AI 与科学前沿 · 2026-11-08

Lila Sciences用闭环自动化实验室寻找酸性析氧反应（OER）催化剂，该反应长期依赖稀有的铱和钌。其AI模型在筛选2942种氧化物时提出钯基配方，而钯此前被该领域视为酸性条件下的死路。经反复活性测试与超过1000小时稳定性测试，领先的改性钯候选表现可与钌相比，团队共识别出6个处于或接近活性—稳定性帕累托前沿的钯基材料家族。

Lila Sciences用闭环自动化实验室寻找酸性析氧反应（OER）催化剂，该反应长期依赖稀有的铱和钌。其AI模型在筛选2942种氧化物时提出钯基配方，而钯此前被该领域视为酸性条件下的死路。经反复活性测试与超过1000小时稳定性测试，领先的改性钯候选表现可与钌相比，团队共识别出6个处于或接近活性—稳定性帕累托前沿的钯基材料家族。

测试时训练层把循环状态换成一个小型神经网络，在线梯度下降让它比线性记忆更有表达力，但每个词元的梯度都依赖此前全部更新，只能顺序计算。ParaTTT改为迭代修正隐藏层预激活梯度的估计，每轮由前向、读出和反向三次分块并行扫描组成，精确的在线递推是该迭代的不动点。在4K上下文下，两次修正以更少时间达到TTT-MLP分块近似的同等误差，340M与1.3B模型在困惑度和召回上不弱于Gated DeltaNet与Mamba-2。

测试时训练层把循环状态换成一个小型神经网络，在线梯度下降让它比线性记忆更有表达力，但每个词元的梯度都依赖此前全部更新，只能顺序计算。ParaTTT改为迭代修正隐藏层预激活梯度的估计，每轮由前向、读出和反向三次分块并行扫描组成，精确的在线递推是该迭代的不动点。在4K上下文下，两次修正以更少时间达到TTT-MLP分块近似的同等误差，340M与1.3B模型在困惑度和召回上不弱于Gated DeltaNet与Mamba-2。

斯坦福医院把基于大语言模型的万古霉素给药智能体PharmaAgent静默部署两个月，在316名患者的403次给药事件上比较高自主与低自主两种配置。带机构指南时，高自主配置相对治疗药师医嘱的平均绝对百分比误差为21.8%，低自主配置为37.8%；落在25%容差内的比例分别为73.4%和50.9%。但药师复核196条超容差建议时，65.8%被判定存在安全顾虑，两种配置都还不能脱离药师监督给患者定剂量。

斯坦福医院把基于大语言模型的万古霉素给药智能体PharmaAgent静默部署两个月，在316名患者的403次给药事件上比较高自主与低自主两种配置。带机构指南时，高自主配置相对治疗药师医嘱的平均绝对百分比误差为21.8%，低自主配置为37.8%；落在25%容差内的比例分别为73.4%和50.9%。但药师复核196条超容差建议时，65.8%被判定存在安全顾虑，两种配置都还不能脱离药师监督给患者定剂量。

在目标细胞系没有药物测量数据时，GRAFT把该细胞系的基因扰动响应与源细胞的药物响应联系起来，预测药物引起的转录变化。在五株LINCS癌细胞系留一交叉验证中，GRAFT-D0的Top20 Pearson相关均值为0.734，高于源均值0.493和最强对照PRnet的0.689；在五个外部细胞环境中，等权平均Top20相关为0.606，源均值为0.416。方法依赖目标基因响应相对源参考的差异构成的条件状态，当目标基因测量很少时预测仍可改善，但增益随数据质量与来源覆盖变化。

在目标细胞系没有药物测量数据时，GRAFT把该细胞系的基因扰动响应与源细胞的药物响应联系起来，预测药物引起的转录变化。在五株LINCS癌细胞系留一交叉验证中，GRAFT-D0的Top20 Pearson相关均值为0.734，高于源均值0.493和最强对照PRnet的0.689；在五个外部细胞环境中，等权平均Top20相关为0.606，源均值为0.416。方法依赖目标基因响应相对源参考的差异构成的条件状态，当目标基因测量很少时预测仍可改善，但增益随数据质量与来源覆盖变化。

单细胞扰动图谱只覆盖了可能实验组合的一小部分，而现有生成模型需要从实测对照细胞映射到扰动细胞，且缺少判断预测好坏的实验参照。GENESIS 改为直接从细胞系或供体、药物或细胞因子、剂量和实验批次这些条件变量生成单细胞表达分布，用能量分数训练轻量多层感知机，推理时不需要对照细胞。在 Tahoe-100M 的 530 对重复平板上，其 Pearson Δ 为 0.430、实验重复为 0.432，能量距离为 0.158、实验重复为 0.154，两项与实验重复无显著差异；top-100 差异基因重叠为 0.289、实验重复为 0.299，低 3.4%。

单细胞扰动图谱只覆盖了可能实验组合的一小部分，而现有生成模型需要从实测对照细胞映射到扰动细胞，且缺少判断预测好坏的实验参照。GENESIS 改为直接从细胞系或供体、药物或细胞因子、剂量和实验批次这些条件变量生成单细胞表达分布，用能量分数训练轻量多层感知机，推理时不需要对照细胞。在 Tahoe-100M 的 530 对重复平板上，其 Pearson Δ 为 0.430、实验重复为 0.432，能量距离为 0.158、实验重复为 0.154，两项与实验重复无显著差异；top-100 差异基因重叠为 0.289、实验重复为 0.299，低 3.4%。

DiFVM把非结构多面体网格上的完整有限体积/PISO求解流程改写成静态图上的向量化散射与聚集运算，在JAX/XLA上实现GPU原生执行和端到端自动微分。此前可微CFD平台多依赖笛卡尔或结构化网格，难以直接处理贴体复杂几何。在单个NVIDIA L40 GPU上，DiFVM在所有测试算例中都快于32核并行OpenFOAM，最大算例约10⁶个控制体；可微性则通过反演空腔盖板速度和同时推断六个Windkessel参数得到演示。

DiFVM把非结构多面体网格上的完整有限体积/PISO求解流程改写成静态图上的向量化散射与聚集运算，在JAX/XLA上实现GPU原生执行和端到端自动微分。此前可微CFD平台多依赖笛卡尔或结构化网格，难以直接处理贴体复杂几何。在单个NVIDIA L40 GPU上，DiFVM在所有测试算例中都快于32核并行OpenFOAM，最大算例约10⁶个控制体；可微性则通过反演空腔盖板速度和同时推断六个Windkessel参数得到演示。

自主投资智能体要能从结果中学习，又不能改写自己的风控规则。Steward把可改的提示词与不可触碰的不变核心分开：九个角色智能体共同决策，代码每晚给交易打分，季度反思器只提出类型化的提示词修改，由确定性闸门可逆地应用。在102个交易日、1632次模型调用的实盘模拟账户中，半导体板块回撤24.6%期间组合仅亏0.3%，注入的指令无一被采纳。

自主投资智能体要能从结果中学习，又不能改写自己的风控规则。Steward把可改的提示词与不可触碰的不变核心分开：九个角色智能体共同决策，代码每晚给交易打分，季度反思器只提出类型化的提示词修改，由确定性闸门可逆地应用。在102个交易日、1632次模型调用的实盘模拟账户中，半导体板块回撤24.6%期间组合仅亏0.3%，注入的指令无一被采纳。

少步自回归视频扩散模型在长推演中会逐渐丢失主体与场景信息，现有蒸馏目标没有把久远历史单独作为约束。History Forcing 用同一自回归教师在有、无额外历史两种条件下的预测之差构造上下文残差，加权后修正 DMD 或 OPSD 的蒸馏目标。1.3B 学生模型在 15 秒生成上取得 VBench 质量分 85.07，在 60 秒生成上取得 VBench-Long 综合分 79.82，并在相机离开再返回的评测中把 PlayWorld 演化质量从 2.35 提到 2.70。

少步自回归视频扩散模型在长推演中会逐渐丢失主体与场景信息，现有蒸馏目标没有把久远历史单独作为约束。History Forcing 用同一自回归教师在有、无额外历史两种条件下的预测之差构造上下文残差，加权后修正 DMD 或 OPSD 的蒸馏目标。1.3B 学生模型在 15 秒生成上取得 VBench 质量分 85.07，在 60 秒生成上取得 VBench-Long 综合分 79.82，并在相机离开再返回的评测中把 PlayWorld 演化质量从 2.35 提到 2.70。

视觉-语言-动作（VLA）策略一次查询生成一串动作，但执行多长才安全此前只能靠生成稳定性或预测一致性间接判断。PAV改为在策略自身的任务条件表示空间里预测候选前缀执行后的未来状态，并用轨迹级成败结果训练一个验证器，给出该前缀能否继续完成任务的概率。在LIBERO四个套件上，PAV平均成功率94.65%、平均每回合14.0次策略查询，高于不做未来预测的直接验证（84.55%、22.3次）和改用DINOv2特征预测的版本（87.00%、22.2次）。

视觉-语言-动作（VLA）策略一次查询生成一串动作，但执行多长才安全此前只能靠生成稳定性或预测一致性间接判断。PAV改为在策略自身的任务条件表示空间里预测候选前缀执行后的未来状态，并用轨迹级成败结果训练一个验证器，给出该前缀能否继续完成任务的概率。在LIBERO四个套件上，PAV平均成功率94.65%、平均每回合14.0次策略查询，高于不做未来预测的直接验证（84.55%、22.3次）和改用DINOv2特征预测的版本（87.00%、22.2次）。

卵巢附件包块的术前分诊长期依赖CA-125、HE4与超声O-RADS，敏感性和特异性都有限。ADAPT-MS不预设固定标志物组合，而是针对每个样本实际测到的蛋白重新训练分类器，直接读取发现模式的血浆质谱数据。在五个独立验证队列共623例中，该分类器汇总AUC为0.835，与O-RADS单独使用相当，与O-RADS合并后升至0.922。

卵巢附件包块的术前分诊长期依赖CA-125、HE4与超声O-RADS，敏感性和特异性都有限。ADAPT-MS不预设固定标志物组合，而是针对每个样本实际测到的蛋白重新训练分类器，直接读取发现模式的血浆质谱数据。在五个独立验证队列共623例中，该分类器汇总AUC为0.835，与O-RADS单独使用相当，与O-RADS合并后升至0.922。

同态加密能在密文上直接算模型，但自举（bootstrapping，刷新密文可用乘法深度的昂贵操作）带来的延迟让加密大模型难以实用，而现有优化分散在不同、有时闭源的框架里，集成困难且耗时。Perseus是一个公开的Python库，覆盖密码后端、数据打包和自举放置三层，在GPU上实现内核内密钥再生、复数Cachemir打包，以及按系数幅值和打包周期性规划自举。在Llama-3-8B解码上，其延迟低于已知最快实现Sylph，后者运行在相近硬件但基于闭源的HEaaN。

同态加密能在密文上直接算模型，但自举（bootstrapping，刷新密文可用乘法深度的昂贵操作）带来的延迟让加密大模型难以实用，而现有优化分散在不同、有时闭源的框架里，集成困难且耗时。Perseus是一个公开的Python库，覆盖密码后端、数据打包和自举放置三层，在GPU上实现内核内密钥再生、复数Cachemir打包，以及按系数幅值和打包周期性规划自举。在Llama-3-8B解码上，其延迟低于已知最快实现Sylph，后者运行在相近硬件但基于闭源的HEaaN。

Best-of-N 推理按代理奖励挑最高分候选，预算越大越只读取奖励分布的极端尾部，因此平均排序指标看不出部署风险。研究把 BoN 值写成条件真实奖励在提示内分数分位上的 Beta 加权积分，说明 BoN 只依赖分数排名，且只有尾部校准曲线下弯时才会下降。在公开候选池上，负的尾部超额集中在代码生成任务，交叉拟合的尾部统计量能预测预算上限在留出数据上是否带来收益，效果与排序准确率相当。

Best-of-N 推理按代理奖励挑最高分候选，预算越大越只读取奖励分布的极端尾部，因此平均排序指标看不出部署风险。研究把 BoN 值写成条件真实奖励在提示内分数分位上的 Beta 加权积分，说明 BoN 只依赖分数排名，且只有尾部校准曲线下弯时才会下降。在公开候选池上，负的尾部超额集中在代码生成任务，交叉拟合的尾部统计量能预测预算上限在留出数据上是否带来收益，效果与排序准确率相当。

RI-SINDy 把已知的 Hill 型调控项从稀疏回归的候选库中移出，改由有界轨迹上时间平均导数趋于零的漂移平衡条件单独解出该系数，从而避免调控项与多项式项在振荡区间内近乎共线造成的病态回归。在 Hes1 实验数据上，它的轨迹误差低于传统 SINDy、SR3 与零斜线重建；在合成 Goodwin 与 NF-κB 模型上，它恢复出正确的稀疏结构，并在 Goodwin 噪声扫描中于 15% 噪声下仍找回全部 6 个活跃项。

RI-SINDy 把已知的 Hill 型调控项从稀疏回归的候选库中移出，改由有界轨迹上时间平均导数趋于零的漂移平衡条件单独解出该系数，从而避免调控项与多项式项在振荡区间内近乎共线造成的病态回归。在 Hes1 实验数据上，它的轨迹误差低于传统 SINDy、SR3 与零斜线重建；在合成 Goodwin 与 NF-κB 模型上，它恢复出正确的稀疏结构，并在 Goodwin 噪声扫描中于 15% 噪声下仍找回全部 6 个活跃项。

Anthropic 在 Claude Platform 的 Claude Managed Agents 中加入动态工作流（beta）：面对审阅数百份文档这类多环节任务，智能体可以自己写一段程序，把多个智能体分阶段跑起来并合并结果，服务器以 workflow run 的形式在后台执行。开启方式是把智能体的 multiagent 字段设为 multiagent_20261001 并启用 workflows，使用方可在系统提示中告诉智能体何时启动一次运行，再通过会话事件流里的 workflow_run.* 事件跟踪每次运行。

Anthropic 在 Claude Platform 的 Claude Managed Agents 中加入动态工作流（beta）：面对审阅数百份文档这类多环节任务，智能体可以自己写一段程序，把多个智能体分阶段跑起来并合并结果，服务器以 workflow run 的形式在后台执行。开启方式是把智能体的 multiagent 字段设为 multiagent_20261001 并启用 workflows，使用方可在系统提示中告诉智能体何时启动一次运行，再通过会话事件流里的 workflow_run.* 事件跟踪每次运行。

电子废弃物拆解中，视觉-语言-动作（VLA）策略的示范数据稀缺，仅靠监督微调难以覆盖部署时遇到的状态偏移。PACER把机器人自主回放、操作员纠正和补充干净示范统一成带过程角色的动作块行，按朝目标推进的程度和轨迹来源给每行赋权，仍沿用原有的监督动作损失。在UR5e主板拆解五个部件的留出硬件测试中，选出的策略完成87/100次接近与交接试验，均匀加权的后监督微调为54/100，固定几何加权为79/100。

电子废弃物拆解中，视觉-语言-动作（VLA）策略的示范数据稀缺，仅靠监督微调难以覆盖部署时遇到的状态偏移。PACER把机器人自主回放、操作员纠正和补充干净示范统一成带过程角色的动作块行，按朝目标推进的程度和轨迹来源给每行赋权，仍沿用原有的监督动作损失。在UR5e主板拆解五个部件的留出硬件测试中，选出的策略完成87/100次接近与交接试验，均匀加权的后监督微调为54/100，固定几何加权为79/100。

Nace 发布决策模型 Drex Max，它不再生成文字，而是接收截图、录屏、扫描文档、图表或照片以及一组带类型的问题，一次前向计算就为每个候选选项给出概率。在公开的 Decision Index 0.4.0 上它取得 67.6，高于同系列 Drex v2.0 的 61.3 和 Drex v1.5 的 58.1；公开视觉指数为 74.5。按调用方看到的中位 API 时延计，每次决策 183 毫秒，每千次决策 0.06 美元。

Nace 发布决策模型 Drex Max，它不再生成文字，而是接收截图、录屏、扫描文档、图表或照片以及一组带类型的问题，一次前向计算就为每个候选选项给出概率。在公开的 Decision Index 0.4.0 上它取得 67.6，高于同系列 Drex v2.0 的 61.3 和 Drex v1.5 的 58.1；公开视觉指数为 74.5。按调用方看到的中位 API 时延计，每次决策 183 毫秒，每千次决策 0.06 美元。

肿瘤指南随证据滚动修订，答案即使忠实引用真实指南，也可能引用已被取代的版本。ASCOBench把288个问题绑定到具体版本的ASCO乳腺癌与前列腺癌指南，并由肿瘤科医生复核参考答案；版本敏感的草稿约四分之一需要修改或重写，事实类不足十分之一。14份被后续文件取代的指南中只有1份声明自己已被替换；对强模型Gemini而言，检索多个指南版本使过时回答的出现频率约为不检索时的四倍，而以验证为先的SentryLine把错误回答降到4.2%至5.2%。

肿瘤指南随证据滚动修订，答案即使忠实引用真实指南，也可能引用已被取代的版本。ASCOBench把288个问题绑定到具体版本的ASCO乳腺癌与前列腺癌指南，并由肿瘤科医生复核参考答案；版本敏感的草稿约四分之一需要修改或重写，事实类不足十分之一。14份被后续文件取代的指南中只有1份声明自己已被替换；对强模型Gemini而言，检索多个指南版本使过时回答的出现频率约为不检索时的四倍，而以验证为先的SentryLine把错误回答降到4.2%至5.2%。

长期记忆系统通常把事实存成条目、检索时按相关性挑选，跨会话分散且随时间变化的事实难以组合。MaC把记忆构建与检索统一到同一套代码抽象上：事实被写成带规范标识和来源的可执行函数，查询则被编译成一段检索程序，一次规划调用后由执行器运行。在LOCOMO与LONGMEMEVAL上，MaC在四个评测设置中整体LLM判分均为最高，相对各自最强基线最高提升15.91%和9.06%，并显著降低token消耗。

长期记忆系统通常把事实存成条目、检索时按相关性挑选，跨会话分散且随时间变化的事实难以组合。MaC把记忆构建与检索统一到同一套代码抽象上：事实被写成带规范标识和来源的可执行函数，查询则被编译成一段检索程序，一次规划调用后由执行器运行。在LOCOMO与LONGMEMEVAL上，MaC在四个评测设置中整体LLM判分均为最高，相对各自最强基线最高提升15.91%和9.06%，并显著降低token消耗。

大语言模型写故事常被指缺少起伏，读者体验难以随情节自然变化。一种新框架先从高质量人类故事中学习悬念或幽默这类读者反应的演变轨迹，再用一个小模型预测下一段应达到的读者反应，并以此引导现成写作模型逐段续写。在悬念与幽默两个领域、GPT-5.5与Qwen3.5-27B两个写作模型上，生成故事对人工故事读者轨迹的贴合度提升12%–35%，同时大体保持故事连贯性。

大语言模型写故事常被指缺少起伏，读者体验难以随情节自然变化。一种新框架先从高质量人类故事中学习悬念或幽默这类读者反应的演变轨迹，再用一个小模型预测下一段应达到的读者反应，并以此引导现成写作模型逐段续写。在悬念与幽默两个领域、GPT-5.5与Qwen3.5-27B两个写作模型上，生成故事对人工故事读者轨迹的贴合度提升12%–35%，同时大体保持故事连贯性。

Benchling发布Science Foundries，让科学家与AI智能体按同一份科学数据和上下文分工，端到端运行蛋白质生产、先导化合物优化或工艺改进等流程。使用者先选定流程或目标，再规定哪些步骤由智能体执行、哪些节点需要科学家批准，智能体随后执行与监控工作、协调交接并把关键决策交回科学家。在高通量抗体案例中，设计、克隆、实验室和分析四类智能体分别对接模型、CRO、实验自动化与训练数据，使深夜完成的检测结果在科学家上班前已得到分析。

Benchling发布Science Foundries，让科学家与AI智能体按同一份科学数据和上下文分工，端到端运行蛋白质生产、先导化合物优化或工艺改进等流程。使用者先选定流程或目标，再规定哪些步骤由智能体执行、哪些节点需要科学家批准，智能体随后执行与监控工作、协调交接并把关键决策交回科学家。在高通量抗体案例中，设计、克隆、实验室和分析四类智能体分别对接模型、CRO、实验自动化与训练数据，使深夜完成的检测结果在科学家上班前已得到分析。

PRISM-Net把商品图像的整体特征拆成线条与颜色两条专家通路，用冻结的SigLIP文本提示以零样本方式监督两个路由器，再由按图像自适应的元路由器融合两路证据。在275,454张、18类电商图像的5折交叉验证与55,091条查询对220,363张图库的全量检索中，SwinV2骨干上线条检索mAP@10提升5.74个百分点，颜色专用配置的颜色检索mAP@10提升9.12个百分点；ConvNeXt-V2与DINOv3上产品检索与属性对齐之间存在取舍。

PRISM-Net把商品图像的整体特征拆成线条与颜色两条专家通路，用冻结的SigLIP文本提示以零样本方式监督两个路由器，再由按图像自适应的元路由器融合两路证据。在275,454张、18类电商图像的5折交叉验证与55,091条查询对220,363张图库的全量检索中，SwinV2骨干上线条检索mAP@10提升5.74个百分点，颜色专用配置的颜色检索mAP@10提升9.12个百分点；ConvNeXt-V2与DINOv3上产品检索与属性对齐之间存在取舍。

循环记忆模型把历史压进固定数量的记忆槽，以往每个词都写入同样多的槽，把“该不该存”和“存几个槽”混成一个决定。Factorized Write Routing 把写入拆成两步：先由学习到的门判断当前词是否写入，再由槽路由器决定更新固定数量还是自适应数量的槽，查询时仍读取全部槽。在两种合成长上下文任务、十个随机种子上，四槽写入时出现随信息密度反转的结果：高密度 Feature Recall 上始终写入的长期准确率为0.472，高于学习门控的0.337；稀疏事实 Passkey 上学习门控为0.222，高于始终写入的0.048。

循环记忆模型把历史压进固定数量的记忆槽，以往每个词都写入同样多的槽，把“该不该存”和“存几个槽”混成一个决定。Factorized Write Routing 把写入拆成两步：先由学习到的门判断当前词是否写入，再由槽路由器决定更新固定数量还是自适应数量的槽，查询时仍读取全部槽。在两种合成长上下文任务、十个随机种子上，四槽写入时出现随信息密度反转的结果：高密度 Feature Recall 上始终写入的长期准确率为0.472，高于学习门控的0.337；稀疏事实 Passkey 上学习门控为0.222，高于始终写入的0.048。

多模态联邦学习中，客户端只观测到部分模态时，服务器按“谁可用”聚合更新会漏掉仍在参与预测的编码器。RASO改为按预测依赖和本地优化器成员资格挑选每个组件的贡献者，并对编码器保留动量、把共享预测块同步到当前聚合。在KU-HAR、CREMA-D等数据集与两种融合结构上，拼接融合下KU-HAR的宏F1由可用性规则的41.30升到49.13，掩码注意力下RASO在UCI-HAR、KU-HAR、CREMA-D领先，CrisisMMD则由FedOpt领先。

多模态联邦学习中，客户端只观测到部分模态时，服务器按“谁可用”聚合更新会漏掉仍在参与预测的编码器。RASO改为按预测依赖和本地优化器成员资格挑选每个组件的贡献者，并对编码器保留动量、把共享预测块同步到当前聚合。在KU-HAR、CREMA-D等数据集与两种融合结构上，拼接融合下KU-HAR的宏F1由可用性规则的41.30升到49.13，掩码注意力下RASO在UCI-HAR、KU-HAR、CREMA-D领先，CrisisMMD则由FedOpt领先。

预训练生成策略为机器人控制提供了强行为先验，但用在线强化学习高效适配它仍很困难：噪声空间残差方法靠固定的潜在可行域约束适配，可能排除有价值的噪声编辑，动作空间残差方法样本效率更高却仍有提升空间。CNDO去掉预定义潜在可行域，改为学习以状态和噪声为条件的方向，并用由保守价值估计与门控执行组成的软保守约束加以调节；CANDO在此基础上再加一个动作空间残差。实验报告CANDO取得76.1 NAUC和91.4%最终成功率，比最好的单空间结果高6.6 NAUC和4.1个百分点。

预训练生成策略为机器人控制提供了强行为先验，但用在线强化学习高效适配它仍很困难：噪声空间残差方法靠固定的潜在可行域约束适配，可能排除有价值的噪声编辑，动作空间残差方法样本效率更高却仍有提升空间。CNDO去掉预定义潜在可行域，改为学习以状态和噪声为条件的方向，并用由保守价值估计与门控执行组成的软保守约束加以调节；CANDO在此基础上再加一个动作空间残差。实验报告CANDO取得76.1 NAUC和91.4%最终成功率，比最好的单空间结果高6.6 NAUC和4.1个百分点。

Sierra在旧金山峰会上公布Agent OS的两款新模型Curie与Fleming，并推出Tandem Voice、Persona Studio和Ghostwriter等工具。Curie负责对话的核心编排循环，决定走哪条路径、调用哪些工具并写出客户看到的回复；Fleming识别来电方是否为另一个智能体，用于处理机器人与欺诈。Sierra称Agent OS自动保证合规、语音低延迟和更优成本，企业只需专注构建自己的智能体。

Sierra在旧金山峰会上公布Agent OS的两款新模型Curie与Fleming，并推出Tandem Voice、Persona Studio和Ghostwriter等工具。Curie负责对话的核心编排循环，决定走哪条路径、调用哪些工具并写出客户看到的回复；Fleming识别来电方是否为另一个智能体，用于处理机器人与欺诈。Sierra称Agent OS自动保证合规、语音低延迟和更优成本，企业只需专注构建自己的智能体。

淘宝“猜你喜欢”的排序不再只对单一业务的截断候选集生成列表、再交给跨业务混排拼接。UGR把每次请求约一千个自然内容、广告和其他业务候选放进同一次自回归生成，并在训练中单独建模历史广告曝光、服务时再叠加当前广告价值。在淘宝猜你喜欢的线上A/B测试中，UGR相对生产基线把核心IPV提升1.76%、成交笔数提升3.29%、GMV提升2.10%。

淘宝“猜你喜欢”的排序不再只对单一业务的截断候选集生成列表、再交给跨业务混排拼接。UGR把每次请求约一千个自然内容、广告和其他业务候选放进同一次自回归生成，并在训练中单独建模历史广告曝光、服务时再叠加当前广告价值。在淘宝猜你喜欢的线上A/B测试中，UGR相对生产基线把核心IPV提升1.76%、成交笔数提升3.29%、GMV提升2.10%。

在2026年欧洲心脏病学会年会开幕前，三项大语言模型仅凭试验注册时公开的设计信息，对50项Late-Breaking试验的主要终点是否达成给出锁定预测。48项可评分试验中28项为阳性，Claude、GPT与Gemini区分阳性与阴性试验的AUC分别为0.80、0.79和0.74，均高于随机水平；在效应量按锁定口径报告的26项试验中，方向判断正确率为88%，比值型效应的中位乘性误差约15%。

在2026年欧洲心脏病学会年会开幕前，三项大语言模型仅凭试验注册时公开的设计信息，对50项Late-Breaking试验的主要终点是否达成给出锁定预测。48项可评分试验中28项为阳性，Claude、GPT与Gemini区分阳性与阴性试验的AUC分别为0.80、0.79和0.74，均高于随机水平；在效应量按锁定口径报告的26项试验中，方向判断正确率为88%，比值型效应的中位乘性误差约15%。

西蒙斯基金会宣布与Anthropic和OpenAI合作，三方合计投入1500万美元资金与资源，帮助数学界应对人工智能的快速兴起。基金会将管理并发放资金，包括通过公开征集提案，支持研讨会与相关计划，让研究者评估近期的AI辅助结果、学习并使用新工具、交流观点并形成AI使用的集体标准。Anthropic和OpenAI还将向基金会支持的部分研究者提供AI工具与算力资源，范围从数学延伸到基础科学。

西蒙斯基金会宣布与Anthropic和OpenAI合作，三方合计投入1500万美元资金与资源，帮助数学界应对人工智能的快速兴起。基金会将管理并发放资金，包括通过公开征集提案，支持研讨会与相关计划，让研究者评估近期的AI辅助结果、学习并使用新工具、交流观点并形成AI使用的集体标准。Anthropic和OpenAI还将向基金会支持的部分研究者提供AI工具与算力资源，范围从数学延伸到基础科学。

Modal 的 Sandbox Sidecars 进入公开 alpha：旁车容器与主沙箱运行在同一主机上，通过低延迟内部网络相连，可用于自定义网络代理、多容器负载，以及把智能体执行框架与其工具执行分开。同一批更新还加入 Kimi K3、Qwen 3.8、GLM 5.3 与 GLM 5.3 Flash 的零日支持，并把广域区域选择的价格倍率从 1.5 倍降到 1.15 倍。旁车目前仍是实验性接口，示例中通过下划线前缀的调用创建。

Modal 的 Sandbox Sidecars 进入公开 alpha：旁车容器与主沙箱运行在同一主机上，通过低延迟内部网络相连，可用于自定义网络代理、多容器负载，以及把智能体执行框架与其工具执行分开。同一批更新还加入 Kimi K3、Qwen 3.8、GLM 5.3 与 GLM 5.3 Flash 的零日支持，并把广域区域选择的价格倍率从 1.5 倍降到 1.15 倍。旁车目前仍是实验性接口，示例中通过下划线前缀的调用创建。

OpenAI在ChatGPT中推出视觉广告格式，广告以图片形式展示产品灵感、使用场景或体验，并明确标注、与正在生成的图像分开。该格式先在美国面向Free与Go套餐用户、在图像生成过程中测试，本月晚些时候启动首批广告主。与此同时，OpenAI扩展转化数据接入与归因伙伴，并称增量性测量仍处早期，正与三家伙伴探索基于地理实验的因果影响评估。

OpenAI在ChatGPT中推出视觉广告格式，广告以图片形式展示产品灵感、使用场景或体验，并明确标注、与正在生成的图像分开。该格式先在美国面向Free与Go套餐用户、在图像生成过程中测试，本月晚些时候启动首批广告主。与此同时，OpenAI扩展转化数据接入与归因伙伴，并称增量性测量仍处早期，正与三家伙伴探索基于地理实验的因果影响评估。

DIKT把学生下一题答对的概率拆成各所需技能的成功概率之积，并让每个技能有一个随时间演化、限制在0到1之间的认知状态。此前多数深度知识追踪模型只用隐向量做预测，难以指出是哪项技能拖住了结果。在ASSIST09、ASSIST17和Algebra2005三个基准上，DIKT的AUC均高于所列基线，平均绝对提升2.04个百分点。

DIKT把学生下一题答对的概率拆成各所需技能的成功概率之积，并让每个技能有一个随时间演化、限制在0到1之间的认知状态。此前多数深度知识追踪模型只用隐向量做预测，难以指出是哪项技能拖住了结果。在ASSIST09、ASSIST17和Algebra2005三个基准上，DIKT的AUC均高于所列基线，平均绝对提升2.04个百分点。

一种名为三元可行性对齐（TVA）的决策方法在受控多智能体环境 Triadic Commons Environment 中不使用任何实例级规范性标签，任务成功率相对偏好监督基线只低 3.06 个百分点，仍在预设的 10 个百分点非劣界内，联合可行性提高 83.68 个百分点。它把行动主体、受影响他者与共享条件三类角色和不可补偿的硬底线放在效用比较之前，先剔除会突破底线的动作。但风险敏感控制与多步模型预测控制在该环境中的联合可行性分别高出 10.42 和 8.68 个百分点，结构化数据选择也未减少所需数据。

一种名为三元可行性对齐（TVA）的决策方法在受控多智能体环境 Triadic Commons Environment 中不使用任何实例级规范性标签，任务成功率相对偏好监督基线只低 3.06 个百分点，仍在预设的 10 个百分点非劣界内，联合可行性提高 83.68 个百分点。它把行动主体、受影响他者与共享条件三类角色和不可补偿的硬底线放在效用比较之前，先剔除会突破底线的动作。但风险敏感控制与多步模型预测控制在该环境中的联合可行性分别高出 10.42 和 8.68 个百分点，结构化数据选择也未减少所需数据。

Google 的 Nano Banana 2.1 以 google/gemini-nano-banana-2.1 的名称上线 AI Gateway，开发者可直接调用。相比更早的 Nano Banana 模型，它在图像生成与编辑上有所改进，覆盖产品换场景、基于蒙版和墨迹的局部编辑以及事实性，同时保持 Flash 档的延迟与成本。调用方式包括 AI SDK、兼容 OpenAI 的 Chat Completions API 和 AI CLI。

Google 的 Nano Banana 2.1 以 google/gemini-nano-banana-2.1 的名称上线 AI Gateway，开发者可直接调用。相比更早的 Nano Banana 模型，它在图像生成与编辑上有所改进，覆盖产品换场景、基于蒙版和墨迹的局部编辑以及事实性，同时保持 Flash 档的延迟与成本。调用方式包括 AI SDK、兼容 OpenAI 的 Chat Completions API 和 AI CLI。

LLM驱动的互动叙事系统长期难以横向比较，因为每个体验管理器都绑定在自己的专属剧情上。一个基于LLM的叙事平台把体验管理器做成可互换模块，共享由事实、操作和目标构成的符号世界模型，每次实际执行的操作都带有显式前置条件与效果，因此任意一次会话都能还原为统一的状态转移路径。在《小红帽》场景上，开放生成、蒙特卡洛修复和自主角色三种管理器各跑100次模拟会话，结果显示没有一种管理器在玩家能动性、管理器可控性、作者意图和鲁棒性四项属性上全面占优。

LLM驱动的互动叙事系统长期难以横向比较，因为每个体验管理器都绑定在自己的专属剧情上。一个基于LLM的叙事平台把体验管理器做成可互换模块，共享由事实、操作和目标构成的符号世界模型，每次实际执行的操作都带有显式前置条件与效果，因此任意一次会话都能还原为统一的状态转移路径。在《小红帽》场景上，开放生成、蒙特卡洛修复和自主角色三种管理器各跑100次模拟会话，结果显示没有一种管理器在玩家能动性、管理器可控性、作者意图和鲁棒性四项属性上全面占优。

Benchling推出Model Hub，让科学家在Benchling内部发现、运行并追踪科学AI模型，每次预测的输入、模型版本和时间戳都回连到研发记录。此前运行一个模型要等DevOps搭好基础设施，结果落在共享盘里与产生它的序列脱节。该中心目前收录AlphaFold 2、Chai-1、Boltz-2、OpenFold 2、OpenFold 3、Protenix等结构预测模型，以及Lilly TuneLab、Inductive Bio和开源DeepSP等性质预测模型，并支持批量预测与v3 alpha API。

Benchling推出Model Hub，让科学家在Benchling内部发现、运行并追踪科学AI模型，每次预测的输入、模型版本和时间戳都回连到研发记录。此前运行一个模型要等DevOps搭好基础设施，结果落在共享盘里与产生它的序列脱节。该中心目前收录AlphaFold 2、Chai-1、Boltz-2、OpenFold 2、OpenFold 3、Protenix等结构预测模型，以及Lilly TuneLab、Inductive Bio和开源DeepSP等性质预测模型，并支持批量预测与v3 alpha API。