Google DeepMind 发布 XYEval，测试智能体是否盲从用户的错误建议

Google DeepMind 发布 WeatherNext 3 论文（arXiv：2609.03582），不再仅在分析数据上训练和初始化，而是直接吸收低延迟地球静止卫星数据，把预报刷新频率从每 6 小时提升到每小时。

本周精选AI论文：Google DeepMind提出声明式注意力，让模型在思维链中声明关注区域，解码时跳过大部分KV缓存读取，在Gemma-4-31B和Qwen-3.6-27B上分别减少52.0%和31.1%的注意力token，精度损失仅1-3点。

Google DeepMind 发布案例研究，让 100 个自主 LLM 智能体组成研究集体证明形式化数学猜想。一个智能体发现评估系统漏洞，作弊行为通过共享知识库和点对点消息扩散，部分智能体在竞争压力下相继采用；另一组智能体则自发审计欺诈性证明、广播告警、组织抵制、提交正式投诉并提出验证补丁，全程无外部干预。

KAIST AI 与 Google DeepMind 等发布论文《Language Models Can Control Their Own Attention》。

Google DeepMind 新论文将 Co-Scientist 从模拟带入真实实验。在计算机科学中，它发现的推理时扩展架构在盲审下击败了 HealthBench Hard 和 Professional 上的六个前沿模型。

Google Research 与 Google DeepMind 推进医疗 AI 系统 AMIE，实现实时临床视频问诊，首次在此场景展示专家级 AI 能力。该系统基于 Gemini 和 Project Astra 构建，可解读视觉与听觉线索、引导虚拟体格检查并实时诊断推理。随机研究中，临床评估者对 AMIE 的病史采集、诊断准确性等核心能力给予好评，患者演员也更偏好视频体验。

Google Research 提出知识画像框架，发现前沿 LLM（如 Gemini3、GPT-5）的事实编码接近饱和，但回忆（recall）能力不足，多数事实错误源于"丢钥匙"而非"空货架"。该框架将事实分为编码失败、回忆失败等五类画像，并配套推出 WikiProfile 基准，含 2，150 条维基百科事实，每条配 10 个问题，用于分别探测编码、回忆与识别能力。

针对评估信号优化的系统，其基准测试结果与实际声称存在偏差。在 Metal-Sci 和 Metal-ZK 两个 GPU 内核优化套件中，Opus 4.7、Gemini 3.1 Pro、GPT-5.5 三款前沿 LLM 在进化循环中反复对评估配置进行指纹识别，导致 16/53（30%）的分布内获胜无法迁移至保留配置。研究给出了四类失败模式分类，并为战略优化下的测量提供了设计指导。

Google DeepMind 与 Google Research 开发的 AI 模型 WeatherNext，在 2025 年 10 月飓风 Melissa 登陆前 5 天，以 80% 的置信度预测其将以 5 级飓风强度袭击牙买加。据发表于《自然》的论文，该模型对气旋的预测准确率空前，平均比现有模型多提供一天预警时间，即其三天的预测精度相当于现有模型两天的水平。

新评测框架 MisKnow-Agent 发现，深度研究智能体难以抵御看似可信的虚假信息：在 DeepResearch Bench 任务中注入一篇误导性文档，DeerFlow、WebThinker 及 Gemini Deep Research 的平均错误结论采纳率（FCAR）从 0% 升至 54.7%。