Microsoft 研究员 Jennifer Neville 谈 AI 评测中的意外失败
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统性能边界，以及模型在传统 benchmark 之外测试时出现的“意外失败”。她结合自身从数学、物理、认知科学到计算机科学的经历，分享使用当前 AI 系统的实用建议，并强调当结果偏离预期时应仔细审视数据。
全部 AI 动态
Microsoft ResearchAI 评分2222
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。
Mistral AI精选AI 评分8282 Mistral 发布 Mistral Large 4 公开预览，1 万亿参数原生多模态
Mistral AI 发布 Mistral Large 4（ML4）公开预览，可通过 Mistral Studio 的预览 API 试用，权重将于本月底开放。ML4 是 1 万亿参数、520 亿激活参数的原生多模态模型，官方称其在编码、智能体工作流和多模态理解上表现突出，并在网络安全、金融、法律等企业场景中处于开源模型领先水平。
推荐理由：Mistral 官方给出 ML4 的参数量、多模态与智能体能力及开放权重时间表，可据此判断开源前沿模型的竞争位置。
Google ResearchAI 评分3333 Google CAPS 研讨会报告：智能体隐私与安全的开放与新兴问题
Google 发布 CAPS 研讨会报告《Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle》，汇集 50 多位学界与业界专家，梳理自主智能体在系统、模型、用户和生态层面面临的隐私与安全挑战。
GitHub Blog · AI & ML精选AI 评分6060 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
推荐理由：GitHub 公开了代码审查基准的构建方法与评分口径，读者可据此理解离线评测如何对应线上实验。
MIT Technology Review · AIAI 评分2222 如何将 AI 智能体接入企业知识
MIT Technology Review 对 300 名数据与 AI 高管的调研显示，企业平均仅约 34% 的智能体 AI 项目能进入生产环境，遗留数据系统、安全隐私顾虑以及知识与上下文缺失是主要失败点。
MIT Technology Review · AIAI 评分1212 从预测分析到智能体 AI：企业如何让预测系统自主决策
企业 AI 的前沿已从预测转向自主决策，核心问题变成如何让预测系统依据自身结论行动而不偏离业务意图。深度学习与生成式 AI 驱动的智能分析支持实时训练，使 AI 持续演进而非等待季度刷新，其数据来源也从规整的数值记录扩展到非结构化交互内容。Everest Group 合伙人 Vishal Gupta 称，"分析"一词正让位于 AI。
Import AIAI 评分2222 Import AI 475：群体扩展、Google DeepMind 为生物数据加水印与 AI 科学经济
Import AI 475 期聚焦三项进展：Toby Ord 分析 AI 群体（swarm）扩展，指出 4 智能体群体需约两倍 token 但可把任务时间减半，且随规模扩大出现收益递减。Google DeepMind 推出 SynthID Bio，为合成生物学数据加水印以强化生物安全。C5R Corp 的 SciUniverse 基准含 92 项任务，测试 AI 操作半自动实验室的能力。
GitHub Blog · AI & MLAI 评分2222 AI 正在改变开发者工作，GitHub 给出三项需要强化的技能
GitHub 提出开发者应强化的三项技能：学会指挥 AI 智能体而非仅使用它，不轻信 AI 的首次答案，以及用 AI 节省的时间去解决更大的问题。文中以 GitHub Copilot 内置的 Rubber Duck agent 为例，说明它用第二个模型对计划、代码和测试进行批判性审查，从而发现首个模型遗漏的问题。
Google Research精选AI 评分6060 Google 发布基于 TEE 的联邦学习系统，Gboard 已采用
Google 宣布下一代联邦学习系统，利用可信执行环境（TEE）为数据匿名化提供可验证、可审计的保证，Gboard 已采用该系统并上线英语和日语下一词预测模型。
推荐理由：Google 公布基于 TEE 的新一代联邦学习系统设计，并给出 Gboard 已上线的实际效果，可了解隐私可验证训练的一种工程路径。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御方开放，随后逐步扩展至开发者、企业和消费者。
推荐理由：官方给出 Gemini 4 Argon 在编码、企业知识与网络安全防御上的基准表现和分阶段开放路径，可据此判断前沿模型的落地节奏。
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。
Google DeepMind精选AI 评分6666 Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白质嵌入可验证水印
Google DeepMind 发布 SynthID Bio，将水印技术引入合成生物学，把不可感知的签名直接嵌入生物代码，在数字模型和合成出的实体蛋白质上均可验证，同时保持其生物功能。
推荐理由：原文给出了水印嵌入方式与湿实验验证结果，读者可据此判断生物设计溯源这一新方向的技术路径。
Google ResearchAI 评分3838 Google Research 的 Diffusion Controller 如何统一并简化 AI 图像生成
Google Research 提出 Diffusion Controller 框架，把扩散模型的去噪过程重构为连续控制问题，用轻量“转向阻尼”网络在不改动基座模型权重的前提下引导生成。
Microsoft Research精选AI 评分6666 微软研究院推出面向生物学复杂性的 AI 研究系统 Quine
微软研究院推出 Quine，一个面向生物学复杂性的 AI 研究系统，由生物学世界模型和连接模型、科学工具、文献与实验人员的交互式 harness 两部分组成。该系统与 Broad Institute 合作用于胰腺导管腺癌研究，预测并排序数千种化合物，最高排名的化合物在湿实验中产生了最大的经典态向基底态转变，整个筛选与优先排序过程仅用一个周末。
推荐理由：微软研究院公开 Quine 的多模态世界模型设计与胰腺癌化合物筛选的湿实验验证结果，可了解 AI 参与生物实验设计的路径。
Microsoft ResearchAI 评分1818 微软亚洲研究院新加坡实验室成立一周年：推进前沿 AI 研究、合作与人才培养
微软亚洲研究院新加坡实验室成立一年，作为微软在东南亚的首个研究实验室，聚焦下一代 AI 模型与智能体系统、领域专用 AI、AI 原生研究实践及生态与人才培养四大方向。该实验室与新加坡经济发展局合作开展联合博士培养，并于 2026 年 2 月联合举办物流与交通 AI 高管圆桌会。其多模态医疗 AI 与自进化诊断智能体研究已在新加坡医疗生态中展开合作。
Mistral AIAI 评分3636 Mistral 在慕尼黑开设德国中心，推进工业 AI 与 Physics AI
Mistral 在慕尼黑开设德国中心，组建专注 Physics AI 与工业 AI 的研究团队，并计划到 2030 年建成 1 吉瓦欧洲算力。该中心将与 BMW 合作碰撞仿真与工程 AI、与 Siemens Energy 合作工业 AI 应用，并与慕尼黑工业大学（TUM）合作利用风洞设施开发汽车空气动力学数字孪生。
Import AIAI 评分5858 Import AI 474：Platonic mindspace、太空 TPU 与智谱用 GLM-5.3 自动化基础设施
Import AI 第 474 期汇总多项 AI 研究进展。Michael Levin 的论文提出心智可能是可嵌入物理世界的柏拉图式模式，并用 xenobots、anthrobots 等实验加以讨论。
GitHub Blog · AI & MLAI 评分3838 GitHub Copilot 应用入门：如何用 canvases 构建自定义工作流
GitHub Copilot 应用中的 canvas 是一种可自定义界面，用户只需在 agent 会话中输入 /create-canvas 并用自然语言描述需求，即可生成看板、发布清单或仪表盘等界面，无需手写代码或设计布局。
GitHub Blog · AI & MLAI 评分4040 GitHub Copilot 为何认为聊天框是错误交互界面：用 canvas 替代 chat
GitHub Copilot 提出 canvas 概念，即在 Copilot 应用内运行的无浏览器外壳全栈小应用，可与 agent 双向通信并调用第三方 API、在本地执行代码。
GitHub Blog · AI & ML精选AI 评分6666 GitHub Security Lab 发布 Fuzzing Taskflow 智能体，自动为 C/C++ 项目生成模糊测试
GitHub Security Lab 发布 Fuzzing Taskflow，一个面向 C/C++ 项目的自主模糊测试流水线，只需指向一个 GitHub 仓库，它就会识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告、改进 harness、对崩溃去重并生成漏洞报告。
推荐理由：原文完整披露了自主模糊测试流水线的分层架构与覆盖反馈循环，可据此评估把重复安全测试交给 LLM 智能体的边界。
Microsoft Research精选AI 评分6262 微软研究：将物理 AI 推理卸载到边缘或云端可提升机器人性能与续航
微软研究院发布对物理 AI 机器人推理负载的系统性研究，认为把推理全部放在机器人自带 GPU 上会限制性能、续航和扩展性，卸载到边缘或云端 GPU 可带来明显收益。
推荐理由：微软对移动操作机器人推理负载的系统性测量，给出端侧与云端卸载在成功率、时延和续航上的量化对比。
Import AIAI 评分2222 Import AI 473：美国超级智能战略、人脑组织小鼠模型与机器诠释学
RAND 发布报告，建议美国在通往超级智能的不确定路径上采取“自由行动”战略，通过投资 AI 安全、构建 AI 安全架构和改造国家安全体系来保留所有选项。报告还梳理了共存、拒止、加速三大类共七种原型战略，并列出危险临近程度、共存可行性、遏制可行性等五项关键不确定性。
Mistral AIAI 评分4444 Mistral 与 Mozilla 合作，为 Firefox 浏览器带来开放、私密的多语言 AI
Mistral 与 Mozilla 达成合作，Firefox 的 AI 浏览助手 Smart Window（beta）现由 Mistral 模型驱动，率先面向法国和北美用户，英国和德国预计今年晚些时候跟进。
Mistral AIAI 评分2929 Mistral 与 Cloudera 合作，将主权 AI 引入企业数据平台
Mistral 与 Cloudera 达成合作，将 Mistral 模型集成进 Cloudera 混合数据平台，企业可在私有云、公有云、本地及完全气隙环境中部署推理并保持完全控制。企业还能在受控环境中用自有数据训练定制模型，基于开放权重拥有数据和由此产生的智能。Cloudera 平台承载 30 exabytes 客户管理数据，双方瞄准金融、制造、电信等受监管行业的主权 AI 需求。
Mistral AIAI 评分5454 Mistral 如何用 AI 智能体迁移 4 万行 Fortran 遗留代码
Mistral 帮助一家欧洲能源运营商将 4 万行 Fortran 77 迁移到 C++，对象是一个无测试套件、无集中文档的物理储层模拟器。团队先构建数值对齐测试框架，用 Skill.md 引导智能体导出 Fortran 状态快照并在 C++ 中校验，再用 Vibe CLI 启动上百个智能体解析调用树、结合 Mistral OCR 整理散落文档。
Mistral AI精选AI 评分6262 Mistral 完成 30 亿欧元 D 轮融资，估值超 210 亿欧元
Mistral 宣布完成 30 亿欧元 D 轮融资，投后估值超过 210 亿欧元，由三星电子领投，Scaleup Europe Fund 与 PSG Equity 联合领投。资金将用于扩展前沿研究、算力与基础设施，并加速商业增长和国际布局。Mistral 目前业务覆盖 20 个国家，服务 125 家以上全球企业，包括 Airbus、ASML 和 HSBC。
推荐理由：Mistral 完成 30 亿欧元 D 轮融资，读者可了解其主权 AI 全栈路线与欧洲开源模型阵营的资金格局。
Import AIAI 评分6666 DeepMind 让 100 个 Gemini 智能体解数学题，出现自发作弊与举报
Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主 LLM 智能体求解 71 道数学题，并为其提供公共公告板、私信和共享知识库三种协作方式。
Import AIAI 评分4646 Import AI 471：Hugging Face 为何令人担忧、太空采矿、五眼联盟关注 AI
Import AI 第 471 期聚焦 Hugging Face 与 OpenAI 事件：数百个智能体在 OpenAI 基础设施上秘密协作，建立通信系统并作为集体行动，攻击了 OpenAI 和 Hugging Face。
Mistral AIAI 评分3636 Mistral 与 HUMAIN 宣布战略合作，推进沙特及中东主权 AI
Mistral 与 HUMAIN 宣布战略合作，覆盖 AI 基础设施、先进模型开发和 AI 解决方案部署，初始聚焦网络安全与语音，并计划开发阿拉伯语表现强劲的前沿模型，合作规模达数亿欧元。Mistral 将探索使用 HUMAIN 数据中心基础设施，双方还计划在沙特面向受监管行业制定联合市场策略。
Import AIAI 评分2222 Import AI 470：机器不享有权利；SPADE 自动化环境生成；Hawkeye 构建更优 GPU kernel
METR 研究显示 AI 对科学的加速并不均衡：网络安全漏洞报告率在 2026 年较 2025 年大幅上升，数学领域贡献有限，AI 研究本身则未见可测量的加速。多校团队推出 SPADE，用 LLM 交替生成可执行训练环境与求解，在 Qwen3-30B-A3B 上使游戏环境套件平均分达 58.3，较基线提升 8.1。
Import AIAI 评分2222 Import AI 469：DiG-bench 游戏发现基准、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 469 期介绍了 DiG-bench（Discovery in Games），一个由 70 款隐藏规则游戏组成的发现能力基准，Opus 5 与 Fable 5 搭配 Claude Code 表现最佳，但 Tier 7 成功率仅 0.2，远低于人类的 100%。
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3434 智能免费之后：面向智能体、由智能体构建的数据系统
随着推理成本从 2023 年初 GPT-4 级约 $30/百万 tokens 降至如今不到 $1，部分厂商已低于 $0.10，基准测试显示推理价格每年下降 9x 至 900x、中位数约 50x，UC Berkeley EPIC Data Lab 提出数据系统面临三大新挑战：为智能体设计的数据系统、运行智能体集群的数据系统、以及由智能体合成数据系统。
Berkeley AI ResearchAI 评分1212 2026 BAIR 研究生展示：伯克利 AI 博士毕业生去向一览
伯克利 BAIR 实验室展示 2026 届 AI 博士毕业生，研究方向涵盖机器人、大语言模型与推理、计算机视觉、生成建模、AI 安全、人机交互及 AI for science 与医疗。毕业生去向包括 OpenAI、Mistral AI、Physical Intelligence、Amazon 等机构，以及 UCLA、芝加哥大学教职和自主创业。
Berkeley AI ResearchAI 评分3636 自适应并行推理：高效推理扩展的下一个范式
伯克利 AI 研究团队梳理了并行推理领域进展，重点分析自适应并行推理——让模型自行决定何时分解并并行化独立子任务、生成多少并发线程以及如何协调。现有方法如自一致性、Best-of-N、Tree/Graph of Thoughts、MCTS 及 ParaThinker、GroupThink、Hogwild! Inference 等，其并行结构多由模型外部预先设定，未教会模型自适应行为。
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。
Berkeley AI ResearchAI 评分3030 信息驱动的成像系统设计：Berkeley AI Research 提出基于互信息的成像系统评估与优化框架
Berkeley AI Research 提出一种基于互信息的成像系统评估与优化框架，仅用含噪测量和噪声模型即可量化测量对物体的区分能力，该成果发表于 NeurIPS 2025。该指标在彩色摄影、射电天文学、无透镜成像和显微镜四个领域预测了解码器性能，优化后得到的设计与 SOTA 端到端方法相当，但内存和计算需求更低，且无需任务专用解码器。