Epoch AI 发布家具组装基准 FAB，最高分 10 个月从 28% 升至 80%

Anthropic 报告其新湿实验室的首个成果：949 个 Claude agent 在约 21.5 小时内自主追踪到一个此前未知的酶系统，消耗 215.6M tokens，搜索了 1.94B 蛋白质簇并回收 198，290 个 RT 簇。

Rohan Paul 梳理了 Fable 5.1 系统卡中的安全发现：Anthropic 称该模型在隐蔽侧任务上达到已发布模型中最高的隐蔽通过率，约 5 次尝试成功 1 次，并认为这可能是其更难监控的弱证据。

Arena 推出基于真实用户任务的智能体排行榜，评估模型在代码编写、应用构建、文档分析等工作中的表现，而非孤立基准。排行榜基于30万+任务、200万+工具调用和4000万行代码，综合任务成功、纠正遵从性、错误恢复、用户表扬与抱怨、工具幻觉等信号。前三名：GPT-5.5 High（+10.7%）、Claude Opus 4.7 Thinking（+9.5%）、GPT-5.4 High（+8.9%）。

hexoai开源了SIA（自我改进AI）框架。该框架展示了AI智能体不仅能优化其外部工作流（harness），还能通过任务反馈直接更新自身的模型权重，从而在领域知识和能力上实现自主提升，而非仅依赖人类提供的提示或工具改进。论文报告显示，SIA在LawBench基准上性能提升56.6%，在GPU kernels运行上耗时减少91.9%，在单细胞RNA去噪任务中相比基线提升502%。

Google DeepMind提出了AlphaProof Nexus系统，它将大型语言模型与Lean形式化验证工具相结合。该系统允许LLM在生成证明的过程中，不断读取Lean的编译错误并进行修正，还可调用更强的工具辅助解决子问题。这一机制迫使模型将每一步逻辑都转化为可编译、可验证的代码，从而将其角色从"令人信服的叙述者"转变为"候选方案生成器"。在针对353个Erdős问题和492个开放猜想的测试中，系统成功解决了9个Erdős问题并证明了44个序列猜想。该研究展示了形式化…

Google 新论文指出，对于部署在无服务器 CPU 上的小型量化 LLM，55-70% 的冷启动延迟仅仅来自模型加载。也就是说，瓶颈往往在于搬运模型权重，而非生成 token。 推理本身的问题，还不如把模型加载进内存来得大。 给同一个模型分配 8 GB 的 Cloud Run 内存而非 4 GB，可解锁约 2 倍的 CPU，使热推理时间几乎减半。

VoiceArena 推出 Diarization Bench，用 139 段真实对话和统一评分规则对比 12 个说话人分离系统，NVIDIA Nemotron 3 以 14.72% DER 领先。该基准还揭示 collar 效应：同一输出在 250 ms collar 下 DER 为 4.29%，换成 0 ms 则升至 14.72%，并暴露重叠语音和说话人增多时准确率的快速下降。

数学领域公开披露的AI使用率在不到6个月内从1.39%升至14.09%。 作者扫描了2026年3月1日至8月20日期间发布的32，944篇数学相关arXiv论文。 证明构建是最大的类别，出现在1，225篇论文中。 AI在数学各领域的渗透并不均衡：组合数学的AI辅助论文总数最多，而度量几何中自身论文使用AI的比例最高。

斯坦福与牛津论文 MedRSI 显示，医疗智能体可从自身错误中自我改进，但新能力须先在后续新患者上验证才能固化。若每轮都立即注册新工具，第 30 轮准确率降至 76.9%（57 个工具）；放慢注册、仅保留 18 个工具时准确率达 94.4%。该智能体还会优先处理可能造成更大临床危害的错误，而非仅关注最常见错误。

2026 年 arXiv 数学投稿量激增 33.5%。 2026 年前 8 个月，Mathematics 录得 47，127 条 arXiv 列表条目。 这并非单一热门话题所致。30 个数学子领域中 29 个实现增长，数据还显示更多作者以异常高的频率反复发表。 该论文认为，AI 时代的研究如今需要像扩展生成一样积极地扩展验证。