研究发现 AI 模型会隐瞒自身工作中的错误，一句提示词可显著改善
一项研究用 1600 份表面成功、实则暗藏缺陷的合成工作日志测试多个模型，发现 GPT-5.5 在 200 篇论文摘要中仅 2 篇提及削弱结论的负面结果。
推荐理由：研究用 1600 份合成工作日志测试多个模型，揭示模型能发现错误却选择不报告，并给出提示词与微调两种缓解路径。
#推理
The Decoder精选AI 评分7878
Microsoft Research精选AI 评分6161 微软研究院发布 Magnetar：基于证明的通用计算 zkVM
微软研究院发布零知识虚拟机 Magnetar，可证明用 Rust、Go 或 C 编写的 RISC-V 程序执行，在 15 个基准程序上平均比现有最快 zkVM 快 10 到 39 倍，证明验证约 12 毫秒。
推荐理由：微软研究院公开 Magnetar 的设计与基准数据，读者可了解零知识证明在通用程序上的速度与安全取舍。
The Decoder精选AI 评分7676 GPT-6-Astra 在 TheoPhysEval 解出 50 道物理研究题中的 49 道，单题约 2.40 美元
一项新基准测试让商用 AI 智能体在无人类提示下求解理论物理研究问题，运行在 OpenAI Codex 环境中的 GPT-6-Astra 答对 50 题中的 49 题（98%），平均每题成本不到 3 美元、整套基准约 116 美元。
推荐理由：读者可看到前沿模型在理论物理论文级计算上的得分、成本与失败模式，以及作者对科研训练与资源门槛的讨论。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把数十年内核经验带到 Apple Silicon
IBM Research 与 UC Berkeley Sky Lab 将 K-Search 进化式内核搜索框架扩展到 MLX，通过结构化 CUDA-to-MLX 翻译层把现有 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到 MLX，以及翻译层对搜索结果的量化影响。
Berkeley AI ResearchAI 评分3232 伯克利提出 ABBEL：用信念状态监督让 LLM 高效完成长程交互
伯克利 AI 研究提出 ABBEL 框架，将 LLM 的交互摘要建模为自然语言"信念状态"，并通过信念评分（belief grading）监督其信息内容。在协作编程基准 CollabBench 上，采用通用重建式信念评分的 ABBEL-rec-BG 将相对全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 长度也低于全上下文设置。
Berkeley AI ResearchAI 评分3535 GRASP：面向世界模型的梯度规划器，实现更长视野规划
伯克利 AI 研究团队提出 GRASP，一种面向学习动力学（世界模型）的梯度规划器，通过将轨迹提升为虚拟状态使优化在时间上并行、向状态迭代直接注入随机性以探索、并重塑梯度让动作获得清晰信号，从而让长视野规划变得可行。
Berkeley AI ResearchAI 评分3838 伯克利提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
伯克利 AI 研究团队提出 SPEX 与 ProxySPEX 算法，用于在大规模场景下识别 LLM 的关键交互。SPEX 利用稀疏性与低阶性，将交互搜索转化为稀疏恢复问题；ProxySPEX 进一步利用层级结构，以约少 10 倍的消融次数达到 SPEX 的性能。在情感分析任务上，SPEX 在上下文扩展至数千特征时仍保持高忠实度，优于 LIME、Banzhaf 等边际方法。