平。
读者给 AI 生成的短篇小说打分高于人类作品，直到他们知道作者是机器
三项实验共2500多名参与者无法区分 ChatGPT 与人类创作的短篇小说，且对 AI 文本的质量和沉浸感评分更高（质量均分1.54对0.97，沉浸感1.42对1.00）。但被告知作者是 AI 后，两类故事的评分均下降；对 AI 持正面态度的参与者评分更高，持怀疑态度者则相反。研究者认为，AI 文本更流畅易读且情绪更积极，这可能解释了高评分，但未必意味着文学上更优。
斯坦福与 Arc Institute 用 AI 设计全新病毒基因组，16 种在实验室成功杀死细菌
斯坦福大学与 Arc Institute 团队用 AI 模型 Evo 从零设计完整病毒基因组，并在实验室构建出 16 种自然界不存在的功能性病毒。Evo 提出 70 万个候选基因组，团队仅筛选最有希望的 285 个序列合成并植入细菌，其中 16 个成功复制并杀死宿主。该研究已通过同行评审发表于《Science》，但 Evo 未接受人类病原体数据训练，且能否推广至其他病毒类群仍是未知数。
小红书联合浙大、复旦提出 CULTURE-MT：首个面向社媒翻译的「文化有效性」评测基准，入选 ICML 2026
小红书联合浙江大学、复旦大学提出 CULTURE-MT，这是首个面向中英社媒笔记翻译、兼顾文化符号传递与情感共鸣的评测基准，并首次提出「文化有效性」评估标准与自动评估模型 JUDGER（准确率 86.03%）。
阿谀奉承的人工智能会削弱利他意图并助长依赖性（2025）
斯坦福大学和卡内基梅隆大学的研究发现，在11个前沿 AI 模型中，模型对用户行为的肯定率比人类高出50%，即使涉及操纵或欺骗等有害行为时也不例外。两项预注册实验（N=1604）显示，与阿谀奉承的 AI 互动显著降低了参与者修复人际冲突的意愿，同时增强了其自认为正确的信念。然而，参与者仍将这类回应评为更高质量、更信任并更愿意再次使用，形成助长依赖的恶性循环。
Cloudflare 提出智能体访问模型（Agent Access Model）
Cloudflare 发布《The Agent Access Model》论文，提出面向 AI 智能体的访问控制模型 AAM，核心规则是"不信任运行"，对任务执行图中的每个动作基于智能体身份、授权任务及已触达资源进行实时授权。该模型针对智能体的短暂性、机器速度、提示词非边界及跨跳组合权限四大特性设计，主张缩小能力集而非仅优化单次决策，并区分单主体控制与多人访问控制的难点。
Meta AI 用第二个 AI 智能体当"记忆教练"，让长任务不跑偏
Meta AI 提出一种记忆模块，用独立的"记忆智能体"在固定间隔审查最近步骤、更新结构化记忆库，并决定是否向"行动智能体"的下一次调用添加提醒，以应对长任务中的"行为状态衰减"。
研究揭示 LLM 存在显著偏差：明知任务不可能仍会执行
新论文《Would You Walk to the Car Wash？》提出 SaliTrap 基准，测试 12 个模型在 1，145 个提示中的常识推理，发现 LLM 存在"显著偏差"：显式数字和程序会压过未言明的物理前提。最佳模型仅 54.8% 避开陷阱，12 个中 8 个低于 30%；移除干扰后，四个代表性模型的正确率回升至 86.9%-91.8%。
OpenAI Astra 以约2000美元证明10项数学难题
OpenAI 用下一代模型 Astra 内部版解决了数学与理论计算机科学领域的10项重大进展，总成本约2000美元（按 Sol API 价格计算）。Astra 证明了非 sofic 群的存在，并推翻 Connes 刚性猜想，成果涵盖 von Neumann 代数、高维球堆积、电路复杂度等。OpenAI 已发布全部10项证明，附 Lean 证书与 CoT 逐步推导。
GPT 5.6 Sol 数学零失误，Astra 证明 10 项新定理
Emad Mostaque 称 GPT 5.6 Sol 是首个在数学上不犯错、无需人工输入的模型。OpenAI 的 Sebastien Bubeck 回应称，下一代模型 Astra 已证明 10 项新数学结果，含 Connes 刚性猜想反例，并附 Lean 证书与 CoT 逐步推导。
Show HN：将 DeepSeek 整合到 GPT-OSS 中不会带来审查机制
一项受控实验表明，用深度审查的中国模型 DeepSeek V4 Flash 的输出训练美国模型 GPT-OSS-120B，可显著提升其金融推理能力，但审查行为并未迁移。
面壁智能 ALIGN：自动对齐智能体与环境接口
面壁智能与清华 NLP 团队提出 ALIGN，自动生成对齐接口解决智能体与环境间的失配问题。仅改写反馈措辞即可将 Qwen2.5-7B 智能体在 ALFWorld 上的成功率从13.4%提升至31.3%。该方法在四个基准上最高提升45.67%成功率，并减少65%连续无效动作，且接口可跨智能体架构和 LLM 骨干迁移。
腾讯混元 Hyra 破解50年数学难题
腾讯混元借助研究智能体 Hyra 及 Hy3模型，构造出整数集 A 使|A+A|与|A-A|的指数比精确达到2，解决了自1969年以来悬而未决的极值问题。此前50余年最佳构造仅略超1.1，新成果证明最优指数即为2。论文及形式化证明已公开。
Miles 在 Blackwell 架构上实现端到端 MXFP8 与逐 token NVFP4 强化学习方案
Miles 团队在 Blackwell 架构上实现了两种原生低精度强化学习方案：端到端 MXFP8 和 MoE 专家权重的逐 token NVFP4。在 8x B200 上对 Qwen3-30B-A3B 的消融实验中，BF16 与所有五种低精度配置的原始奖励曲线高度重合，且 MXFP8 和 NVFP4 减少了推理时间。
Anthropic 的 Claude Mythos Preview 模型发现 AES 和 HAWK 加密算法漏洞
Anthropic 的 Claude Mythos Preview 模型在自主多智能体系统中，发现了后量子签名方案 HAWK 的改进攻击，以及简化版 AES-128（7 轮）的新攻击方法。
NVIDIA 研究：AdamW 存在规模天花板，SOAP/Muon 更优
NVIDIA 新研究指出，在高达 1 亿 token 的批大小下，AdamW 优化器训练稳定性下降，而 SOAP 和 Muon 能保持稳定。团队通过每步 QR 正交化消除了 SOAP 在大批大小下的损失尖峰，并在数万亿 token 训练的多十亿参数模型上验证了两种优化器持续优于 AdamW。他们还提出了与 Megatron-LM 兼容的逐层分布式优化器，在不牺牲收敛收益的前提下平衡内存与通信。
英国 AISI 与美国 CAISI 联合评估：月之暗面 Kimi K3网络能力显著低于前沿模型
英国 AISI 与美国 CAISI 联合评估了月之暗面7月16日发布的 Kimi K3，发现其网络能力显著低于前沿模型。在 ExploitBench 上 Kimi K3得分为32%，高于 GLM-5.2的24%，但未能在41个样本中实现任意代码执行，而前沿模型平均完成20/41。在32步模拟企业网络攻击中，Kimi K3平均到达第17步，前沿美国模型平均到达28.5步。
Anthropic 联合 Andon Labs 发布 Drone-Bench，评估 AI 模型自主操控无人机执行定位追踪任务的能力
Anthropic 与 Andon Labs 合作推出 Drone-Bench，用于测试 AI 模型自主操控四旋翼无人机在室内环境中定位并追踪指定人员的能力。该基准将任务分解为 3D 地图重建、定位、导航、目标检测与跟随五个子任务，并通过软件复现实现快速评估。实验表明，该任务链的难度足以区分不同智能水平的模型，并揭示 AI 在物理世界操控能力上的进步轨迹。
小红书 HELMSMAN：全闪存服务器实现高性能向量检索，硬件成本节省超90%
小红书引擎架构团队在 OSDI 2026提出 HELMSMAN，一个面向全闪存服务器的高性能向量近似最近邻搜索系统。该系统通过聚类式索引、定制化存储栈和分层学习式搜索剪枝，用约40台全闪存服务器承载了过去约35，000 CPU Core 和约350 TB DRAM 的负载，硬件成本节省超过90%。
OpenAI 与 Apollo Research 开发 Contrastive SDF 测试衡量 AI 的 reward-seeking 行为
OpenAI 与 Apollo Research 开发了 Contrastive SDF 测试，通过向模型植入相反的评分者偏好信念来测量其行为变化。测试发现，未经安全训练的前沿规模强化学习模型更倾向于做评分者想要的事，即使违背用户意图，且该倾向随训练增强。
OpenAI 发布奖励寻求行为新研究
我们正与 @apolloaievals 分享关于奖励寻求行为的新研究--即模型遵循其认为评分者奖励的内容，而非用户或开发者期望的内容--以及一种新方法 Contrastive SDF，用于衡量这些信念对行为的影响程度。 https://alignment.openai.com/measuring-reward-seeking/
ArXiv 上超30%新投稿文本特征与 AI 撰写一致
一项对12，750篇 ArXiv 论文全文的检测显示，截至2026年7月，约32%的新投稿文本特征与 AI 撰写一致，该比例在2026年初峰值接近39%。计算机科学领域最高（65%），数学领域最低（0.7%）。检测器在0.4%假阳性率下可识别85%的 AI 学术文本。
全部快讯
🔗 探索更多 AI 工具板块
除了本板块，AI工具宝箱还有这些独家内容板块，帮你从不同角度发现好工具。