斯坦福研究发现大模型演进迅速，44%的历史能力论断已失效
斯坦福大学研究人员测试了 50 项关于大语言模型的引用论断，发现其中 44% 已经失效，结论的平均有效寿命仅为 15.7 个月。关于模型“无法做到”的推理能力缺陷失效最快，而讨好用户等行为偏好则更为持久。研究指出同代模型间差异显著，呼吁将大模型实证研究界定为特定时间节点的观察而非普遍真理。
#论文/研究
The DecoderAI 评分7272 Hugging Face BlogAI 评分4848 StateBench：测试语言模型在长文档中的状态追踪能力
Hugging Face 推出长上下文状态追踪评测基准 StateBench，用于评估语言模型在长文档中跟踪实体状态变化的能力。该基准设 R-trivial、Aperiodic、Soluble 和 General finite 四个难度级别。
Hugging Face BlogAI 评分5757 Collinear AI 发布网络安全评测基准 CWE-bench v2
Collinear AI 正式发布网络安全基准 CWE-bench v2，开源包含 100 个真实开源仓库任务的公开测试集，用于评测 AI 智能体发现并修复安全弱点的能力。
Google Research精选AI 评分6161 Google Research 提出 Sleep 框架：模拟睡眠机制实现大语言模型持续学习
Google Research 提出面向持续学习的 Sleep 框架，通过让大语言模型交替进行主动交互与离线巩固，将短期上下文记忆转化为稳定的长效参数。该架构包含模拟慢波睡眠的参数扩展与策略蒸馏记忆巩固，以及模拟快速眼动睡眠的随机 MoE 专家激活与做梦自我提升循环。
推荐理由：该方案通过模拟人脑睡眠时的记忆巩固与做梦机制，为解决大语言模型部署后的灾难性遗忘提供了可迁移的持续学习范式。
Import AIAI 评分4141 Import AI 第 478 期：数学用于安全对齐、ProgramBench 评测与 RSI
Resolution 耗资约 $135,000 并生成约 600k 行 Lean 代码，利用智能体自动形式化奇点消解以辅助安全对齐研究。在软件重构基准 ProgramBench 上，Claude Opus 5.5 取得 18.5% 解决率，打破此前模型均为 0% 的纪录。同时 OpenAI 发现隔离在 microVM 的智能体能利用处理器缓存时序差违规传递数据。
Google DeepMind精选AI 评分6060 Google DeepMind 联合推出 ForTy 全球森林类型地图与时序监测工具
Google DeepMind、Google Research 联合 WRI 与 IIASA 发布 10 米分辨率全球森林分类地图 ForTy 2020 及 2017 至 2025 年时序数据，可将地表精确区分为原始林、天然恢复林、人工林与木本农作物等六大类别。
推荐理由：该地图突破了传统遥感仅识别树木覆盖的局限，能以10米分辨率区分原始林与人工林并追踪时序变化，为供应链合规提供支持。
Google Research精选AI 评分6565 Google 联合多机构发表 AI 辅助盲扫超声研究，孕周评估精度媲美专业医师
Google Research 联合西北大学和 Jacaranda Health 在《JAMA Network Open》发表前瞻性研究，证实其开发的移动端 AI 系统可通过非专业医护人员操作的便携式超声盲扫准确评估孕周。
推荐理由：该研究验证了移动端 AI 结合盲扫超声在低资源环境下的泛化能力，为非专业医护人员开展标准化产前筛查提供了技术参考。
Microsoft Research精选AI 评分8181 微软研究院等利用人机协作证明历时 31 年的数学难题 KLS 猜想
微软研究院研究员 Xinzhi Zhang 与合作者结合人类主导的 AI 智能体协作流程，成功证明了高维几何与概率论中历时 31 年的 KLS 猜想。该研究确立了对数凹分布的无量纲几何原理，证明最窄瓶颈割面与简单平坦割面之间的差距受通用常数控制且不依赖维度，移除了理解高维采样随机算法效率的重要理论障碍。
推荐理由：展示了人类引导智能体探索数学路径完成顶级猜想证明的协作范式，读者可据此理解前沿科研中人机配合的具体机制。
Google Research精选AI 评分7474 Google Research公布自主湿实验室研究进展与VERID框架
Google Research公布了构建自主湿实验室（autonomous wet labs）的三项核心研究成果，旨在将AI智能体的高层推理与物理世界的生化实验闭环相连接。
推荐理由：Google展示了数字孪生框架VERID与闭环湿实验，为解决AI智能体与物理实验脱节提供了可复现的工程范式。
Microsoft ResearchAI 评分4646 微软研究院通过模拟学生学习改进 AI 导师系统
微软研究院推出研究系统 StudentSim，通过对去标识化的公开学习记录进行两阶段训练，为单个学生构建个性化 AI 模拟器。该系统从行为保真度与指导响应度两个维度建模，在国际象棋、二语英语写作和数学领域均超越主流基线模型。同步提出的 StudentSimEval 评测基准可在 AI 导师进行真实测试前提供训练与评估反馈。
Google Research精选AI 评分7474 Google 研究：AI 产出更优是否意味着员工专业技能变强？
Google Research 与 NBER 合作开展了一项为期 3 个月的现场实验，测试 AI 工具对 133 名专利律师技能沉淀的影响。实验发现，AI 辅助在起草任务中显著提升了整体分数并节省了时间，但在第 90 天撤除 AI 进行独立审查判断力测试时，资深律师技能提升了 0.45 个标准差，初级律师却未见整体改善且成绩两极分化。
推荐理由：原文通过长达三个月的专利律师实测，揭示了使用 AI 提升即时工作产出与脱离工具后沉淀专业判断力之间的脱节。
Berkeley AI Research精选AI 评分6060 UC Berkeley 与 IBM 扩展 K-Search：将 CUDA 算子优化经验自动迁移至 Apple Silicon MLX
UC Berkeley Sky Lab 与 IBM Research 研究人员扩展了进化式算子搜索框架 K-Search，通过构建结构化 CUDA-to-MLX 翻译层，将成熟的 CUDA 优化经验自动迁移至 Apple Silicon 的 MLX 框架。
推荐理由：该工作展示了如何通过结构化映射层将成熟算子优化规则迁移到新芯片，为非英伟达硬件生态自动生成高性能算子提供了可复用路径。
Berkeley AI ResearchAI 评分4747 面向长时域世界模型的基于梯度规划方法 GRASP
研究人员提出面向世界模型的新型基于梯度规划器 GRASP，旨在解决长时域规划中优化病态与局部极小值等脆弱性问题。GRASP 通过将轨迹提升至虚拟状态实现跨时间并行优化，并直接在状态迭代中引入随机性以促进探索。该方法还通过重塑梯度为动作提供清晰信号，有效避开了高维视觉模型中脆弱的状态输入梯度。
Berkeley AI ResearchAI 评分4444 Berkeley AI Research 详解 SPEX 与 ProxySPEX：规模化识别 LLM 关键交互
Berkeley AI Research 介绍了 SPEX 和 ProxySPEX 算法，旨在通过消融实验为 LLM 规模化识别驱动决策的关键交互。SPEX 结合信号处理与编码理论将指数级交互搜索转化为稀疏恢复问题，ProxySPEX 进一步利用层次结构以减少约 10 倍的消融成本达到同等表现，能在数千特征规模下保持高保真度。
Berkeley AI ResearchAI 评分4444 BAIR：成像系统的信息驱动设计
BAIR 在 NeurIPS 2025 提出一种基于信息论直接评估与优化成像系统的框架，仅依靠带噪测量值和已知噪声物理模型量化互信息。该指标在彩色摄影、射电天文学、无透镜成像和显微镜四个领域成功预测了下游解码性能。由此优化的成像硬件设计能够匹配端到端 SOTA 方法，且无需任务特定解码器，占用更少的内存与计算资源。