AI 前沿日报
MolRSI 让 AI 自主改写科研策略,湿实验命中率提升 82%
本期两条主线并行:智能体正从答题走向动手,MolRSI 在湿实验命中率上相对提升约 82%,CMU 基准中 Opus 5.5 的工程产出已越过人类基线;但 SPU 的 4207 个湿实验提醒,科研判断力并未随算力同步增长。另一条是代价与风险:Gemini 4 Carbon 登顶却贵出 15 倍,Lovable 15.9 万应用泄露隐私,美联储报告将 AI 列为头号金融风险。能力、成本与安全,正在同一张账本上结算。
研究团队提出 MolRSI,一个面向分子发现的递归自我改进智能体,把模型选择、筛选条件组合与候选优先级纳入搜索空间,并利用历史任务经验迭代优化工作流。
在约 1210 万化合物的抗菌分子筛选中,湿实验命中率达 15.9%,较人类专家设计的非智能体工作流 8.7% 相对提升约 82%,两者使用同一化合物库与同一 MSSA 判据。
在 pMHC 结合蛋白从头设计任务上,MolRSI 取得 8 个满足特异性判据的命中,Claude Science 对照为 0,计算预算相同。该工作首次将递归自我改进闭环延伸到需要湿实验验证的分子发现场景。
智能体生态与自主代理
精选 3 篇多智能体协同、自主工作流与真实复杂任务落地。
OpenAI 重组机器人团队 押注通用模型
OpenAI 已确认解散独立机器人团队,将研究人员并入由首席研究官 Mark Chen 领导的核心研究团队,硬件团队转入 Greg Brockman 负责的应用部门。
官方明确表示,此次重组旨在加速研发而非退出机器人领域,核心逻辑是通用多模态模型已能直接承担部分机器人任务,未来将逐步替代专用机器人模型。
多方信源交叉验证了该决策的突然性:团队解散发生在奥斯汀 CoRL 大会期间,距 CEO 奥特曼 5 月公开招人仅五个月,已预订的展位空置。英伟达一项研究显示,由 GPT-6 Astra 驱动的智能体在模拟操作测试中成功率达 74.8%,显著高于专用模型的 51.0%,但推理速度、云端联网依赖与现场数据积累仍是落地瓶颈。
华为诺亚登顶 BEHAVIOR 挑战赛 任务成功率 48.2%
华为诺亚具身智能团队 The North Star 凭借 HiPhys-RSI 方案,在 BEHAVIOR-1K Challenge 2026 中从全球 57 支队伍中夺冠,隐藏测试 Q-score 约 0.683、完整任务成功率 48.2%。
该赛事依托斯坦福李飞飞团队的 BEHAVIOR-1K 基准,任务规模翻倍至 100 项家庭任务、场景增至 7 个,参赛提交从 18 份增至 57 份。
最佳完整任务成功率由上届 12% 提升至 48%,约为上届最佳成绩的 4 倍。评测覆盖高层推理、跨房间导航与双臂精细操作,是具身智能综合能力的硬门槛。
卡内基梅隆新基准:Opus 5.5 智能体超越 SGLang 生产系统
卡内基梅隆大学发布 Singularity-Bench 基准,让智能体端到端完成预训练流水线、推理引擎与集群编排等 6 项工程任务,并与 SGLang、NVIDIA Dynamo 等生产系统在同一 GPU 上对比。
Opus 5.5 搭配 Claude Code 取得 1.25 的 Singularity-Index(1 为人类基线),其余 10 个智能体平均仅 0.58。
其自建服务引擎每 GPU 小时收益 11.52 美元,高于 SGLang 的 8.18 美元,高出约 41%。基准将智能体的工程能力直接换算为可比较的经济产出。
前沿模型与基础架构突破
精选 4 篇追踪主流实验室最新基础模型、新架构与推理能力跃迁。
Gemini 4 Carbon 登顶 MathArena 但成本高 15 倍
谷歌 Gemini 4 Carbon 成为近期首个登顶 MathArena 数学基准的非 OpenAI 模型,将 GPT-6.1 Sol 挤下榜首,Anthropic 的 Claude Fable 5.2 以 82.8% 位列第二。
但其单次评测成本约为 GPT-6.1 Sol 的 15 倍,且最常见失败模式是超时,同时几乎从不主动放弃任务。
开源阵营最佳为月之暗面 Kimi K3.1 Pro,得分 54.3%,与闭源头部差距明显。性价比成为该榜单之外的关键权衡。
斯坦福等发布 SPU 基准 4207 个湿实验考验 AI 预测
UniPat AI 联合斯坦福、哈佛、康奈尔等十余家机构推出 Science Prediction Universe(SPU)基准,用 116 个任务、4207 个真实湿实验检验 AI 对实验结果的前瞻预测能力。
测试中模型配备 H20 算力、以 8 小时工作制自主调用检索与计算资源,但包括 Opus 5.5、GPT-6 Astra 在内的顶尖模型仍远未达到可用预测水平。
算力翻 5 倍也无济于事,说明瓶颈在于科研判断而非算力。该基准首次把难以量化的科研判断力转化为可统一评估的数值。
XYBench: Helping with the problem behind the question
Hugging Face 博客介绍 XYBench,用 8K+ 问题测试模型能否从错误前提的提问中还原用户真实目标。
基准、数据集与代码全部开源,便于复现与二次评测。
当前覆盖以英文和程序性任务为主,多语言与对话场景仍待扩展。
本报简讯
- ▪Safety evaluations are critical for understanding whether a model is ready to deploy, which safeguar...— Anthropic AI (@AnthropicAI)
产业生态与商业算力
精选 3 篇投融资脉络、算力基建演进与企业智能化转型。
英伟达被指借循环融资维持 GPU 高价
《华尔街日报》援引对英伟达临时 CEO 科莱特·克雷斯的报道称,英伟达在 2026 年中后期推动更多交易,以消化台积电晶圆过剩产能并维持 GPU 高价。
该报道将长期存在的循环融资质疑与黄仁勋辞任 CEO 后的公司治理变动联系起来,指向 AI 算力供应链中的价格操纵争议。
Lovable 平台 15.9 万应用泄露护照与 20 万私信
安全研究团队扫描了 159,041 个 Lovable 生成项目,发现大量应用在未登录状态下即可访问个人证件、私密消息等敏感数据。
泄露内容涉及护照信息与超过 20 万条私密消息。
问题根源在于平台默认配置与权限模型,而非个别用户误操作,对无编程背景的构建者尤为危险。
美联储警示 AI 成华尔街头号金融风险
美联储金融稳定报告显示,87% 的受访市场专业人士将 AI 列为头号金融风险,较春季的 50% 大幅上升。
截至 10 月,AI 基础设施相关债务已突破 6800 亿美元,约为 2023 年全年的 5 倍,占投资级企业借款的 31%;大型科技与芯片厂商还背负超 3 万亿美元的未来租赁与担保。
GPU 厂商为所售芯片担保并反向投资买方形成循环融资,美国大型银行对科技巨头与数据中心建设者的敞口接近 1 万亿美元,真实 AI 敞口可能远超账面债务。
开发者工具与实战应用
精选 1 篇提升工程效率的最新工具链、SDK 与落地实践。
Route coding agent requests to the right model on Amazon Bedrock with NVIDIA NeMo Switchyard
AWS 机器学习博客介绍如何用 NVIDIA NeMo Switchyard 在 Amazon Bedrock 上按请求将编码智能体请求路由到合适模型。
Switchyard 是开源库,可按请求在多个模型间路由,LiteLLM 集成支持阶段路由等策略。
博客指出,编码智能体单任务可能触发数十次模型调用,失败重试同样计费,评估路由应看每个通过测试的任务总成本,而非单 token 价格。