Sierra 发布 𝜏-knowledge 基准，评测智能体的真实知识库检索与多步工具调用能力
Sierra 发布 𝜏-knowledge，扩展其 𝜏-bench 对话基准，新增 𝜏-Banking 域，包含 698 篇文档、21 个产品类别（约 195K tokens），任务平均需查阅 18.6 篇文档和 9.5 次工具调用。
全部AI 动态
全部动态
今日 32 条Sierra BlogAI 评分5757
Berkeley AI ResearchAI 评分3737 自适应并行推理：高效推理扩展的下一个范式
一篇综述分析了并行推理领域的最新进展，重点讨论自适应并行推理——让推理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。文章梳理了从自一致性、Best-of-N、Tree/Graph of Thoughts、MCTS 到 ParaThinker、GroupThink、Hogwild! Inference 等方法，指出多数方法仍由外部强加并行结构，而不同问题需要不同并行度。
Sierra Blog精选AI 评分6464 Sierra 发布 𝜏-voice 基准，在真实语音条件下评测实时语音 Agent
Sierra 团队推出 𝜏-voice 基准，将 𝜏-bench 的 278 个客服任务与全双工实时语音、可控真实音频结合，任务、工具和评估器与文本版逐字节一致，语音成绩可与文本 Agent 直接对比。
推荐理由：语音与文本能力可在同一套任务上直接对比，还给出了噪音与口音下各厂商的具体失败模式。
Google DeepMindAI 评分5252 Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构
Google DeepMind 发布 Decoupled DiLoCo（分布式低通信）训练架构，将训练拆分为异步的算力孤岛，硬件故障被隔离后其余部分可继续学习。
Google ResearchAI 评分5959 Google Research 发布 ReasoningBank：让 Agent 从成功与失败经验中学习
Google Research 在 ICLR 论文中提出 Agent 记忆框架 ReasoningBank，从成功和失败经验中蒸馏可迁移的推理记忆用于测试时自进化，代码已在 GitHub 开放。
Sierra BlogAI 评分5757 Sierra 开源多语言语音转写基准 μ-Bench，覆盖 5 种语言和 5 家提供商
Sierra 开源 μ-Bench，包含来自 250 通真实客服电话的 4,270 条人工标注语音，覆盖英语、西班牙语、土耳其语、越南语和普通话，评测 Deepgram Nova-3、Google Chirp-3、Azure Speech、ElevenLabs Scribe v2 和 OpenAI GPT-4o Mini Transcribe。
Berkeley AI ResearchAI 评分4646 GRASP：面向世界模型的梯度规划器，让长时程规划更稳健
Berkeley AI Research 提出梯度规划器 GRASP，通过将轨迹提升到虚拟状态实现跨时间并行优化、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，同时避开高维视觉模型中脆弱的"状态-输入"梯度。该方法针对长时程规划中梯度爆炸/消失、非贪心结构导致的局部极小值以及高维隐空间失效模式等问题，使基于梯度的长时程规划更稳健。
AI as Normal Technology精选AI 评分7474 Sayash Kapoor 等人提出开放世界评测并发布 CRUX 项目，AI 智能体成功上架 iOS 应用
Sayash Kapoor 与 Arvind Narayanan 等 17 位研究者发布 8000 字论文，定义开放世界评测这一新兴评测类型，并介绍定期开展此类评测的 CRUX 项目。
推荐理由：文章界定了开放世界评测这一新兴评测类型，并以 CRUX 首个实验给出智能体发布 iOS 应用的具体过程与成本细节。
Google ResearchAI 评分4040 Google Research 发布 LLM 行为倾向对齐评估框架，测试 25 个模型
Google Research 提出一套基于情境判断测试（SJT）的框架，评估 LLM 在真实用户-助手场景中的行为倾向与人类共识的对齐程度。对 25 个 LLM 的大规模分析发现两类差距：模型倾向偏离人类标注者共识，以及在无共识时无法覆盖人类意见的分布范围。在人类标注完全一致的场景中，小于 120B 的模型与前沿闭源模型对齐度接近完美，但共识低于 90% 时对齐度停滞在 80% 出头。
Google ResearchAI 评分4646 Google Research 研究：AI 评测需要多少标注者才够？
Google Research 在《Forest vs Tree: The (N, K) Trade-off in Reproducible ML Evaluation》中研究了评测条目数与每条目标注者数的权衡，发现常用的 1–5 名标注者往往不足，可靠结果常需每条目 10 名以上标注者。
Google ResearchAI 评分4646 Google Research 推出 TurboQuant：用极致压缩重新定义 AI 效率
Google Research 发布压缩算法 TurboQuant，可在零精度损失下大幅压缩模型，兼顾 KV cache 压缩与向量搜索，将亮相 ICLR 2026。
Sierra BlogAI 评分5555 Sierra 发布 𝜏³-Bench：将 Agent 基准扩展到知识库与实时语音
Sierra 发布 𝜏³-Bench，在 𝜏-Bench 基础上新增 𝜏-Knowledge 与 𝜏-Voice 两个评测域，并合入社区对原有 airline、retail、telecom 任务的修复。
Google Research精选AI 评分7777 Google Research 发表两篇 Nature Cancer 研究，评估 AI 辅助英国 NHS 乳腺癌筛查流程
Google Research 与 NHS 合作开展 AIMS 研究，在 Nature Cancer 发表两篇论文评估 AI 乳腺癌检测系统。回溯评估覆盖约 115,973 名女性的乳房 X 光检查，AI 灵敏度显著高于原第一人类读者，癌症检出率从每千人 7.54 升至 9.33，并检出原双重读片漏掉的 25% 间期癌。
推荐理由：研究给出了AI作为乳腺癌筛查第二读者的端到端验证数据，包括检出率和人力节省的具体结果与仲裁误判风险。
Google ResearchAI 评分4949 Google 用高温超导研究问题测试 LLM：NotebookLM 与自建 RAG 系统表现最佳
Google 与康奈尔大学合作，让 GPT-4o、Perplexity、Claude 3.5、Gemini Advanced Pro 1.5、NotebookLM 和一套自建 RAG 系统回答 67 道高温超导专家级问题，由 12 位国际专家盲评打分。NotebookLM 在多数维度表现突出，自建 RAG 系统紧随其后，两者与 Gemini 在观点平衡性和答案全面性上排名前三。
Berkeley AI ResearchAI 评分4545 伯克利 AI 研究提出 SPEX 与 ProxySPEX：为 LLM 大规模识别关键交互
伯克利 AI 研究提出 SPEX 与 ProxySPEX 算法，用于在大规模 LLM 中识别驱动模型输出的关键交互。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 进一步借助层级结构，以约 10 倍更少的消融达到 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，而 LIME、Banzhaf 等边际方法忠实度明显更低。
AI as Normal Technology精选AI 评分7070 AI as Normal Technology 团队发布论文《Towards a Science of AI Agent Reliability》
Sayash Kapoor、Arvind Narayanan 与 Stephan Rabanser 等人发布 66 页论文《Towards a Science of AI Agent Reliability》，将智能体可靠性拆解为一致性、鲁棒性、可预测性、安全性四维共 12 项指标。
推荐理由：论文把智能体可靠性拆成12个维度并实测14个模型，显示18个月内准确率大涨而可靠性仅小幅提升。
Berkeley AI ResearchAI 评分4747 伯克利提出信息驱动成像系统设计框架，登 NeurIPS 2025
伯克利 AI 研究团队提出一种基于互信息的成像系统评估与优化框架，可直接从含噪测量中估计信息量，在彩色摄影、射电天文、无透镜成像和显微成像四个领域预测下游解码性能。该方法在 NeurIPS 2025 论文中展示，优化出的设计可媲美端到端 SOTA 方法，同时占用更少内存和算力，且无需任务专用解码器。
Microsoft AI News精选AI 评分6868 Microsoft 发布 MAI-DxO，在 NEJM 病例序列诊断基准上正确率达 85%
Microsoft AI 发布 MAI-DxO 诊断编排器与 SD Bench 基准，将 304 个 NEJM 病例转化为逐步诊断挑战，MAI-DxO 正确诊断最高达 85%，是同一组有经验医生的四倍以上，且以更低检查成本得出正确诊断。
推荐理由：原文同时给出诊断准确率、成本对比和研究局限，并说明 SD Bench 尚未公开，读者可据此理解结果边界。