Google Research 提出行为倾向评估框架，对 25 个 LLM 的分析发现，模型既会偏离人类共识，也未充分体现意见分歧。研究将心理问卷转化为现实情境判断测试，每个情境收集 10 名标注者的行动偏好，并与模型回答分布比较；在人类意见分歧较大的情境中，所有受测模型均表现出系统性过度自信。模型自报倾向与情境中的建议行为也存在差异，例如自称低冲动性，却给出偏向冲动的建议。
推荐理由：将心理问卷转化为情境判断测试，为区分模型自述倾向与实际建议行为提供了可迁移的评估路径，而不只依赖自报答案。
Google Research 的研究发现，AI 基准每项仅用 1、3 或 5 名评分者往往不足，可靠评估通常需要每项超过 10 名评分者。
Google Research 介绍向量压缩算法 TurboQuant，在 Gemma 和 Mistral 的测试中将 KV cache 量化至 3 bits，无需训练或微调且不损失模型准确率。
Google Research 的 S2Vec 通过自监督学习生成建成环境的通用嵌入向量，用于预测人口密度等地理指标。它将地理特征栅格化，再以掩码自编码学习空间关系，无需人工标签。评测中，其在零样本地理适应任务上通常是表现最佳的单一模型，但树木覆盖、海拔等环境任务仍需改进。
Google Research 在今天的 The Check Up 活动中汇总医疗 AI 研究进展，涵盖个性化健康、临床辅助、开发者模型、公共卫生与生物医学发现。
Google Research 与 NHS 合作的两项 AIMS 研究显示，AI 独立阅片可提高乳腺癌检出能力，参与双阅片流程后的表现不劣于传统流程。发表于 Nature Cancer 的研究中，独立 AI 的癌症检出率从每 1,000 名女性 7.54 例提高至 9.33 例；以 AI 担任第二阅片者的研究估计可减少 46% 的人工阅片次数及 36–44% 的阅片时间。
推荐理由：两项研究区分了模型独立检出能力与人机协作后的实际表现，为评估医疗人工智能提供了兼顾工作量和仲裁误判的视角。
Google Research 与康奈尔大学评测了 6 个 LLM 系统回答高温超导研究问题的能力，NotebookLM 与定制 RAG 系统总体表现领先。专家围绕 67 道问题进行盲评，两个领先系统均依赖经过质量控制的资料库。所有受测系统仍有改进空间，NotebookLM 的证据支持得分最高，但回答最不简洁。
SPEX 与 ProxySPEX 利用稀疏恢复识别大语言模型中的关键交互作用，将可分析规模较以往方法提升数个数量级。ProxySPEX 进一步利用交互的层级结构，以约十分之一的消融次数达到 SPEX 的表现。情感分析测试中，SPEX 在输入扩展至数千个特征时仍保持较高归因忠实度。
Google Research 推出 Groundsource 方法，利用 Gemini 从新闻提取洪灾信息，并开放包含 2.6 million 条历史事件记录、覆盖超过 150 个国家的数据集。
推荐理由：新闻记录可补充传统监测容易遗漏的局地短时洪灾，为历史数据稀缺地区的预测模型训练与验证提供另一类数据来源。
Google Research 与 Beth Israel Deaconess Medical Center 开展 AMIE 单中心前瞻性可行性研究，100 名成人患者在医生实时监督下完成诊前文字问诊，未触发安全停止。
推荐理由：研究将诊前问诊置于医生实时监督的真实流程中，并区分可行性与临床疗效，为理解医疗对话系统的评估边界提供具体参照。
Berkeley AI Research 研究团队提出基于信息量评估与优化成像系统的框架，设计效果可媲美先进端到端方法。该方法仅用含噪测量和噪声模型估计互信息，在彩色摄影、射电天文学、无透镜成像和显微成像中均能预测下游性能。优化设计所需内存和计算更少，无需设计任务专用解码器。
新研究给出 word2vec 学习过程的定量预测理论，证明在特定近似条件下，其学习等价于对目标矩阵进行 PCA。从足够小的初始嵌入权重出发，模型逐步学习正交线性子空间，每一步增加嵌入矩阵的秩。这些特征可由语料统计与算法超参数预先计算，学习动力学的闭式解与数值实验高度吻合。
Mistral AI 与 Carbone 4、ADEME 合作开展模型生命周期分析，披露温室气体排放、用水和资源消耗，推动 AI 环境影响的标准化核算。
推荐理由：将训练总足迹与单次推理边际影响分开披露，并纳入硬件制造等上游影响，为比较模型环境成本提供了更清晰的核算思路。