OpenAI 发布 Signals 数据揭示 ChatGPT 在职场中的应用演变
OpenAI 发布 OpenAI Signals 洞察数据，涵盖近 100 个国家的 165 项工作活动，揭示人们在工作中如何使用 ChatGPT 以及其使用方式随时间发生的变化。
全部AI 动态
全部动态
今日 72 条OpenAI NewsAI 评分5252 Google AI BlogAI 评分2929 Google 推出最新 AI Quest：绘制人脑地图
Google Research 联合 Stanford Accelerator for Learning 推出 AI Quests 第三个任务“Polar Peaks”，面向 11 至 14 岁学生普及 AI 素养与神经科学。
OpenAI NewsAI 评分3030 Fanatics 与 OpenAI 如何优化球迷体验
Fanatics 借助 OpenAI 通过 Shop the Look 帮助球迷搭配比赛日服饰。针对约 30,000 款 MLB 产品的测试显示，该功能带来了 10% 的用户互动度提升。
arXiv quant-phAI 评分2828 结合多层生成学习的分布式以量子为中心超级计算用于分子间相互作用
研究人员提出一种结合多层生成机器学习的分布式以量子为中心超级计算（QCSC）框架，用于分解并求解复杂的分子间相互作用问题。该方案采用 PIGen-SQD 求解器与两步聚合策略，在水和甲酰胺二聚体测试中将对角化维度缩减高达 95%，能量精度比传统 SQD 提高一个数量级。在水六聚体测试中，该方法成功将 120 量子比特问题分解为 6 个 20 量子比特子系统。
arXiv quant-phAI 评分2727 医学影像中的量子机器学习：放射科医师入门指南
该综述面向放射科医师梳理了医学影像中的量子机器学习技术，旨在应对传统深度学习的硬件算力瓶颈。文中总结了量子神经网络、变分量子线路及 FRQI、NEQR 等图像表示法，涵盖 MRI 脑肿瘤分割、胸片肺炎检测与 CT/PET 重建等应用场景。目前系统几乎均为量子-经典混合管线，且仅在小型降采样数据集或模拟器上评估，尚无法实现临床部署。
arXiv quant-phAI 评分3333 基于泡利传播的大规模浅层参数化量子电路经典预训练与量子硬件部署
研究人员提出基于泡利传播（Pauli propagation）的优化框架，通过反向传播可观测量在经典硬件上直接最小化损失函数，实现大规模浅层参数化量子电路的预训练。该方法配合截断与剪枝策略，在 64-qubit 电路的二维伊辛模型变分量子本征求解器（VQE）及图像生成基准上完成验证，并将参数成功部署至 IBM 量子处理器 ibm_berlin。
arXiv quant-phAI 评分2323 分子聚集体拓扑边缘态的近场图谱
针对二维分子聚集体中拓扑边缘态远场跃迁强度弱、难以光学探测的难题，研究人员展示了空间分辨近场光谱能够完整编码此类状态的空间结构。所产生的近场图谱呈现出强非均匀的干涉样特征，卷积神经网络（CNN）可从中直接重构出本征态的复数展开系数，且该重构过程对显著的随机噪声具有强鲁棒性。
arXiv quant-phAI 评分2525 量子演化网络学习受驱自旋寄存器的长时间相干动力学
研究团队提出量子演化网络（QENs），将物理参数和时间映射为周期受驱三自旋寄存器的完整传播子，无需特定数值积分即可通过已知周期复合预测动力学。在横向驱动测试中，该模型在 256 个保留配置上跨 24 个周期，极小化后的第 5 百分位数保真度达 0.9947。该研究还证实单周期残差方向对多周期误差有数量级影响，建立了具备长时间可靠性的可复用神经表示。
arXiv quant-phAI 评分4747 QuantumMatterExplorer：用于发现量子多体物态的自主 Agent
研究人员推出基于大语言模型的自主 Agent QuantumMatterExplorer，仅需输入哈密顿量及参数范围即可自主运行数值模拟并绘制物态相图。系统结合持久规划与计算物理工具，采用 DMRG 计算并经精确对角化交叉验证。在受挫自旋-1链测试中，它在 8 小时计算预算内成功识别出 Néel、Haldane 和二聚化等候选相。
arXiv cs.AIAI 评分5353 智能体失败归因研究：模型与执行框架的协同评估
研究团队提出一套量化评估大语言模型与执行框架协同表现的框架，用于排查智能体在基准测试中的失败归因。该体系涵盖有效完成率（VCR）、模型与框架拟合度、跨模型拟合度、交互残差和 Token 负载 5 项指标，并在 6 个基准的 111 种设置与 52,168 条轨迹中完成测试。
arXiv cs.AIAI 评分3535 CASE：面向冻结多模态情感模型的混淆感知技能演化框架
研究者提出首个面向多模态情感识别（MER）的智能体技能框架 CASE，用于解决多模态大语言模型对语义相近情绪的混淆问题。该框架维护自演化的 EmotionSkills 技能库，在保持模型主干冻结的同时于推理期动态检索技能以强化边界感知推理。实验表明，CASE 将 Qwen3-VL-8B 在 CA-MER 基准上的平均准确率从 46.80% 提升至 59.13%。
arXiv cs.AIAI 评分4040 CauProphet：让智能体像人类一样建立因果认知
新研究提出 CauProphet，通过在因果认知（Causal Cognition）中构建并持续更新结构化因果信念（Causal Belief），使 LLM 智能体具备类似人类的因果理解与持续学习能力。在金融研究评估中，CauProphet 对次日收益率的平均秩相关性相比基线智能体提升 25.4%，并在动态现实场景中将预测准确率从 21.3% 提升至 28.6%。
arXiv cs.AIAI 评分3434 多模态嵌入框架 PILOT：超越事后奖励的特权推理探索
研究者提出多模态嵌入框架 PILOT，将推理建模为隐变量，利用训练期关联证据指导推理探索以优化嵌入表示。该框架通过先验与后验协同演化机制，在共享推理兼容奖励下将高价值探索轨迹迁移至推理阶段。在包含 78 个任务的 MMEB-V2 基准上，PILOT 在 2B 和 7B 参数下总分分别提升 3.2 与 3.3 分，视觉文档检索提升达 +6.1 和 +6.4 分。
arXiv cs.AIAI 评分4040 ALLMTS：基于大语言模型的自动化医疗分诊系统
研究人员提出基于大语言模型的医疗分诊系统 ALLMTS，通过让 LLM 执行专业远程医疗指南来判定处置方案。在 566 个专家验证场景中，ALLMTS 达到 0.95 准确率，大幅领先原始 LLM 基线的 0.47。在 50 场景开源基准上其准确率达 0.98（媲美 5 名护士专家的 0.944），并将高达 0.50 的过度分诊率降至最多 0.02。
arXiv cs.AIAI 评分4141 POSEIDON：基于代码库规模化构建科学智能体训练环境
研究人员提出自动化管线 Poseidon，可从科学代码库大规模生成可验证的训练环境，提取数量比前序方法多近 10 倍。利用 Poseidon 构建的 Pearl 包含跨 10 个学科、7,110 个公开代码库的 97,659 个可执行环境。经 Pearl 训练的 Qwen3.5 模型（9B、27B 和 35B-A3B）在 6 个科学智能体 benchmark 上均取得持续提升。
arXiv cs.AIAI 评分3636 何时停止惩罚动作？面向 VLA 强化学习的 Martingale GRPO
研究提出面向 VLA 强化学习的 Martingale GRPO（MART-GRPO），通过鞅理论刻画反馈截断条件，解决传统 GRPO 对失败轨迹全盘惩罚导致误伤有效恢复动作的问题。
arXiv cs.AIAI 评分4545 Async-RBench：LLM Agent 异步任务执行评测基准
研究人员推出评测基准 Async-RBench，包含 8 个场景下的 200 个可执行任务，用以评估 LLM Agent 的异步任务执行能力。对 9 个 Agent 的评测显示其动态重规划得分（DRS）仅在 19.2 至 45.1 之间，且异步交付下的平均任务成功率低于批处理交付（26.0% vs. 29.7%）。
arXiv cs.AIAI 评分3636 LeafSkill：面向递归 LLM Agent 的高效叶级动作落地
研究提出面向递归 LLM Agent 的外部动作复用层 LeafSkill，通过语义检索经验与 1.7B 轻量选择器实现叶级动作落地。在 200 项 Robotouille 任务中，LeafSkill 取得 68.5% 的成功率，优于 ReCAP 的 60.5%。
arXiv cs.AIAI 评分4141 DealsFlow：面向风险投资项目初筛的证据门控智能体框架
英国早期风投基金部署了 DealsFlow 智能体框架，利用事实证据上限、单向降分质疑和证据预检索机制辅助商业计划书初筛。在 142 笔历史投资评估中，该系统评分与回报倍数的 Spearman $\rho$ 达 0.45，识别项目注销的 AUC 为 0.71，均优于无约束 LLM。实测显示分析师单份申请处理时间从 44.7 分钟降至 18.9 分钟，但仍有 70% 的报告需人工修正。
arXiv cs.AIAI 评分3636 基于多模态智能体实现非平稳响应科学仪器的自适应控制
研究团队提出一种基于多模态智能体的科学仪器自适应控制框架，结合确定性特征提取、双层记忆 MLLM 与独立动作校验应对非平稳响应。在 EXL-50U 的 455 炮回放中，检索上下文将动作方向一致性提升 22.4-42.7 个百分点，物理符号分类优于纯波形图像。在 5 个离子源的受监督运行中，系统在 409 炮测试中达到 86.80% 的引束率。
arXiv cs.AIAI 评分2525 FOCUS：用于脑电认知负荷分类的轻量级 Mamba-2 模型
研究者提出基于 Mamba-2 的轻量级模型 FOCUS，参数量仅 0.04M，计算量为 0.11 GFLOPs，专用于脑电（EEG）认知负荷二分类。该模型结合固定 FFT 频段分解、深度可分离卷积与权重共享的 Mamba-2 结构。在 11 名受试者的跨任务留一验证中，FOCUS 取得 74.75% 准确率，GPU 前向延迟仅 0.08 ms。
arXiv cs.AIAI 评分4040 TGR-EvoDAG：面向腾讯生成式推荐的 DAG 多智能体代码进化框架
面向生成式推荐的多智能体代码进化框架 TGR-EvoDAG 将代码演化建模为有向无环图（DAG），以维护多分支演化并融合互补创新。该框架引入阶段感知成本规划以优化 GPU-hour 预算，在 Amazon 数据集上将离线指标最高提升 37.4%。在腾讯商业媒体平台部署中，它实现离线 Hit@1 相对提升 12.16%，线上点击率（CTR）提升 0.40%。
arXiv cs.AIAI 评分3333 多模态强化学习：从视觉亲和力到学习信用分配
研究提出插件式框架 Outcome-Conditioned Visual Credit（OVC），将多模态强化学习中的视觉关联度度量与 token 级信用分配解耦。该方法无需辅助奖励模型、过程标注或推理期模块，直接复用现有采样数据调制 token 梯度贡献。在 3 个模型上，其实例化方案使 6 项基准测试平均准确率相较 GSPO 持续提升 1.86-2.39 个百分点。
arXiv cs.AIAI 评分4444 超越收益指标：衡量 LLM 智能体技能内化以实现技能退役
研究人员针对 LLM 智能体技能库提出一种测量技能内化程度的方法，用于替代仅凭性能增益退役冗余技能的传统规则。实验显示传统增益规则会误删超半数模型与技能均无法胜任的未覆盖技能，而新方法在保证奖励不下降的同时复现率更高（Cohen's kappa 为 0.42 对比 0.23）。团队已开源涵盖 4 个模型、包含 1,251 个技能及其评测任务与评分的数据集。
arXiv cs.AIAI 评分3939 Solvent：面向多步逆合成的长程推理模型
研究团队推出 8B 参数的 LLM Solvent，将长程推理拓展至多步化学逆合成任务。Solvent 通过两轮后训练交替执行合成规划、外部可用性验证与自适应路径修正，经 RL 实现 2.1x 性能提升，在 4 个 benchmark 上取得 61.86% 的综合得分。其表现超越传统基于搜索的逆合成系统并匹敌前沿万亿参数 LLM，相关代码与模型均已开放。
arXiv cs.AIAI 评分5252 论文提出 DMAIC-Bench 基准评估智能体在多阶段分析中的自我约束能力
研究团队提出新基准 DMAIC-Bench，用于评估大语言模型智能体在多阶段分析任务中依据中间证据停止、转向或继续的自我约束能力。测试 6 家供应商的 13 个模型发现，智能体在继续执行（GO）时的路由准确率达 92%，但在应当终止（NO-GO）时仅有 19%，普遍存在报告正确诊断却违规执行下游计算的问题。
arXiv cs.AIAI 评分4242 MemCryst：通过双向记忆与技能学习实现终身上下文自适应
研究人员提出终身上下文自适应框架 MemCryst，在冻结大语言模型下实现记忆与技能的双向协同学习。记忆用于支持技能创建与修订，技能交互则补充新记忆，二者联合构成上下文并依据任务结果调整检索权重。在 ALFWorld 上其联合服务成功率达 63.17%，优于仅记忆的 59.83% 和仅技能的 50.50%，相关代码已开源。
arXiv cs.AIAI 评分4343 Trial by Trace：AI Agent 运行框架可靠性与故障归因评测基准
研究人员推出 TraceTrial-Bench 评测基准，通过 95 个专家级任务评估 AI Agent 运行框架（harness）的可靠性与故障归因。该基准涵盖上下文、执行、治理等 7 个可靠性维度，并设计了轨迹追踪（TT）与故障归因（FA）模块。
arXiv cs.AIAI 评分4343 MedCaseAgent：从多模态临床证据生成罕见病病例报告
MedCaseAgent 是一种端到端 AI 智能体推理框架，能通过动态检索医学文献与知识库，从非结构化临床记录中生成发表级的罕见病病例报告。研究团队同步开源了多模态病例语料库 MedCase-150K、评测基准 MedCase-Bench，以及基于 Qwen3.5-9B 后训练优化的开源模型。基准评测与双盲专家评审显示，其表现均超越现有的通用和专用医疗 LLM 及智能体。
arXiv cs.AIAI 评分4343 RSIHub：面向智能体演化方法的可组合框架
开源框架 RSIHub 为智能体演化方法提供共享基础设施，支持构建、对比与扩展各类演化算法。其在不修改核心架构的前提下实例化了 AHE、Hyperagents、A-Evolve 与 GEPA，提供执行、评估、恢复及血缘追踪支持。基于 MiniSWE 和 Codex 在 Terminal Bench 2 与 $\tau^3$ Banking 测试，最大整体 pass@1 提升达 13.5 个百分点。
arXiv cs.AIAI 评分4848 最小描述长度无监督区分科学智能体中的定律级与统计级知识，揭示其86%的自身发现仅为统计规律
研究发现自改进科学智能体内部用于模型选择的最小描述长度（MDL）压缩比，可作为无监督认知分级指标区分定律级与统计级知识。在智能体已收录的 252 项关系中，高压缩比成功检出活力公式和巴耳末/里德伯公式等经典定律，但同时也揭示出 86% 的知识压缩比接近 1，仅属于统计规律。该研究提出了预测价值与压缩价值的双轴评估机制。
arXiv cs.AIAI 评分3232 基于空间启发式策略的在线 3D 装箱扩散强化学习方法
研究提出一种融合空间启发式策略的扩散强化学习方法，用于解决在线 3D 装箱中空间拓扑结构感知不足与布局优化能力受限的问题。该方法通过启发式动作预筛选压缩动作空间，并引入图神经网络建模空间结构。此外，方案设计了结合平整度的复合奖励函数以抑制空间碎片化，实现了先验知识与自适应优化的结合。
arXiv cs.AIAI 评分2525 基于 Actor-Critic 智能体的股票交易深度强化学习策略
研究人员提出一种融入情绪分析的深度强化学习（DRL）股票交易方法，旨在克服传统基于价格指标策略无法捕捉市场动态的缺陷。该方法针对 Actor-Critic 智能体对比了纯策略优化算法（A2C 与 PPO）以及结合 Q-learning 原理的算法（DDPG、TD3 与 SAC）。
arXiv cs.AIAI 评分3737 在 MXFP4 下训练 MoE LLM：如何缩小与 BF16 的差距
开源方案 ALTO 结合随机阿达马变换、随机舍入及权重去振荡技术，在 MXFP4 格式下训练 20B 参数的 MoE 模型 GPT-OSS-20B。在 C4 验证集上，该方案在 16,128 步时验证损失达 3.3350，仅比 BF16 基线高 0.007，弥补了约 50% 的差距。达到 MLPerf 质量目标时，去振荡将 FP4 相对 BF16 的收敛步数开销从 +20.0% 降至 +5.0%。
arXiv cs.AIAI 评分4747 SolveBind：突破 GUI 智能体防自动化验证屏障的执行框架
研究人员提出 GUI 智能体框架 SolveBind，结合分层求解树与运行时监督，帮助智能体将解题结果转化为符合人类行为特征的交互，从而突破 CAPTCHA 等防自动化验证屏障。在 9 类 CAPTCHA 任务中，SolveBind 在 9 个骨干模型中的 8 个上取得最高成功率，比最强基线提升 13.3-34.5 个百分点，并在 6 个 AndroidWorld 骨干模型上均获最高成功率。
arXiv cs.AIAI 评分3737 RxnExBench：面向科学文献结构化化学反应提取的视觉语言模型评测基准
研究人员提出多模态基准 RxnExBench，包含 3,565 个专家标注反应和 2,361 个分子结构，用于评测视觉语言模型的结构化化学反应提取能力。该基准统一了 15 个反应角色与 26 个核心字段，并提出解耦分子识别与高阶推理的 Oracle-MolRec 协议。对 9 个 SOTA 模型的评测显示多模态整合与化学推理是主要瓶颈，相关数据和代码均已开源。
arXiv cs.AIAI 评分3434 PEAR：面向大视觉语言模型感知与探索的自适应优势重塑方法
研究人员提出面向大视觉语言模型的优势重塑方法 PEAR，旨在兼顾多模态推理中的视觉感知与多样化路径探索。PEAR 以视觉依赖为基础信号，仅对高熵位置补充探索增益，且视觉依赖越低增益越大，以此生成正 token 级权重重塑序列优势。在 Qwen2.5-VL-3B/7B 上的实验显示，PEAR 在多模态推理基准上取得最高平均表现，并在文本推理与通用多模态评测中领先。
arXiv cs.AIAI 评分3535 基于可学习前瞻与平衡分带的扩散语言模型水印方法
研究人员提出一种扩散语言模型水印方法，通过学习词表分带与前瞻预测器优化选词，并按独立上下文-token对计数。在 WaterBench 上基于 LLaDA-8B-Instruct 评测，强水印在 1% 假阳性率下可检测至少 96% 的回复，LLM-judge 分数与无水印文本相当。该方法在 Dream、代码及问答任务上也维持了同等或更高检测率，且无明显精度损失。
arXiv cs.AI精选AI 评分6262 SWE-Shift：评估编码智能体在动态演化工作区中表现的评测基准
研究团队推出 SWE-Shift 基准，用于评估编码智能体在执行任务过程中应对代码、依赖、状态及需求等动态变化的能力。该基准包含 12 类变动共 120 个场景并在 9 个干预点进行测试，评估的 17 个智能体在环境变动后的成功率均出现下降，其中 GPT-6 Astra 成功率从 67.35% 跌至 24.79%。测试还发现，工具或会话变动以及陈旧证据会导致所有受测系统的配对成功率归零。
推荐理由：该研究揭示了编码智能体在开发环境动态变化时难以保留工作成果与刷新状态，为动态协作场景提供了评测基准。
arXiv cs.AIAI 评分3535 用于预测未来求助行为的循证 SLM 架构 ELBP
研究提出端侧循证行为预测架构 ELBP，结合双视角表示、SLM 预测与证据验证机制预测用户的求助行为。在 3B 及以下参数模型测试中，Qwen2.5-3B 搭配 ELBP 取得 0.80 的 F1 分数与 0.84 的 PR-AUC，较原始事件提示提升 15.9%，ECE 降低 43.2%。启用弃权机制后，在 91% 覆盖率下选择性 F1 达 0.84，证据支持率达 96%。