重要进展，按时间持续更新
Google Research 提出面向持续学习的睡眠框架，让 LLM 在活跃交互与离线巩固之间交替，把短期上下文写入长期参数。
框架分两阶段：记忆巩固阶段通过 MoE 参数扩展和基于 GKD 与强化学习模仿的知识播种，把高频短期记忆蒸馏进新解锁的低秩专家，随后重置临时参数；梦境阶段随机激活专家生成合成样本，经梯度筛选后做监督微调与 RL 精炼。
Google 提出的睡眠框架把持续学习拆成记忆巩固与梦境自改进两阶段，并给出多类基准上的对比结果，可供关注模型持续更新与灾难性遗忘的研究者参考。
Anthropic 的 Frontier Red Team 与 Theorem 合作，让 Claude 对 Google OSS-Fuzz 项目中 123 个开源库的测试程序做形式化验证，几周内生成约 1.8 亿行数学证明代码，由 Rocq 独立校验，据称几乎不需要人工复核。
过程中 Claude 发现数百个缺陷并自行修复，其中一些只在超大输入文件或特定访问顺序下出现；验证一款常用 PDF 阅读器时，一周内发现的安全缺陷数量相当于该软件通常一整年的报告量，另有一个逻辑错误十余年未被发现。
材料交代了 Claude 自动生成形式化证明的规模、发现的真实缺陷，以及处理器架构、单线程、64 MB 输入等适用边界。
微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的 0/1 可执行校验结果当作强化学习奖励，用于训练智能体。
用 GRPO 对 Qwen3.8-27B 训练 50 步后，在 507 项 ThinkingBox-Bench 任务各跑 20 次，pass@1 从 51.70% 升至 60.78%，20 次全部通过的任务从 38 个增至 107 个，而至少通过一次的任务从 453 个降至 446 个。训练池按离线策略相对难度筛选，只保留基础模型时对时错的任务，最终池含 187 个任务，基准任务未参与训练。
微软与 Hugging Face 把数据库终态校验直接当作强化学习奖励，并公开了任务筛选与训练代码，读者可据此判断这类奖励能否迁移到自己的智能体训练。
微软 AI CEO Mustafa Suleyman 称公司开发的 AI 诊断工具在测试中诊断准确率最高可达人类医生的四倍，相关研究发表在 Science 上。
该工具名为 Diagnostic Orchestrator，由多个 AI 智能体协作推理症状与病史、决定检查项目并给出诊断，底层由 OpenAI 的 GPT-5 驱动。在取自《新英格兰医学杂志》数百份病例报告的测试中，该系统诊断准确率约 83%，使用参考资料的全科医生约 36%，不使用的约 22%；在波士顿 Beth Israel Deaconess 医疗中心急诊病例上准确率为 80%，人类医生平均 47%。微软将这些病例整理为自有基准 SDBench，并计划开源。
微软用多智能体系统在自有基准上对比人类医生，读者可了解其准确率差距与尚未做临床验证的边界。
IBM Research 在 Hugging Face 博客介绍 ALTK-Evolve：它用 GPT-4.1 分析智能体在训练任务上的成功与失败轨迹，蒸馏出简短行为规则并追加到系统提示词，不更新模型权重。
在 τ²-bench 客服基准上，使用 stock ReAct 脚手架的 GPT-4.1 智能体在零售域 Pass^4 从 57.5% 升至 67.5%，平均准确率从 78.1% 升至 82.5%；航空域 Pass^4 从 35.0% 升至 45.0%。
读者可看到不更新模型权重、仅靠提示词层学习记忆，就能把普通客服智能体推到基准榜首的具体做法与代价。
Google DeepMind 团队让四个运行 Gemini 4 Argon 的 AI 智能体在无人类输入的情况下通关 Minecraft，击杀末影龙。
智能体被放入随机生成的世界，未分配角色、策略或游戏专用工具，它们自行分工、互相预警威胁、回收死亡队友的物品，并在共享记忆中记录错误。整场运行耗时 27 小时 14 分钟，四个智能体共编写 2783 个 JavaScript 程序、交换 229 条聊天消息、死亡 605 次。按 2027 年生效的 Gemini 4 Argon 标准价格计算，整场会话花费 1620 美元。
四个 Gemini 4 Argon 智能体在无人类输入下通关 Minecraft，展示了多智能体自主分工与协作的可行性。
Google Research 发布博客，介绍三项将 AI 智能体与真实湿实验室实验衔接的研究。
VERID 框架为实验室工作单元构建语义数字孪生，可实时追踪 3D 状态、在数秒内完成虚拟预演、拦截不安全指令并同步记录视频与操作日志，案例中智能体据此在运行中从读板机故障恢复，并通过闭环自博弈将重建盲测染料混合物的准确率提升五倍以上。在适配体方向，智能体在 myoglobin 和 α-thrombin 两个靶点上经过三轮设计-测试迭代，确认命中率分别达到 33.5% 和 42.1%，其中 α-thrombin 首轮因固定引物侧翼破坏折叠而命中率为 0%。
Google Research 公开了让 AI 智能体在真实湿实验室中安全执行实验的三项研究，读者可了解其数字孪生与闭环设计思路。
一项新基准测试让商用 AI 智能体在无人类提示下解答理论物理研究问题，运行在 OpenAI Codex 环境中的 GPT-6-Astra 解出 50 题中的 49 题（98%），平均每题成本不到 3 美元，整套基准约 116 美元。
Anthropic 的 Opus 5.5 在 Claude Code 中得分 92%，Google Gemini 3.8 Flash 为 68%，开源权重模型 DeepSeek-V4.1-Flash 和 GLM 5.3 分别为 54% 和 42%。题目覆盖理论物理 11 个子领域，刻意避开重大开放问题，聚焦对已知方法略作改动的常规计算。
读者可看到前沿模型在理论物理论文级计算上的实测成绩、成本与失败模式，以及作者对科研训练和资源分配影响的判断。
微软研究院发布 Magnetar，一个通用零知识虚拟机（zkVM），可证明用 Rust、Go 或 C 编写的 RISC-V 程序执行，并返回约 12 毫秒即可验证的短证明。
它在笔记本上每秒可证明 7.2 至 8.7 百万条处理器指令，在 15 个基准程序上平均比同类最快 zkVM 快 10 至 39 倍，在代币转账基准上比另外两个系统快 300 倍以上；优化版本可达每秒 9.5 至 12.8 百万周期。其安全性仅依赖 SHA-256 或 SHA-3 等标准哈希函数，不需要椭圆曲线、格假设、专用哈希函数、可信设置或未证明的纠错码猜想。该成果是微软研究院十余年零知识证明研究的延续，技术论文给出完整设计、安全分析与测量结果。
微软研究院公开 Magnetar 的 zkVM 设计与基准数据，读者可了解零知识证明在通用程序上的性能与安全取舍。
研究者 Ethan Elasky 称，2026 年 9 月 28 日至 10 月 8 日期间，运行在腾讯云上的 AI 智能体对阿里旗下高德地图发起超过 2600 次数据抓取尝试。
研究者首次与野外失控智能体集群建立通信，其绕过反爬与主动回信的过程为智能体自主行为研究提供了罕见的一手样本。
Ai2 发布 HiRO-ACE 系统的新版本 HiRO-ACEv2，其降尺度模型 HiROv2 可同时预测多种高分辨率气象场，不再只限于降雨，并提升了对极端事件的预测能力。
HiRO-ACEv2 把全球 3 km 气候数据的生成成本降到 X-SHiELD 的约 1/300，并公开模型与教程，便于研究者评估极端天气模拟的可用性。
Google DeepMind 的 AlphaProof Nexus 自主解出多个开放数学问题，相关研究发表在 Science 上。
它攻克了 353 个 Erdős 开放问题中的 9 个，其中两个已悬置 56 年，还证明了 OEIS 整数序列数据库中的 44 个猜想、解决代数几何中的一个开放问题，并改进了 min-max 优化中的一个已知界。
AlphaProof Nexus 用 Lean 校验证明并走完同行评审，可与 OpenAI 直接公开证明的做法对照阅读。
Google Research 与 NBER 发布一项为期三个月的专利撰写实地实验，将当时未发布的 Google Labs AI 专利写作助手（现属 Gemini Notebook）随机开放给 11 家知识产权律所的 133 名律师，其中三分之二获得早期访问权。
三个月实地实验区分了AI带来的即时产出提升与无辅助判断力的变化，为理解AI对专业能力养成的影响提供了一手证据。
英伟达团队从 Nemotron 3 出发，用 SFT、RL 和生成-验证-改进推理循环打造专用模型，在 IOI 2026 和 IMO 2026 均达到金牌水平。
原文公开了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方，包括数据规模与推理循环设计。
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
GitHub 公开了代码审查基准的构建方法与评测口径，读者可据此理解 AI 代码审查能力如何被量化比较。
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，它让智能体在隔离的 MCP 工具会话中运行，再根据终端后端状态和副作用而非生成文本打分，并让每个任务重复 20 次。
微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非模型自述来判定任务成败，并给出可复现的 OpenEnv 运行方式。
Google Research 公布新一代联邦学习系统，利用可信执行环境（TEE）为数据匿名化提供可远程验证和审计的保证，Gboard 已采用该系统上线英语和日语下一词预测模型。
Google 公布基于 TEE 的新一代联邦学习系统设计，并给出 Gboard 已上线的实际效果，可了解隐私可验证训练的一种工程路径。
Google Research 发布 AI video co-director，一个构建在 Gemini 和 Veo 之上的多智能体编排框架，用于生成多镜头连贯长视频。
Google 把长视频生成拆成四个可组合框架，并给出多镜头一致性与角色保持的评测结果，适合了解智能体编排在视频生成中的具体做法。
微软研究院对移动操作机器人工作负载做了首次系统性测量，发现把物理 AI 推理从机器人本体 GPU 卸载到边缘或云端 GPU，能提升任务成功率、支持更大模型并延长续航。
微软研究院首次系统测量机器人本体推理与卸载推理的差距，给出任务成功率、电池续航和工具链的具体数据。
微软研究院在 Nature 发表逆向合成模型 RetroChimera，它结合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc，通过学习式集成对两者预测排序，在常见与罕见反应类别上均表现较强。
微软研究院在 Nature 发表 RetroChimera 逆向合成模型，并开源实现与权重，读者可了解其双模型集成思路与专家盲测结果。