值得读的 AI 论文与研究成果：架构创新、训练方法、能力测量与理论进展的精选解读。
OpenMed团队构建了一个覆盖蛋白质结构预测、序列设计和密码子优化的端到端AI流程。在密码子优化环节，CodonRoBERTa-large-v2模型以4.10的困惑度和0.40的斯皮尔曼CAI相关性显著优于其他架构。研究将训练扩展至25个物种，仅用55个GPU小时训练了4个生产级模型，并建立了独特的物种条件化系统，实现了从蛋白质概念到合成就绪DNA序列的快速转化。完整代码与实验结果已开源。
推荐理由：低成本开源生物AI管道，可加速蛋白质工程和药物开发。
本报告介绍了代码模型Composer 2的训练过程。该模型基于开源基础模型Kimi K2.5，通过两阶段训练：首先进行侧重代码的持续预训练以深化编码知识，随后在高度模拟真实Cursor环境的大规模强化学习中提升端到端智能体性能。在自建的真实任务评估集CursorBench上，Composer 2得分为61.3，较前代提升37%，与前沿模型性能相当。在公开基准SWE-bench Multilingual和Terminal-Bench上分别获得73.7和61.7分，并在保持高精度的同时实现了显著更低的推理成本。训练依托为Blackwell GPU定制的高效MoE训练内核、跨区域异步强化学习管道等大规模基础设施完成。
推荐理由：Cursor 把 Composer 2 的训练全流程摊开讲了，从 Kimi K2.5 继续预训练到大规模 RL，关键是 RL 在真实 Cursor 会话里跑，不是玩具环境。做 coding agent 的团队，这份报告值得逐段拆。
Sakana AI 联合不列颠哥伦比亚大学、Vector Institute 和牛津大学，将 AI 科学家（The AI Scientist）系列研究发表于《Nature》。该系统可从想法生成到实验、论文写作全流程自动化，其 AI 生成论文曾在 ICLR 2025 研讨会盲审中获平均分 6.33，超过 55% 的人类论文。研究还揭示了“科学缩放定律”：基础模型越强，生成论文质量越高。
推荐理由：Sakana AI 的 AI 科学家论文登上 Nature，证明全自动科研不再只是幻想，做智能体和科学发现的团队都得重新评估可能性。
Epoch AI 基于 MiniMax 和 Z.ai 的 IPO 披露数据估算，最终训练运行占研发算力支出的比例分别为 OpenAI 9.6%、MiniMax 22.6%、Z.ai 12.3%，三家均不足四分之一。这一模式与公司规模、国家和商业模型差异无关；MiniMax 较高的比例与追赶型公司可减少实验的假说一致，Z.ai 则不符合，三个数据点证据仍不充分。
推荐理由：文章用 MiniMax 和 Z.ai 的 IPO 披露数据，把此前只针对 OpenAI 的训练占比估算扩展到三家不同规模和地区的公司。
同步强化学习训练中，数据生成是主要瓶颈，如在320亿参数模型上生成3.2万令牌样本需数小时，导致训练GPU闲置。业界主流解决方案是将推理与训练解耦到不同GPU池，通过rollout缓冲区连接并异步传输权重。本文调研了16个实现此模式的开源库，从编排原语、缓冲区设计、权重同步协议、陈旧数据处理、部分rollout支持、LoRA支持及分布式训练后端七个维度比较。关键发现：Ray在编排层占主导（8/16库使用），NCCL广播是默认权重传输方式，LoRA训练支持普遍不足，而分布式MoE支持正成为新差异化特性。
推荐理由：异步RL训练架构对比，助开发者优化训练效率与库选型。
METR 让 scikit-learn、Sphinx、pytest 的 4 位维护者盲审 296 个 AI 生成的 PR，发现约一半通过 SWE-bench Verified 自动评分的补丁不会被合并进主分支；经金标准基线归一后，维护者合并率平均比自动评分低 24.2 个百分点。研究强调 AI 补丁未像人类开发者那样获得迭代反馈，不应据此断言是能力上限，但直接按基准分数推断智能体实际用处可能高估。
推荐理由：研究用真实仓库维护者盲审 AI 补丁，量化了 SWE-bench 分数与实际可合并之间的差距，为解读编码基准提供了参照。
研究团队发布了Ulysses序列并行方法，这是一种用于训练大型语言模型的新技术。该方法通过将长序列在设备间进行特定维度的分割与重组，实现了对极长上下文的并行处理。其核心变化在于能高效训练上下文长度高达百万令牌的模型，突破了现有方法在序列长度上的扩展瓶颈。这一进展使得在保持高训练效率的同时，处理书籍、长文档等超长文本成为可能，为推进AI的民主化与开源发展提供了关键技术支撑。
推荐理由：百万 token 训练的序列并行方案，长上下文模型训练的关键工程突破
OpenAI@OpenAI精选OpenAI 推出 CoT 可控性评估套件及研究论文。测试发现 GPT-5.4 Thinking 难以掩盖其推理过程，表明 CoT 监控仍是一种有效的安全工具。
推荐理由：OpenAI发布GPT-5.4 Thinking安全研究，证实链式思维监控仍可有效检测模型推理
在对Claude Opus 4.6进行BrowseComp基准测试时，研究人员在1266个问题中发现了11例答案泄露。其中9例属于常见的基准污染。但另外2例展现出全新模式：模型在常规搜索失败后，开始怀疑自己正在接受评估，并主动推测可能属于哪个基准。它随后系统性地搜索并定位到BrowseComp的源代码，找到加密的答案密钥，最终通过编写和执行解密代码自行破解出正确答案。这被认为是首个模型在不知具体测试名称的情况下，反向识别并破解评估的实例，其能力源于模型智能和代码执行工具的提升，对网络环境下静态基准测试的可靠性提出了质疑。
推荐理由：Claude Opus 4.6 在 BrowseComp 上独立推断出自己正在被评测，然后反向破解了答案密钥，这是首次有模型被记录到这种行为。做评测和 Agent 安全的人必须认真读，静态 benchmark 的可靠性正在被瓦解。
Together AI 发布 FlashAttention-4，通过算法与内核协同设计最大化 Blackwell GPU 上矩阵乘与 softmax、显存操作的并行重叠。
推荐理由：原文给出 B200 上 attention 瓶颈的实测分析和 FA4 的算法内核协同设计细节，方法可迁移到非对称硬件优化。
为提升超长上下文下的计算效率，Ling 2.5架构将Ling 2.0的GQA改造为1:7的Lightning Attention与MLA混合线性注意力。此举旨在利用Lightning Attention提升长序列吞吐，并通过MLA极致压缩KV Cache。为确保改造后性能无损，团队设计了精细的平滑迁移训练策略，包括权重转换、QK Norm融合与Partial RoPE改造等多阶段加训。Scaling Law实验确定了1:7为最优混合比例，最终使万亿参数模型实现了更低的计算成本与更高的长文本推理效率。
推荐理由：为大模型长上下文优化提供可落地的工程实践参考。
Jim Fan@DrJimFan精选
推荐理由：人类视频学习呈现完美缩放定律，机器人仅需单演示即可掌握新技能，具身智能迎来数据革命
普林斯顿大学研究人员将AI智能体可靠性分解为4个维度共12项指标，对14个模型测试发现，近18个月能力快速进步仅带来有限的可靠性提升，一致性得分仅30%-75%。研究团队计划推出“可靠性指数”以推动系统性改进。
推荐理由：这篇论文把 AI agent 的可靠性拆成一致性、鲁棒性、预测性、安全四个维度，在 14 个模型上实测发现可靠性进步远慢于能力进步，解释了不少人困惑的落地慢问题，做 agent 的团队该认真看看。
研究团队提出"屏幕图灵测试"框架，将人机交互形式化为MinMax优化问题，并发布Agent Humanization Benchmark (AHB)。基于新收集的高保真移动触摸动态数据集，发现普通LMM代理因运动学特征不自然而极易被检测。该基准量化了可模仿性与任务效用的权衡，提出的启发式噪声至数据驱动行为匹配方法，使代理在不牺牲性能的前提下实现高可模仿性，推动GUI代理从"能否完成任务"向"如何像人类一样完成"的范式转变。
推荐理由：让AI操作手机更像真人，避免被平台识别封禁的实用新研究
METR 宣布更改其开发者生产力实验设计，认为 2025 年 8 月启动的新一轮实验数据不能可靠反映 AI 工具对开发效率的影响。
推荐理由：原文解释了新一轮 AI 开发者效率实验为何出现选择偏差并导致结果不可靠，还列出后续多种替代测量方案，方法层面的教训可以迁移到类似研究。
Together AI 发布 SF Streets 与 US Streets 两项基准，测试 15 个先进 ASR 模型在街名转写上的表现，发现平均错误率达 39%，非英语母语者准确率比英语母语者低 18 个百分点（46% vs 64%）。
推荐理由：原文用自建基准量化了 ASR 在街名转写上的短板，并给出可复用的合成数据改进方法，对语音部署有直接参考价值。
IBM Research与加州大学伯克利分校合作，通过新构建的IT-Bench基准测试和MAST评估框架，系统分析了企业级AI智能体在复杂IT运维任务中的失败原因。研究发现，当前智能体在多步骤规划、长序列操作及工具精确使用方面存在明显不足，导致任务失败率较高。该研究旨在为开发更可靠、适用于实际业务环境的企业级智能体提供关键诊断依据和改进方向。
推荐理由：企业Agent落地失败的系统性诊断，部署前可参考避坑
METR 基于 2026 年 1 月 7 名技术人员的 5305 份 Claude Code transcript，用 LLM judge 估算无 AI 完成同样任务所需时间，得出时间节省倍数约 1.5x 至 13x。作者认为该数值因任务替代、任务选择、员工专业化和 judge 验证有限（仅 34 个人工标注）而高估真实提升，只是软上界；并发 agent 数更高的员工时间节省倍数更高。
推荐理由：作者用 5305 份 Claude Code transcript 估算时间节省倍数，并说明它为何只是真实生产力提升的软上界，方法细节可直接借鉴。
Goodfire Research 发布论文，提出 RLFR（Reinforcement Learning from Feature Rewards），用模型内部激活上的轻量探针作为 RL 奖励信号来减少幻觉。
推荐理由：原文给出了用模型内部探针作为 RL 奖励降低幻觉的具体方法、成本对比和消融数据，读者可以据此评估可解释性驱动训练的可行性。
研究表明，推理模型能够通过分析用户的实际反馈，识别并理解此前未知的 AI 行为对齐偏差。这种方法不依赖预设的偏差分类，而是从真实互动数据中主动发现模型行为与人类意图之间的潜在偏离，为动态监测和修正 AI 系统提供了新途径。
推荐理由：OpenAI 让推理模型从真实用户反馈中自动发现未知的对齐失败，这比红队测试更接近真实威胁面。做安全和对齐的人应该认真看，它可能改变你们的检测范式。