METR 研究显示，AI 对网络安全漏洞发现带来显著加速，对数学研究仅有有限加速，而 AI 研究算法进展尚无可测量加速。SPADE 通过 LLM 自博弈交替生成可执行环境和解决任务，使用 Qwen3-4B-Instruct-2507、Qwen3-8B 与 Qwen3-30B-A3B-Instruct-2507 测试，在游戏环境中取得 58.3 的套件平均分，较基础模型高 8.1。
Google Research 在“Forest vs Tree: The (N, K) Trade-off in Reproducible ML Evaluation”中研究评测项目数量与每项评分者数量之间的取舍。
推荐理由：研究用多个主观评测数据集和模拟器比较样本广度与单项评分深度，为控制标注成本并提高 AI 基准可复现性提供了具体设计依据。
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。
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。