Hugging Face 在 7 月 15 日至 8 月 2 日的黑客松中，组织 1221 名社区成员用 Claude Code、Codex、Cursor 等编码智能体复现 ICML 2026 论文，共发布 6816 份 Trackio logbook，覆盖 2226 篇论文，约占会议论文的三分之一。
推荐理由：Hugging Face 用 1200 多名社区成员和编码智能体复现 ICML 2026 论文，给出了大规模论文复现的可行路径与人类角色的具体分工。
微软研究院推出 MindTopo 基准，用于评估多模态大语言模型在连通性、封闭、顺序、分离和绳结五类拓扑关系上的推理与规划能力。测试显示，当前模型在静态图像识别上表现明显优于交互式规划任务，失败多发生在规划阶段而非感知阶段，模型在场景变化中会丢失结构关系或提出违反物理约束的动作。图像与视频生成仅在单帧关系可见时偶有帮助，跨序列仍不可靠。
Google Research 提出知识画像（knowledge profiling）框架，并发布含 2,150 条 Wikipedia 事实的 WikiProfile 基准，用于区分 LLM 的编码失败与召回失败。
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 构建，可在实时视频问诊中感知非语言线索、引导虚拟体格检查并同步进行诊断推理。
推荐理由：Google 把 AMIE 从文本诊断扩展到实时视频问诊，并给出随机对照的评测设计，可了解多模态临床 AI 的当前边界。
Microsoft Research 发布研究模型 CARE-X，一个统一胸部 X 光视觉语言模型，可同时完成报告生成、结构化预测与病灶定位，并用强化学习 DAPO 在多任务中奖励临床正确性。
Hugging Face 的 ALTK-Evolve 在 AppWorld 上以更少 token 追平或超越 ACE：DeepSeek-V3.2 上 TGC 89.3、每任务 263K token，ACE 为 80.4、634K；gpt-oss-120b 上两者准确率基本持平（56.0 对 54.8），但 ALTK-Evolve 仅需约七分之一成本。
Multiverse Computing 发布论文《Efficient Knowledge Distillation for LLMs: Offline Top-K Logits and a Fused Chunked KL Loss》。
Google DeepMind 发布 WeatherNext AI 模型，在气旋路径、强度和风场结构预测上达到 SOTA，平均多出约一天预警提前量，相当于气象领域约十年的进展。
推荐理由：WeatherNext 在气旋路径与强度预测上取得约一天预警提前量，并开源模型权重与代码，读者可据此了解 AI 天气预报的当前进展与可用入口。
微软研究院发布开源框架 Orchard，核心是 Kubernetes 环境服务 Orchard Env，可复用于软件工程、网页导航和个人助理等任务，并支持在 Codex、OpenClaw、ZeroClaw 等真实部署框架内直接训练智能体。
推荐理由：微软研究院开源了可复用的智能体环境服务与三套训练配方，读者可据此了解小模型在真实任务上的训练路径。
OpenAI 公布在数学与理论计算机科学若干长期未解问题上取得的新结果，涵盖几何、密码学与复杂性等方向。材料仅提供摘要，未列出具体问题、方法或数据。
推荐理由：OpenAI 公布数学与理论计算机科学中若干长期未解问题的进展，涉及几何、密码学与复杂性方向。
Google Research 提出 Chain-of-Evidence（CoE）可验证性框架，并落地为自主科研原型 Science One Framework 与配套的 CoE Audit 审计指标。
推荐理由：原文给出可验证性框架与审计指标，读者可据此比较自主科研系统在引用与代码一致性上的差距。
Berkeley Sky Lab 与 IBM Research 将演化式内核搜索框架 K-Search 扩展到 MLX，通过结构化的 CUDA 到 MLX 翻译层，把已有 CUDA 内核作为知识库迁移到 Apple Silicon。
推荐理由：原文给出跨平台内核迁移的具体方法与实测数据，读者可据此判断 CUDA 经验能否复用到 Apple Silicon。
OpenAI 新研究显示，ChatGPT 用户正在跨角色承担任务，工作边界因此被重塑。研究关注的是 AI 如何拓展员工能做的事，而非单纯替代。
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的摘要以自然语言"信念状态"形式隔离并监督，替代完整交互历史作为智能体工作上下文。在 CollabBench 协作编程任务中，基于重建的信念评分（rec-BG）将 ABBEL 与全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 长度也显著低于全上下文设置。
Google Research 发布 SymptomAI，一个基于 Gemini Flash 2.0 的对话式症状评估智能体，在 n=13,917 的随机全国研究中让参与者与五种不同提问策略的智能体对话并给出鉴别诊断（DDx）。
推荐理由：Google 用 13917 人随机对照研究比较五种提问策略，并首次把 AI 诊断与 Fitbit 生理信号做交叉验证。
Google Research 在 Nature 发表论文，提出用强化学习智能体从量子纠错检测事件中学习，在计算过程中持续调节数千个控制参数以对抗漂移。在 Willow 超导处理器上人为注入漂移后，该方法将纠错码的逻辑稳定性提升 3.5 倍，并在专家校准基础上进一步把逻辑错误率压低 20%，使表面码逻辑错误降至每千个纠错周期不到一次。
推荐理由：Google 用强化学习让量子处理器在计算中持续校准控制参数，读者可了解纠错与校准解耦这一瓶颈的新解法。
DharmaOCR 在葡萄牙语专项基准上得分 0.925，高于 Mistral OCR4 的 0.798 和 Unlimited-OCR 的 0.7587。该模型通过葡萄牙语监督微调加 DPO 两阶段训练，将全部参数集中于巴西葡萄牙语，从而在提取质量和稳定性上保持优势。
Google Research 在 ICLR 2026 论文中揭示，扩散模型的创造力源于神经网络训练中的 score smoothing 效应：权重衰减等正则化使学到的 score function 变平滑，让去噪过程在训练数据点之间插值，从而生成新样本。研究用一维 +1/-1 示例和两层 ReLU 网络实验验证，即使没有显式正则化，梯度训练的隐式正则化也能产生该效应。
OpenAI 发布自动化红队系统 GPT-Red，通过自我博弈提升 AI 安全性、对齐与提示注入鲁棒性。该系统面向鲁棒性的自我改进，可用于自动化红队测试。
Hume 发布 Real World VoiceEQ 基准，用于评估语音交互的人类质量，覆盖 40 多个专有与开源语音模型、15+ 评估维度和 60+ 指标，涵盖 ASR、TTS、S2S 与语音理解。
Google Research 发布 SensorFM，一个从无标注可穿戴数据中学习的大型传感器基础模型，预训练语料来自五百万名同意参与者、超过一万亿分钟的多模态传感器信号，覆盖 100 多个国家、50 个美国州和 20 多种 Fitbit 与 Pixel Watch 设备。
推荐理由：Google 用五百万人的万亿分钟可穿戴数据预训练通用生理表征，读者可了解基础模型在健康信号上的规模化路径。
OpenAI 发布新分析，指出热门编码基准 SWE-Bench Pro 存在可靠性与准确性隐患，可能影响对 AI 模型的评测。该分析聚焦于如何从编码评测中区分有效信号与噪声。
Google Research 在 Nature Cities 发表首个大规模真实世界研究，通过修改 Google Maps 算法将不到 2% 的行程引导至替代路线，在美国 10 座城市测试后，目标路段车速中位数提升约 2%，燃油消耗率中位数下降 0.5% 至 1.0%。
Hugging Face 发布 ScarfBench（Self-Contained Application Refactoring Benchmark），用于评估 AI 智能体在 Spring、Jakarta EE、Quarkus 之间的跨框架迁移能力，包含 34 个应用、102 个框架实现、204 个迁移任务和 1,331 个专家测试。
Dharma AI 撰文解读 Goldfeder、Wyder、LeCun 与 Shwartz-Ziv 的 2026 年论文《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》，指出优化理论、进化生物学、竞争市场与机器学习共同预测同一结论：专业化不可避免。
OpenAI 推出 GeneBench-Pro，一个用复杂真实数据集测试 AI 在基因组学、生物学和科研中表现的新基准。
Hugging Face 博客介绍 DiScoFormer（Density and Score Transformer），一个无需重训练、单次前向传播即可从数据点集合同时估计分布密度与 score 的模型。
Google Research 发布新架构，将多 token 预测（MTP）头接到已冻结的 Gemini Nano v3 模型上，在不改动主干权重的前提下加速端侧推理，已上线 Pixel 9 和 10 系列。
推荐理由：Google 把多 token 预测接到冻结的 Gemini Nano v3 上，读者可了解端侧推理在内存与能耗约束下的具体优化路径。
Google Research 提出线性弹性缓存，将页面淘汰建模为滑雪租赁问题，用轻量机器学习动态调整缓存大小。在 Spanner 生产环境测试数月后，内存占用降低 15.5%，缓存未命中仅增加 5.5%，总拥有成本（TCO）降低约 5%，实际 I/O 成本影响仅 0.5%。
OpenAI 发布新研究论文，展示 AI 智能体正在改变工作方式，能够承担更长、更复杂的任务，并在多种岗位上提升生产力。
Google Research 在 COLM 2026 发表的论文揭示，推理能让 LLM 召回原本几乎无法获取的参数化知识，且这一效果并非来自复杂问题的分解。
Hugging Face 与 Treble Technologies 上线首个开放、社区驱动的远场 ASR 基准 FFASR Leaderboard，覆盖 14 个模拟房间，并设 Lab Measured 与 Lab Simulated 两列做 sim-to-real 验证。
Hugging Face 博客提出 MosaicLeaks，用 1001 条多跳研究链测试深度研究智能体的隐私泄漏，其外部查询日志可被拼凑出私有企业信息。测试中智能体频繁泄漏，仅优化任务表现会加剧泄漏；其 Privacy-Aware Deep Research（PA-DR）RL 训练方法将严格链成功率从 48.7% 提升至 58.7%，并把答案/全信息泄漏从 34.0% 降至 9.9%。
研究者使用 OpenAI 的推理模型辅助诊断罕见疾病，在先前未解决的病例中新增 18 例确诊。该结果来自对儿童罕见遗传病诊断场景的应用。
OpenAI 与 Molecule.one 展示了一个使用 GPT-5.4 的近自主 AI 化学家，它改进了一个关键的药物制造反应，推进了药物化学研究。
OpenAI 发布 LifeSciBench，一个由专家编写并评审的基准，用于评估 AI 系统处理真实生命科学研究任务与决策的能力。
Google DeepMind 发布 AI Control Roadmap，一套用于在 Google 内部部署和管理高级 AI 的框架，采用纵深防御思路，在模型对齐之外增加系统级安全层，把内部智能体视为可能未对齐的潜在内部威胁。
推荐理由：DeepMind 公开内部 AI 控制路线图，给出检测与响应分级和百万条编码智能体轨迹的实测数据，可供安全团队参考。
OpenAI 推出 Deployment Simulation，一种在部署前预测 AI 模型行为的方法，使用真实对话数据来提升安全性和评估准确性。
Google Research 公布两项关于 AI 辅助皮肤问题理解的研究，其中发表于 JAMA Dermatology 的大规模调查显示，2345 名参与者使用 AI 工具后尝试命名皮肤状况的比例超 62%，准确率 23%，约为对照组 8% 的近三倍。但 AI 组在判断下一步就医建议上未取得统计显著改善，且比对照组更易给出不够紧急的建议。
Google Research 在 AISTATS 2026 提出 Regularized f-Divergence Kernel Tests，用相对距离检验判断遗忘后的模型在分布上更接近安全重训模型还是原始受损模型。该框架基于 f-divergence，支持 Chi-squared、KL 和 Hockey-stick 等散度，可自动选择最优散度与超参数，无需样本划分，并在任意样本量下控制假阳性。