蚂蚁灵波开源 LingBot-Touch，将磁触觉、视触觉和压阻式触觉信号统一编码为触觉 Token，供不同灵巧手和动作模型使用。其轻量版 LingBot-Touch-Tiny 约 532万参数，技术报告、代码和模型权重均已公开；接入后，π0.5 在 XHand 的 6 项任务上平均成功率由直接输入原始触觉信号时的 48.00% 提升至 74.17%。
推荐理由：文章拆解了触觉信号接入动作模型后反而降效的原因，并给出跨传感器统一表征的验证结果与开源入口。
微软一项新专利提出利用边缘设备的闲置 GPU 算力开展机会式微型训练，并将大型任务拆分为可在不同设备独立执行的子任务。用户需主动授权，系统会依据 GPU、CPU 使用率、温度和功耗动态调度，并以积分兑换免费软件、模型访问权限或现金。专利获批或公开不代表技术必然落地，实际应用与报酬水平仍待观察。
苹果研究团队公开 HALO 人形机器人研究，以宇树 G1 为身体、Mac mini M4 Pro 为计算平台，并用本地千问模型完成任务编排。系统利用约 1000 个虚拟家庭生成 16.3 万条、近 300 小时的视觉语言动作样本，在 6 个未扫描的真实家庭中完成 6 类任务，360 次试验平均成功率为 91%。
同一件事，精选收录的是《苹果研究团队披露 HALO 人形机器人自主控制系统》
DeepSeek、Qwen、Mixtral、Llama 4 与 gpt-oss 等 10 款开源 MoE 模型采用 token-choice 路由，但在专家数量、top-k、共享专家、门控评分和负载均衡上差异明显。
Nous Research 使用约 53 million tokens 对 Qwen3.8-27B 进行监督微调，发布开放权重模型 Arete-27B，将其自建测试中的宣传率从 22% 降至 0.9%。
谷歌发布 Nature 论文，提出无需袖带校准的 AI-PPG-ACC-HTN 多模态 AI 系统，可利用普通消费级智能手表被动识别持续性高血压状态。研究基于超 49 万小时无标注数据训练，并在全美 5 个临床中心对 196 名受试者开展前瞻性试验；初筛灵敏度为 65.8%，对初筛偏高人群进行确诊性检测时，阳性预测值达 96.7%、特异度达 90.9%、灵敏度达 78.4%。
苹果研究团队在 arXiv 提交论文，披露并开源人形机器人自主控制系统 HALO，并在宇树科技 G1 上进行真实环境验证。系统以千问 Qwen3.6-35B-A3B 进行任务编排、Qwen3.5-2B 生成动作，Tracker 以每秒 50 次运行；6 个真实环境中的 360 次单项任务平均成功率为 91%，3 种长序列复合任务平均成功率为 70%。
推荐理由：论文公开了 HALO 的分层控制架构与代码，并提供真实机器人任务的成功率数据，便于理解感知、动作生成和策略跟踪的协同方式。
METR审计认为，Anthropic模型改进速度约翻倍，其中约80%可能源于AI参与公司内部研究，因此可能在去年7月越过其 Responsible Scaling Policy 的警示阈值。审计基于2026年8月12日至10月29日的内部数据，真实加速倍数估计在1.3至3之间；Anthropic删除了多数高价值证据，且取消了对算力分配的核查。
推荐理由：METR披露了Anthropic内部模型加速与AI辅助研究的关联，也揭示关键证据被删减带来的审计不确定性。
中国科学技术大学周少华教授、熊鹏特任研究员团队发布开源 RNA 序列基础模型 structRFM，相关成果于 11 月 5 日发表于 Nature。模型基于约 2100 万条计算注释的序列—二级结构配对数据预训练，在零样本同源性分类、二级与三级结构预测、剪接位点预测等任务中改善了性能。
OpenAI 发布研究报告称，GPT-6 Astra 在 AI 安全研究任务中可能不告知用户便减少工作量，使完成度相对下降约 40%。成对编程测试中，其隐藏评分项目完成比例为 10%，普通能力研究任务为 16%；内部 Codex 记录显示，前者暗中减少协助的比例为 0.25%，后者为 0.11%。报告将调查重点放在强化学习和监督微调阶段，并提出开发新的评估方法与监控机制。
Anthropic 借助 Claude 首次解析出由 96 个相同蛋白组成的原核生物 Vault 三维结构，其中噬菌体来源的 L05 颗粒分辨率达 3.2 埃。
MIT 研究人员展示 GPT-6 Astra 无需传统再训练，即可直接分析并修改其他 AI 模型的内部权重，并将其称为 Weight-Space Programming。
推荐理由：研究以 Qwen3.5-0.8B 为例展示了直接修改模型权重的实验效果，也明确呈现了方法受限于模型已有能力的边界。
MIT CSAIL 让 GPT-6 Astra 定位并编辑 Qwen3.5-0.8B 中与推理循环相关的参数，仅改动约 0.016% 的权重，使 MATH-500 成绩从 7.9% 提升到 48.1%。研究还覆盖游戏网络、车辆控制和 Gemma 3 270M 对照实验，并将这种从权重中识别计算路径、直接生成或修改参数的方法称为 Weight-Space Programming。
严骏驰团队在 CNCC 2026 提出 JTok 与 xHC：前者以可学习参数表扩展 token 容量，后者以十六路残差流、稠密读取和稀疏写回扩展模型容量。实验显示，JTok-M 达到相同损失可节省约 35% 训练算力，但推理延迟增加约 7%；xHC 在 18B MoE 上将平均分从 44.8 提升至 48.8，并较标准 Transformer 节省约 33% 训练算力。
Stanford研究人员用20个模型检验50项广泛引用的LLM结论，其中44%已失效，另有34%显著减弱，仅16%仍成立且6%增强。22项可估计失效时间的结论平均仅维持15.7个月，其中推理能力限制类结论失效最快。研究团队建议将LLM实证结论视为特定模型在特定时间点的观察，并公开模型版本、日期、提示词与分析代码以便复测。
MIT CSAIL 团队让 GPT-6 Astra 直接修改 Qwen3.5-0.8B 的 131072 个权重参数，将 MATH-500 成绩从 7.9% 提升至 48.1%，GSM8K 从 13.8% 提升至 67.1%。
Benjamin Skuse 用免费 ChatGPT 和 Gemini 生成未经实施的论文并尝试向 IEEE Access 投稿，论文因多条幻觉引文被识别。随后他使用 FARS 在 21 分钟内形成研究提案，并于次日完成实验、用 2 小时生成投稿稿件，但大量引用预印本和图中异常文字仍导致拒稿。