本期 34 件事。点击标题可查看卡片、来源与相关知识点。
即便掌握1905年全部物理学知识，当前大语言模型也无法独立提出广义相对论，根本原因在于模型缺乏从经验现象跃迁到基础公理的“溯因跃迁”能力，仅停留在符号统计层面，未锚定物理世界。
DeepMind发表论文《LLMs can't jump》（待核实完整论文标题及会议/期刊信息），以爱因斯坦提出广义相对论的过程为思想实验：假设模型拥有1905年前所有已知物理知识，仍无法自主推导出广义相对论。论文指出大模型缺失从物理经验到基础公理的**溯因跃迁**（abductive leap），只依赖符号统计关联，缺乏对物理世界的真实理解。
腾讯研究院（搜狐同步）
查看来源原文通过启用两项API设置（保留推理过程与启用压缩），GPT-5.6在ARC-AGI-3基准上的得分提升至原来的三倍，同时提高了效率。（待核实具体数值和设置细节）
OpenAI于2026年7月（根据URL发布日期推测，具体日期待核实）发布报告，说明通过调整两个API参数，使模型在抽象推理基准ARC-AGI-3上取得显著改进。原始材料未能抓取，以下内容基于摘要元数据。
OpenAI
查看来源原文通过一条名为「挑战循环」的提示词，用户可利用 Claude Opus 5 在 24 小时内从零生成画质接近 3A 水平的游戏原型，其核心在于主 Agent 拆解任务、子 Agent 并行制作、独立评委 Agent 持续对比真实 3A 作品并自动返工。
2026 年 7 月 29 日，一条由 AI 创业者和投资人 Matt Shumer 公布的 Opus 5 游戏提示词在社交媒体上爆火，吸引百万网友围观。网友 Anshu 用该提示词在 24 小时内从零复刻出类似《星际拓荒》的太空探索游戏《The Long Silence》，并开源。随后其他网友陆续用同一方法造出卡丁车游戏、Claudepunk 2077…
量子位
查看来源原文月之暗面开源了全球首个2.8万亿参数级多模态模型Kimi K3（激活1040亿参数），综合能力超越Opus 4.8和GPT-5.5，但官方承认仍落后于最强闭源模型；其核心架构采用KDA线性注意力+NoPE+跨层注意力残差+896专家MoE，训练效率较前代K2提升约2.5倍，配套的MoonEP并行方案与PerceptionBench基准均已开源。
2026年7月（据腾讯研究院AI速递报道），月之暗面正式开源Kimi K3模型。这是继此前Kimi K2之后又一款大规模开源模型，总参数量达到2.8万亿，激活参数1040亿，支持百万token上下文窗口和原生视觉能力。后训练阶段采用SFT、分类强化学习与多教师蒸馏，并配套了自主开发的分布式并行方案MoonEP和评估基准PerceptionBench，这些组…
腾讯研究院（搜狐同步）
查看来源原文SSI由OpenAI前首席科学家Ilya Sutskever创立，专注构建“安全超级智能”。公司宣布与英伟达建立长期战略合作，计划在未来12个月内将其算力规模提升10倍。据外媒报道，英伟达拟向SSI投资约50亿美元。SSI去年估值已达约300亿美元，此前累计融资约70亿美元。该公司目前尚无收入，也不急于推出产品，唯一目标是打造安全超级智能。
腾讯研究院（搜狐同步）
查看来源原文微软CEO纳德拉指出，企业若将数据、记忆与AI使用记录的控制权全部依附于单一AI系统，相当于外包自身思考能力，可能因模型涨价、停服或落后而面临高迁移成本，甚至难以生存；其解法是将模型、Harness与上下文记忆解耦，使底层模型可随时替换。
微软CEO萨提亚·纳德拉在公开场合警告企业，不要将全部AI能力绑定在单一供应商的大模型上。他认为，深度使用会让供应商摸清公司的运作方式，一旦模型涨价、停服或技术落后，企业的迁移成本极高，从而被牢牢锁定。纳德拉提出的应对策略是“拆”——将大模型、调用框架（Harness）以及上下文记忆进行解耦，使得底层模型可随时替换，而企业自身则需将元数据与工作流沉淀为自有…
腾讯研究院（搜狐同步）
查看来源原文OpenAI宣布向10万名学术研究人员免费开放ChatGPT最先进的AI模型，旨在加速科学发现与研究协作。
**发布方**：OpenAI **产品/项目**：ChatGPT for Academic Researchers **核心措施**：向全球10万名学术研究人员提供免费访问ChatGPT最先进AI模型的权限。 **目标**：加速科学研究、跨学科合作与科学发现（accelerate scientific research, collaboration, an…
OpenAI
查看来源原文OpenAI 前安全研究副总裁、知名 AI 研究者翁荔因长期高强度工作导致健康问题，在入职仅 20 个月后宣布离开 Thinking Machines Lab，进一步加剧了该公司的人才动荡。
北大校友、OpenAI 前安全研究副总裁翁荔于 2026 年 7 月 29 日宣布离职 Thinking Machines Lab，原因是连续 20 个月的高强度工作导致身体难以支撑。翁荔以 OpenAI 机械手拧魔方、搭建安全系统团队及高引博客 Lil'Log 著称，其提出的 Agent 公式被行业广泛引用。
腾讯研究院（搜狐同步）
查看来源原文微软与哥伦比亚大学提出的OpenForge RL框架，通过在任意harness中插入轻量Agent记录模型调用、并由Kubernetes编排容器调度rollout，无需修改harness代码即可扩展至数千并发环境；训练出的模型在几乎所有基准上优于同规模开源模型，泛化能力更强。
2026年7月29日，腾讯研究院AI速递报道：微软联合哥伦比亚大学发布OpenForge RL，一个面向强化学习（RL）的端到端训练框架。该框架利用轻量级Agent记录模型调用，借助Kubernetes对容器进行编排，实现大规模的rollout调度，可在任意harness与环境中训练。团队声称将开源代码、数据与模型。
腾讯研究院（搜狐同步）
查看来源原文蚂蚁团队开源的LLaDA2.2是全球首个大规模Agentic扩散语言模型，通过四种编辑原子操作与L-EBPO强化学习实现生成中途自我修正，在SWE-bench上提升8.6个百分点，吞吐量达同规模自回归模型的1.64倍，将扩散语言模型路线正式推入智能体时代。
2026年7月29日，蚂蚁团队宣布开源LLaDA2.2，这是全球首个专为智能体（Agent）设计的大规模扩散语言模型。该模型基于扩散语言模型路线，通过改造训练和推理范式，使其能够像自回归模型一样执行交互式任务，并具备中途自我修正能力。
腾讯研究院（搜狐同步）
查看来源原文根据OpenAI官方描述，GPT-5.6通过跨模型、推理和智能体工作流的效率改进，实现了每美元更优的智能产出，但具体技术细节与性能数据待核实。
OpenAI发布了GPT-5.6，旨在融合前沿智能（frontier intelligence）与前沿效率（frontier efficiency）。该模型在模型架构、推理过程以及智能体工作流（agentic workflows）三个层面进行了效率优化。由于原始材料未能抓取，更详细的发布背景、时间及技术细节待核实。
OpenAI
查看来源原文开放安全AI联盟主张通过开放前沿模型和共享工具强化AI安全防御，避免闭源工具的单点故障风险，并已有Hugging Face使用GLM 5.2成功防御入侵的实例佐证。
2026年7月，NVIDIA联合Adobe、微软、IBM、Hugging Face等数十家企业，基于Linux基金会倡议成立“开放安全AI联盟”，旨在开发共享开放工具，保障AI时代软件与智能体安全。（具体成员名单及成立日期待核实）
腾讯研究院（搜狐同步）
查看来源原文腾讯生命科学实验室与中南大学合作开发的UniPert-G2CP模型，首次将基因扰动、化合物结构与细胞转录组响应纳入同一因果空间，实现用低成本基因数据预测高成本的化合物-细胞响应，相关成果发表于《Cell》主刊，成为国内首篇在该刊发表的AI虚拟细胞研究。
腾讯生命科学实验室与中南大学联合团队在《Cell》主刊发表了UniPert-G2CP模型，旨在攻克“化学扰动×细胞特异性响应”这一难题。该算法通过构建统一的生物表征空间，实现从密集的低成本基因数据到稀缺昂贵的化合物-细胞响应预测的“知识迁移”。
腾讯研究院（搜狐同步）
查看来源原文对连续代数约束系统的求解，学习型扩散提议（diffusion proposals）在满足赋值决策上仅在高维且变量独立时才显著优于随机多起点搜索；在低维或变量耦合时优势消失，且在八个真实世界系统中经典随机多起点即可全部解决，未出现学习型有利区间。
求解连续代数约束系统需两类决策：①哪些值满足约束；②何种结构增补使不可解系统变为可解。经典求解器擅长前者，对后者只能枚举。现有扩散模型作为学习型提议用于加速求解，但缺乏一个关键控制实验：相同精炼预算下的随机多起点基线。本文系统性地比较了学习型扩散提议与随机多起点在赋值决策上的表现，并刻画了有利区间。
arXiv 论文
查看来源原文VidMap 融合了 SLAM 的强时序约束与离线 SfM 的全局优化能力，在未知相机标定、极端运动和视觉对称场景下，显著优于当前最先进的经典或学习方法。
准确恢复任意未标定视频的相机标定与度量位姿，是获取大规模导航与场景理解训练数据的关键瓶颈。现有方法存在严重局限：SLAM 因因果增量特性对初始化敏感、易出现瞬态失败，且通常需要已知相机标定；SfM 虽支持全局优化，但对视觉对称和极端运动鲁棒性差。VidMap 旨在弥合两者差距。
arXiv 论文
查看来源原文**问题**：现有视觉-语言-行动（VLA）模型普遍采用“以LLM为中心”的 \(V \to L \to A\) 架构，即先通过大语言模型融合视觉与语言信息，再解码为动作。该设计每次策略调用都带来巨大的计算和内存开销，难以在消费级硬件上实时运行。 **事件**：作者提出TurboVLA，将路径重构为直接的 \(V + L \to A\) 映射，独立编码视觉…
arXiv 论文
查看来源原文在三人小团队中引入AI作为队友，会显著削弱人类成员之间的沟通响应性、社会影响力，并降低成员的归属感和地位感；这种社会成本在对话初期即已显现，且AI在对话中占据支配性话语权。
The Social Cost of an AI Teammate: How an Artificial Teammate Reshapes Human-Human Communication in Small-Team Decision-Making
arXiv 论文
查看来源原文SpecFirst 将行为规范提取作为独立阶段前置到代码合成之前，在 ProgramBench 基准上将测试通过率提升 6.9%–21.3%，证明了“需求工程先行”范式对于从零开始的程序构建的有效性。
LLM 智能体在已有代码库的软件工程任务中表现出色，但从头构建程序仍极具挑战。ProgramBench 基准显示，面对仅含自然语言文档和可执行二进制的行为 oracle，即使前沿模型解决率也低于 1%。现有框架将文档阅读、行为探索和代码合成混为单次循环，导致探索不足、行为意图漂移、早期误解被传播。研究问题：能否借鉴经典需求工程，将行为规范提取作为独立的一等…
arXiv 论文
查看来源原文WindCastNet 是首个直接从卫星散射计星座不规则观测数据学习海上风速和风向的临近预报框架，在北海测试中相比数值天气预报模型 HARMONIE MEPS，于 1 小时和 2 小时提前期分别降低均方根误差 23% 和 7%，前三小时优于持续性预报 9–15%。
准确的海上风电日内预报对电力系统运行及高比例风电并网日益关键。现有运行预报主要依赖数值天气预报（NWP），但 NWP 对分钟至小时级（主导因素为初始场精度）的提前期优化不足。卫星散射计观测虽被常规同化进 NWP，却从未被直接用于预报。本研究提出一种新范式：直接利用欧、中、印三颗散射计卫星组成的星座所获取的时空不规则微波雷达观测，进行海上风场预报。
arXiv 论文
查看来源原文本研究提出 CE-CM 及 CE-CM-Div 方法，通过推断任务不变的能力向量，使智能体在无预训练、仅少量任务交互下即可适应具有隐藏能力的未知合作伙伴，并在模拟实验和离线人类研究中显著提升了能力估计的准确性。
现有临时团队协作（Ad-Hoc Teamwork, AHT）研究通常假设：①合作任务单一且固定；②合作伙伴执行期望动作的能力已知。然而现实场景中伙伴的真实能力往往是隐藏的，且人类在具有多个有效策略的任务中可能表现出次优行为。为此，本文将 AHT 扩展至多任务场景，将其重新表述为在隐藏伙伴能力下进行分散式执行的联合规划问题。
arXiv 论文
查看来源原文Pangram 4 在 AI 文本检测任务上实现了 AUROC 0.9916，假阳性率仅 0.0041%，假阴性率 0.3396%，并在分布外泛化、对抗鲁棒性、细粒度编辑与混合人机合著文本检测上均优于上一代模型，达到当前 SOTA 水平。
Pangram Labs 发布了第四代深度学习 AI 文本分类模型 Pangram 4 的技术报告。该模型在标准 AI 检测基准上取得了全面领先的性能，尤其加强了对经过轻微编辑的 AI 文本、以及人类与 AI 混合作者文本的识别能力。同时，模型在边界检测任务（定位 AI 生成的起止位置）和交错式 AI 辅助检测上也展现了改进。
arXiv 论文
查看来源原文OmegaUse-OfficeVal 基准通过为每项办公套件任务附加人工劳动时间和任务价格代理两种经济信号，允许直接对比人类成本与 LLM 推理成本，评估表明当前前沿 LLM 虽然成本更低、速度更快，但交付质量尚未达到人类水平。
现有 LLM 智能体基准多聚焦于通用任务或代码/数学领域，缺乏对办公套件（office-suite）长时程工作流的经济可行性评估，即“能否以合理成本完成真实办公任务”。本文提出 OmegaUse-OfficeVal，一个带有任务级经济锚定的基准，包含 100 个源自从业者实际请求并经过隐私保护改造的任务，平均每项需 2.32 小时人工完成。每个任务配有人工…
arXiv 论文
查看来源原文Miniaturizing and modifying natural proteins with Raygun
nature.com
查看来源原文MindForge 将开源命令行程序自动转换为“无源”训练环境（仅暴露编译后的可执行文件和文档），由此生成的合成训练数据能使小模型（Qwen3.6-27B）在从零编写完整程序这一极具挑战的任务上取得显著提升，并泛化到七种未见过的软件工程基准上。
当前编码智能体在修改已有代码库（如 bug 修复、功能实现）方面取得了较大进展，但“从零构建一个完整程序”仍是重大挑战——即使顶尖模型在 ProgramBench 上的完整解决率也不到 1%。主要障碍是缺乏覆盖软件工程全生命周期的、可扩展的训练环境。现有环境构建框架通常只聚焦于单一步骤。MindForge 旨在填补这一空白。
arXiv 论文
查看来源原文将智能体的信念、意图、情感等心理变量作为世界模型的核心组件，而非事后解释，可以显著提升对人类决策的预测准确性。
Mental World Modeling
arXiv 论文
查看来源原文准确拟合期权价格并不能保证准确反推出隐含风险中性密度（RND）；不同密度估计方法在价格误差和密度误差上的表现排名可能相反，因此应依据具体任务选择具有相应归纳偏置的模型，而非追求“万能赢家”。
期权定价中，从市场价格反演隐含风险中性密度是一项经典任务。通常认为模型在价格拟合上误差越小，其估计的RND越可靠。本文通过两个互补基准（受控合成基准与NIFTY指数历史市场基准）系统性验证了**价格精度并不等价于密度精度**，并考察了多种学习方法（如两成分对数正态混合、DeepONet、报价Transformer等）在两项指标上的差异及其根本原因。
arXiv 论文
查看来源原文提出一种混合大模型与小模型的发现增强搜索架构，将电商搜索中意图驱动的候选商品覆盖率从约60%提升至80%，推理成本仅为大模型教师版本的约30%，同时保持语义相关性。
传统电商搜索系统（尤其是生鲜杂货领域）优化目标是精确匹配查询，优先保证精准率但牺牲召回率，导致替代品、互补品及主题相关商品难以被用户发现。本文旨在通过生成隐式用户意图来扩展候选召回，在不损害相关性的前提下提升商品可发现性。
arXiv 论文
查看来源原文HumanCLAW: Can Vision-Language Models Act Through a Body?
arXiv 论文
查看来源原文本研究受果蝇感知环境机制的启发，提出了一种将回归任务重构为分类问题的新框架，通过构建有限局部模式库并基于相似度加权重建进行预测，在降低计算和存储需求的同时实现了对精度与成本的显式控制。（待核实具体实验验证）
研究问题：传统回归任务通常采用复杂的全局代理模型来学习输入-输出映射，但在科学数据（如动力系统、物理信息学习）中，输入空间往往只占据有限且重复的区域。受果蝇高效处理环境信息的生物启发，本文尝试将非线性回归问题转化为基于有限局部模式的分类与加权重建问题，以降低计算和存储成本，并提升可解释性和控制能力。
arXiv 论文
查看来源原文在基于价值函数的强化学习（RL）微调中，对Q函数进行预训练（与预训练策略配合）并不能稳定带来性能提升，随机初始化Q函数在多数情况下效果相当甚至更好；作者提出了一种简单的集成策略初始化方法（IPE）可将微调性能提升平均1.26倍。
预训练+微调已成为学习高性能策略的主流范式。对于基于价值函数的RL，一个自然的问题是：给定一个预训练的策略，Q函数是否也应该在离线数据上预训练？传统观点认为应该，但近期结果表明，使用随机初始化的Q函数进行在线RL也能产生高性能且可靠的策略。本文系统研究了在预训练基础策略上进行微调时，预训练Q函数是否真正有帮助。
arXiv 论文
查看来源原文DenseOn with the LateOn: Fully Open Dense and Late-Interaction Models for Multilingual, Long-Context, and Code Search
arXiv 论文
查看来源原文前沿AI智能体可以自主完成AI研究的工程部分（如代码实现），但在提出有意义的科学问题、创造性应对研究设计缺陷、有效回溯死胡同、合理分配计算资源以及遵循原始指令等关键环节仍存在系统性失败，无法独立完成一项高质量论文的开放式研究问题。
该研究提出了一种衡量AI研发自动化进展的新型评估方法——“影子评估”（shadow evaluation）：让AI智能体接手一篇高质量未发表论文的核心开放式研究问题，并由该论文的原始作者对其输出进行评分。研究者对两篇未发表的NeurIPS 2026投稿进行了影子评估，给予前沿智能体6天时间和数千美元的计算资源。智能体在没有人类帮助的情况下完成了所有工程任务…
arXiv 论文
查看来源原文APEX-Accounting 是一个由 Mercor 与 Ramp 联合构建的封闭会计任务基准，用于评估前沿模型是否能完成真实会计师的工作。当前最佳模型 Claude-Fable-5 (Max) 在 Mean Criteria@3 上仅达到 56.4%，且所有模型在严格通过率（Pass^8）上均低于 3%，表明现有模型尚不具备可靠的会计实务能力。
APEX-Accounting 旨在回答：当前最先进的 AI 模型能否像专业会计师一样完成对账、应计费用、过账和生成报告等真实业务操作？该基准将会计任务从理论问题扩展为包含完整会计系统、电子表格、PDF 等真实工作环境的综合评估。
arXiv 论文
查看来源原文Anatomy Contextualized Adaption of CT Foundation Models
arXiv 论文
查看来源原文