OpenAI 推出 MedChemBench,評估 AI 模型識別藥物候選化合物的能力
OpenAI 推出 MedChemBench,評估 AI 模型能否結合分子結構與實驗證據,解釋結果、比較化合物並預測性質。基準包含來自 117 篇論文和專利的 99 道題目及 761 種分子結構;在 xhigh 設定下,GPT‑6.2 Astra 得分為 84.5%。
OpenAI 推出 MedChemBench,評估 AI 模型能否結合分子結構與實驗證據,解釋結果、比較化合物並預測性質。基準包含來自 117 篇論文和專利的 99 道題目及 761 種分子結構;在 xhigh 設定下,GPT‑6.2 Astra 得分為 84.5%。
Hugging Face 在 pi、Hermes Agent 和 OpenCode 三種 Agent harness 內,以 RL 為 Qwen3.8-27B 訓練 LoRA adapters,並公開可重現的訓練流程。
推薦理由:文章以三種 Agent harness 的實驗,呈現目標環境內 RL 微調如何提升 Qwen3.8-27B 的編碼基準表現並減少工具呼叫。
HKGAI 雪巍教授團隊聯同 Dolby Laboratories 發表的空間音訊研究論文,獲 ACM MM 2026 最佳論文獎。論文提出 StereoCodec、StereoGen 及 StereoCLAP,讓模型按文字生成具左右方位及動態軌跡的立體聲音訊。這項技術可降低 AI 影視、動畫及遊戲的後期製作門檻,並為多模態世界模型提供技術支點。
Google Research 在 Willow 量子處理器上展示並測量量子情境性,魔方陣遊戲勝率達 98.30%,高於經典策略上限。團隊以 Bell–Kochen–Specker 不等式測得 χ = 5.590 ± 0.008,高於經典上限 4。在最多 105 個量子位元的隱藏線性函數任務中,處理器成功率高於一半;這些任務亦能揭示隨機電路基準容易掩蓋的細微相干錯誤。
推薦理由:研究顯示,量子情境性相關任務可在多量子位元處理器上,揭示隨機電路基準容易掩蓋的細微相干錯誤。
OpenAI 公佈內部研究加速報告,指出編碼智能體可獨立完成更多研究任務,但能力提升因工作類型而異,人類仍是 AI 研發流程的重要部分。對估計需人類工作 2 至 4 小時的任務,無人介入成功率由 3 月的 23% 升至 10 月的 46%;監察訓練運行任務的成功率為 79%,編寫推理及服務堆疊程式碼則為 25%。
推薦理由:報告把智能體使用、研究員工作流程與模型能力指標放在同一框架,並呈現自動化成效在不同任務上的明顯落差。
Hugging Face分析272次生產環境監督式微調(SFT)工作,發現CatBoost能更準確地預測端到端耗時。測試涵蓋約7,382 GPU 小時;CatBoost的R²為0.98,平均絕對誤差為1.71小時,中位誤差為0.51小時。相比之下,FLOP估算的R²為0.31,平均絕對誤差為12.41小時。
香港金融學院旗下研究機構HKIMR發布報告,更新香港金融服務業生成式 AI(GenA.I.)概況,並探討智能體 AI 的發展及監管合規應用。GenA.I. 現時或計劃採用率達90%,高於2025年的75%;13%的金融機構已採用智能體 AI,56%計劃採用。報告亦指出,可解釋性及安全疑慮仍是採用挑戰。
OpenAI 分析 1,819 名科學家在 ChatGPT for Academic Researchers 試行計劃中的 580,186 則科學訊息,發現 ChatGPT 用於文獻回顧、證據分析及構思研究等工作。
TokenEconomizer 是 UC Berkeley、Microsoft Research 和 Microsoft Security 開發的開源插件,透過程式碼庫過往工作階段學習,降低 AI 編碼智能體後續任務的成本。
推薦理由:研究在 277 項修復程式錯誤任務中評估跨工作階段學習,呈現智能體利用程式碼庫經驗降低成本、同時維持大致穩定任務成功率的做法。
物理學家 Nathaniel Craig 與 GPT‑6 Astra 協作提出標準模型的候選晶格定義,嘗試為該理論建立非微擾描述。方法把同一組力場逐步映射到更細網格,以比較費米子態並累積相位修正;在網格尺度場強受限下,可為有限晶格間距提供測度。文章指出,方案仍需專家確認反射正定性,並進一步發展至實際晶格模擬;連續時空中的相互作用理論定義亦未解決。
推薦理由:文章拆解標準模型晶格定義中的手徵粒子與相位難題,並交代 GPT‑6 Astra 如何協助把細化網格策略發展成候選構造。
研究團隊推出 XYBench,以 8,115 個真實問題評估 AI 助手能否識別用戶的錯誤假設,並回應其實際目標。在 Stack Overflow 子集中,五個受測模型提供原始請求解法的比例為 75–86%,提供底層目標解法的比例為 59–71%;回答主要聚焦底層目標的比例為 35–41%。
Microsoft Research Focus 第 98 期涵蓋 AI 跨語言翻譯、解決 KLS 猜想,以及提升編碼智能體效率等研究進展。研究團隊分析 1,350 萬次編碼工作階段,發現少於 8% 需要上下文壓縮,但佔 AI 處理成本的 44%;APEC 將成本最多降低 25.4%,執行時間降低 9.6%。
Google Research 提出研究框架,利用穿戴式數據評估心血管—腎臟—代謝(CKM)健康風險,並提供個人化生活習慣指導。其中的 SensorWM 以 2.28 million person-weeks 的 Fitbit 數據訓練,根據兩週基線資料預測 20 項生理指標未來 12 週的變化,再由語言模型智能體生成指導方案。
香港中文大學領導的研究團隊結合統計物理與 AI,開發受物理定律約束的設計框架,利用無序結構設計輕質超材料。團隊以高精度 3D 列印製作並測試材料,發現其能量吸收能力和斷裂韌性均有所提升。研究成果為輕質防護結構及汽車吸能部件的開發開拓新方向。
Microsoft 研究人員發現名為 Lazarus 的後門技術,無需訓練,只要改寫 LLM 中少於 10 個休眠神經元的權重,便可令基於該模型的 AI 智能體在隱藏觸發條件出現時執行惡意命令。
推薦理由:研究展示少於 10 個休眠神經元即可植入後門,並説明模型來源追溯及權重完整性為何成為智能體安全防護的關鍵。
OpenAI 與 Upwork 的研究指出,AI 可能正在改變自由工作者的服務需求與項目範圍,AI 相關項目亦涉及更大固定價格預算和更多工時。研究分析 63 個工作類別,其中 43 個類別呈現 ChatGPT 使用佔比較高、Upwork 職缺佔比下滑的模式。AI 相關職缺的工作組合多樣性由 2023 年初至 2025 年末增加 45%;這些項目的固定價格預算較高、工時較多,而刊登時薪相近。
Google DeepMind 研究人員使用 AlphaProof Code,對 Signal 加密協議的實際編譯程式碼進行形式化驗證,證明其符合指定的關鍵安全性質。這個多 LLM 智能體框架生成超過 600 萬行 Lean 證明,並將需人工複查的範圍縮至程式碼庫的 1%;整個驗證流程歷時四週。Google DeepMind 將公開形式化驗證成果供社羣使用。
推薦理由:文章展示 AlphaProof Code 如何把形式化驗證延伸至 Signal 實際程式碼,並以 Lean 機器檢查證明,呈現驗證協議設計與實作落差的一種方法。
OpenAI 根據 ThinkYoung 的新研究及 EMEA 教育合作經驗,探討如何支援教師和學生在教育中使用 AI。調查中,79% 的學生表示曾用 AI 做功課或作業,但只有 47% 表示有人教過他們如何使用。報告提出清晰的教育目標、教師培訓、本地合作、批判性 AI 素養和可信證據五項重點。
香港大學研究人員結合電腦圖像學、波動光學及 AI 校準,開發兩種全像顯示技術,以呈現更自然的焦點、視角和材質變化。一種以多邊形網格保留場景幾何結構和深度,另一種 HoloPathTracer 模擬光線與場景幾何及材質的互動。兩項研究仍處於研究原型階段,實際消費應用仍需提升運算速度及改進空間光調制器和光學系統。
BAIR 的教師、博士後研究員及學生將於 CoRL 2026 展示研究,活動包括教授 Negar Mehr 的 Early Career Keynote。議程列出 33 篇主會議論文、4 個 Late-breaking results 海報及 10 場口頭報告與 spotlight,會議於 11 月 9 至 12 日舉行。
HOPE(Higher-Order Pruning of Experts)以二階方法考慮專家之間的成對互動,改善 MoE 模型的專家剪枝。在 50% 剪枝率下,HOPE 的平均排名最佳,在智能體編碼任務上的表現較次佳剪枝方法最多高 +6.1%。
Runway 發表研究,拆解 Characters 如何為約 57B 參數的影片擴散 Transformer 提供即時對話服務。在四張 H100 上,優化把每步耗時由 240.9ms 降至 159.3ms(24.5 fps),加入融合 kernel 後進一步降至 147.4ms。
Google Research 在《Nature》發表研究,提出 AI-PPG-ACC-HTN 系統,利用消費級智能手錶被動檢測高血壓徵兆,無需袖帶校準,並以 24 小時動態血壓監測(ABPM)作為臨牀基準。
推薦理由:研究以 24 小時動態血壓監測作臨牀基準,分別檢視手錶系統在初篩及確認測試中的表現,並交代多日生理訊號聚合的做法。
OpenAI 使用一款即將推出的網絡安全模型,建立 Linux 核心自主漏洞研究流水線;在 2026 年 10 月的一次運行中,系統動態重現 1,724 個漏洞,並生成 948 個可運作的本地權限提升 exploit。整次運行耗用 $1,213,430 API credits。人類安全研究員審核結果後,研究團隊已就關鍵漏洞提交數百份報告及修補程式。
推薦理由:文章比較整體 API 成本、歷史漏洞賞金與 kernelCTF 案例,呈現研究團隊衡量自動化漏洞研究資源投入的方式。
Agile Deliberation 將主觀 AI 分類器的建立設計成迭代對話,協助用戶釐清概念邊界並逐步完善定義。研究團隊透過 18 場、每場 1.5 小時的真人測試評估框架,發現它能減少用戶疲勞和焦慮,並產生比標準基線更一致、表現更佳的 AI 模型。相關程式碼和演算法已在 GitHub 開源。
StateBench 是研究團隊推出的長上下文基準,分四個複雜度級別評估語言模型追蹤文件內實體狀態變化的能力。Gemini 3.8 Flash、Claude Opus 5.5、GPT-6 Sol 和 Luna 在較難的 soluble 和 general finite 任務上,準確率隨輸入變長而大幅下跌,最長 general finite 測試降至 13% 或以下。
Palette以LoRA微調20B開放權重模型,讓模型按指定設計語言規劃並生成簡報,並以檢查器核驗版面。訓練數據依據 IBM Design Language 合成,涵蓋約 1000 份簡報、約 10,000 張投影片;模型在 PresentBench 測試的三個領域中有兩個排名第一。設計與編寫程式碼分工後,每張投影片可並行處理,編碼階段快約 6–7×。
Microsoft Research Focus 第 97 期分享 Microsoft 研究社羣的最新成果,涵蓋智能體、工作中的 AI 使用方式及延伸時段天氣預測。ForkPilot 在六項基準測試中表現媲美最佳現有方法,並最多減少 59% AI 處理需求。CABRA 顯示,理解陌生程式碼庫仍是編碼智能體面對的主要障礙之一。
Google Research 提出 sleep framework,讓 LLM 交替進行主動互動與離線記憶整合,把短期上下文知識寫入長期參數以持續學習。該方法在 BABILong 長上下文測試中近乎完美地擴展至 10M tokens,並在未見語言的多階段持續翻譯評估中維持近乎零性能下降。
Ai2 發佈《Old Ideas, Novel Problems》研究及基準,發現大語言模型判斷研究構想新穎性的結果會因評估設定而大幅變動。以 GPT-5.4 評估人類與 AI 生成構想的配對時,僅更改提示詞便令準確率由 93.5% 降至 40.9%,並改變逾半配對的判斷。
推薦理由:研究從 ICLR 2026 評審中抽取明確談及原創性的案例,建立可比較人類與 AI 生成構想的基準,呈現提示詞變動對評估結果的影響。
OpenAI Signals 數據呈現 ChatGPT 在工作中的使用情況,涵蓋近 100 個國家的 165 項工作活動。數據亦顯示使用情況如何隨時間改變。
港大社會科學學院研究人員與多國專家發布 AI 及新興科技應用於精神健康領域的路線圖,提出結合腦部指標、臨牀症狀、個人生活經歷及社會背景,支援個人化治療。現有證據不支持以 AI 取代人類治療,或依賴自主系統處理高風險情況。相關技術仍處於早期階段,須接受嚴謹、以人為本的評估。
LitPivot 是協助研究人員根據相關文獻評估及修訂研究構想的系統,並會按構想中正在編輯的部分整理論文、提供有文獻引文支持的評議及修訂建議。在一項有 17 名研究人員參與的研究中,領域專家認為使用 LitPivot 發展的構想比使用文字編輯器和 AI 聊天工具發展的構想更有文獻根據;參與者亦表示,使用 LitPivot 後對相關文獻的理解更深入,並認為構想的新穎性和實用性有所提升。
Google DeepMind、Google Research、WRI 及 IIASA 發佈 Forest Typology (ForTy) 2020 全球地圖,以 10 米解析度將土地分為六類森林及土地利用類型。
推薦理由:ForTy 將全球土地分為六類森林及土地利用類型,並追蹤 2017 至 2025 年的變化,補充樹冠覆蓋地圖難以呈現的天然林轉為種植園或農地等轉換。
Hugging Face 以 VocabX 為小型語言模型專門化詞彙,在實際應用中降低 77% 推理成本,且不更改基礎模型。葡萄牙文作文評分系統以 Qwen3-4B 為基礎,輸出層詞彙列由約 152,000 縮至約 65,000,數據及訓練配方維持不變。相關數據來自仍在審閲的論文版本,發表前或會變動。
OpenAI、PerturbAI 與 Scripps Research 使用由 GPT‑Rosalind 驅動的數千個 AI 智能體,在 32 分鐘內分析數百萬個小鼠腦細胞的既有實驗數據,找出可供後續研究的生物學線索。
推薦理由:以小鼠腦細胞數據展示分佈式智能體如何串連基因擾動結果與科學文獻,並以單一智能體和盲評比較其分析廣度。
Google Research 的前瞻性多中心研究顯示,AI 模型以盲掃超聲波估算孕週的平均絕對誤差為 4.18 天,準確度與專家標準相若。研究在 385 名孕期 16 至 36 週的參與者中進行測試;芝加哥模型經 120 名參與者的資料微調後,平均絕對誤差為 4.10 天,內羅畢測試則未使用當地資料微調,平均絕對誤差為 4.27 天。
推薦理由:研究以芝加哥 120 名參與者資料微調模型,再以內羅畢資料作外部測試,並與專家基準比較,呈現跨臨牀環境驗證的具體做法。
Microsoft Research 研究人員 Xinzhi Zhang 與合作者證明 KLS 猜想,解決了提出 31 年的高維幾何核心難題。研究團隊以人類主導的 AI 智能體流程探索逾 100 條候選路徑,再透過遞歸精化及控制累積誤差完成證明。另有獨立團隊提出證明,相關結果其後亦有 Lean 4 形式化驗證。
推薦理由:研究呈現研究者如何透過多輪篩選引導 AI 探索證明方向,並以遞歸精化和有界累積誤差完成 KLS 猜想的維度無關證明。
Ai2 推出 FairStress 基準,評估 LLM 在人口羣體決策中的公平性,並檢查模型面對對抗性前綴時,是否因受惠羣體不同而改變決定。基準涵蓋 29 個領域的 300 個雙候選情境,擴展為逾 13 million 個測試案例,另有 50K 項的 FairStress-Core 子集。
推薦理由:文章把公平性評估由最終選擇延伸至對抗性前綴下的決策穩定度,並比較評測提問及答案評分方式如何改變觀察到的偏差方向。
ALTK-Evolve 從智能體訓練任務中自動提煉行為指引並加入提示詞,令使用 gpt-4.1 的客服智能體在不更新模型權重下,於 τ²-bench 零售任務取得 67.5% Pass^4。
推薦理由:文章比較不同指引規模、零售與航空任務,以及 gpt-4.1、gpt-5.5 的結果,具體呈現提示詞記憶對智能體準確度、可靠性和成本的不同影響。