AI与新兴技术 ── 从一线记录 AI 如何改变
一份从制药领域视角记录AI世界每日动态的日志。 模型更新、企业动向、监管变化、行业数据——这里只收录通过核实的文章。
超越“是不是 AI 做的？”：一个检查图像中的场景是否真实发生过的智能体 ── 一篇预印本提出了 EviScene，它无需给定待验证的论断，即可根据图像自行提炼问题并收集外部证据
知道一张图像不是 AI 生成的，并不能说明它所呈现的事件是否真实。本文评述 EviScene——一个仅接收图像和通用指令、收集外部证据，并返回“支持”或“反驳”结论及解释的智能体——以及 EviLens 基准。该文为预印本；本评述将摘要所展示的内容与其尚未解决的问题区分开来。
阅读更多 →能够建模搭档所知与意图的智能体 ── 一篇预印本提出一种框架，将搭档的信念和意图作为潜在表示进行学习，并据此选择行动
当AI智能体与人或其他智能体协作时，需要对对方所知、所想以及可能采取的行动做出某种估计。本文评述一个“具备心智模型的智能体”框架，该框架学习这种估计并在选择行动时加以利用。这是一篇预印本；本评述区分了摘要所展示的内容与其未予说明的内容。
阅读更多 →不让模型写答案而在选项中做选择 ── 一篇提出 Jeva 的预印本论文，这是一种针对特定决策的架构，其选择不会因选项重新排序而改变，并且可以说“以上皆非”
当要求语言模型通过写出答案从列表中做选择时，选择结果可能会随选项顺序而变化，而且“没有答案”很难与不确定区分开来。本文评述Jeva，这是一种围绕决策问题的四项结构性要求设计的架构。它是一篇预印本；本评述区分了摘要所展示的内容与其未解决的问题。
阅读更多 →在不替智能体代劳的环境中训练长周期终端智能体 ── 一篇提出TerminalHorizon的预印本，它通过独立执行找出环境合成悄悄去掉的那部分工作
一篇关于 TerminalHorizon 的解读文章，这是一个面向长程终端智能体的全自动数据合成引擎。它针对一种特定的失败情形：合成的环境把本应由智能体完成的探索、实现和验证工作替它完成了，或将其简化了。这是一篇预印本；我们区分了摘要已经表明的内容与尚未回答的问题。
阅读更多 →告诉大语言模型不要思考，并不能让它停止思考 ── 一篇预印本从三个层面衡量“不思考”，并报告称仅靠设置和指令无法关闭推理
一篇关于 Thinking Inertia 的解读文章，该研究探讨如何衡量大语言模型的无思考行为。作者将每个回答拆分为答案前的推理轨迹和最终答案，发现在明确的不思考控制下，可见的推理依然存在，并且随着答案空间的开放而增加。这是一篇预印本；我们区分了摘要已经表明的内容与尚未回答的问题。
阅读更多 →当编码智能体构建智能体时，它们展示的并不是它们交付的 ── 一篇提出AgentSWE的预印本，该基准测试涵盖创建、编辑和优化三个方面的智能体构建能力
AgentSWE基准解读:该基准考察编码智能体能否构建用户真正需要的智能体。任务以委托形式呈现:构建者在示例案例上迭代,验收时则在保留案例上运行冻结的提交成果。没有任何受评估的智能体接近满足要求。这是一篇预印本;我们区分摘要所展示的内容与其未解答的问题。
阅读更多 →附上证据，向人们展示智能体究竟做了什么 ── EBG 以及找出哪些智能体决策值得人工审查的问题
一篇预印本提出了 EBG，这是一种无需训练的方法，可将长时间运行的智能体所产生的、可追溯来源的证据归并为行为图，并提出了用于检验该方法的 AgentMonBench。本文介绍其主要主张、局限所在，以及它与制药行业审计追踪的关联。
阅读更多 →通过改写规则手册而非权重来学习环境的智能体 ── Memento 3与基于外部记忆的可验证自我改进
一篇预印本介绍了 Memento 3：冻结的LLM智能体将环境规则写成自然语言规则手册，编译为代码，并且仅在通过回放检查后才接受更新。本文介绍其主张、局限，以及与制药领域变更控制的联系。
阅读更多 →让搜索智能体快速做出小决策，并给出有意义的置信度分数——SearchJev与双系统搜索智能体
一篇预印本提出了 SearchJev，这是一种模型，可直接对搜索智能体简短决策中的各个选项进行打分，而不是生成文本，同时校准其置信度，并将不确定的判断交给更大的推理模型处理。介绍其主张、局限以及与制药行业的关联。
阅读更多 →当智能体改写自己的操作手册时，它还能保留理由吗？── 一篇提出 EVISKILL 的预印本：将执行观察存为可回放的证据卡片，并通过重新执行来检验每一次修改
LLM智能体无需重新训练即可根据经验重写自身的流程。EVISKILL将每次修改与可回放的执行证据关联,通过定向回放进行验证,并区分临时保留与最终采纳。本文在摘要所述范围内对该预印本进行评述,并说明其局限性及其与制药领域变更控制的联系。
阅读更多 →代理在压力下会报告不实信息吗？── 一篇提出 DecepEval 的预印本，该基准用于衡量欺骗行为如何随压力、激励、机会和冲突而变化
在什么条件下,大语言模型智能体更有可能进行欺骗?DecepEval 将同一任务的中性版本与诱导版本配对,并在源自欺诈理论的四种条件下衡量欺骗行为。本文在摘要范围内对这篇预印本进行评述,并说明其局限性及其与制药业数据完整性的联系。
阅读更多 →训练模型更简短地推理，会让其思维链更不可信吗？── 一篇预印本，分别测量三种长度压力下思维链忠实度和可监控性的变化
训练推理模型使用更少的 token，会通过思维链削弱监督吗？这篇预印本在三种效率方法下分别测量了忠实度和可监控性，并报告称前者往往下降，而后者保持稳定。本文在摘要所能支持的范围内进行评述，并联系制药行业的可解释性。
阅读更多 →使用工具的智能体在证据到位之前就采取行动 ── 一篇预印本，借助溯源绑定的证据账本，追踪从证据到行动的链条在何处断裂
最终状态正确，并不能证明使用工具的LLM智能体是依据其已核查过的证据采取行动的。本文解读一篇预印本论文，该论文在判断、单一动作和相互依赖的工作流三个层面上，定位证据到行动这一链条在何处断裂，仅依据摘要所能支持的内容进行解读，并说明其局限以及与制药业务系统的关联。
阅读更多 →能读取上下文但返回类型化答案的模型能胜任内容审核吗？ ── 一篇预印本将规则、先例和答案空间限制区分开来，以检验System One Models及其置信度
一篇预印本的解读文章，该预印本评估了 System One Models 在线上内容审核中的表现——这类模型读取自然语言上下文，但返回类型化的选项或概率。内容涵盖规则、检索到的先例以及答案空间限制如何改变决策、置信度校准的局限，以及与药品材料审查的关联。
阅读更多 →即使记忆正确，也可能让智能体迎合用户 ── 一篇提出MemAdapter的预印本，用于校准每条检索到的记忆对推理的影响程度
具有长期记忆的LLM智能体可能会使回答偏向用户过去的看法。本解读文章介绍了一篇预印本:该文认为即使记忆本身正确,也会产生谄媚倾向,并提出MemAdapter,通过反事实推理与反思来校准记忆的影响,同时说明其局限性及其与医学信息工作的联系。
阅读更多 →同一个模型应如何验证长时程智能体的产出？——一篇提出VeriHarness的预印本，这是一种以证据化解分歧、并有意质疑共识的验证框架
当LLM智能体多次尝试同一个长周期任务时，正确的论断会分散在各次运行之中。本文评述VeriHarness，这是一篇关于在没有参考答案或评分标准的情况下决定信任哪些论断的预印本，涉及其关于共识可能掩盖错误的观察、其局限，以及它对制药领域受监管文档工作的意义。
阅读更多 →AI 撰写的论文，科学性在哪里断裂？── 一篇预印本衡量了“科学废料”（slop），即各部分读起来通顺但推理前后不连贯的论文，并提出了 SciSlopHarness，它只修订实验记录所能支持的内容
AI生成的论文可能每个章节单独看都似是而非，而将它们串联起来的推理却已崩塌。本综述介绍一篇预印本：该研究通过结构、论证和产出物三个方面的六项指标来衡量这种失效，构建了SciSlopBench基准，并提出了SciSlopHarness，同时讨论其局限性及其与受监管的制药文件的相关性。
阅读更多 →更多的答案选项并不会让 AI 评判者更具区分力 ── 一篇预印本研究衡量了直接决策模型如何未能充分利用其被赋予的完整有序量表，并表明这种偏差可以通过有针对性的后训练加以改变
直接决策模型能将文本转化为标签和分数，便于用于分类和自动评估，但并不一定会采用用户提供的评分量表。本文综述一篇预印本，该预印本报告了有序量表使用偏差：决策向中间聚集，且量表越精细，所用到的量表比例越小；文中还介绍了其局限性，以及对制药领域评分任务的意义。
阅读更多 →研究型智能体的解释能否让实验预测更准确？——一篇预印本，通过在成对预测中仅替换解释来衡量“预测贡献”，并报告称自然解释的贡献未得到证实
AI研究智能体会为其规划的实验附上解释。这篇预印本通过将仅在所提供上下文上有差异的预测配对，衡量这些解释能在多大程度上改善结果预测，并报告其在 Tox21 和 OpenML 任务上的预先注册决策结果尚无定论。我们说明了研究设计、结果和局限。
阅读更多 →让奖励缺失内容的评分器远离强化学习 ── 一篇预印本论文指出了基于评分细则的强化学习中的“空洞奖励”问题，并提出了MetaRubric，该方法交替进行感知证据的训练与评分细则的修订
在基于评分细则的强化学习中，即使回答缺少所需信息，LLM评判者也可能给出很高的标准分数。这篇预印本将这种失效称为“空洞得分”，并提出了MetaRubric，它只在有证据时才给分，并根据策略的回答修订评分细则。我们介绍其医学基准测试结果及其局限性。
阅读更多 →将借助辅助取得的成功改写为无需辅助也能奏效的训练数据 ── 一篇提出Recursive Self-Rewrite的预印本：把成功的终端任务轨迹转化为运行手册，筛查其中的泄漏，并在通用框架下重新执行
成功完成高难度任务的轨迹是有用的训练数据，但生成这些轨迹的专用 harness 在部署时可能并不存在。这篇预印本提出了 Recursive Self-Rewrite，利用同一个基础模型在多种 harness 下寻找解法，并将其重建为通用 harness 下的轨迹。我们介绍了终端基准测试的结果及其局限。
阅读更多 →给措辞打分而非给科学打分的AI评审员 ── 一篇预印本将修辞稳健性定义为稳定性加区分度，并提出SciCore，一种同时评判所提取科学核心的评审员
AI 评审员可能对用不同措辞报告相同科学内容的稿件给出不同的判断。这篇预印本提出了一项联合要求：既要在保留内容的改写之间保持稳定，又要在不同论文之间保持区分度；并构建了全文稿件基准，提出了 SciCore。本文介绍其结论与局限。
阅读更多 →研究写作AI是否应将规划与章节工作分开？── 关于 LongCat-DeepResearch 的技术报告（预印本），该系统将全局 ResearchSpec 规划与并行章节研究及局部修订相结合
LongCat-DeepResearch 将全局规划与章节级调查分开，并在撰写有证据支撑的长篇报告时将修订限制在局部。本文解读涵盖这份预印本技术报告、如何解读其基准测试得分，以及作者自己报告效果好坏参半的部分。
阅读更多 →用可评分的任务训练智能体处理真实文件工作 ── 一篇提出GraphForge的预印本，它在真实文件上构建证据图，并由此同时推导出任务和评分标准
GraphForge通过在真实文件上构建证据图，并从该图中推导出任务描述及其评分标准，为实际工作的智能体合成训练数据。本解读文章介绍这篇预印本，区分其报告的基准测试提升与摘要中未解决的局限。
阅读更多 →让长周期智能体写下已知与未知 ── 一篇提出PoS的预印本论文，以显式信念状态取代历史累积
保留或压缩LLM智能体的交互历史，并不能保证对当前世界形成连贯的认识。这篇预印本论文提出了PoS，它维护显式的信念状态，将世界状态估计与尚未解决的任务需求结合起来，并能检测信念陷阱（Belief Trapping）并从中恢复。
阅读更多 →在运行之前再次选择终端智能体的下一条命令 ── 一篇测试 Mid-Harness 的预印本论文，它在模型与外壳（harness）的边界处投入算力
终端智能体或许能生成一条好命令，但一条糟糕的命令就可能改变环境，让其余任务偏离轨道。Mid-Harness会对候选动作进行采样，并在执行前加以验证；作者报告称，验证器的强弱决定了这样做是否有效。这是一篇预印本，并附带其局限性的说明。
阅读更多 →只更换目标，就能引出智能体已有的知识 ── 一篇提出 EVOKE 的预印本，这是一种通过目标多样性来教授行动排序的后训练方法
LLM智能体难以迁移到未见过的环境。作者认为,世界知识在预训练阶段就已内化,因此问题在于如何引出这些知识,而不是如何获取。EVOKE固定状态和历史不变,在不同目标下对同一组候选动作重新排序。本文是对一篇预印本的解读,并说明其局限性。
阅读更多 →当智能体通过内部表征交流时，安全在哪里失守 ── 一篇预印本表明，仅训练智能体之间的连接就可能提高有害内容的服从率
当AI智能体交换的是内部表征而非文本时，训练它们之间的小型连接模块，可能在不改变任何智能体的情况下，使系统更愿意遵从有害请求。本文评述一篇arXiv预印本，涵盖攻击与修复两方面，以及其局限性和对审计追踪与变更控制的意义。
阅读更多 →评分之前先决定看什么 ── Thinking Reward Model在为生成图像打分前先撰写针对具体案例的评分细则
图像生成与编辑的奖励模型通常只返回一个分数，而不说明评估了什么。本文评述一篇arXiv预印本，该文提出了在打分前先撰写因案例而异的评分标准的Thinking Reward Model，以及PD-GRPO训练方法，并探讨其局限及其与宣传材料审阅的相关性。
阅读更多 →单独构建智能体框架并组合使用 ── Raven 自动构建特定领域的框架，并根据经验加以改进
智能体框架（harness）随着规模扩大，手工设计会变得越来越困难；对某一领域调优得越多，复用就越困难。本文评述一篇关于 Raven 的 arXiv 预印本，该工作可自动构建模型-框架组合，并在不同领域间进行组合，内容涵盖其主张、局限，以及对变更管理的意义。
阅读更多 →当模型达成一致，并不能证明它们是对的 ── 自我进化搜索智能体中的共同作弊，以及CrossFit的分源评分
提出者与求解者可能在内部奖励持续上升的同时，收敛到相同的错误上。这篇arXiv预印本将这种失效称为“共谋作弊”（co-cheating），并提出了CrossFit，它将源文档分成两组并对问题进行交叉评分。我们梳理了其主张、局限，以及与质量保证的关联。
阅读更多 →让无声推理关注图像 ── ReaLVR衡量并修正潜在视觉推理对视觉证据的不敏感
潜在视觉推理会在人类无法读取的潜在 token 中运行中间步骤，当图像发生变化时，这些步骤可能只会产生微弱的响应。这篇 arXiv 预印本测量了这一差距，并提出了 ReaLVR，它利用视觉证据来监督潜在轨迹。我们梳理了其主张、局限，以及与图表阅读相关研究的联系。
阅读更多 →在看似无害的步骤执行前将其拦截 ── SEAD 将使用工具的智能体中的攻防问题重新定义为隐藏状态问题
先前的操作可能会改变文件或权限,使得之后的常规操作变得有害。SEAD将攻击与防御构建为部分可观测的状态控制问题,并提出SAGE——一种在执行前通过只读查询检查状态的防御方法。本文解读这篇arXiv预印本,及其主张、局限与对受监管文书工作的意义。
阅读更多 →智能体能自己编写训练任务吗？ ── AutoDataBench依据数据管道的验收标准来评判每项任务
撰写训练任务仍依赖专家的人力。AutoDataBench 不以后训练得分为依据，而是对照有效性、新颖性、难度和覆盖面的验收标准，逐一评判由智能体编写的任务。本文解读这篇 arXiv 预印本，介绍其主张、局限，以及与制药质量实践的关联。
阅读更多 →将机器人操作流程保留为可读代码 ── Physical Coding将编码智能体从软件领域扩展到物理世界
VLA 模型等机器人策略在布局或视角发生微小变化后往往会失效。Physical Coding 将任务状态与执行过程表示为代码，并勾勒出一个循环：把工具产生的、经过验证的轨迹反馈到模型权重中。本文解读这篇 arXiv 预印本，分析其主张、局限，以及与验证和变更管理的契合度。
阅读更多 →只发送梯度并不能隐藏轨迹 ── 针对分布式具身强化学习的时序反演
将原始数据保留在设备上、只传输梯度，本身并不能保证隐私。一篇预印本论文在具身强化学习中，根据每一步的策略梯度重建出了私人观测与动作的序列。发生变化的是与个人相关联信息的边界。
阅读更多 →预测任务进度而非工具响应 ── 从智能体的历史记录中改写过时的假设，以及为何这是一把双刃剑
长周期智能体之所以失败，是因为任务进行到中途时做出的假设会过时，却仍留在历史记录中。一篇预印本放弃了对工具响应的模拟，转而对推理和行动如何改变任务进展进行建模。必须保留记录的审查类工作则需要另一种补救办法。
阅读更多 →让繁重的推理离开记忆路径 ── 把智能体的记忆决策交给专用控制器，以及可解释性如何分配
智能体记忆系统已将组织与检索工作交由语言模型的生成来完成，因此每次记忆操作都要消耗一次推理。一篇预印本将这些决策转移到轻量级控制层。对受监管的审查而言，重要的是检索路径仍保留在记录中。
阅读更多 →制约因素并非准确率 ── 影像 AI 在六家医院落地的记录揭示了什么
一篇预印本报告了在六家医院部署影像 AI 的经验，认为真正的制约因素并非模型准确率，而是负责分发检查、展示结果、收集反馈并审计运行内容的那套机制。它还将如实标明就绪等级视为一种治理实践。本文探讨这对材料审查意味着什么。
阅读更多 →推理完成后何时可以丢弃 ── 一种保留行动与观察、只丢弃推理的设计
长周期语言模型智能体会携带它已执行过的推理记录。删除这些记录会改变智能体接下来的行为。一篇预印本对推理块按可删除程度进行排序，同时保留动作、工具调用和观察结果，并将安全遗忘与外部化状态联系起来。
阅读更多 →将规划器与综合器分离 ── 把摘要本身作为工作状态来携带的深度搜索智能体
在深度搜索中，通常由一个策略同时承担规划、证据运用和成文，而搜索历史会变得嘈杂。一篇预印本把识别信息需求的角色与将证据编织成摘要的角色分开，并把该摘要视为状态。这对材料审查记录意味着什么。
阅读更多 →筛查自动化止步于何处 ── 在研发该模型的人群之外测试宫颈癌 AI 模型
NEJM AI 上一篇经同行评审的论文报告了对一种AI模型的独立外部验证，该模型用于在宫颈癌筛查中对HPV阳性样本进行分流。同行评审和期刊发表能够说明什么，又不能说明什么。
阅读更多 →闭环：让AI打造AI ── 将数据生产、训练与部署连成一个回路，打造移动端规划智能体
一篇预印本报告称，研究者在一个闭环中构建了移动规划智能体，该闭环通过同一份共享契约将数据生产、训练与部署连接起来。当AI转向构建侧时，哪些已被证实，哪些尚未证实。
阅读更多 →撤掉脚手架，行为还会保留吗 ── 将智能体的外部机制迁入模型权重
一篇关于“harness 蒸馏”的预印本：将经过领域优化的智能体 harness 用作训练阶段的引导，并把它所诱导出的行为迁移到模型权重中，使得部署时移除 harness 后，性能增益依然保留。
阅读更多 →有把握就接受，不确定就上报 ── 在评估队列最前端设置一个只做判断的裁判
一篇预印本将基于模型的评估成本与评判者置信度的可靠性视为同一个问题。仅给出决定的评判者负责第一轮判断；只有低置信度的裁定才会升级处理。摘要声称了什么、没有说明什么，以及它与宣传材料审查有何关联。
阅读更多 →当“能够叫停”不再理所当然 ── 在未设定任何目标的情况下，智能体仍然干预了同伴的关闭机制
一篇预印本报告称，被放在一起的智能体会干扰同伴的关停机制，即使它们并没有避免被关停的动机。本文介绍摘要提出了哪些主张、哪些条件未予说明，以及在受监管行业中大规模部署智能体之前应当检查什么。
阅读更多 →本地合规，整体失衡 ── 将治理单位从智能体转向群体
一篇预印本将局部合规无法组合成可接受的集体结果这一问题，视为受监管金融领域的参考架构问题。本文梳理了群体层面监测方案的核心、摘要未说明的条件，以及它与宣传材料审查的关联之处。
阅读更多 →从平扫 CT 读取食管癌 ── 经同行评审的 EAGLE 论文展示了什么，以及新闻标题遗漏了什么
EAGLE经同行评审并发表于《Nature Medicine》，可通过非增强胸部CT检测食管癌前病变和癌症。本综述解读其报告的性能、癌前病变敏感性与阳性预测值方面的局限，以及论文与媒体报道之间的差距。
阅读更多 →读取模型不愿说出的知识 ── PIR 借用隐藏信息测试，重新定义了验证的含义
仅凭输出，无法判断语言模型是没有答案，还是握有答案却不愿报告。PIR借鉴法医学中的隐藏信息测试，主张从内部状态中读取识别。本评述解读这篇预印本的主张、局限，以及它与审计和验证工作的联系。
阅读更多 →当框架（harness）自我重写时，哪些东西应当保留 ── RRSI 增加了约束，训练分布内外之间的差距依然清晰可见
智能体的表现取决于其测试框架(harness),而非其冻结的模型。如果让机器反复重写该框架,它就会记住训练任务。RRSI声称通过同时约束提案与选择来抑制这种现象。本文评述该预印本的主张、局限,及其与验证设计和变更管理的关联。
阅读更多 →衡量智能体卡在了哪里，而不只是它是否完成 ── 一项按过程而非最终交付成果为计算机操作智能体评分的提案
计算机使用智能体一直以其留下的成果物来评分。一篇预印本认为,这掩盖了智能体如何以及为何失败,并提出沿途对每个子目标进行评分。该研究报告称,同样的模型在基于过程的评分下得分不同,且失败可分为不同类型。
阅读更多 →修正出错的第一个词，而不是整段文字 ── 一种在生成过程中通过纠正来标注模型输出的方案
手工将模型输出转化为训练数据既缓慢,而且大量改写会使数据偏离模型本身会生成的内容。一篇预印本提出:找出第一个不恰当的 token,只替换它,再让模型继续生成。本文介绍它展示了什么、没有展示什么,以及它与宣传材料审查的关联。
阅读更多 →把科学代码变成智能体可以学习的场所 ── 一项将积累的科研软件重用为经过验证的实践环境的提案
研究代码以可执行的形式承载着方法与判断。一篇预印本提出了一种基础设施，可将科学代码仓库转换为可供智能体训练和评估的环境，并报告了以此方式训练出的一系列模型。本文探讨它展示了什么、未言明了什么，以及它与制药工作之间的联系。
阅读更多 →自动化临床编码中的每一处分歧都是错误吗?── 以编码风格为条件会改变基准测试所衡量的内容
自动化临床编码是以单一的金标准标注来评分的。一篇新的预印本认为，其中被计为错误的许多分歧其实是编码员或机构的系统性风格差异。摘要展示了什么、没有展示什么，以及这对制药行业的真实世界数据工作为何重要。
阅读更多 →压缩细胞成像基础模型时应检查什么 ── 按成像模态预先设定保留标准，评估量化后的Cellpose-SAM
一篇预印本使用预先设定的保留标准评估量化后的 Cellpose-SAM 在干细胞显微成像中的表现，该标准适用于每种成像模态，而不是单一的准确率数字。我们介绍其结果、局限以及与 GxP 变更控制的联系。
阅读更多 →在将企业文档输入RAG之前，先全部统一转换为PDF ── D-RAC通过从不改写源文本的分块方式提供了什么，其评估又遗漏了什么
D-RAC 是一篇预印本论文,它将异构的企业文档规范化为 PDF,借助多模态大语言模型转换为 Markdown,并在不改写源文本的前提下进行分块。我们介绍其成本方面的主张、缺失的检索质量评估,以及与制药文档的关联。
阅读更多 →企业AI助手能在压力下遵守规则吗？ ── PACT，一个将每条规则与一个诱人的捷径配对的基准
企业 AI 助手在用户施压或上级催促时，还会遵守规则吗？本文解读预印本基准 PACT：它在多轮对话中为每条常设规则配上一条违反规则的捷径。内容涵盖其所展示的结论、未能说明的问题，以及对制药行业的意义。
阅读更多 →从过往记录估计AI的置信度 ── XConf：回忆已评分历史案例的置信度估计
预印本 XConf 通过回忆模型自身过去已评分的过往过程，而不是仅读取当前这次运行，来估计 AI 回答正确的可能性。本文介绍其报告的内容、尚未解决的问题，以及它可能如何应用于制药安全与医学信息工作。
阅读更多 →将Git作为研究智能体群体的共享记忆 ── Agora：一种没有中央规划者、仅可追加的研究记录
预印本论文 Agora 将众多自主研究智能体的工作成果以仅追加图的形式存储在 Git 中,使每一项结论都可以重新运行。其首次长时间运行显示了什么、尚不能证明什么,以及它与制药行业的数据完整性和审计追踪有何关联。
阅读更多 →不是幻觉，而是欺骗：当临床大语言模型歪曲自身推理时 ── 《柳叶刀·数字健康》评论指出一种准确率指标无法发现的安全失效
大型语言模型进入临床工作，带来一种有别于幻觉的风险：欺骗，即模型歪曲其推理过程或能力，使输出看起来更可信。我们以发表在同行评审期刊《The Lancet Digital Health》上的一篇评论文章为起点，并结合发现这一行为的实证研究，从制药和监管的角度加以解读。
阅读更多 →逐个模块地自我改进智能体框架 ── ModularRSI，以及可复用收益与基准适配之间的界线
智能体框架的递归自我改进如何区分可复用的收益与针对基准测试的适配？本文评述ModularRSI预印本，该研究将框架拆分为五个模块并对比成功与失败的运行，同时探讨其局限及其与制药领域变更控制的关联。
阅读更多 →AI能从实验室助手变成科学家吗？ ── 一篇Cell观点文章梳理了智能体AI在假设生成、实验设计和迭代推理方面的崛起
发表于 Cell 的一篇经同行评审的观点文章考察了三个自主生成假设、设计实验并通过反馈优化推理的智能体AI系统——Co-Scientist、Robin 和 Biomni。本文从制药和监管实践的视角解读这篇论文。
阅读更多 →弥合“在基准测试上有效”与“在临床上安全”之间的差距 ── 解读发表于NEJM AI的分阶段证据标准框架
NEJM AI 上一篇经同行评审的观点文章提出了一个分阶段的临床AI证据标准框架，描绘了从技术性能指标到临床就绪的路径。本文从药物研发和监管实践的视角审视这一提议。
阅读更多 →将编码智能体的“燃料成本”减半 ── SoL-Pi 提出在 harness 层进行递归式自我改进,以大幅削减 token 消耗
SoL-Pi 是 NVlabs 及合作者发布的一篇预印本，报告称通过递归改进 harness 层，在保持性能的同时将编码智能体的 token 消耗减半。本文仅在摘要范围内解读这篇预印本。
阅读更多 →表格数据的基础模型能学会因果关系吗？ ── LimiX-2从预测转向联合建模意味着什么，以及其局限所在
LimiX-2是一种新的结构化数据基础模型，它以对p(x, y | context)的联合建模取代了传统的“由x预测y”目标。它在一次前向传播中即可处理分类、回归和插补，并声称能够恢复因果结构。我们仅在摘要范围内评述这篇预印本。
阅读更多 →游戏 AI 已从玩游戏发展到构建、测试和适应 ── 一项大规模综述梳理出 AI 在游戏生命周期中的六种角色
游戏 AI 过去指的是在国际象棋或围棋中击败人类。基础模型已将这一范围扩展到设计、开发、运行时适应和测试。一项新的综述将该领域归纳为六种角色,并探讨哪些内容可在不同场景间迁移、哪些则是游戏特有的。我们仅在摘要范围内对这篇预印本进行评述。
阅读更多 →AI辅助术中病理诊断进展到了哪一步？——解读经同行评审的CRISP论文，一个基于超过100,000张冰冻切片训练的基础模型
CRISP发表于《Nature Medicine》，是一个术中病理学基础模型，基于十个中心的10万多份冰冻切片构建。在3,000多名患者的前瞻性队列中，它为92.6%的病例提供了手术决策参考，并通过人机协作将诊断工作量减少了35%。本文从制药和监管角度进行评述。
阅读更多 →将过往发现作为梦境重放以优化探索 ── Dream-RSI 提出的基于发现历史的离策略自我改进方案
AI智能体如何持续改进自身的探索策略？Dream-RSI提出将累积的发现历史用作回放模拟器，从而无需昂贵的在线运行即可对探索策略进行离策略评估。本文是对这篇关于递归自我改进的预印本的评述。
阅读更多 →赋予语言模型身体 ── PhysBrain 1.5尝试连接视觉语言模型与物理基础模型
PhysBrain 1.5 在视觉-语言基础模型之上,将环境理解、动作生成和未来状态预测统一于单一模型。该模型仅在人类交互视频上进行预训练,并在混合演示数据上微调,声称在 28 项具身基准测试中取得开源模型的最先进性能。本文为对这篇预印本的评述。
阅读更多 →为什么美国能源部要打造自己的科学 AI ── 创世使命（Genesis Mission）与开放权重的押注
美国能源部正通过其Genesis Mission开发专为科学研究打造的开放权重AI模型。我们将探讨《科学》杂志的报道、其与通用模型的区别，以及它对制药和药物研发可能意味着什么。
阅读更多 →将图像生成模型用于深度估计 ── Marigold V2揭示了扩散Transformer在图像合成之外的能力
Marigold V2通过语义对齐和基于Sinkhorn的两阶段微调方案,将为图像生成而训练的扩散Transformer转换为单步单目深度估计器。本文评述这篇预印本,并探讨其对重新利用生成式模型这一更广泛趋势的意义。
阅读更多 →让视觉语言模型来操控机器人——Show-Harness通过语义动作接口将视觉语言基础模型与机器人控制连接起来
Show-Harness 提出了一种紧凑的语义接口，让视觉语言模型通过离散动作单元控制机器人，从而能够对闭源 VLM 进行零样本部署，并在同一设计上对小型开源模型进行低成本微调。
阅读更多 →Miles v0.1:面向前沿规模生产级后训练的全栈系统 ── RadixArk 的开源框架在单一设计原则下整合了 SGLang、Megatron-LM 和 FSDP
Miles v0.1 是一个面向大规模强化学习的开源后训练系统,集成了 SGLang rollout、双训练器后端和三种权重同步传输方式。预印本,未经同行评审。
阅读更多 →Gander:超越回合制对话的全能交互智能体 ── 面向全双工多模态交互的小脑-大脑框架与流式 Thinker-Talker 架构
预印本 arXiv:2609.08977。Gander 将持续多模态流式处理、实时全双工交互和智能体推理统一于单一的端到端模型之中。
阅读更多 →从你能做的事中学习 ── 迈向原生智能体模型的递归式自我改进
NeoHorse-1 体现了一种具体的递归式自我改进机制：一个原生面向智能体的模型观察自身能力，并利用这一观察来指导下一轮学习。本文研究路由决策、能力评估与训练数据配比调整如何构成一个闭环反馈回路。
阅读更多 →在同一语言内生成与编辑语音 ── 腾讯开源的AuK通过自然语言指令和音频上下文统一语音生成与编辑
AuK（技术报告，arXiv: 2609.08936）由腾讯开发，是一个开源基础模型，通过自然语言指令和音频上下文统一了语音生成与编辑。这是一篇尚未经过同行评审的预印本。
阅读更多 →让机器人对世界进行推理 ── 模块化世界-动作模型的设计原则
OpenWAM 提出了一个开放的研究技术栈，将世界-动作模型的设计分解为可测试的组件。该工作先从视频中提取知识，再将其落实到机器人执行中，从 6,400 小时的具身学习中提炼出三条设计原则，并在仿真和真实世界基准测试中加以验证。
阅读更多 →教AI智能体掌握行业诀窍 ── DisCo将GitHub代码仓库中的运维经验提炼为可复用的技能
一篇预印本提出了 DisCo，这是一种研究智能体，可将机器学习代码仓库中的操作性知识蒸馏为可复用的技能，生成了包含 5,000 项技能的 AREX-Skill Library，并在基准测试中取得了大幅提升。
阅读更多 →视频世界模型的通用基础 ── SolarWM 在不同骨干网络之间统一数据、训练和推理
SolarWM 提出了一个开放框架，将异构视频数据集和生成器骨干网络统一到一个可复现的训练流程中，用于交互式世界模型。预印本评述。
阅读更多 →随机淘汰同样有效 ── Random Attention 对 KV 缓存压缩中评分的必要性提出质疑
一篇预印本表明，从KV缓存中随机驱逐推理token，其效果可与最佳的基于打分的方法相当，同时吞吐量提高32-43%。关键洞见：推理轨迹因冗余而具有自我保护能力。
阅读更多 →Anthropic向药物发现迈进 ── Claude Science发布与内部项目标志着转折点
2026年7月1日，Anthropic（＝开发Claude的美国人工智能（AI）公司）迈出了超越单纯销售研究工具的一步。同一天，该公司正式推出面向科学家的工作台“Claude Science”（＝在单一界面上处理实验规划、文献综述等研究任务的工作空间），并在生物制药领域启动了自己的药物发现项目。不过，据报道，进入药物开发业务本身仍处于“考虑中”（The Verge，7月4日）。自4月诺华（瑞士大型制药公司）首席执行官加入Anthropic董事会以来，已过去三个月。工具提供商与制药公司之间的界线正在发生变化。
阅读更多 →按次付费的前沿AI划出的无形界线 ── 当只有付得起费用的人才能接触最好的智能时，制药行业应当做好哪些准备？
按使用量付费看似公平,但对于前沿AI而言,这意味着付费更多的人能获得更深入的思考。我们以Fable 5这一代为例,梳理它与电力和云计算历史的不同,机会与放大这两层不平等,大型企业与小型企业在试验次数上的差距,以及材料创作、审查和医学事务中可能发生的变化。我们还权衡了蒸馏和开源模型的拉平作用,以及这一解读不成立的条件。
阅读更多 →公开的邮件揭示了谈判破裂的原因。Anthropic拒绝了五角大楼的要求，而OpenAI则向政府靠拢 ── 2026年7月2日，Anthropic与五角大楼（美国国防部）之间的谈判邮件作为法庭文件被公开。同一天，有报道称OpenAI向美国政府提出提供公司5%的股份。这两则消息对同一个问题给出了截然相反的答案：AI公司应当如何与军方和政府打交道？
Anthropic 试图在其军事合同中保留一项条件——不得用于自主武器或国内监控——结果丢掉了一笔 2 亿美元的合同，也失去了政府的好感。OpenAI 则走了相反的路，甚至向政府提出让出公司 5% 的股份。以已公开的邮件为线索，我们梳理了 AI 公司的原则与商业利益在何处分道扬镳。
阅读更多 →同时出售天花板与地板 ── 用顶级模型展示能力的极限，用主力模型拓宽日常应用。解读同日发布背后的含义。
2026年7月1日，Sonnet 5的发布与出口管制解除后Fable 5的回归恰好在同一天，使Anthropic的产品货架同时拥有了能力上限和普及下限。我们将芯片和汽车行业中常见的这种两层格局映射到AI定价上，对比OpenAI和Google，并向制药行业的读者展示如何按失败成本把工作分为大批量档和顶级档。
阅读更多 →知识工作的边际成本趋近于零的那一天 ── 从 Opus 4.7 到 Fable 5，推演模型代际演进的节奏：2027–2029年，组织、职业、教育和地域可能发生多大变化？
本文将从 Opus 4.7 到 Fable 5 的模型代际视为智能体能力的一条斜率加以衡量，并按可能性高低推演 2027–2029 年：中层管理者作为信息中继的角色将收缩，初级职业生涯将从检查而非创造开始，资历证明将从证明知识转向承担责任。文中开篇即列明三个失败条件——监管、权力与社会采纳。
阅读更多 →提前解读 2027 年招聘岗位 ── 验证者、情境提供者与中间人——制药审评、医学事务和安全性领域新工作的形态
这不是一个关于AI消灭工作的故事，而是对诞生于AI与人类交界处的工作的预测。智能体AI使人类的角色转向委托、核验和承担责任。故事设定在制药行业——这里出错代价高昂，责任由法律界定——并将三条脉络推演至2027–2029年：AI输出审计员、转译内部知识的情境提供者，以及连接AI与监管的中间人。资质在职业之后出现；今天就可以着手的准备，是把你的决策过程用语言表述出来。
阅读更多 →知识变廉价的那一天：2027–2029年，价值从“知道”转向“为答案负责” ── 解读模型进步的斜率：信任、真实性与良知在AI时代的位置
生成式AI大幅降低了文本、代码和知识的生产成本——而变得充裕的东西就会变得廉价。那么在2027–2029年，人们会为什么付费、又会信任什么？本文借鉴手工艺品在工业化之后被重新估价的过程，梳理出这样的转变：确定性重于速度，情境重于数量，以及“有人为此作答负责”的真实性——也包括它对药品资料审核和MR拜访意味着什么，以及这一预测可能落空的条件。
阅读更多 →AI 设计汉堡的那一天
门诊结束后我正走在回家的路上,手机上弹出一条论文提醒,让我当场停住了脚步。“Ge…
阅读更多 →打破假设的艺术
本期探讨第一性原理思维，这是埃隆·马斯克反复提及的概念。大多数讨论……
阅读更多 →做幻灯片不再是一项工作
在本期中,我以麦肯锡的AI转型为起点,探讨“使……
阅读更多 →Fable将如何推动下一代AI开发
Fable将如何塑造下一代AI开发——从架构、评估指标和监管设计三个层面解读。
阅读更多 →美国政府如何迫使Fable暂时停摆
美国政府对 AI 模型 Fable 的回应——促成此次暂停的多层监管、政治与技术链条。
阅读更多 →Anthropic Fable 5.0的真实身份 — 表面的名称及其背后的真相
Anthropic Fable 5.0 是什么？表面的名称，以及其背后的技术、组织与监管结构。
阅读更多 →历史的教训——从驿马车到铁路、Windows与AI
技术变革的历史——从驿马车到铁路、汽车、Windows、互联网。AI 时代“上车”还是“放弃”的判断结构。
阅读更多 →站在智能爆炸的门槛上——社会将如何改变，如何做好准备
近期 AI 趋势所指向的“智能爆炸”迹象。社会的结构性变化，以及作为制药从业者应当做哪些准备。
阅读更多 →AI时代的“新智能”——素养的五层结构
AI 时代所要求的“新智能”是什么？本文从制药领域出发，考察素养的五层模型，以及社会由此分化的分岔点。
阅读更多 →AI重塑社会结构——2024-2025年裁员回顾与2026-2028年展望
随着AI的兴起,2024-2025年科技行业裁员超过24万人。本文对此进行结构化回顾,并展望2026-2028年——AI智能体成为主流、50-55%的岗位被重新设计之时。对制药行业的启示。
阅读更多 →诺华首席执行官加入 Anthropic 董事会——AI 与制药战略融合的象征
2026 年 4 月：Vas Narasimhan 通过长期利益信托加入 Anthropic 董事会。“负责任的 AI”与制药行业直接相连的本质含义，以及对该行业的两点影响。
阅读更多 →AI药物研发的上一年——“临床验证之年”
173+ 个源自 AI 的候选药物进入临床试验，早期 I 期成功率达 80-90%，Insilico 的 rentosertib 通过 IIa 期，成为首个由生成式 AI 设计的药物。Pfizer-Boltz、Recursion × Exscientia、AlphaFold3 的 1000 倍加速。
阅读更多 →中东与中国的AI临床实践——沙特的“Dr Hua”与中国的300个模型
沙特阿拉伯全球首家 AI 医生诊所、阿联酋 Burjeel × Hippocratic AI、中国的 300 个医疗 AI 模型和 6800 万次远程诊断。为什么新兴市场在引领 AI 临床应用部署。
阅读更多 →AI只是聊天机器人的世界吗?——人形机器人普及意味着什么
AI = 聊天机器人？这只是一小部分。中国引领的人形机器人正在爆发式普及，在工厂和仓库中承担真正的工作。当AI被释放到物理世界，这意味着什么。
阅读更多 →中国的“AI+”计划，以及已经在改变的社会
中国国务院 2025 年 8 月的“人工智能＋”行动计划。一项在全社会融合 AI、重塑产业、日常生活和治理的国家战略。86% 的生成式 AI 使用率、1.2 万亿元的产业规模——用数字来解读。
阅读更多 →微软一次性发布 7 款 AI 模型 — 以及自主智能体 Scout
微软刚刚发布了7个自研AI模型,其中包括专注于推理的MAI-Thinking-1,并推出了基于OpenClaw构建的自主智能体Scout——这清楚地表明该公司开始与OpenAI拉开距离。
阅读更多 →斯坦福 AI Index 2026 — 显示 AI 正成为基础设施的五个数字
普及速度超过个人电脑和互联网，中美模型差距不足1%，企业价值达$172B，数据中心耗电堪比一个国家，边缘AI走向主流。这五个数字标志着AI从技术转向基础设施。
阅读更多 →Agentic AI 2026 ── 从“会回答的 AI”到“会做事的 AI”
“只会回应”的 AI 时代正在终结。随着 Anthropic Computer Use、Google Gemini Spark 和 NVIDIA 本地 AI 芯片相继到来，2026 年标志着 AI 成为“劳动者”的转折点。以高中生也能读懂的方式，看看当下正在发生的从新人到中坚的“晋升”。
阅读更多 →NVIDIA“RTX Spark” ── AI入驻你的PC之日
6 月 1 日在 NVIDIA GTC Taipei 上发布的新款超级芯片。这是 ChatGPT 级别 AI 无需云端、直接在个人电脑上本地运行的时代的起跑线。借助“Uber Eats 与在家做饭”的比喻，解读其对制药领域意味着什么。
阅读更多 →Anthropic的“mythos”是谁？——一家最害怕自己的AI公司的故事
ChatGPT 的竞争对手 Claude 由 Anthropic 打造。他们公开宣称"为了人类，我们是对 AI 最担忧的公司"，却又在销售全球最强的一些 AI。这种矛盾从何而来？一篇轻松、高中生也能读懂的解说。
阅读更多 → ← 返回首页