Hugging Face 开发 LitPivot 助力研究文献动态调整
Hugging Face 与宾夕法尼亚大学合作开发 LitPivot，通过文献分组和批判性建议帮助研究者调整研究思路。17名研究者的实验显示，使用 LitPivot 的提案在文献支撑性上优于基线工具，且参与者认为其想法新颖性和实用性更强。该系统将于 UIST 2026 发布。
#论文/研究
Hugging Face BlogAI 评分4040
Microsoft ResearchAI 评分4545 Microsoft 研究者与协作方结合新数学思想与人类引导的 AI 解决 KLS 猜想
Microsoft 研究者与协作方证明 KLS 猜想，为高维几何和概率论建立普适几何原理，表明对数凹分布的最窄瓶颈可被平面切割以固定因子捕获。研究通过人类引导的智能体协作完成，AI 探索数学可能性，研究人员评估并优化搜索路径。该成果已获多位独立研究者验证，并完成机器形式化验证。
Google ResearchAI 评分5555 智能体隐私与安全的开放性与新兴问题：情境视角
Google Research发布了一份关于智能体隐私与安全的新研究报告，探讨了自主AI系统面临的隐私和安全挑战，提出了基于情境完整性理论的解决方案，并呼吁学术界、政府、民间社会和产业界共同合作构建安全、可靠且尊重隐私的智能体生态系统。
Microsoft Research精选AI 评分7575 微软发布生物研究AI系统Quine
微软研究院发布Quine，一个专为生物学复杂性设计的多模态世界模型研究系统，能够连接模型、科学工具、文献和研究人员。该系统已用于预测和验证能驱动肿瘤状态转变的化合物，并通过湿实验验证了排名靠前的候选物。Quine包含一个生物学世界模型和一个交互式接口，可跨模态和尺度整合生物数据，帮助研究人员在实验室测试前预测和推理生物干预的后果。
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。
Hugging Face Blog精选AI 评分6565 ProvenanceGuard：面向MCP智能体的来源感知事实验证
Hugging Face团队发布ProvenanceGuard论文，提出了一种针对MCP智能体的来源感知事实验证方法，能够检测答案中事实与引用来源不匹配的问题。该系统通过分解答案、识别相关来源、验证支持度、检查来源归属等步骤，在医疗领域测试中成功捕获了138个本应被阻止的声明，来源识别准确率达86%。
推荐理由：ProvenanceGuard解决了MCP智能体中事实核查与来源匹配的关键问题，为多源信息验证提供了新方法。
Google ResearchAI 评分4545 Google Research 发布 MilleMiglia：物流中段运输实例生成器
Google Research 推出 MilleMiglia，一个 C++ 实例生成器，用于创建物流中段运输问题的真实基准数据。该工具解决中段物流缺乏高质量公开数据的问题，支持跨区域配送中心间的复杂运输网络模拟。代码已在 GitHub 开源。
Microsoft Research精选AI 评分6565 GigaPath-Flash 和 GigaTIME-Flash：高效病理学基础模型助力人群规模发现
Microsoft Research 发布了 GigaPath-Flash 和 GigaTIME-Flash 模型，通过知识蒸馏技术将原始模型的计算需求降低约 50 倍和 8 倍，同时保持或提升性能。这些开源模型支持对大规模癌症患者队列进行病理分析，帮助研究人员研究疾病生物学、生物标志物和临床结果。
推荐理由：本文介绍了病理学基础模型的效率提升方法，使大规模人群研究成为可能。
Microsoft Research精选AI 评分6565 MindTopo揭示多模态模型的拓扑推理能力
微软研究团队推出MindTopo基准测试，评估多模态大语言模型在拓扑推理方面的能力。研究发现当前模型在静态识别任务上表现优于交互式规划任务，表明它们难以在动态环境中保持对拓扑关系的一致理解。MindTopo包含连续性、分离、顺序、包围和结点五个类别的推理和规划任务，为改进机器人和交互环境中的AI系统提供了重要诊断工具。
推荐理由：MindTopo揭示了多模态模型在拓扑推理方面的显著差距，为改进AI空间理解能力提供了新方向。
Berkeley AI Research精选AI 评分7070 ABBEL：教会大语言模型更新信念以实现高效长程交互
加州大学伯克利分校研究团队提出ABBEL框架，通过自然语言信念状态替代完整交互历史，解决了长程任务中上下文压缩导致的性能下降问题。在CollabBench协作编码环境中，使用信念分级(ABBEL-rec-BG)将性能差距缩小约50%，同时训练步数减少50%。
推荐理由：原文提出了ABBEL框架，通过信念状态管理解决长上下文交互中的性能问题。
Berkeley AI ResearchAI 评分3232 2026 BAIR 毕业生展示
Berkeley AI Research 实验室 2026 届博士毕业生在人工智能领域取得突破，研究方向涵盖机器人、大语言模型、计算机视觉等。毕业生将进入高校、工业实验室及初创公司，部分加入 OpenAI、Amazon 等企业。
Berkeley AI Research精选AI 评分7070 GRASP：基于梯度的世界模型长时程规划方法
伯克利AI研究团队提出GRASP方法，通过提升轨迹到虚拟状态、添加状态噪声和重塑梯度来解决长时程世界模型规划的脆弱性问题。该方法在长时程任务中取得了更高的成功率和更快的收敛速度。
推荐理由：原文提出了GRASP方法解决长时程规划中的梯度问题，读者可了解如何优化世界模型规划。
Berkeley AI Research精选AI 评分7070 SPEX：面向大规模LLM的交互识别算法
伯克利AI研究团队提出SPEX和ProxySPEX算法，能够高效识别大规模LLM中的关键交互。这些算法利用信号处理和编码理论，通过选择性消除(ablation)技术，在保持高保真度的同时，将交互分析规模从数十个扩展到数千个组件。SPEX在特征归因、数据归因和模型组件归因三个领域展示了其有效性，特别是在处理长上下文输入和识别训练数据中的协同与冗余交互方面表现出色。
推荐理由：SPEX和ProxySPEX算法解决了大规模LLM交互识别的计算难题，为模型解释性提供了新方法。
Berkeley AI Research精选AI 评分6565 信息驱动的成像系统设计
加州大学伯克利分校研究团队提出了一种基于信息内容的成像系统评估与优化框架IDEAL，可直接从测量数据量化成像系统性能，无需重建算法。该框架在彩色摄影、射电天文、无透镜成像和显微镜四个领域验证了信息估计与下游任务性能的相关性，并能优化系统参数达到与端到端方法相当的效果。
推荐理由：原文提出了基于信息内容的成像系统评估与优化框架，可直接应用于多种成像领域。