行业内容

Microsoft Research 实习生用机器学习预报电网空间天气风险：覆盖美国 66,935 座变电站、提前30-60分钟预警

Forecasting space weather risks on power grids

Microsoft Research 博客(实习生一作)：一条端到端机器学习管线用预报时刻的太阳风信息，为美国本土 66,935 座变电站生成站点级空间天气风险估计；它把 Auroral Electrojet(AE) 与 Disturbance Storm Time(Dst) 预报同当地纬度、地质与电导率结合，评估期内识别出近80%的重大空间天气事件，并能在特定风险出现前30-60分钟向电网运营商预警。背景是2024年5月地磁暴曾波及北美电网与 GPS。

论文#Microsoft Research#GridSFM

Ars Technica：Google 找到给 AI 设计蛋白质加水印的办法——生物设计工具"功效与威胁同源"的老问题有了对策

Google figures out how to watermark AI-designed proteins

Ars Technica：AI 造成的安全威胁几乎天天上新，但生物安全(biosecurity)这条线我们此前跑得相对靠前——能消化塑料、阻断毒蛋白的 AI 设计酶证明了工具威力，同一套蛋白质设计工具也能造毒素、改病毒蛋白行为；而识别威胁 DNA 序列的软件认不出 AI 设计的蛋白质(没人刻画到能判定)。该风险被提出近一年后仍无人知道能做什么，Google 现在给出了给 AI 设计的蛋白质加水印的方案。

论文#Google

Anthropic红队评测：GLM-5.3在二进制漏洞利用任务中成功率达4%

Quoting Anthropic Frontier Red Team

Anthropic前沿红队从内部二进制漏洞利用基准中随机抽取100项任务评测多个模型，GLM-5.3在4%的试验中实现了完整的控制流劫持，Claude Mythos Preview为6%。虽然GLM-5.3低于Claude Mythos Preview，但此前模型如Claude Opus 4.6与GLM-5.2在这些任务中均未成功，显示相关能力门槛已被跨越。

论文#Anthropic#GLM-5.3#Claude Mythos Preview

推荐理由：Anthropic前沿红队评测显示GLM-5.3在二进制漏洞利用任务上的成功率已接近Claude预览版，读者可关注前沿模型的攻防能力变化。

MSR：把物理 AI 推理从机载 GPU 卸载到边缘/云端——任务成功率、续航、可规模化同时改善，并上线 Kubernetes 分布式推理工具链

Offloaded inference for real-world physical AI robotics

Microsoft Research 博客：这项研究挑战机器人 AI 的一个核心假设——只在机载 GPU 跑物理 AI 推理会限制机器人性能、续航与可规模化；把推理卸载到边缘或云 GPU 能带来可观收益。在代表性移动操作负载上，卸载提高了任务成功率、允许用更大的模型、并使机器人对动态真实环境响应更有效；用轻量机载硬件+远端推理替代高功耗机载算力可显著延长作业时间。配套在 Physical AI 工具链里新增能力：开发者可用基于 Kubernetes 的工具对机器人、边缘与云做容器化部署与编排分布式推理。

论文#Microsoft Research

MentalHealthBench：一个由专业人士知情参与的基准，用来在贴近真实的心理健康对话里评估 AI 回应是否既有帮助又安全

Introducing MentalHealthBench

OpenAI 发布 MentalHealthBench，这是一个专家知情（expert-informed）的基准，评测对象是 AI 在贴近现实的心理健康对话中给出的回应是否既有帮助又安全。它把心理健康这类高风险场景单独拆出来做成可复现的尺子，而不是在笼统层面谈安全。

论文

推荐理由：敏感场景的专用基准有公共价值，也补上了这一方向缺的可复现评测；但材料本身不含模型能力结论。

MSR 逆合成模型 RetroChimera 登 Nature：组合两个互补强模型再排序、盲测中被 PhD 化学家偏好，实现与权重全部开源

Improving synthesis prediction of small molecules at scale with RetroChimera

Microsoft Research 博客：团队宣布逆合成(retrosynthesis)模型 RetroChimera 发表于《Nature》。该模型回答"新分子怎么造出来"——合成路线规划至今主要靠人工、耗时且贵，是药物开发成本的主要驱动之一。RetroChimera 把两个优势互补的强模型组合起来、学习为其提案排序，比单独任一个都准；盲测中 PhD 级化学家更偏好它的单条反应预测(相对既有模型与文献记录反应)，并展示了回忆罕见反应类型、对私有数据集 zero-shot 迁移与微调的能力。实现与权重已开源，供研究者加速新药与先进材料开发。

论文#Microsoft Research

OpenAI 的经济研究：劳动者如何在传统岗位之外使用 AI，以及哪些新活动会变成其工作中反复出现的一部分

How workers are unlocking new ways of working

OpenAI 发布一组经济研究（Economic Research）结果，主题是劳动者如何把工作方式改变，它观察的是劳动者在传统角色之外如何使用 AI，以及其中哪些新活动会成为其工作里反复出现的组成部分。属于把 AI 对劳动的影响做成可引用的观察数据。

论文

AlphaGenome Atlas：Google 发布一份预测图谱，覆盖人类基因组里 90 亿处单字母 DNA 变异的分子效应——即把每一种可能的单碱基变化会造成的影响都做成可查询的预测

AlphaGenome Atlas: A predictive map of every possible DNA letter change in the human genome

这条 Google DeepMind 发布带一行摘要：AlphaGenome Atlas maps the molecular effects of 9 billion single-letter DNA variants across the human genome。据此可知这是一份预测图谱，覆盖人类基因组上 90 亿个单字母（单碱基）DNA 变异的分子效应，标题把它描述为「每一种可能的 DNA 字母改变」的预测地图，服务于理解基因变异的功能影响。正文未采集，方法与精度无法从材料进一步核实。

模型

推荐理由：把全基因组单碱基变异的效应预制成可查询图谱，是 AI 用于基因组学的一件有实质的产物；但仅有摘要，细节有限。

OpenAI 公布 Navier–Stokes 千禧年难题的 AI 生成解：随附一份书面说明（writeup）与一个用 Lean 完成的正式化证明

On the Navier–Stokes Millennium Prize Problem

OpenAI 发布《关于 Navier–Stokes 千禧年悬赏问题》一文，宣布分享一个 AI 生成的 Navier–Stokes 千禧年难题解法，这次公开的包含一份书面说明与一个用 Lean 完成的正式化证明（formal proof in Lean）。千禧年难题是克雷数学研究所悬赏的七道顶级数学问题之一，这是头部实验室就其公开给出的具体解题主张。

论文

推荐理由：针对克雷数学研究所悬赏的 Navier–Stokes 千禧年难题，OpenAI 公开给出 AI 生成解法并附 Lean 形式化证明——这是可核查的数学主张而非演示，分量极重。

MSR 发布 GigaPath-Flash/GigaTIME-Flash：蒸馏后的开源病理基础模型，把"人群规模"病理研究算力门槛压低

GigaPath-Flash and GigaTIME-Flash: Toward population-scale discovery with efficient pathology foundation models

Microsoft Research 博客：Flash 家族扩展 GigaPath(全切片图像)与 GigaTIME(肿瘤微环境)病理基础模型，核心是蒸馏出的高效骨干：算力需求大幅下降而不牺牲性能，可对更大患者队列反复分析。两模型开源，支持人群规模的科学发现(疾病生物学、生物标志物、临床结局跨多样癌种数据)。文中明确：它们是研究模型，不适用于诊断、预后、治疗选择等临床用途；性能随数据集/扫描设备/机构/人群变化。

论文#Microsoft Research

一项随机对照研究：OpenAI 对 1000 多名学生做了研究，考察 ChatGPT、批判性思维、原创性，以及学生在真实大学作业上的表现

Better answers, broader thinking: What students gain from ChatGPT and critical-thinking training

OpenAI 发布一篇教育研究文章，主题是有 1000 多名学生参与的随机对照研究（randomized study），研究考察的是 ChatGPT、批判性思维训练、原创性，以及学生在一份真实世界大学作业上的表现，用实验设计而非印象来判断 AI 对学习的作用。

论文

推荐理由：对「AI 是否损害学习」这一核心争议给出随机对照的实验证据，方法上比观点文更可依赖；但材料未给出研究的具体结论数值。

MSR 的预测型 DFT 再进一步：Skala 1.1 用2.5倍数据训出、精度大幅高于同类成本档，已进 CP2K 并正接入 Psi4/FHI-aims/ORCA/VASP

Broadening access to Skala creates a faster path to predictive DFT

Microsoft Research 博客：深度学习交换-相关泛函 Skala 的 1.1 版用比前代多2.5倍的数据训练，在热化学、反应动力学、分子结构预测等关键模拟挑战上精度显著更高，且在 meta-GGA 档的计算成本内做出。可及性同步扩大：已进入 CP2K、正集成进 Psi4、FHI-aims、ORCA 与 VASP；团队另推出"活的基准"(living benchmark)持续跟踪各 Skala 版本性能，便于社区度量并加速"预测型 DFT"的精度与效率曲线。

论文#Microsoft Research

MSR 发布 MindTopo：考"拓扑"不考"几何"的 VLM 基准——模型认得静态连通、却在动作序列里跟丢结构关系

MindTopo reveals VLMs’ spatial reasoning abilities

Microsoft Research 博客：MindTopo 评测多模态模型是否理解连通、包围(enclosure)、顺序、分离与绳结等拓扑概念，同时测推理与规划——不只看能否识别静态图中的拓扑关系，还看能否在一系列动作中保持并操纵这些关系。结论：当前模型静态识别远好于交互任务，失分常发生在规划而非感知——场景变化时跟丢结构关系、提出违反物理约束的动作。对机器人与交互环境是明确的能力缺口提示(哪些动作不穿绳、何时仍连通)。

论文#Microsoft Research

MSR 发布 CARE-X：一个"会写报告也算数"的胸片 VLM——DAPO 强化学习奖励临床正确性，在印度 Narayana Health 真实数据(含罕见 ICU 病种)上验证

Introducing CARE-X: Towards Clinically Useful Radiology VLMs with Auxiliary Supervision, Reward-Aligned Learning, and Tool-Augmented Measurement

Microsoft Research 博客(注明：研究模型、非产品/医疗器械、未获任何监管批准、不用于临床)：CARE-X 面向胸片解读的多任务统一 VLM，结合自由文本推理与结构化确定性预测；用强化学习(DAPO)在多任务设定下直接奖励"临床正确性"。另一独立实验把 Qwen3-VL-4B-Instruct 与确定性测量工具配对，检验"直接计算"能否优于纯视觉近似。验证使用印度 Narayana Health 真实临床数据，覆盖罕见 ICU 病理与 CT 确认的心脏增大等条件。

论文#Microsoft Research

MSR 开源 Orchard：一个环境服务喂三类 agent——Orchard-SWE 以约3B活跃参数在 SWE-bench Verified 拿69.7%(值模型重排后73.0%)，逼近10倍规模的前沿系统

Orchard: An open framework for scalable agentic AI

Microsoft Research 博客：Orchard 是面向可扩展、低成本 agentic AI 研究的开源框架，核心是可复用环境服务 Orchard Env：同一套基础设施支持软件工程(SWE)、网页导航(GUI)与个人助理(Claw)三类 agent，并能直接在 Codex、OpenClaw、ZeroClaw 等真实部署 harness 内训练——环境、数据管线与评测工作流跨任务复用。亮点指标：Orchard-SWE 仅用约30亿活跃参数在 SWE-bench Verified 达69.7%、加值模型重排到73.0%，接近用10倍以上大模型的前沿系统。模型、训练数据与评测方法随项目开源。

论文#Microsoft Research

数学与理论计算机科学十项进展：OpenAI 分享关于长期开放问题的新结果，涵盖几何、密码学与复杂性这几个方向

Ten advances in mathematics and theoretical computer science

OpenAI 发布一篇研究文章，题为「数学与理论计算机科学的十项进展」，分享关于长期未解开放问题（long-standing open problems）的新结果，涉及几何、密码学与复杂性理论这几个方向。这是把模型在数学上的解题产出对外摊开的一手材料。

论文

推荐理由：把一批可核查的数学/理论计算机科学研究结果公开，是本次铺批里分量最高的一条之一；但材料只给问题领域，未逐一展开每项结果的具体结论。

两项设置三倍分数：OpenAI 讲它如何在 ARC-AGI-3 基准上靠两项 API 设置把分数提到三倍，做法是保留推理（retaining reasoning）并启用压缩（compaction），同时提升分数与效率

How enabling two settings tripled our scores on the ARC-AGI-3 benchmark

OpenAI 发布一篇评测侧的工程文章，说明仅开启两项 API 设置——保留推理、启用压缩（compaction）——就让 GPT-5.6 在 ARC-AGI-3 基准上的得分提到三倍，并同时改善效率，把「同一模型换设置就大幅变化」这件事量化展示。

论文

推荐理由：ARC-AGI-3 得分三倍是具体、可核对的评测提升，且给出可操作的设置做法；但它是一个基准上的结果，迁移性需另行判断。

Berkeley 把 CUDA 生态数十年 kernel 经验"翻译"给 Apple Silicon：扩展 K-Search 做 CUDA→MLX 架构原生迁移，逐条照搬反而不行

From CUDA to MLX: How K-Search Brings Decades of Kernel Expertise to Apple Silicon

BAIR 博客：计算进入硬件多样的新纪元——不只是更快的 GPU，而是各家自带架构、常为特定 AI 负载定制的芯片越来越多；GPU kernel(跑在 GPU 内部的低层程序)写得高效要数年功力，跨厂商迁移更难、常常等于从零重发现同样的优化。CUDA 生态积累了几十年手工调优的 attention、状态空间模型等关键实现(数千工程小时)，而 Apple Silicon 等新生态缺这份纵深。这项工作追问：这份经验能否自动转移。他们在 Berkeley Sky Lab 的进化式 kernel 搜索框架 K-Search 上做扩展，把 CUDA 优化知识译成 MLX 的架构原生策略(而非逐指令复制)，给出 CUDA→MLX 优化转换图。

论文#Berkeley Sky Lab#K-Search

Berkeley 提出 ABBEL：长程协作不靠递归摘要——让模型维护"信念状态"并对其内容施监督，协作写码场景性能显著回补

Teaching LLMs to Update Beliefs for Efficient Long-Horizon Interaction

BAIR 博客：任务变长后 LLM 上下文无法无限扩张。自我摘要能给出简洁可解释的上下文，但性能代价显著——尤其在人机协作代码生成这类高质量数据稀缺的领域。ABBEL 的思路：把摘要的信息内容单独拿出来、以自然语言"信念状态"形式加以监督——信念取代完整交互历史成为 agent 的工作上下文，信念分级(belief grading)通过对每个信念状态的内容施监督来提升表现。文章给出与递归摘要基线的对照与动机分析(数百乃至数千步交互下，长程协作是软件工程类任务的硬需求)。

论文#ABBEL

Genesis Mission：一条 Google 发布（材料仅一行摘要），称 Google 投入 4000 万美元的 AI token 与额度，用于以 AI 加速科学发现前沿

Accelerating the frontiers of scientific discovery: Google’s $40M commitment to the Genesis Mission

这条 Google DeepMind 发布有一行摘要：Google commits $40M in AI tokens and credits for the Genesis Mission。标题为「Accelerating the frontiers of scientific discovery」。据此可知 Google 为名为 Genesis Mission 的项目投入 4000 万美元的 AI token 与额度，方向是用 AI 加速科学发现。正文未采集，项目主体、参与方与具体机制无法从材料进一步核实。

行业

推荐理由：一笔明确额度的科学方向投入，是可留档的商业动作；但只有一句摘要，背景不足。

GPT-Red：OpenAI 公开其自动红队测试（automated red teaming）系统，用自我对弈（self-play）来改进 AI 的安全、对齐与提示注入（prompt injection）鲁棒性

GPT-Red: Unlocking Self-Improvement for Robustness

OpenAI 发布关于 GPT-Red 的介绍，这是一个自动红队测试系统，做法是自我对弈（self-play），目标是改进模型的安全（safety）、对齐（alignment）与对提示注入攻击的鲁棒性。属于把内部攻防自动化机制对外说明。

论文

推荐理由：自动化红队加自我对弈是可复用的安全工程方法，且点名提示注入这一具体攻击面；材料偏方法介绍，未给效果量化。

评测的信号与噪音：OpenAI 发布一项新分析，指出流行的编程基准 SWE-Bench Pro 存在问题，引发对其评估 AI 模型时可靠性与准确性的担忧

Separating signal from noise in coding evaluations

OpenAI 发布一篇关于编程评测的分析，题为「在编程评测中分辨信号与噪音」，分析揭示常用编程基准 SWE-Bench Pro 存在的问题（issues），并就其在评估 AI 模型时的可靠性（reliability）与准确性（accuracy）提出担忧。属于对主流基准的公开批评。

论文

推荐理由：直接质疑一个被广泛引用的编程基准的可信度，是有公共价值的评测批评；但它单方给出，尚待基准维护方回应。

GeneBench-Pro：OpenAI 推出一个新基准，用复杂、真实世界的数据集来测试 AI 在基因组学、生物学与科学研究上的表现

Introducing GeneBench-Pro

OpenAI 发布 GeneBench-Pro，这是一个新基准（benchmark），用复杂、真实世界的数据集来测试 AI 在基因组学（genomics）、生物学与科学研究上的能力。属于面向科研评测的基准建设。

论文

推荐理由：以真实数据集建基准，评测口径比合成题更可用，对科研方向的模型评估有直接价值；但材料未给榜单结果。

智能体与工作：OpenAI 发布一篇新研究论文，讲 AI 智能体正在改变工作方式，支撑更长、更复杂的任务，并在不同岗位上扩大生产力

How agents are transforming work

OpenAI 发布一篇研究论文，主题是智能体对工作方式的改变，论文说明 AI 智能体（AI agents）让用户能够承担更长、更复杂的任务，并在各类岗位上扩大生产力。属于把智能体使用做成研究论述的对外披露。

论文

推荐理由：以论文形式给出智能体改变工作的论据，比宣传文更可依赖；但材料偏总体结论，未给具体数据集口径。