苹果启动健康AI大规模研究,招募20万人评估对话式健康工具
苹果宣布启动Apple Health AI Usage Study,联合临床AI平台OpenEvidence在美国招募最多20万名21岁以上iPhone用户,通过专用iOS应用评估对话式健康AI的回答质量与使用方式。研究周期超12个月,数据不用于训练模型,应用不用于诊断治疗。
苹果宣布启动Apple Health AI Usage Study,联合临床AI平台OpenEvidence在美国招募最多20万名21岁以上iPhone用户,通过专用iOS应用评估对话式健康AI的回答质量与使用方式。研究周期超12个月,数据不用于训练模型,应用不用于诊断治疗。
Qwen发布帖子称,其AI用于科学场景,实现新型冷却材料的自主设计与合成,展示AI在材料研发流程中的自动化应用。
苹果宣布与临床AI平台OpenEvidence合作开展Apple Health AI Usage Study,招募最多20万名21岁以上美国用户,通过新iOS应用提问健康问题并评价回答的准确性、细节与相关性。应用需iPhone 15 Pro及iOS 26以上,不接入Apple Intelligence;用户可选共享HealthKit数据,苹果称数据不会用于训练AI模型。
OpenAI在X上介绍,物理学家Nathaniel Craig与GPT-6 Astra合作,提出标准模型的一种候选格点定义,并称这是其新科学博客的第一篇文章。
OpenAI发布文章,探讨标准模型的候选非微扰格点定义,并说明GPT-6 Astra如何帮助将该想法转化为详细证明。
Sebastian Raschka发布技术长文,系统讲解LLM位置编码:GPT-2可学习绝对位置嵌入、原始Transformer正弦编码、RoPE旋转位置编码的原理与PyTorch实现,并梳理2026年开放权重模型的位置编码选择趋势——全层RoPE仍主流但占比下降,部分RoPE与RoPE/NoPE混合架构增多。
澳大利亚储备银行研究显示,ChatGPT推出后AI高影响职业招聘降幅最大,15至24岁年轻劳动者就业率更低;但研究未证明AI与就业恶化存在直接因果。斯坦福、Anthropic等研究呈类似趋势,丹麦大规模研究则未发现整体经济明显影响,WEF预计到2030年全球岗位净增7800万。
GitHub发布Octoverse报告速览,提及由AI智能体发起的拉取请求数量、团队借助GitHub Copilot调整工作流的情况,以及GitHub上最受欢迎的编程语言。
汽车网络安全研究员库卡尼奇分享视频,展示通过越狱Switch 2和自制CAN Commander应用经CAN总线控制特斯拉的方向盘、油门、刹车等功能;演示时车辆静止,源代码尚未公开。
GDC发布《游戏行业现状:2026年11月》,调查2600多名游戏从业者:40%在工作中使用生成式AI,其中57%每天使用;55%认为生成式AI对行业产生负面影响,仅8%正面评价。用途以调研、头脑风暴、内容总结和代码为主,概念图等创意应用较少;版权、取代人类与能力退化是主要担忧。
Ethan Mollick发布SatBench分析,统计2023年以来实验室引用的173个基准,其中63%已饱和,且饱和速度逐年加快;他还提到此次基准与分析仅用约4个提示由Fable 5.2完成,过去用STATA需数天。
Ethan Mollick发布SatBench,用于衡量主要AI基准被“打满”的速度。其统计2023年以来实验室引用的173个基准,其中63%已饱和,且饱和速度逐年加快。
UniPat AI牵头,联合斯坦福、哈佛、康奈尔等团队发布湿实验预测基准SPU,含116个任务、4207个湿实验,覆盖化学、材料、生物与医学。首轮评测12款前沿模型13种配置,最高分Claude Opus 5.5仅0.486,仅约半数任务超过随机水平;提高推理强度与算力投入几乎不提升得分。100个公开任务计划以Harbor任务包发布,数据集与代码已开源。
中国科学院自动化研究所团队通过猕猴无约束三维抓取实验发现,初级运动皮层与前运动皮层仅需少量位置调谐细胞即可解码手部三维运动轨迹,为新一代脑机接口提供神经科学依据,成果发表于《神经科学杂志》。
中山大学梁小丹团队提出GeoThinker与GeoThinker-F两项空间推理研究:前者让模型按问题主动筛选外部三维几何特征,VSI-Bench达72.6分;后者将几何监督内化,推理时不再调用VGGT,延迟从1.45秒降至0.40秒,提速约3.6倍,空间推理表现基本持平。
Anthropic在工程博客发文,提出设计与运行模型安全评估、并报告结果的10项建议,用于判断模型是否可部署、需配套哪些防护措施,以及训练与研究应聚焦何处。
Hugging Face联合CMU、NVIDIA、约翰霍普金斯发布XYBench,含8115个真实问题,覆盖编程与日常场景,评测模型能否识别用户提问背后的错误假设并引导至真实目标。测试显示Claude Sonnet 4.6、GPT-5、Gemini 3.1 Pro等模型多聚焦表面请求,识别误解能力仍落后人类。
浙江大学研究员彭思达回顾八年三维视觉研究,从动态人体重建、自动驾驶仿真转向具身智能,介绍10月公开的SuperNav与ScaleNav导航工作,主张用通用多模态大模型加Agent架构替代端到端导航,并认为动作模态才是具身智能主角。
Google DeepMind介绍两款气象AI模型:PARDIG每15分钟估算全球降雨,降水检测能力提升超30%;SatWeave每60分钟将多颗地球静止卫星合成一幅地球云与风暴实时视图。
未来医生MedGPT与国内三甲医院胸外科团队联合开展肺癌灰区诊疗研究,40例复杂病例、250名三甲医生参与,形成2250份策略文本。AI在无辅助对比中以660比90胜出,医生在其辅助下得分从53.40升至66.27,增幅24.1%;同条件横评得分96.22,高于GPT-5.4、Claude Opus 4.7和Gemini 3.1 Pro。
星尘智能发布多机协同框架CoMind,让机器人去中心化地主动交换任务关键信息并独立决策。真机测试中,隔墙拿笔成功率从0%升至100%,盲盒置物准确率从38.9%升至88.9%,同时通信信息量减少约80%。
谷歌研究员Pietro Miotti用48个AI智能体分析NASA激光雷达数据,声称在墨西哥发现一处未登记的玛雅遗址,并向墨西哥INAH求证。但该遗址去年已在学术期刊发表,考古学家批评其未核查既有研究、滥用“发现”一词,并担忧业余者用AI涌入专业领域会加重专家负担、甚至引来盗掘。Miotti承认疏漏并更新博文。
IP保护公司Podqi在9月两轮测试中向ChatGPT、Gemini和Perplexity提出151个品牌的购物问题,共6795条回答。Perplexity风险网站出现率15%,ChatGPT为8%,Gemini最低为4%;小品牌更易受影响,区域性网站提问触发风险最高。
苹果研究团队推导了KL正则化对齐在固定KL预算下可达到的最大期望奖励增益,给出由Jeffreys散度决定的闭式表达,并证明奖励集成可缓解奖励黑客。实验显示best-of-N接近理论极限,而PPO与GRPO明显次优。
Google Research提出可教练健康年龄(CHA)模型,基于静息心率、步数、睡眠等可穿戴信号评估生理年龄偏差,并训练SensorWM世界模型模拟12周习惯改变后的健康轨迹,再由语言模型生成经临床医生审核的教练计划。专家盲评中教练71.4%更偏好反事实方案,医生认定99.2%方案运动强度安全。该框架为研究原型,非临床诊断工具。
Google DeepMind研究团队用智能体AI和名为AlphaProof Code的新框架,在四周内对Signal协议的多项关键密码学保证完成形式化数学验证,未发现新漏洞,并在含已知旧漏洞的旧版本上正确识别出问题。该工作为Signal、Google Messages和WhatsApp等平台的加密提供独立验证,但范围有限,未覆盖整个Signal移动应用,团队称距规模化验证所有软件仍有距离,并已公开规格与证明。
Hugging Face博客介绍多向量嵌入模型的Token池化感知训练:在Sentence Transformers中同时优化原始与压缩表示,pool_factor=4时NanoBEIR nDCG@10保留率从94.6%升至97.8%,文档向量减少约四分之三,并提供可复现训练脚本与模型。
微软研究人员披露后门技术Lazarus,通过重编程LLM中不到10个休眠神经元即可给基于该模型的智能体植入后门,且无需训练。被植入后门的模型能通过标准评测并正常表现,直到触发条件出现,例如时钟跨入2027年,智能体便会在普通任务中发出下载并运行攻击者代码的命令,并以用户授予的权限执行。作者指出检测需与原始未修改权重做diff,权重来源与完整性因此关键;微软Foundry已通过来源校验、绑定可信发布方和容器扫描防范来自可信实验室的模型,并计划将权重扫描、红队工具和模型签名用于开放权重模型接入。
Google DeepMind 研究人员用 AlphaProof Code 智能体框架对 Signal 协议实际代码做形式化验证,证明其关键安全属性。该框架由多个 LLM 智能体分工,先由人类专家与模型共同把安全目标转成形式化规范,再由 Gemini Carbon 驱动的智能体生成超 600 万行 Lean 证明,人工只需复核约 1% 代码。整个验证过程耗时四周,而这类任务历史上需专家团队数年;团队还向隔离版本重新植入两个已修复的真实漏洞,系统均给出机器可检验的不安全证明。DeepMind 表示这是 AI 首次以这种深度形式化验证广泛部署的加密协议,并将开源相关验证产物。
苹果研究团队在NeurIPS 2026研讨会上发表论文,用四个LLM生成三类长文写作任务,并收集人类偏好标注与LLM评审标注进行对比。结果显示,评审质量与MMLU通用能力仅弱相关,且随任务和评估标准变化;成对比较比独立打分更一致;最强模型未必最能复现人类判断。
苹果与哈佛研究者提出加权状态汤:为缓存的状态编码学习查询相关权重,在单跳与多跳文档问答、大海捞针检索、变量追踪和工具使用上明显改善长上下文表现,并可改为稀疏变体,使编码成本近常数。论文被NeurIPS 2026 PALM研讨会接收。
NVIDIA 在 CoRL 上发布开源世界动作模型 GR00T 2,基于 NVIDIA Cosmos 构建,训练数据包含 10 万小时 NVIDIA 开源人类第一视角数据。该模型在 50 个评测任务中无需任务专属演示即完成 40 个,每任务仅一条演示时平均成功率 71%,五条演示升至 95%。同时 NVIDIA 推出 Isaac Lab 3.0 与 Isaac Lab-Arena 0.4 开发者预览,前者与 Newton 结合在视觉灵巧操作基准上训练吞吐最高达 Isaac Lab 2.3 配 PhysX 的 2.5 倍。
AI科学初创Physical Superintelligence用非公开Anthropic模型找到Aaronson-Ambainis量子猜想证明并经Lean验证;Meta Reality Labs发布Tactus触觉与姿态传感手套,用于精细操作数据采集;Core Automation跨9000英里、异构GPU集群完成约32B稀疏MoE分布式训练,并展望轨道算力。
Google Research 在 Nature 发表多模态 AI 系统 AI-PPG-ACC-HTN,用消费级智能手表的光电容积脉搏波(PPG)与加速度计(ACC)数据被动检测高血压迹象,无需袖带校准。系统先用 2109 名参与者共 492347 小时的无标注传感器数据做自监督预训练,再按人聚合多日嵌入向量并结合身高,用正则化逻辑回归输出连续高血压概率。在覆盖美国 5 个中心、196 名参与者的前瞻性多中心研究中,以 24 小时动态血压监测(ABPM)为金标准,初筛灵敏度 65.8%、特异度 90.0%、PPV 80.6%;在初始诊室血压升高的 48 人子集中,确认测试灵敏度 78.4%、特异度 90.9%、PPV 96.7%。作者称该工作属早期可行性研究,不替代袖带诊断,相关发现已用于 Google Health 应用的血 pressure trends Health Guardian 功能。
微软研究院联合GitHub Next推出PDD Kit研究原型,将用户意图转为Verus形式化规范,对智能体生成的Rust代码逐输入证明其符合规范,证明无法覆盖处回退到测试。团队在约5000行Rust的全栈应用Pet Store上验证登录逻辑,开发者只需审阅意图而非逐行读代码。目前仅支持Rust,仍属研究原型。
苹果在ICML 2026论文中提出摊销最大内积搜索:针对固定键库离线训练小型神经网络,学习查询到最佳匹配的路由。SupportNet按簇近似支撑函数改进路由,KeyNet直接预测最佳键作为查询重写。在Natural Questions上,SupportNet达95%路由召回比质心路由快约1.9倍;KeyNet配合FAISS IVF达99%召回耗时最多减少约8倍。
Google Research提出Agile Deliberation框架,把主观视觉分类器的构建变成人与AI的迭代对话:先由系统引导用户拆解概念、明确排除项,再用视觉语言模型主动挑出边界模糊图片,让用户反馈并自动优化提示词。团队在18场1.5小时真人实验中测试健康食品与内容审核场景,称其分类一致性和表现优于零样本、AI自动拆解及人工调参等基线,并已开源代码与算法。
MIT科技评论介绍“反向博弈论”(机制设计)作为AI对齐新思路:不深挖模型内部,而是设计激励规则让智能体守规。文中引述MIT经济学家Stephen Morris等关于交叉验证防“放水”、智能体互相对抗的预印本,以及普林斯顿Elad Hazan让模型轮流扮演解题者与审计员的方案,并讨论智能体合谋、理性假设是否成立等局限。
本期介绍Realtime-Bench实时交互基准,50项游戏与网页任务测试前沿模型,GPT-6 Astra墙钟通过率仅36%;另评DIA太空安全报告、Metis符号与神经推理融合研究,以及Google DeepMind Genie 4世界模型研究预览,支持实时修改、物理与人物模拟、原生音频。
微软研究院介绍其Industry Evaluation Data Generation Platform:基于O*NET、招聘信息和SEC文件构建全合成企业租户环境,自动生成行业评测查询,并称合成数据质量综合分提升39%、部分环境超0.9,该平台已成为Copilot首个标准化评测基线,全程不使用真实客户数据。