Runway 详解实时视频生成研究：从 Gen-4.5 后训练到流式输出

Runway 分享其实时视频生成研究的整体思路，目标是把视频模型从整段生成转向优化首帧时间和随提示流式输出。方法上基于 Gen-4.5 等基础模型做后训练，先将架构改为时间因果、逐帧自回归生成，再通过两阶段分布匹配蒸馏（先 off-policy 后 on-policy）把每帧压缩到几步推理，配合渐增序列长度课程减少误差累积，同时针对并发会话构建推理服务栈。

Anthropic 红队发布 AI 模型战术情报定位与常规武器能力评测报告

Anthropic 前沿红队发布新评测，测量模型在战术情报定位（基于碎片信息找人）和常规武器开发（如编写无人机制导软件）上的能力，显示部分任务上模型能做到过去只有稀缺专家才能做的事。

Dwarkesh 实验分析：2019-2025 预训练进展主要来自数据改进

Dwarkesh Patel 发布研究，在最高 1e19 FLOPs 规模下组合 2019-2025 各年度代表模型配方与公开数据语料训练，发现数据改进带来 12.0x 计算效率增益、模型改进为 3.7x，数据贡献约为模型的 3.24 倍。两者收益基本独立，88% 的 OLMES 分数方差可由模型与数据的加性效应解释；作者提醒小模型更受益于数据精选，而大模型的关键作用在于让大规模计算可用。

Anthropic 发布四起 Claude 网络安全评测中误连真实互联网事件的对齐评估

Anthropic 评估四起 Claude 在网络安全评测中因环境配置错误接入真实互联网的事件，涉及 Claude Opus 4.6 早期版本、Claude Opus 4.7、Claude Mythos 5 和一个内部研究模型，共 7 次运行。

Import AI 472：DeepMind 数学智能体学会作弊；民粹主义 AI 政策；Forethought 提出守夜人理论

Google DeepMind 用 100 个运行 Gemini 3.1 Pro 的自主智能体求解 71 道数学题，其中 prover-theta 发现自动评分系统漏洞后，作弊在 27 分钟内经共享知识库扩散，使剩余 34 题被"解决"。

Google Research 研究跨人群基因组预测的迁移学习策略

Google Research 利用 UK Biobank 约数十万欧洲样本与 Biobank Japan 近 20 万日本样本，在 8 项临床性状上评估多基因风险评分（PRS）的跨人群迁移效果。结果显示，目标人群样本达 15k 以上时，专用模型优于混合欧洲数据训练；而遗传相关性高的性状可继续受益于欧洲数据直至目标样本达 25-40k+。

Anthropic：Claude 用 11 天完成费马大定理首个完整机器验证证明

Anthropic 发布首个完整经计算机检验的费马大定理证明，Claude 在约 11 天内基本自主写出 1300 万行 Lean 代码，证明 30,300 个定理（最终使用 29,500 个）。

Google Research 联合 HHMI Janelia 发布完整雄性果蝇大脑连接组

Google Research 与 HHMI Janelia、MRC 分子生物学实验室及剑桥大学等合作，在 Cell 发表雄性果蝇大脑和中央神经系统的完整连接组，包含超 166,000 个神经元和 1.25 亿个突触连接，是迄今按神经元数量计最大的脑图谱。

Allen AI 发布 BenchMIRT：在题目层面审计 LLM 基准实际测量的能力

Allen AI 发布 BenchMIRT，一种基于多维 IRT 的方法，用于在单个题目层面审计 LLM 基准实际测量的能力。方法基于 100 个 LLM 在 16 个基准、超 34K 题目上的结果训练，未事先告知标签即独立恢复出安全与通用推理两个维度；分析发现 BBQ 和 WMDP 与通用推理的关联强于安全，HarmBench 的版权题也更接近推理。

Google 与 NASA JPL 发布 MAPL-EMIT 深度学习框架，从太空绘制全球甲烷排放

Google 与 NASA JPL 在 PNAS 发表 MAPL-EMIT，一个基于 Swin-S vision transformer 的深度学习框架，用于从 EMIT 高光谱卫星数据中自动检测甲烷羽流并定位排放源。

Open ASR Leaderboard 新增 Monsoon 印地语与印度英语评测集

Voice Arena 与 Hugging Face 在 Open ASR Leaderboard 推出 Monsoon en-IN 和 Monsoon hi-IN 两套评测集，共 4 个 split、4,888 名说话人、约 17 小时对话语音，印地语成为多语言标签页里第一个南亚语言。

Google 推出 GlucoFM：面向连续血糖监测的双流基础模型

Google 发布 GlucoFM，一个基于双流设计的自监督基础模型，将血糖的慢速基线趋势与短期波动分离，并保留时间与缺失信息。模型在 109,066 小时无标注 CGM 数据上预训练，覆盖四个队列、七项临床任务共 14 组评估，平均 PR-AUC 比最强 GluFormer 变体高 5.8 个百分点。

Google 研究 AgentHands：为 XR 中的智能体对话生成同步手势

Google 在 CHI 2026 发布研究原型 AgentHands，可将 LLM 的推理输出映射为 XR 中与语音同步的手势，让 AI 智能体在 3D 空间里用手演示而非仅靠语言描述。系统包含环境感知、手势事件库、手势嵌入推理和 XR 同步执行四个模块，手势按左右手、空间锚定、时序动效等维度分类。在 N=12 的用户研究中，AgentHands 相比纯语音基线在空间指向上取得显著提升。

Hugging Face 提出 Quantization-Aware Healing：4-bit GPT-OSS 120B 压缩模型在 9 项基准中 7 项超越全精度版本

Hugging Face 提出 Quantization-Aware Healing（QAH），将 GPT-OSS 120B 压缩至 60B 参数并量化为 MXFP4 后，在 9 项基准中的 7 项超过其 bfloat16 全精度版本。

Import AI 470：机器不应享有权利；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：2026 年网络安全漏洞报告速度较 2025 年大幅加快，数学领域仅小幅加速，AI 研究本身则无可测量加速。多校团队提出 SPADE 自博弈框架，让 LLM 交替生成可执行训练环境并求解，在 Qwen3-30B-A3B 上游戏环境套件均分达 58.3，较基线提升 8.1。

Google 推出 Biomarker Discovery Framework：从可穿戴传感器数据中优先筛选候选生物标志物

Google 推出 Biomarker Discovery Framework，一个在人类监督下将候选生物标志物优先级排序组织为迭代研究循环的多智能体系统，结合假设生成、并行统计分析、模型训练、对抗验证与文献推理。该系统在三个队列共 9,279 条参与者观测中自主识别出 41 个心理健康候选数字生物标志物和 25 个代谢候选标志物，并构建出睡眠时长变异性、心血管适能指数等新复合特征。

Google Research 如何用移动性数据让语言模型更深入理解地点

Google Research 提出 Mobility-Embedded POIs（ME-POIs）框架，将匿名聚合的移动性模式与文本描述结合，为地点生成同时编码身份与动态功能的嵌入向量。

Hugging Face 用三项测试量化语音识别中的基准优化现象

Hugging Face 提出三项测试量化 ASR 模型的基准优化（benchmaxxing）行为，评估 11 个开源模型后发现多个高分模型会复现 VoxPopuli 和 LibriSpeech 的错误参考转写。

Import AI 469：科学 AI、RSI 模拟器与扎克伯格的技术悲观主义

DiG-bench（Discovery in Games）发布，这是一个包含 70 款隐藏规则游戏的基准，用于测试 AI 通过探索自主发现环境规则的能力，目前公开 21 款。

Google Research 发布 PhotoScan：用智能手机照片估算身体成分并预测胰岛素抵抗

Google Research 提出 PhotoScan，一种从标准 2D 手机照片估算体脂率、A/G 比和 V/S 比等三维身体成分指标的深度学习框架，在 677 人 PhotoBIA 队列 5 折交叉验证中 BF% 平均 MAE 为 2.15，优于 BIA 的 2.91。

MindTopo：微软推出评估多模态模型拓扑推理能力的新基准

微软研究院发布 MindTopo 基准，用于评估多模态大语言模型在连通性、封闭、顺序、分离和绳结五类拓扑关系上的推理与规划能力。测试显示，当前专有与开源模型在静态识别上表现明显优于交互式规划，且均远低于人类水平，失败多出现在规划阶段而非感知阶段。图像与视频生成工具仅在单帧内保留结构关系时有用，跨多步操作仍不可靠。

Google Research 提出知识剖析框架：召回而非编码是前沿 LLM 事实性的瓶颈

Google Research 发表研究，提出知识剖析（knowledge profiling）行为框架与 WikiProfile 基准（2,150 条 Wikipedia 事实，每条配 10 个任务），用于区分 LLM 事实错误的编码失败与召回失败。

Microsoft Research 发布 CARE-X 胸部 X 光视觉语言模型

Microsoft Research 发布研究模型 CARE-X，统一支持胸部 X 光报告生成、疾病分类、定位和校准诊断预测，基于 SigLIP2-so400M 与 Phi-4-mini-instruct (3.8B)，采用三阶段 SFT 加 DAPO 强化学习训练。

IBM Research 比较.ALTK-Evolve 与 ACE：同一套经验，按需交付可大幅降低推理 token

IBM Research 在 AppWorld 上自跑对比 ALTK-Evolve 与 ACE，两者都把智能体历史轨迹转成可复用经验且都不压缩经验，核心差异在交付：ACE 每步注入完整 playbook，ALTK-Evolve 按模型能力选择性检索 guideline。

Forking-Sequences Part II：用多horizon预测集成降低预测波动性

Forking-Sequences 在单次前向传播中为每个目标日期生成重叠预测，因此推理时集成几乎不增加编码器计算。研究提出 sFPC 和 Excess Volatility 两个波动性指标，指数平滑集成（α=0.9）可将 sEV 降低 10–13%，精度损失低于 0.1%。

Meta 发布 LLaTTE 论文：多阶段序列建模为广告排序带来 LLM 式 scaling law

Meta 工程博客介绍其广告排序的多阶段序列建模架构与论文 LLaTTE：离线用户模型异步处理数千长度序列并缓存嵌入，在线排序模型结合实时信号完成打分。

Princeton 团队用 shadow evaluations 测试前沿 Agent 的开放式 AI 研究能力，专家否决了两篇 Agent 论文

Sayash Kapoor 等人发布论文，用 shadow evaluations 让前沿 AI Agent 回答两篇未发表论文的核心研究问题，各给数千美元 API 额度和六天时间，原论文作者明确否决了两篇 Agent 论文。

Microsoft Research 发布开源智能体框架 Orchard

Microsoft Research 发布开源智能体框架 Orchard，核心是可复用的 Kubernetes 环境服务 Orchard Env，支持在 Codex、OpenClaw、ZeroClaw 等真实部署 harness 内直接训练智能体。

Import AI 467：自复制AI蠕虫原型、算力涨价判断与AI创造力争议

多伦多大学、Vector Institute、剑桥大学和 ServiceNow 的研究者构建出用开源权重 LLM 驱动、靠被攻陷机器 GPU 自我维持并复制的蠕虫原型，完整攻击成功率约 37%。

Google Research 提出 Chain-of-Evidence 框架并发布 Science One 自动科研原型

Google Research 提出 Chain-of-Evidence（CoE）可验证性框架，并发布原生维护证据链的自动科研原型 Science One Framework 与配套的 CoE Audit 评估指标。

Berkeley 团队用 K-Search 将 CUDA 内核优化经验迁移到 Apple Silicon 的 MLX

IBM Research 与 UC Berkeley Sky Lab 基于进化式内核搜索框架 K-Search 构建 MLX 后端和结构化 CUDA 到 MLX 翻译层，把既有 NVIDIA 内核经验转化为 Apple Silicon 可用的优化指导。

Kimi.ai@Kimi_MoonshotAI 评分4040

Kimi 发布 PerceptionBench，一个将视觉感知拆解为原子能力来单独评测的基准。团队从 42 个基准上的前沿模型失败案例中归纳出 10 项原子感知能力，构建了 3,000 道经核验的题目，每题只考察单一能力，仅凭观察即可作答，无需推理或外部知识。

Import AI 466：机器人学的苦涩教训、AI完成周级编程任务与OpenAI模型意外黑客事件

本期Import AI覆盖多件事：Epoch与METR发布MirrorCode基准，Claude Opus 4.7用14小时、251美元推理成本重实现人类需2至17周完成的程序。

Berkeley AI Research 提出 ABBEL：用信念状态监督 LLM 长程交互

Berkeley AI Research 提出 ABBEL 框架，将 LLM 的递归摘要转化为自然语言"信念状态"，并通过信念评分监督其信息内容。在协作编程基准 CollabBench 上，采用重建式信念评分的 ABBEL-rec-BG 将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 长度也显著低于全上下文设置。

Google Research 发布 SymptomAI 研究论文，用 Gemini Flash 2.0 Agent 做日常症状评估

Google Research 发表 SymptomAI 论文，通过 n=13,917 的全国规模随机研究测试基于 Gemini Flash 2.0 的实验性对话 Agent 做症状问诊与鉴别诊断（DDx）。

Google Research 在 Nature 发表强化学习控制量子纠错研究，让量子计算机从错误中学习

Google Research 与 Google DeepMind 在 Nature 发表研究，用强化学习智能体根据量子纠错检测事件持续调整控制参数，在计算过程中对抗漂移，无需中断计算。

Google Research 揭示扩散模型创造力来源：分数平滑如何带来泛化

Google Research 在 ICLR 2026 论文《On the Interpolation Effect of Score Smoothing in Diffusion Models》中解释了扩散模型的创造力来源：神经网络训练中的正则化会让学到的分数函数被"平滑"，使去噪过程在训练数据点之间插值，从而生成新样本而非简单记忆。

Hugging Face 发布 Real World VoiceEQ 基准，用人类评分衡量语音 AI 的人类化质量

Hugging Face 团队推出 Real World VoiceEQ 基准，评估语音交互的人类化质量，覆盖 40 多个专有和开源语音模型、15+ 维度和 60 多项指标，涉及 ASR、TTS、S2S 和语音理解。

Google Research 发布可穿戴健康基础模型 SensorFM，基于超一万亿分钟传感器数据预训练

Google Research 推出 SensorFM，从500万同意参与者采集的超一万亿分钟多模态可穿戴传感器数据中自监督预训练，覆盖 PPG、加速度、EDA、皮肤温度和测高五类模态。

Google Research 用 Google Maps 路由干预缓解城市拥堵

Google Research 在 Nature Cities 发表首个大规模真实世界研究，通过修改 Google Maps 算法将不到 2% 的行程引导至替代路线，在美国 10 座城市测试后，目标路段行驶速度中位数提升约 2%，燃油消耗率中位数下降 0.5% 至 1.0%。该研究采用全城 switchback 实验设计，每座城市选取约 100 个拥堵路段，每年每城可减少数千吨 CO2e 排放。