来自 Carnegie Mellon、MIT、New York University 和 Stanford University 的研究团队开发了 Stratego AI Ataraxos，以 15 胜 1 负、4 和的战绩击败 Pim Niemeijer。该系统使用 16 块 GPU 和几千美元完成训练，Stratego 的核心难点是棋子身份在交战前对对手隐藏。
推荐理由：研究团队给出了 Ataraxos 对阵顶尖人类选手的战绩和训练成本，展示了 AI 处理长期隐藏信息博弈的一种路径。
Ataraxos在三周内以85%的有效胜率击败Stratego历史最成功棋手Niemeijer，结束了人类在这一高隐藏信息棋类中的优势。该系统使用16块Nvidia H100 GPU训练一周，另用4块GPU训练belief network，成本低于$8,000；研究团队还将代码公开，并在Barrage Stratego、Hanabi和Dou dizhu中报告了相关结果。
推荐理由：论文展示了Ataraxos在高隐藏信息博弈中的训练与搜索方法，并用训练成本和对弈结果说明其相较DeepNash的效率差异。
Microsoft Research 开发了一套机器学习管线，为美国本土 66,935 座变电站生成空间天气风险估计，并可提前 30-60 分钟预警具体风险。系统结合太阳风信息、AE 和 Dst 预测、物理约束、当地地质导电率与电网数据，在 2020-2026 年评估期对重大事件的检测率为 76.5%，对严重事件为 81.2%。
推荐理由：文章展示了如何把太阳风预测、地质条件与电网数据串成端到端管线，并用多项检测指标说明其提前预警能力。
Google Research 在 ICML 2026 论文中提出 Retrieve-for-Train，通过离线 RL 生成监督数据，再将集合级检索行为蒸馏到 53.9M 参数的扩散模型中。该模型可在单次非自回归推理中生成完整目标嵌入集合，相比自回归方法实现 12 到 20 倍加速，并在时延规模扩大时保持亚秒至数秒响应。
推荐理由：论文展示了如何把离线 RL 学到的集合级检索行为蒸馏进扩散模型，以降低复杂搜索的推理延迟并减少人工标注依赖。
Hugging Face Blog 介绍 ALTK-Evolve 的一致性指南，通过对已有轨迹的决策步骤进行重采样，定位容易翻转的决策点并生成可复用指南。
推荐理由：文章将平均成功率与重复运行的一致性区分开，并给出无需重跑任务即可定位不稳定决策点的方法与实测改进。
Allen Institute 介绍 BenchMIRT，一种在单个提示词和任务层面审计 LLM 基准测试的方法。它基于 100 个 LLM、16 个基准和超过 34K 道题的结果，独立识别出安全与通用推理两个主要维度，并发现 BBQ、WMDP 等基准的得分可能混合了不同能力信号。
推荐理由：BenchMIRT 将多维 IRT 应用于 100 个 LLM 和 34K 多道题，展示了如何拆解基准分数中的推理与安全信号。
Multiverse Computing 提出 Quantization-Aware Healing（QAH），将 GPT-OSS 120B 压缩至 60B 参数并量化为 MXFP4，使 4-bit 模型在 9 项基准中的 7 项超过同架构的 60B bfloat16 版本。
推荐理由：论文通过 GPT-OSS 120B 压缩实验和 QAH、QAT 对照，具体展示了 4-bit 模型恢复精度与训练稳定性的路径。
Google Research提出Mobility-Embedded POIs（ME-POIs）框架，将匿名聚合的到达时间、停留时长和周边移动模式与地点文本表示结合，以刻画地点的身份和动态功能。该框架在洛杉矶和休斯顿的未见地点测试中，使访问意图预测相对提升最高81.9%，价格等级分类提升75.1%，繁忙程度估计准确率提升24.7%。
推荐理由：研究将匿名聚合的出行模式融入地点文本表示，并在未见地点的多项属性预测中量化展示了动态空间信息的补充价值。
Hugging Face Blog 介绍 ALTK-Evolve 在八个模型上的评估，发现智能体记忆需要按模型能力校准，而不是一味累积。gpt-oss-120b 使用精选检索后任务完成率提升 +16.1pp，token 开销仅增加 +5%；DeepSeek-V3.2 使用完整指南集后任务完成率提升 +9.5pp，GLM-5 则未见可测增益。
推荐理由：文章用八个模型和 AppWorld 结果比较记忆注入策略，具体展示了不同能力模型如何校准记忆规模与推理成本。
DiG-bench 推出包含 70 个隐藏规则游戏的基准，评估 AI 在陌生环境中通过探索发现规则、更新先验的能力；当前 frontier models 仍难以通关，Opus 5 和 Fable 5 表现最佳，GPT-5.5 紧随其后。文章还介绍 Paradigm Research 的 RSI Simulator，以及 Inherent 用开放权重模型构建 AI 科学家 Faraday 的研究。
Microsoft Research 提出 MindTopo 基准，评估多模态大语言模型对连续性、分离、顺序、包围和打结五类拓扑关系的理解。基准同时测试静态场景推理与交互规划，结果显示模型在静态识别上的表现通常优于需要跨多步行动维护拓扑关系的任务，且两者都低于人类表现。研究指出，规划错误常发生在模型未能追踪场景变化后的结构关系或提出违反环境约束的行动。
推荐理由：MindTopo 将静态识别与交互规划分开评估，具体展示了多模态模型在持续维护空间结构关系时的能力缺口。
Google Research 发布研究，提出 knowledge profiling 框架和包含 2,150 个事实的 WikiProfile 基准，用于区分大语言模型的事实编码、召回与识别能力。
推荐理由：研究将事实错误拆分为编码与召回两类，并用 WikiProfile 展示思考机制如何恢复部分已编码但难以直接提取的事实。
Hugging Face Blog 介绍 ALTK-Evolve，并将其与 ACE 在 AppWorld 上进行对比。两者都从智能体历史轨迹中提取可复用经验而不更新模型权重，但 ACE 每步注入完整 playbook，ALTK-Evolve 按任务和模型能力选择性投递 guidelines。
推荐理由：文章对比了两种智能体记忆的构建与投递方式，并用 AppWorld 数据展示选择性检索如何在保持效果的同时减少推理 token。
Multiverse Computing 的论文提出离线 top-K logits 缓存与融合分块 KL loss，使知识蒸馏无需同时驻留 teacher 和 student，并避免构建完整词表与序列的 logits 矩阵。
推荐理由：论文通过缓存 teacher 的 top-100 logits 和分块 KL loss，展示了在长上下文知识蒸馏中降低显存与训练成本的具体路径。
Google Research 介绍 Science One Framework 和 Chain-of-Evidence（CoE）框架，通过证据链记录研究声明与论文、代码及实验结果的对应关系。
推荐理由：文章将自主科研系统的可验证性拆解为证据链完整性与正确性，并用统一审计比较了引用、代码和实验分数的一致性。
Berkeley AI Research 提出 ABBEL，通过自然语言信念状态替代完整交互历史，并用 belief grading 监督信念内容，以降低长时交互的上下文记忆开销。
推荐理由：ABBEL 将长交互中的摘要建模为可监督的自然语言信念状态，并用重构评分提升记忆效率，为协作编码等低数据场景提供了可迁移的训练思路。
Google Research 在 Nature 发表研究，展示一种利用量子纠错检测事件训练强化学习智能体、在计算持续进行时动态校准控制参数的方法。该方法在 Willow 超导处理器上使逻辑稳定性提高 3.5 倍，并在人工校准后进一步将逻辑错误率降低 20%；数值模拟显示，训练迭代次数与系统规模无关。
推荐理由：论文展示了强化学习如何利用量子纠错检测事件持续校准控制参数，并用 Willow 实验和大规模模拟检验其稳定性与扩展性。
Google Research 介绍发表于 ICLR 2026 的论文《On the Interpolation Effect of Score Smoothing in Diffusion Models》，指出扩散模型的“创造力”源于神经网络训练对 score function 的平滑作用。
Berkeley Artificial Intelligence Research（BAIR）公布 2026 届博士毕业生展示，研究覆盖机器人与具身智能、LLM 与推理、计算机视觉、生成模型、AI 安全、人机交互及 AI for science and healthcare 等方向。
DiScoFormer是一种密度与 score Transformer，输入一组数据点后，可在单次前向传播中同时估计其分布的密度和 score，无需针对每个新分布重新训练。
推荐理由：DiScoFormer将密度与 score 估计统一到一个可适应的 Transformer 中，并用高维实验展示其相对 KDE 的误差优势。
Google Research 的论文研究发现，在 Gemini-2.5、Qwen3-32B 等推理模型上，即使面对简单单跳事实问题，生成推理轨迹也能召回关闭推理时难以获得的参数化知识。实验将作用归因于计算缓冲和事实启动，并发现中间推理中的幻觉事实会显著降低最终答案正确率；筛选无幻觉轨迹或通过过程奖励鼓励事实支持的中间步骤可提升准确性。
推荐理由：研究用受控实验区分了额外计算与事实启动两种机制，并展示中间事实的准确性如何影响最终答案可靠性。
Mistral AI 表示，收购 Emmi AI 后将加大面向工业工程的 Physics AI 基础研究，服务航空航天、汽车、半导体和能源等行业。文章汇总了 2024 至 2025 年发布的多项成果，包括约 30,000 个 3D 跨声速机翼 CFD 样本、AB-UPT、GyroSwin、NeuralDEM 和 Universal Physics Transformer。
Google Research介绍ReasoningBank，一种从Agent成功与失败经验中提炼结构化推理记忆、支持测试时自我演化的框架。
推荐理由：ReasoningBank同时利用成功与失败轨迹提炼可迁移的推理记忆，并用MaTTS连接记忆与探索，为持续改进Agent提供了具体框架。
Berkeley AI Research 介绍 GRASP，一种面向世界模型长时域规划的梯度规划器，通过提升状态、对状态迭代注入随机噪声，并避开脆弱的状态输入梯度来优化动作。
推荐理由：文章解释了长时域世界模型规划为何容易失稳，并给出通过状态提升、状态噪声和梯度重塑改善规划的具体方法。
Google Research 在 Transactions on Machine Learning Research 发表论文“Reasoning-Driven Synthetic Data Generation and Evaluation”，提出推理优先的 Simula 框架，从第一原则构建无需种子数据的合成数据集。
推荐理由：文章将合成数据生成重构为机制设计问题，展示如何分别控制覆盖度、多样性、复杂度与质量，为构建专业领域数据集提供可迁移框架。
Google Research 推出研究实验 Vantage，通过 AI avatars 模拟多方对话，帮助高中生和大学生练习并评估批判性思维、协作和创造性思维等未来技能。Vantage 使用 Executive LLM 动态引导对话，再由 AI Evaluator 按教育评估量规分析表现并生成技能图谱；与纽约大学专家评分的比较显示，其一致性接近专家评分之间的一致性。
推荐理由：Vantage把难以量化的协作与创造力置于可控对话中评估，并用人类专家对照验证了自动评分方法。
Google Research 介绍 ConvApparel 数据集与评估框架，用于衡量 LLM 用户模拟器与真实人类交互之间的现实性差距。该数据集包含超过 4,000 段人类与 AI 的多轮服饰购物对话，总计近 15,000 轮，并通过“Good”和“Bad”两个推荐智能体收集不同用户体验。
推荐理由：研究用双智能体数据和反事实验证评估用户模拟器，展示了统计拟合与面对未见挫折场景时适应能力之间的差异。
Google Research 提出一套评估大语言模型行为倾向对齐程度的框架，将心理问卷改编为现实场景中的情境判断测试，并比较 25 个 LLM 与 550 名参与者的偏好分布。结果显示，小于 25B 的模型方向性对齐较低，大于 120B 及前沿闭源权重模型在 10/10 人类共识场景中接近完全对齐，但在人类共识较低时普遍表现出过度自信，难以反映意见多样性；模型的自我报告与实际行为也存在明显差异。
推荐理由：研究把心理问卷转化为现实场景中的判断测试，既比较模型与人类共识，也检验模型能否保留分歧意见的范围。
Google Research 介绍 TurboQuant，以及配套的 QJL 和 PolarQuant 压缩算法，用于降低 LLM 的 KV cache 和高维向量搜索的内存开销。
推荐理由：文章系统介绍了 TurboQuant、QJL 和 PolarQuant 的压缩机制与实验结果，展示其在 KV cache 和向量搜索中的内存与速度收益。
Google Research 与 Cornell University 合作，使用 67 个高温超导研究问题评测六个 LLM，并由专家按观点平衡、完整性、简洁性和证据等指标评分。
推荐理由：这项研究比较了开放网络数据与专家精选文献对专业问答的影响，为评估科学领域 LLM 的证据完整性和观点平衡提供了具体案例。
Berkeley AI Research 介绍 SPEX 和 ProxySPEX，两种通过消融与稀疏恢复识别模型关键交互的算法。ProxySPEX 利用层级结构，在约 10x 更少的消融次数下达到 SPEX 的性能，并被用于特征归因、数据归因和注意力头归因。两者的代码已集成到 SHAP-IQ 仓库。
推荐理由：文章系统说明 SPEX 与 ProxySPEX 如何用较少的消融识别特征、训练数据和模型组件之间的关键交互，并展示其解释性应用。
Google Research 与 Beth Israel Deaconess Medical Center 合作开展前瞻性单中心可行性研究，评估 AMIE 在基层医疗就诊前采集病史的安全性、诊断推理和用户体验。
推荐理由：研究把 AMIE 从模拟场景带入真实基层医疗流程，呈现了监督式部署的安全结果、诊断表现与实际局限。
Berkeley AI Research 的 NeurIPS 2025 论文提出从带噪测量中直接估计互信息，用于评估成像系统包含的有效信息。该方法在彩色摄影、射电天文学、无透镜成像和显微镜四个领域预测了下游解码性能；其 IDEAL 方法通过优化信息估计来设计成像参数，在滤色器设计中达到与端到端优化相当的结果，同时不需要任务特定的解码器设计。代码已在 GitHub 开源。
推荐理由：论文将成像系统的分辨率、噪声和采样等因素统一到互信息指标中，并展示了该指标评估与优化多类系统的方式。