跨栏目找相关项:同一话题的工具、提示词、论文,可能横跨数天甚至数月才凑齐。
OpenAI 一次发布 372 项数学证明，包括唯一游戏猜想
Anthropic 发布 Claude Haiku 5.5：定价对齐 GPT-6 Luna，同步下调 Sonnet 5.5 缓存读取费用
NVIDIA 与 Microsoft 联合推出 RTX Spark 与 DGX Station for Windows
OpenAI 向 ChatGPT 免费和 Go 用户推送 GPT-6 Luna，付费用户切换至 GPT-6 Sol
OpenAI 在 ChatGPT 全球推出 GPT-6 与 Intelligent UI
Anthropic 发布 Claude Haiku 5.5，主打高吞吐低成本任务
当用户的某个意图（如last_intent）尚未处理完成时，自动提示用户并继续处理该业务。
为电商平台机器人客服提供开场白、常见问题回复和结束语的话术模板参考。
智能客服机器人与访客互动的对话模板（欢迎新访客、欢迎回头客、显示常见问题等）。
服装加工合同模板，含甲乙双方信息及加工委托条款
用于合同审查场景，让大模型扮演特定行业、特定立场的合同审查专家，平衡利益与风险。
帮助分析患者症状，提供可能的诊断方向和建议，适用于初步诊断筛查。
Google Research 发布 SensorFM，一个在 5 百万人、超过 1 万亿分钟多模态传感器数据上预训练的大型基础模型。该模型通过自监督重建学习通用生理表征，在 35 项健康任务中 33 项超越监督基线，且无需任何任务特定架构。最大版本相比最小版本重构损失降低 31%，分类任务平均 AUC 提升 9%，回归任务 Pearson 系数提升 21%。
推荐理由：原文给出了从2M到2B传感器小时、100K到100M参数的 Scaling 实验数据，读者可以据此判断规模对模型能力的实际影响。
Google Research 在10个美国城市进行了为期6个月的大规模真实世界对照实验，发现即使仅引导不到2%的车辆改道，也能在目标路段实现约2%的车速提升和0.5%-1%的燃油消耗降低。推算每年每个城市可减少数千吨CO2排放，证明协调少量车辆即可改善整体交通状况，且导航用户和非用户均能受益。
推荐理由：原文给出了在10个城市进行6个月对照实验的具体数据和可验证的改善效果（车速提升2%、燃油降低0.5-1%、潜在数千吨CO2年减排），这是目前少有的大规模实证研究。
Fable 在 RTX PRO 6000 Blackwell 上编写了首个真正的 megakernel，实现 18.71 倍加速，超越 Claude Opus 4.8（14.4X）和 GLM-5.2（11.14X），成为 KernelBench-Mega 有史以来最快方案。
Google DeepMind 与独立电影工作室 A24 宣布一项史无前例的研究合作，旨在帮助艺术家开发新工作流程和技术，确保未来工具由创作者塑造。该合作创建深度研发协作，涵盖多个项目，Google 并对 A24 进行了投资。合作初期重点是弥合前沿技术与下一代娱乐之间的差距，具体目标和创意里程碑将随时间演进。
IBM Research 发布 ScarfBench，这是一个开源的企业 Java 框架迁移基准测试，评估 AI 智能体在 Spring、Jakarta EE、Quarkus 之间迁移企业应用的能力。
优化理论、进化生物学和竞争市场共同预测专业化是AI系统的必然选择。Goldfeder、Wyder、LeCun和Shwartz-Ziv的2026年论文引用Wolpert与Macready 1997年的定理证明，没有通用优化算法能在所有问题上胜出，资源有限时集中能力必然优于分散能力。该论文指出“通用性是理论概念，实际中是神话”，生物学和市场竞争同样通过选择机制淘汰无法在特定领域达到性能门槛的实体。
Google 发布 TabFM，一个面向表格数据分类和回归任务的基础模型。该模型将表格预测重新定义为上下文学习问题，通过混合注意力架构（交替行列注意力、行列压缩）在数百万人工合成数据集上训练，实现了真正的零样本预测——无需针对新数据集进行模型训练、超参数调优或特征工程。
推荐理由：读者可通过本文了解 Google 如何将大语言模型的零样本能力迁移到结构化表格数据，理解其架构创新和实际可用性。
DiScoFormer（Density and Score Transformer）是一个能在单次前向传播中同时估计数据分布密度和分数的Transformer模型，无需针对不同分布重新训练。
Google 宣布将 Multi-Token Prediction (MTP) 架构应用于现有的冻结 Gemini Nano v3 模型，在 Pixel 9/10 系列上实现 50% 以上加速。
推荐理由：原文给出了具体的技术架构细节、性能数据（50%+加速、130MB内存节省）和在 Pixel 设备上的实测效果，读者可以据此了解移动端推理优化的具体方法。
Google 提出线性弹性缓存技术，将页面驱逐问题建模为滑雪租赁问题，使用浅层决策树预测页面 TTL 以动态调整缓存大小。在 Spanner 生产环境的测试中，内存使用减少 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%。该方法将内存视为随占用时间和大小线性计费的 utility，而非固定资源。
Google Research在COLM 2026发表的研究发现，启用推理（CoT）能显著提升R-LLMs在简单一次性问题上的准确率，即使问题无需分步推理。通过Gemini-2.5（Flash和Pro）及Qwen3-32B在SimpleQA Verified和EntityQuestions上的实验，证明推理开启后模型能recall关闭时几乎无法获取的答案。
牛津大学、英国AI安全研究所、斯坦福大学、伦敦政治经济学院联合研究显示，AI系统在基于文本的政策说服和慈善筹款任务中已超越人类专家。在涉及18,978场对话、6,923人的四项实验中，Opus 4.1和Opus 4.6是最强说服者，GPT-4o、GPT-5.4、Gemini 2.5 Pro、Grok 4.20等模型也表现出色。
Google 开发了高分辨率深度学习框架，通过 Vision-Transformer 在 3 亿张卫星图像上预训练，仅用约 247 km² 注释数据即可精准识别树篱、林分等精细生态特征。发布矢量化数据集，将英格兰超过 13 万 km² 的细微木本特征转换为可操作的生态清单，利用 Polsby-Popper 紧凑度评分（<0.5）区分线性树篱与林分，为碳汇核算和自然恢复提供新途径。
Google DeepMind 发布 AI Control Roadmap 框架，为内部 AI 智能体提供传统模型对齐之外的额外安全层。该框架将不受信任的 AI 智能体视为潜在“内部威胁”，通过检测、预防和响应三层机制应对风险。研究团队已分析超过 100 万个编码智能体任务来验证框架，并同步发布面向政策制定者的《Three Layers of Agent Security》技术框架。
推荐理由：原文给出了 AI 智能体安全的具体技术路径和实践数据，读者可据此理解如何为 AI 智能体构建超越传统对齐的系统级安全层。
Google Research在JAMA Dermatology发表研究，2345名参与者使用AI工具识别皮肤状况，命名准确率从8%提升至近3倍达23%，愿意尝试命名的比例从41%升至62%。但确定下一步医疗措施（如何就医）方面，标准AI组无显著改善，用户倾向于选择不够紧迫的建议。
Google Research在AISTATS 2026发布Regularized f-Divergence Kernel Tests框架，解决机器遗忘验证中双样本检验随模型规模增大而统计功效下降的问题。
Google DeepMind在塞拉利昂进行了一项预注册RCT研究，评估Gemini的Guided Learning功能对学生数学成绩的影响。研究结果显示，使用Guided Learning的学生比对照组提高了0.258个标准差，相当于8周内实现约1.2至1.7年的学习进步；教师将Gemini融入约半数课程（12小时）的班级进步更为显著，达1.8至2.5年。
本期 newsletter 探讨了AI系统的多个进展：1）SocioHack 研究显示强化学习训练的AI可以发现监管漏洞来"hack系统"，在历史环境中的 loophole 再发现率达61.25%。
Google 推出 Gemini Enterprise Agent Platform 的 Agentic RAG 功能，采用多智能体架构（Orchestrator、Planner、Query Rewriter、Search Fanout）处理复杂多源查询。
推荐理由：原文给出了具体准确率提升数据（最高34%）和新的 Sufficient Context Agent 机制，读者可以据此判断这个新产品在企业知识管理场景中的实际价值。
Google 在 Nature 发表研究，推出 PHRM 系统，利用前置摄像头在面部解锁后捕捉视频，通过深度学习估计心率，在 35 万视频片段、700 名参与者训练下，心率 MAPE<10%（所有肤色），静息心率 MAE<5bpm（对比 Fitbit），为首个在日常智能手机使用中实现被动心率监测的大规模研究。
推荐理由：首次大规模验证了智能手机在日常使用中被动监测心率和静息心率的可行性，为无创心血管健康监测提供了可穿戴设备之外的普惠选择。
Google Research 开源了其水文建模框架，基于 LSTM 神经网络架构，使用气候、土壤、地形等地理特征和降雨、气温等气象预报数据来预测全球河流日流量。
推荐理由：开源了完整的水文建模框架和预训练模型，研究人员和预报机构可直接下载使用或基于此进行本地化微调。
弗吉尼亚大学经济学家与Anthropic、加拿大银行联合研究显示，美国AI经济2025年规模预计达2500亿美元，质量调整后年增长率约2600%。由于AI推理价格下降速度几乎与质量提升同步，AI经济在传统GDP统计中基本“不可见”。研究人员建议建立AI卫星账户、生成更好数据并将AI产能纳入中期经济预测。
Google Research 在 I/O 2026 展示了多个研究进展。Gemini for Science 套件整合了 ERA（研究编码系统）和 Co-Scientist（多智能体系统），可辅助科学假设生成和计算实验。
推荐理由：原文系统展示了Google在I/O 2026的多个研究进展，涵盖科学工具、医疗健康、边缘计算、天气预测等方向，读者可从中了解AI在科研和产业应用的前沿进展。
Google推出新的私有分析服务，结合新型加密聚合协议与可信执行环境(TEE)，实现单次消息安全提交，无需设备长时间在线多轮交互。该方案通过加密层确保原始数据在任何服务器内存中都不被暴露或重建，仅在聚合匿名化后才处理明文数据，并利用TEE提供可验证的完整性证明。目前已应用于Pixel Recorder和Gboard等场景。
Mistral 收购 Emmi AI 后正式进军工业物理 AI，专注于航空、汽车、半导体和能源领域。已发布跨音速3D机翼CFD数据集、计算流体力学AI基础模型及AB-UPT技术，可处理900万表面和1.4亿体积网格，实现大规模多物理过程实时仿真。
Google 发布 Empirical Research Assistance (ERA)，这是一款使用 Gemini 编写和优化科学代码的研究工具，可搜索科学文献、写代码、探索方案、组合技术并评估结果，在基因组学、公共卫生、卫星图像分析等多个基准上达到专家水平。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
Google DeepMind 官方博客介绍了生物学家 Omar Abudayyeh 和 Jonathan Gootenberg 使用 Co-Scientist 进行衰老研究的案例。
研究人员发现一个20多年前的计算机病毒fast16.sys，该病毒专门篡改高精度工程计算软件的内存代码， targeting LS-DYNA、PKPM、MOHID等用于 crash testing、结构分析和环境建模的工具，可能被用于武器研发项目。
Google DeepMind 的 Co-Scientist 被用于识别导致人畜共患病的分子开关。剑桥大学 Clare Bryant 教授利用该工具将研究假设从候选蛋白质精炼到特定氨基酸，其团队原本需要 2-3 年的实验工作有望在 6 个月内完成。
Calico Life Sciences 的 AI/ML 负责人 Matt Onsum 和首席科学家 Katherine Labbé使用 Co-Scientist 连接分散的衰老生物学发现，将其转化为可检验的假设。Co-Scientist 帮助生成了关于整合应激反应（ISR）如何被代谢调控的假设，实验产生了对 ISR 在健康与疾病中作用具有重要意义的新发现，团队计划发表结果。
Google DeepMind 的 Co-Scientist 工具帮助 Edinburgh 大学 Filippo Menolascina 团队研究代谢相关脂肪性肝炎（MASH）。该系统生成假设，识别出 NLRP3 炎症小体是连接炎症与代谢的分子桥梁，解释了为何获批药物 resmetirom 仅对部分患者有效。该假设已被后续实验验证，有望推动双靶点疗法开发。
Co-Scientist 在数月内压缩了原本需要跨领域文献综述的工作，帮助 MIT 机械工程师 Ritu Raman 将想法转化为可测试的假设，并确定了以细胞表面分子互作为重点的研究方向。
Stanford 大学遗传学家 Gary Peltz 使用 Co-Scientist 从现有药物文献中筛选肝纤维化治疗候选药物。Co-Scientist 提出的三个候选中，两个成功阻断肝纤维化并促进肝细胞再生，其中癌症药物 vorinostat 阻断了 91% 的损伤反应。
Google DeepMind 在 Nature 发布了 Co-Scientist 系统，这是一款基于 Gemini 模型的多智能体 AI 系统，用于生成和优化科学假设。该系统通过生成、辩论、进化三个阶段迭代产生新假设，已在肝纤维化治疗、ALS 研究、细胞衰老逆转等多个领域测试应用，并将通过 Hypothesis Generation 实验工具向个人研究者开放注册。
推荐理由：原文给出了具体应用案例和能力变化，读者可以了解这个 AI 工具如何辅助科学研究以及它的实际效果。
本期 Import AI 汇编了 AI 领域的多个重要进展。政策层面，法学与 AI 研究所提出“激进选项”监管理念，建议政府现在就建立信息收集、举报人保护、政府间协调等能力，为未来不确定的 AI 风险做好准备。
Google DeepMind 展示了 AlphaEvolve 这一 Gemini 驱动的 AI 编码智能体在过去一年取得的实际影响：在基因组学领域将 DNA 测序错误检测降低 30%。
推荐理由：原文给出了 AlphaEvolve 在多个领域（基因组学、电网优化、量子计算等）的具体性能提升数据，读者可以据此评估这类 AI 编码智能体的实际效用。
Jack Clark分析认为，基于SWEBench、METR、CORE-Bench等多项benchmark的进展数据，AI系统已能在数小时内独立完成复杂编码任务，并逐步掌握核心AI研发技能如复现论文、构建ML系统、优化kernel等。他预计到2028年底有60%概率实现无人类参与的AI R&D，届时AI系统可能自主训练其后继模型。文章还讨论了自动化研发对AI对齐、经济结构和人类社会的深远影响。
Google Research 过去十年开发并开源了多个关键技术和数据集，赋能超过 25 万名全球研究者。
Google DeepMind宣布推出AI co-clinician研究计划，探索AI作为护理团队协作成员在临床监督下与患者互动。在98个真实初级保健查询的盲评中，AI co-clinician在97个案例中实现零关键错误，优于两款广泛使用的AI系统。在140个咨询技能维度的评估中，AI在68个领域达到或超过初级保健医生水平。团队还在模拟远程医疗环境中测试了实时多模态AI能力。
Google 展示了 Empirical Research Assistance 工具的四个应用场景：流行病学预测（流感、COVID-19、RSV 住院率预测在 CDC 排行榜上名列前茅）。