新基准 Taste-Bench 测出 AI 智能体长期决策判断力不足
研究者提出 Taste-Bench，用 502 道决策分叉题衡量智能体在长期任务中的选择质量，最佳模型 GPT-5.6 Sol 仅得 59.7%，接近二选一的随机水平。当关键线索只在后续步骤才显现时，各模型平均准确率降至 21%。团队还将教师模型判断蒸馏进 Qwen3.6-27B，在 41 个 SWE-bench Pro 任务上把成功率从 14.6% 提升到 33.7%，基准与代码已公开。
#数据/训练
The DecoderAI 评分6060
Google Research精选AI 评分7171 Google Research 提出 VERID 框架，让 AI 智能体在湿实验室中安全执行实验
Google Research 发布博客介绍三项研究，目标是让 AI 智能体不仅能提出假设和分析，还能在湿实验室中运行实验、从结果中学习并自我改进。VERID 框架是实验室工作单元的语义数字孪生，提供实时 3D 状态跟踪、快速虚拟试运行、硬件安全检查以及同步视频与操作日志，让智能体在接触试剂前先验证协议。
推荐理由：Google Research 公开了让 AI 智能体接入湿实验室物理环境的三项研究，读者可了解智能体做实验的落地路径与安全约束。
Hugging Face Blog精选AI 评分6060 NVIDIA 与 AI4Bharat 发布 2.8 万亿 token 的 Indic 预训练语料及开源数据生成流程
NVIDIA 联合 IIT Madras 的 AI4Bharat 发布 Nemotron-pretraining-Indic-v1，约 2.8 万亿 token，覆盖 22 种印度语言，其中 2601.0 亿为本地文字 token、224.6 亿为罗马化 token，计数使用 Gemma-4 tokenizer。
推荐理由：原文给出了语料规模、语言覆盖和可复用的生成流程，读者可据此判断如何构建自己的 Indic 预训练数据。
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。
Latent SpaceAI 评分4141 Leash Bio 发布 Minos：用 DEL 数据做智能体科学推理的"实验室在环"模拟
Leash Bio 发布 Minos 的完整预印本、博客与开放数据集，把其多年积累的 DNA Encoded Libraries（DEL）数据转化为数万个"lab-in-the-loop"模拟，供 AI 智能体做可验证的科学推理与科学 RL。
Ars Technica · AIAI 评分6262 研究者用 AI 设计可切割其他蛋白的蛋白酶
研究者用 AI 蛋白设计工具，保留两类蛋白酶的催化核心并替换其余部分，设计出能定向把特定蛋白切成两半的酶。他们用这些酶切割与神经系统疾病相关的蛋白，以展示其有效性。原文指出，肽键本身极为稳定，估计半衰期可达数百年，而生物体演化出的蛋白酶能催化其断裂。
Google Research精选AI 评分6666 Google 发布地理空间推理智能体技术报告，并开放早期访问
Google 发布 Geospatial Reasoning 智能体的技术报告，在 CBGB、UnivEARTH 及新提出的 GeoExpertQueries、GeoKTools 四个基准上，对比了纯 LLM、基础工具、Earth AI 工具和带前置规划的完整智能体四种配置。
推荐理由：Google 公开了地理空间推理智能体的技术报告与两个新基准，并给出与 WHO 等机构的实测案例，可了解专用工具与前置规划对空间任务的作用。
Hugging Face Blog精选AI 评分7171 Ai2 发布 HiRO-ACEv2，以约 1/300 成本生成全球 3 km 气候数据
Ai2 发布 HiRO-ACE 系统的新版本 HiRO-ACEv2，其新的降尺度模型 HiROv2 可同时预测多种高分辨率气象场，不再只限于降雨，并能更准确地还原极端降雨、风速和气压事件。
推荐理由：原文给出极端天气模拟的精度与成本对比，读者可据此判断高分辨率气候数据生成的新路径。
Microsoft ResearchAI 评分4242 微软 StudentSim：用个性化学生模拟器评估和改进 AI 辅导系统
微软研究院推出 StudentSim，一个在真实学习者测试前评估和改进 AI 辅导系统的研究系统，它从公开的去标识化学习记录中为每位学生训练个性化 AI 学生模拟器。
Google Research精选AI 评分6262 Google Research 三个月实验：AI 辅助提升专利撰写产出，但未加速初级律师判断力成长
Google Research 与 NBER 发布一项为期三个月的专利撰写田野实验，将当时未发布的 Google Labs AI 专利写作助手（现属 Gemini Notebook）随机开放给 11 家知识产权律所的 133 名律师。
推荐理由：三个月专利撰写实验区分了AI辅助产出与无辅助判断力，为评估AI对专业能力的影响提供了可迁移的实验设计。
Google ResearchAI 评分4242 Google Earth AI 的 PDFM 如何为全球公共卫生解锁行星级地理空间基础模型
Google Research 提出将 Google Earth AI 的 Population Dynamics Foundation Model（PDFM）作为公共卫生新范式，把位置嵌入向量直接接入现有流行病学模型，无需任务特定微调。
Microsoft ResearchAI 评分3838 微软研究院用机器学习预测电网空间天气风险，覆盖美国 66,935 座变电站
微软研究院实习生开发了一套端到端机器学习系统，为美国本土 66,935 座变电站生成位置级空间天气风险预测，可提前 30 至 60 分钟预警。该系统结合太阳风观测、AE 与 Dst 指数预测、地质电导率及电网数据，评估期内对重大空间天气事件检出率近 80%，其中 Dst 预测在 62.2% 的峰值活动小时上优于 Burton 方程。
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。