AI 与科学前沿 · 2026-10-30

面向多跳信息检索的搜索智能体，训练信号从只看最终答案正确与否，改为对每一步搜索动作打分。RAG-Gym把搜索建模为马尔可夫决策过程，并比较架构、参数优化与动作评估三个维度，选出推理反思架构、偏好优化与评论家引导推理的组合，构成Re2Search++。在HotpotQA上训练后，它在未见过的Bamboogle上优于结果监督基线，检索召回更高且搜索步数相当或更少；在Llama-3.1-8B上训练的评论家还能提升GPT-4o-mini的MedQA准确率。

面向多跳信息检索的搜索智能体，训练信号从只看最终答案正确与否，改为对每一步搜索动作打分。RAG-Gym把搜索建模为马尔可夫决策过程，并比较架构、参数优化与动作评估三个维度，选出推理反思架构、偏好优化与评论家引导推理的组合，构成Re2Search++。在HotpotQA上训练后，它在未见过的Bamboogle上优于结果监督基线，检索召回更高且搜索步数相当或更少；在Llama-3.1-8B上训练的评论家还能提升GPT-4o-mini的MedQA准确率。

vLLM 在发布当天为 Mistral Large 4 提供推理支持，这是一款 1 万亿参数、每 token 激活 490 亿的稀疏混合专家多模态模型。支持工作包括可断 CUDA 图、手写融合、解码与预填充上下文并行、DSpark 投机解码、NIXL 分离式服务以及主机内存 KV 卸载。在 TP8 上，NVFP4 每 token 解码比 FP8 快 1.08–1.19 倍，并持有约 1.5 倍 KV 缓存，而多模态、长上下文等评测与 FP8 的差距不超过 2.1 分。

vLLM 在发布当天为 Mistral Large 4 提供推理支持，这是一款 1 万亿参数、每 token 激活 490 亿的稀疏混合专家多模态模型。支持工作包括可断 CUDA 图、手写融合、解码与预填充上下文并行、DSpark 投机解码、NIXL 分离式服务以及主机内存 KV 卸载。在 TP8 上，NVFP4 每 token 解码比 FP8 快 1.08–1.19 倍，并持有约 1.5 倍 KV 缓存，而多模态、长上下文等评测与 FP8 的差距不超过 2.1 分。

医学影像基础模型长期在“通用”与“像素级精确”之间取舍，且多数只输出结论、不交代依据。EVLF-FM 把疾病级与像素级两路视觉特征同时送入语言模型，先做监督微调，再用带可验证奖励的强化学习对齐推理与定位，覆盖皮肤科、肝病、眼科、病理、呼吸与放射六个专科、10 种成像模态。内部诊断验证中其平均准确率 0.895，为所比模型中最高；在 9 种模态的医学视觉定位上平均 Acc@0.5 为 0.842。

医学影像基础模型长期在“通用”与“像素级精确”之间取舍，且多数只输出结论、不交代依据。EVLF-FM 把疾病级与像素级两路视觉特征同时送入语言模型，先做监督微调，再用带可验证奖励的强化学习对齐推理与定位，覆盖皮肤科、肝病、眼科、病理、呼吸与放射六个专科、10 种成像模态。内部诊断验证中其平均准确率 0.895，为所比模型中最高；在 9 种模态的医学视觉定位上平均 Acc@0.5 为 0.842。

图像生成的智能体框架此前多为只读的生成—校验—改写循环，修复经验被丢弃，或未经把关就写入技能库。VEvo-Harness 把失败判定展开成层级验证树以定位根因，再用反事实双路图像重放只接纳因果有效的技能补丁，并按工作、经验、模式三层管理记忆。在 Qwen-Image-2512 后端上，它在 GenEval2 达到 86.1，比 GenRouter 高 14.5 个百分点，同时保持持续演化。

图像生成的智能体框架此前多为只读的生成—校验—改写循环，修复经验被丢弃，或未经把关就写入技能库。VEvo-Harness 把失败判定展开成层级验证树以定位根因，再用反事实双路图像重放只接纳因果有效的技能补丁，并按工作、经验、模式三层管理记忆。在 Qwen-Image-2512 后端上，它在 GenEval2 达到 86.1，比 GenRouter 高 14.5 个百分点，同时保持持续演化。

肿瘤免疫动力学的最优控制通常用前向-后向扫描迭代求解庞特里亚金必要条件，但该迭代在控制饱和时会在两种饱和模式间反复跳动而不收敛。把控制写成神经网络、把代价泛函当作训练损失后，训练损失的任何驻点都满足连续一阶必要条件，误差受离散化控制。在取自肿瘤免疫模型的4×4情景网格上，标准扫描在16个情景中有14个失败，而神经网络训练在每个情景都达到稳定最优，最终代价比收敛的阻尼扫描解低2到10倍。

肿瘤免疫动力学的最优控制通常用前向-后向扫描迭代求解庞特里亚金必要条件，但该迭代在控制饱和时会在两种饱和模式间反复跳动而不收敛。把控制写成神经网络、把代价泛函当作训练损失后，训练损失的任何驻点都满足连续一阶必要条件，误差受离散化控制。在取自肿瘤免疫模型的4×4情景网格上，标准扫描在16个情景中有14个失败，而神经网络训练在每个情景都达到稳定最优，最终代价比收敛的阻尼扫描解低2到10倍。

大模型智能体靠多轮工具调用完成任务，但用户提问、工具说明或环境观察里夹带的恶意内容会诱导它做出不安全动作。AgentSafeEvo把攻防做成一场覆盖多类任务与攻击的博弈：攻击方学会构造能暴露防守方工具使用弱点的任务，防守方学会在这些攻击下安全完成任务，并用任务内防守方奖励波动来调整每个任务对双方更新的权重。在智能体安全与通用能力基准上，该方法提升了对抗鲁棒性，同时保持通用智能体能力。

大模型智能体靠多轮工具调用完成任务，但用户提问、工具说明或环境观察里夹带的恶意内容会诱导它做出不安全动作。AgentSafeEvo把攻防做成一场覆盖多类任务与攻击的博弈：攻击方学会构造能暴露防守方工具使用弱点的任务，防守方学会在这些攻击下安全完成任务，并用任务内防守方奖励波动来调整每个任务对双方更新的权重。在智能体安全与通用能力基准上，该方法提升了对抗鲁棒性，同时保持通用智能体能力。

Meta把大模型生成的即时测试（JiTTests）从研究原型推进到生产基础设施，在代码合入前自动生成会失败的测试来暴露行为差异。系统用“可疑改动”和“意图感知”两条流程生成候选测试，再由多模型评审团与规则判定器排序，工程师只在聚合层面介入。上线五个月内589名工程师参与，报告真阳性率60%；2026年上半年在合入前捕获74个严重隐私缺陷，同期隐私严重缺陷总体下降20%。

Meta把大模型生成的即时测试（JiTTests）从研究原型推进到生产基础设施，在代码合入前自动生成会失败的测试来暴露行为差异。系统用“可疑改动”和“意图感知”两条流程生成候选测试，再由多模型评审团与规则判定器排序，工程师只在聚合层面介入。上线五个月内589名工程师参与，报告真阳性率60%；2026年上半年在合入前捕获74个严重隐私缺陷，同期隐私严重缺陷总体下降20%。

Mistral AI 公开了旗舰模型 Mistral Large 4（Le Chonk）的权重，这是一个在公开预览后经三周额外强化学习改进的万亿参数原生多模态模型。在 Artificial Analysis 编程智能体指数上，它以 48% 与领先开放权重模型 GLM-5.3 基本持平，而每个任务平均少用 47% 的词元；在 Terminal-Bench 4.0 上，它比自身公开预览版提升 13 个百分点至 41%，输出词元减少 30%。模型还提供低、中、高三档推理模式，供开发者权衡性能与推理成本。

Mistral AI 公开了旗舰模型 Mistral Large 4（Le Chonk）的权重，这是一个在公开预览后经三周额外强化学习改进的万亿参数原生多模态模型。在 Artificial Analysis 编程智能体指数上，它以 48% 与领先开放权重模型 GLM-5.3 基本持平，而每个任务平均少用 47% 的词元；在 Terminal-Bench 4.0 上，它比自身公开预览版提升 13 个百分点至 41%，输出词元减少 30%。模型还提供低、中、高三档推理模式，供开发者权衡性能与推理成本。

把稠密Transformer层扩展成稀疏专家混合模型，让法律与生物医学各自拥有完整MLP专家，并用少量样本监督路由器按领域选择专家。在Llama-3.1-8B与Qwen-3-8B上，该方法在生物医学与法律领域的平均成绩均为最高，通用领域平均分也最高；每领域仅用256个样本监督路由器，适配后专业领域路由准确率为90–98%，未采用该监督的路由器为43–70%。

把稠密Transformer层扩展成稀疏专家混合模型，让法律与生物医学各自拥有完整MLP专家，并用少量样本监督路由器按领域选择专家。在Llama-3.1-8B与Qwen-3-8B上，该方法在生物医学与法律领域的平均成绩均为最高，通用领域平均分也最高；每领域仅用256个样本监督路由器，适配后专业领域路由准确率为90–98%，未采用该监督的路由器为43–70%。

vibe-qc 是一个面向分子与固体的开源电子结构程序，其代码几乎全部由 AI 智能体在一位领域科学家的指导下编写。它把分子与周期体系放进同一套 Python 接口和 C++17 数值核心，并附带一套可复用的验证集：分子哈特里—福克能量与独立程序吻合到纳哈特里量级，常规 CCSD(T) 也在小分子上做了对照。验证集把独立程序比对、已发表基准和内洽检验分开记录，未达容差的比较同样保留。

vibe-qc 是一个面向分子与固体的开源电子结构程序，其代码几乎全部由 AI 智能体在一位领域科学家的指导下编写。它把分子与周期体系放进同一套 Python 接口和 C++17 数值核心，并附带一套可复用的验证集：分子哈特里—福克能量与独立程序吻合到纳哈特里量级，常规 CCSD(T) 也在小分子上做了对照。验证集把独立程序比对、已发表基准和内洽检验分开记录，未达容差的比较同样保留。

LangSmith 的 Managed Deep Agents 现在为智能体托管一个浏览器，并提供快照、批量操作、截图和转交人工四类工具，让智能体能点击、滚动和填表，而不必依赖 API。在 WebVoyager 的 100 项真实网站日常任务上，这套工具通过 90%，总花费 1.98 美元，是所测七套工具中通过率最高的；最接近的 Browserbase MCP 服务器通过 89%，成本为 9 倍。浏览器会话可按线程或按用户共享，遇到登录页时智能体可把浏览器交给本人操作后再接回。

LangSmith 的 Managed Deep Agents 现在为智能体托管一个浏览器，并提供快照、批量操作、截图和转交人工四类工具，让智能体能点击、滚动和填表，而不必依赖 API。在 WebVoyager 的 100 项真实网站日常任务上，这套工具通过 90%，总花费 1.98 美元，是所测七套工具中通过率最高的；最接近的 Browserbase MCP 服务器通过 89%，成本为 9 倍。浏览器会话可按线程或按用户共享，遇到登录页时智能体可把浏览器交给本人操作后再接回。

在PromptBio-Bench的244项自由输出生物信息任务上，Claude Opus 5.5在Claude Code中全部完成，按原评测框架准确率为0.869，高于Biomni与ToolsGenie的0.758和STELLA的0.717。安装667个生物信息学Agent Skills后，智能体在444个子智能体会话中一次也没有调用技能；修正评测器缺陷后，带技能配置在GPT判分下为0.918、在Claude判分下为0.926，无技能配置为0.873和0.902。剩余18项失败中，7项源于参考答案缺陷，4项依赖题目未给出的设置。

在PromptBio-Bench的244项自由输出生物信息任务上，Claude Opus 5.5在Claude Code中全部完成，按原评测框架准确率为0.869，高于Biomni与ToolsGenie的0.758和STELLA的0.717。安装667个生物信息学Agent Skills后，智能体在444个子智能体会话中一次也没有调用技能；修正评测器缺陷后，带技能配置在GPT判分下为0.918、在Claude判分下为0.926，无技能配置为0.873和0.902。剩余18项失败中，7项源于参考答案缺陷，4项依赖题目未给出的设置。

机器学习原子间势（MLIP）的推理长期停留在FP32，因为分子动力学对力的小误差很敏感。针对EPFL Lab COSMO开发的PET模型，在Blackwell GPU上用BF16x9、在Ampere GPU上用TF32x3把FP32矩阵乘分解为低精度分量在张量核心上计算，无需重训练或改架构。在17,280原子水盒上，BF16x9使PET的大矩阵乘快2.2–2.5倍、完整MD步最高快1.7倍；TF32x3在A100上使主要GEMM快约1.7–1.9倍、MD步最高快1.5倍，并保持与FP32接近的能量守恒与结构弛豫行为。

机器学习原子间势（MLIP）的推理长期停留在FP32，因为分子动力学对力的小误差很敏感。针对EPFL Lab COSMO开发的PET模型，在Blackwell GPU上用BF16x9、在Ampere GPU上用TF32x3把FP32矩阵乘分解为低精度分量在张量核心上计算，无需重训练或改架构。在17,280原子水盒上，BF16x9使PET的大矩阵乘快2.2–2.5倍、完整MD步最高快1.7倍；TF32x3在A100上使主要GEMM快约1.7–1.9倍、MD步最高快1.5倍，并保持与FP32接近的能量守恒与结构弛豫行为。

安全关键系统的学习型控制器通常先最大化平均回报，再用惩罚、约束或运行时过滤补上安全。CeDL 改为无奖励训练：把李雅普诺夫稳定性、控制屏障安全、时序逻辑鲁棒性与可行性裕度合成一个证书裕度，用对抗伪造器找出最接近违规的场景反复强化。在 URLLC 无线资源分配、传感器网络节能路由和机器人避障三类仿真中，CeDL 在测试集上观测到零违规，并给出比奖励型强化学习、约束强化学习、模型预测控制、屏蔽强化学习和经典控制器更大的最小证书裕度。

安全关键系统的学习型控制器通常先最大化平均回报，再用惩罚、约束或运行时过滤补上安全。CeDL 改为无奖励训练：把李雅普诺夫稳定性、控制屏障安全、时序逻辑鲁棒性与可行性裕度合成一个证书裕度，用对抗伪造器找出最接近违规的场景反复强化。在 URLLC 无线资源分配、传感器网络节能路由和机器人避障三类仿真中，CeDL 在测试集上观测到零违规，并给出比奖励型强化学习、约束强化学习、模型预测控制、屏蔽强化学习和经典控制器更大的最小证书裕度。

Surge AI 发布 DAYJOB: Tax，把 AI 智能体放进 50 个税务工作环境，覆盖个人、合伙企业、跨境等八个领域，要求它们读客户请求和原始凭据，交出报税表、底稿、复核意见或客户建议。此前的税务测评多从一个已定义的问题出发，而这里客户没提的问题也要智能体自己发现。按单次尝试（pass@1）且需满足至少 95% 评分条目的口径，Claude Sonnet 5.5 以 10.8% 的通过率居首，Claude Fable 5.1 为 9.6%，Claude Opus 5.5 为 9.2%。

Surge AI 发布 DAYJOB: Tax，把 AI 智能体放进 50 个税务工作环境，覆盖个人、合伙企业、跨境等八个领域，要求它们读客户请求和原始凭据，交出报税表、底稿、复核意见或客户建议。此前的税务测评多从一个已定义的问题出发，而这里客户没提的问题也要智能体自己发现。按单次尝试（pass@1）且需满足至少 95% 评分条目的口径，Claude Sonnet 5.5 以 10.8% 的通过率居首，Claude Fable 5.1 为 9.6%，Claude Opus 5.5 为 9.2%。

Aleph Alpha 把逐页自检的智能体解析流程蒸馏成单一视觉语言模型 Parsy，让每页只跑一遍。此前该流程靠多个模型和最多三次校验达到 86.0 的 ParseBench 分数，但速度与成本难以支撑百万页级处理。Parsy 用该流程标注公开文档、再经独立版面模型、墨迹覆盖和第二个 OCR 模型清洗标签后训练，在 ParseBench 上得 87.9，单张 H100 每天可解析数十万页，每页成本比原流程低一到两个数量级。

Aleph Alpha 把逐页自检的智能体解析流程蒸馏成单一视觉语言模型 Parsy，让每页只跑一遍。此前该流程靠多个模型和最多三次校验达到 86.0 的 ParseBench 分数，但速度与成本难以支撑百万页级处理。Parsy 用该流程标注公开文档、再经独立版面模型、墨迹覆盖和第二个 OCR 模型清洗标签后训练，在 ParseBench 上得 87.9，单张 H100 每天可解析数十万页，每页成本比原流程低一到两个数量级。

Edison Scientific宣布与辉瑞达成协议，把Edison AI平台及其AI科学家Kosmos部署到辉瑞的生物医药研发管线中。Kosmos将接入辉瑞在肿瘤、内科、免疫等领域的数据，以支持辉瑞科学家、为研发中的关键决策提供依据，并帮助加快潜在新药的发现。合作的核心是Kosmos的持续学习能力，它把辉瑞内部药物开发数据与公开数据结合成整合的世界模型，Edison的前置科学家和工程师则与辉瑞研究团队一起把Kosmos嵌入具体工作流。

Edison Scientific宣布与辉瑞达成协议，把Edison AI平台及其AI科学家Kosmos部署到辉瑞的生物医药研发管线中。Kosmos将接入辉瑞在肿瘤、内科、免疫等领域的数据，以支持辉瑞科学家、为研发中的关键决策提供依据，并帮助加快潜在新药的发现。合作的核心是Kosmos的持续学习能力，它把辉瑞内部药物开发数据与公开数据结合成整合的世界模型，Edison的前置科学家和工程师则与辉瑞研究团队一起把Kosmos嵌入具体工作流。

英伟达推出面向Windows的RTX Spark平台，把Blackwell RTX GPU、Grace CPU与最高128 GB统一内存装进轻薄笔记本和紧凑台式机，并配套完整的CUDA与RTX技术栈。面向游戏开发者，这一平台同时承载DLSS 5的3D引导神经渲染、可在本地运行的Nemotron 3.5 Bolt E4B 4GB游戏内智能体模型，以及支持原生Arm64的RTX Kit、Nsight与虚幻引擎插件。DLSS 5的10月模型更新比9月版本快2倍、GPU开销减半，并在4K下把显存占用降低20%。

英伟达推出面向Windows的RTX Spark平台，把Blackwell RTX GPU、Grace CPU与最高128 GB统一内存装进轻薄笔记本和紧凑台式机，并配套完整的CUDA与RTX技术栈。面向游戏开发者，这一平台同时承载DLSS 5的3D引导神经渲染、可在本地运行的Nemotron 3.5 Bolt E4B 4GB游戏内智能体模型，以及支持原生Arm64的RTX Kit、Nsight与虚幻引擎插件。DLSS 5的10月模型更新比9月版本快2倍、GPU开销减半，并在4K下把显存占用降低20%。

Base Labs 发布 2B 参数的决策模型 joey-1，把分类、审批这类只需一个标签的调用从生成文本改为一次前向直接返回单个 token 和校准概率。此前这类请求要靠 LLM 生成文本，每次调用都叠加成本与延迟。在生产规模下，joey-1 处理平均 2000 token 请求的 P50 端到端延迟为 20 ms，约为 elephant-1（49 ms）的 2.5 倍快，每百万 token 价格 0.01 美元，为 mammoth-1 的十分之一。

Base Labs 发布 2B 参数的决策模型 joey-1，把分类、审批这类只需一个标签的调用从生成文本改为一次前向直接返回单个 token 和校准概率。此前这类请求要靠 LLM 生成文本，每次调用都叠加成本与延迟。在生产规模下，joey-1 处理平均 2000 token 请求的 P50 端到端延迟为 20 ms，约为 elephant-1（49 ms）的 2.5 倍快，每百万 token 价格 0.01 美元，为 mammoth-1 的十分之一。

GRPO强化微调中，固定由易到难的课程表常与模型实际进度脱节。ClosedLoopGaussian保留高斯采样器的形式，用每隔若干步的探针准确率反馈调节推进速度与复习宽度，不改奖励、模型结构或优化器。在Countdown上四个随机种子的平均精确匹配准确率高于固定课程与原始GRPO，增益集中在中间难度，但种子间离散度大，结果只作描述性解读。

GRPO强化微调中，固定由易到难的课程表常与模型实际进度脱节。ClosedLoopGaussian保留高斯采样器的形式，用每隔若干步的探针准确率反馈调节推进速度与复习宽度，不改奖励、模型结构或优化器。在Countdown上四个随机种子的平均精确匹配准确率高于固定课程与原始GRPO，增益集中在中间难度，但种子间离散度大，结果只作描述性解读。

日语检索智能体的能力此前缺少可重复的定量评测，常见日语基准多只要求单次检索。Preferred Networks构建并公开Snapshot BrowseComp-ja，以约824万篇日语、约4552万篇英语的固定网页语料为检索对象，收录250道需多步检索整合的日语问题。三个公开模型在不给检索工具时正确率均低，给工具后Qwen3.8-27B在全部250题上达到89.2%。

日语检索智能体的能力此前缺少可重复的定量评测，常见日语基准多只要求单次检索。Preferred Networks构建并公开Snapshot BrowseComp-ja，以约824万篇日语、约4552万篇英语的固定网页语料为检索对象，收录250道需多步检索整合的日语问题。三个公开模型在不给检索工具时正确率均低，给工具后Qwen3.8-27B在全部250题上达到89.2%。

JetBrains 从 2026.3 版本起把 IDE 内置终端的终端仿真层从沿用多年的 JediTerm 换成 libghostty，即 Ghostty 背后的终端仿真库。此前 JediTerm 不支持 Kitty 键盘协议等现代协议，AI 编程智能体、Neovim、tmux 这类全屏工具在终端里体验与独立终端有差距。新引擎接管转义序列解析与终端状态，IDE 仍负责渲染和上层集成，并处理了 JediTerm 忽略或误读的近 50 个控制序列。

JetBrains 从 2026.3 版本起把 IDE 内置终端的终端仿真层从沿用多年的 JediTerm 换成 libghostty，即 Ghostty 背后的终端仿真库。此前 JediTerm 不支持 Kitty 键盘协议等现代协议，AI 编程智能体、Neovim、tmux 这类全屏工具在终端里体验与独立终端有差距。新引擎接管转义序列解析与终端状态，IDE 仍负责渲染和上层集成，并处理了 JediTerm 忽略或误读的近 50 个控制序列。