用 AI 做题十分钟，撤掉后更容易放弃
三组实验里，撤掉 AI 后的测试都是紧接着进行的。隔一小时、隔一天再测，差距是缩小还是保持，论文没有数据，作者也把它列在了局限的第一条。
AI研究 资讯与深度分析
收录 AI研究 相关 AI 新闻、产品动态和产业观察。 本页收录 24 篇已发布文章。
前沿模型自研后训练算法，最好只到15%
每个模型 3000 GPU 小时，断网沙盒。GPT 5.6 Sol 宽松口径拿到 SDPO 增益的 35%，剔除越界改进并校正墙钟时间后剩 15%。Fable 5 第一轮是 0。
让模型写实验汇报，200 份只有 2 份提到失败
一句"请诚实作答"能把披露率从 1% 拉到 95%。论文测的是去年的几代旗舰，GPT 6、Opus 5.5 这一代在同样的日志面前会不会照样报喜，作者没有测，厂商也没有公布过同口径的数字。
Meta 公布 Muse Spark 参与的六篇数学论文
六篇里五篇回答了此前公开的问题，两篇靠反例推翻了猜想。每篇论文都标明了哪段由人起草、哪段由模型起草，Muse Spark 前后被调用了多少次、试错了多少轮，Meta 没有披露。
不到8000美元训练的AI拿下Stratego头号选手
16 张 H100 训练一周，就打赢了 DeepNash 要花几百倍算力才够到的水平。不完全信息博弈的研究门槛正在落到高校实验室的预算以内，若其他团队用公开方法复现不出同样的效率，这个判断要打折扣。
预训练进步里数据贡献是模型的三倍
2019 到 2025 年，在 1e19 FLOPs 的算力预算下，数据侧带来的算力效率提升是 12.0 倍，模型侧是 3.7 倍。同一段时间、同一套评测，两个数字之间差 3.24 倍。
OpenAI 称自动化研究实习生达标，agent 顶 3.1 人日
3.1 这个比值出自 OpenAI 自己的内部埋点，报告同一页写着测量仍属初步，而外部没有一方能复核它，也没有公开口径说明哪些任务被算进了分母。
清华Zeva不改权重把成功率从26%提到73%
同一个冻结基座，靠上下文里攒下来的因果记忆把累计成功率抬了 47 个百分点。这条路绕开了采数据再微调的老流程，代价是记忆本身得能跨任务不串味。
Anthropic 把 25 万条对话交给外部研究者
模型公司自己发的使用报告总带着立场，Anthropic 这回把 25 万条对话的分析权交给斯坦福、牛津和 METR，还请帝国理工做了独立隐私审计。结论里最扎眼的一条：超过一半的对话涉及有后果的任务委托。
音频里没有的数字，语音模型照样念出来
把 LibriSpeech 音频里的数字消音，多个高分模型仍有三到四成概率照念不误。它们学到的是数据集的书写习惯，拿 WER 排名去挑生产环境的语音方案，选中的可能恰好是最会应付考题的那一个。
18个模型自主做实验，最好补上82%的人类差距
Opus 5 和 Kimi K3 之间只差 10 步，放进 690 步的总差距里几乎等于噪声，开源模型在这类长周期实验上已经不落下风。卡住所有人的地方在别处：153 次跑下来，没有一个模型拿出新方法。
Claude设计蛋白质，15个靶点命中14个
1320 个设计送进湿实验，354 个被验证为有效结合体，命中率把行业对照组的 10% 到 15% 抬到了 26.7%。跑这套流程的并非专用蛋白模型，只是一个通用对话模型加一段三万 token 的初始提示。
BigBang让模型自己出题
BigBang V1 把合成数据从“模型答题”推进到“模型出题、解题、验题”。35B A3B 模型跑出多项科研与代码评测优势，更该盯住的是训练数据生产方式变了。
谷歌测出AI只接手两成任务
Google ATLAS 用 1465 万次 Gemini 交互给自动化叙事踩了刹车：AI 已进到多数职业，但典型岗位只碰到约五分之一任务。
MIT用121个游戏重看AI推理
一套模型在棋盘上跑得慢，未必更像人。MIT、剑桥和普林斯顿等团队新发在 Nature 的研究，把问题换成 121 个陌生棋类规则后，结论反倒指向一条很轻的路线：人第一次看见新游戏时，靠的多半是少量、浅层、带目标感的心理模拟。 这件事放到 A
Sutton创办20瓦智能体公司
当大模型公司还在给数据中心找电，Richard Sutton 把新公司的目标写成了另一个尺度： 1 万亿参数、实时学习、实时规划、功耗 20 瓦 。 20 瓦约等于人脑日常耗能。这个数字放在 2026 年的 AI 语境里很刺眼。
ICML 2026 把大奖给了扩散模型
ICML 2026 在首尔开幕当天公布年度奖项，两个 Outstanding Paper Award 都落在扩散模型相关研究上。其中一篇来自 Zanlin Ni、Shenzhi Wang、Yang Yue 等人与清华大学黄高团队，讨论扩散语
五大模型集体考崩 GPT-4o 准确率跌至 15%
先看一组数字。 给 GPT 4o 一张 5 个词的单子，让它说出每个词是什么颜色，它能做对 91%。单子加到 10 个词，掉到 57%。加到 40 个词——15%。 考的不是什么硬核难题。就是个幼儿园小朋友都会的颜色识别。
OpenAI改口：全自动AI研究员既空虚又危险
去年十月，OpenAI 撂下一句狠话：到 2028 年 3 月，要造出一个能自己搞科研的「全自动 AI 研究员」。 这周二，它把这句话往回收了一半。
强化学习之父称大模型做不出真正科学
强化学习之父 Richard Sutton，最近给整个大模型行业泼了盆冷水。 他的话很冲：一个只会预测下一个词的 AI，永远做不出真正的科学。 6 月 1 日，这个观点被翻出来又火了一轮。
DeepMind的AI解出6道研究级数学难题
先说清楚这10道题是什么。 不是数学竞赛题，不是经典难题。是 未发表的研究级数学问题 ，来自FirstProof挑战赛——参赛选手包括职业数学家和数学博士。这些题目的要求是：答案得对，还必须附带严格的数学证明，能经受同行评审。 Alethe
李飞飞World Labs融资10亿攻三维空间智能
在 AI 行业一遍遍卷 benchmark 分数、卷上下文长度的时候，李飞飞在做一件看起来不那么迫切、但可能更根本的事——让 AI 理解三维空间。 World Labs 完成了 10 亿美元融资，其中 Autodesk 一家就投了 2 亿。
谷歌把 NotebookLM 并入 Gemini
4月8日，Google宣布在Gemini里上线了Notebooks功能，把NotebookLM直接接入了Gemini的主工作流。 表面是个产品更新，背后有Google的一个重要判断：未来的AI助手竞争，不是谁的模型答题更准，而是谁能更好地管
LeCun 离开 Meta 后融资 10 亿造世界模型
Yann LeCun 从 Meta 离开之后，干了一件让所有人都在等待的事。 他创办了 AMI Labs，完成了 10.3 亿美元种子轮融资，估值 35 亿美元，欧洲有史以来最大的种子轮。然后他说：我要造一个不靠预测下一个词来工作的 AI。