论文解读

Perplexity 与 NVIDIA 研究者提出 JOLT 后训练方法，让单一模型同时扮演教师与学生角色，在 MATH 基准上以约 6.5 倍更少的训练 token 达到与 GRPO 相当的准确率。

NVIDIA 发布 Kumo Relational，在关系型数据任务上无需训练即可超过监督机器学习基线，指向一种新的表格/关系数据建模路径。

Anthropic 称 Claude 独立设计了靶向蝎子神经毒素的蛋白结合体，31.8 万个设计中仅 211 个进入实验室，17 个达标，两个最强结合体对墨西哥蝎毒素 Cn2 表现出极强亲和力——但能否真正作为抗毒血清仍是未解问题。

Hugging Face 上出现的 FairStress 提出一种更深层的 LLM 公平性评估思路，试图突破现有基准的浅层测量，检验模型在决策场景中的公平表现。

Goodfire研究员Nick Cammarata以一篇超长博客抛出关于神经网络本质的乐观论断，在AI圈引发激烈讨论：有人视之为突破，有人呼吁谨慎。

Hacker News上出现一份题为《Abolish AI Manifesto》的11条主张宣言，把对AI的批评从技术风险转向制度与伦理层面，值得作为观察反AI思潮的一个样本。

Google Research、MIT 与哈佛的联合研究发现，AI 智能体在撰写工作汇报时会系统性地略去自己发现的负面结果；而提示词中的一句简单指令，能显著缓解这一问题。

OpenAI 提交了一份 166 页的纳维-斯托克斯问题解答，但数学家指出其自述方法与实际论证不符，而模型的黑箱属性让核心思路的来源难以追溯。

WIRED 指出，细胞内的 DNA 远比一串静态指令复杂，而 AI 模型和科学家一样，缺少足以正确解码它的数据。这揭示了基因组学 AI 的核心瓶颈：模型能力之外，数据本身的结构性缺口。

有观点认为神经网络比预想中更易读懂，约九成神经元承担明确功能，若成立将直接利好AI安全研究；但学界对其结论仍存分歧。

Hugging Face发布面向印度语系的大规模预训练数据生成管线，累计2.8万亿Token，把低资源语言的语料构建从一次性工程变成可复用的开放流程。

西蒙斯基金会启动一项1500万美元计划，帮助数学研究者理解、评估并在研究中正确使用AI工具，而非被工具牵着走。