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。
推荐理由：原文给出三种可量化的探针方法，让读者能据此区分语音模型的真实转写能力与针对基准的拟合行为。
#论文/研究
#论文/研究
今日 1 条Hugging Face Blog精选AI 评分6262
Google ResearchAI 评分5454 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。
Microsoft ResearchAI 评分4141 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精选AI 评分6262 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。
推荐理由：研究把事实错误拆分为编码失败与召回失败，指出前沿模型瓶颈在召回而非存储，并量化了 thinking 的恢复作用。
Google Research精选AI 评分6666 Google Research 推出 AMIE (Video)：实现实时音视频临床问诊，表现达到专科医生水平
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 构建实时视频临床问诊系统，采用 Talker、Planner、Perception 三个并行智能体的异步架构。
推荐理由：原文给出异步多智能体架构与随机对照实验设计，读者可以据此了解视频问诊 AI 的能力边界和评估方法。
Hugging Face BlogAI 评分5353 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。
CMU Machine Learning BlogAI 评分4141 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%。
Google DeepMind精选AI 评分8383 Google DeepMind 开源 WeatherNext 气旋预报模型，Nature 论文显示精度领先一天
Google DeepMind 发表 Nature 论文并开源 WeatherNext 2 与 WeatherNext Cyclones 模型，单模型以 SOTA 精度预测气旋路径、强度和风结构，平均多出 24 小时提前量，相当于约十年气象学进步。
推荐理由：官方Nature论文和模型开源同时落地，读者可据此了解AI气象预报达到的精度水平并直接获取代码权重。
Meta EngineeringAI 评分5050 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。
Google ResearchAI 评分5050 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 AI ResearchAI 评分5353 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。
Berkeley AI ResearchAI 评分4444 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精选AI 评分6767 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）。
推荐理由：原文给出 n=13,917 随机研究的主要结果，临床专家在超五成案例更偏好 SymptomAI 的鉴别诊断，可据此理解对话式问诊 Agent 的真实表现。
Google ResearchAI 评分5757 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 ResearchAI 评分4242 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 BlogAI 评分5050 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精选AI 评分6161 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。
推荐理由：原文给出SensorFM的训练规模、跨35项健康任务的泛化结果和Agent集成实验，读者可据此评估可穿戴健康基础模型的实际能力。
Google ResearchAI 评分4747 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。
Hugging Face BlogAI 评分5252 IBM 发布 ScarfBench：评测 AI 智能体的企业级 Java 框架迁移能力
IBM Research 发布开放基准 ScarfBench，用于评估 AI 智能体在 Spring、Jakarta EE、Quarkus 之间的企业 Java 框架迁移任务，包含 34 个应用、102 个框架实现、204 个迁移任务和 1331 个专家测试。
Google ResearchAI 评分4242 Google 用线性弹性缓存优化云成本，Spanner 内存用量降 15.5%
Google Research 提出线性弹性缓存，将页面淘汰建模为滑雪租赁问题，用轻量机器学习动态调整缓存大小。在 Spanner 生产环境测试数月后，内存用量降低 15.5%，缓存未命中仅增加 5.5%，总拥有成本（TCO）降低约 5%，实际 I/O 成本影响仅 0.5%。
Google ResearchAI 评分4646 Google Research 提出机器学习遗忘审计新框架 Regularized f-Divergence Kernel Tests
Google Research 在 AISTATS 2026 提出 Regularized f-Divergence Kernel Tests，用于审计机器学习遗忘。
LMSYS BlogAI 评分4040 Miles 如何用 Token-In-Token-Out 消除智能体 RL 的训练-推理不匹配
Miles 团队提出 Token-In-Token-Out（TITO）原则，要求第 n 轮 prompt 的 token 序列必须与第 n-1 轮 prompt+response 逐位一致，以消除智能体 RL 中训练与推理的 token 序列不匹配。
Google DeepMind精选AI 评分6161 Stanford 团队用 Google DeepMind Co-Scientist 筛选出肝纤维化候选药物
Stanford 医学院遗传学家 Gary Peltz 团队在 Advanced Science 发表研究，用 Co-Scientist 从现有药物文献中筛选可重定位治疗肝纤维化的药物。
推荐理由：原文给出 Co-Scientist 与人类专家选药的真实对比实验结果，读者可以据此了解 AI 辅助药物重定位的实际表现。
Sierra BlogAI 评分5757 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。
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。
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。
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。
Microsoft AI NewsAI 评分5353 微软发布 Health Check 报告：分析 50 万条 Copilot 健康对话的使用模式
Microsoft AI 分析 2026 年 1 月超过 50 万条 Copilot 健康与 wellbeing 相关对话，发现近 1/5 对话涉及用户描述自身症状、解读检查结果或管理病情，约 40% 的问题聚焦症状、疾病和治疗信息。
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。
Mistral AIAI 评分5959 Mistral AI 发布 Mistral Large 2 全生命周期环境影响分析
Mistral AI 联合 Carbone 4 和法国生态转型署 ADEME 完成首个针对大模型的全生命周期环境评估。
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。