值得读的 AI 论文与研究成果：架构创新、训练方法、能力测量与理论进展的精选解读。
Google Research 开源了「Forest vs Tree」仿真器，研究了在预算有限时增加评测项数（N）与增加单项评注者数（K）的权衡。研究发现传统 1 到 5 名评注者的做法往往不足以捕捉人类意见的细微差别，若目标是测量人类意见的全貌（如复杂性/细微度），每项可能需要超过 10 名评注者；而若只关注主流多数投票，增加项数则更有效。
推荐理由：研究量化了 AI 评测中评注者数量的权衡，并开源了预算模拟器以辅助设计更可靠且成本效益更高的评测基准。
Google Research 在 Nature Cancer 发表两项配套研究，评估基于 AI 的乳腺癌检测系统性能及与双读流程的整合可行性。
推荐理由：在真实 NHS 环境下验证了 AI 乳腺筛查系统，既提升了独立读片灵敏度，又将双读工作流的读片工作量降低了约 46%。
Google Research 宣布在 Beth Israel Deaconess Medical Center 开展前瞻性单臂可行性研究，评估对话式诊断 AI AMIE 在门诊预诊阶段的临床安全性与可用性。
推荐理由：在真实门诊场景测试对话式诊断AI，为医疗AI从模拟走向临床提供实证依据。
伯克利AI研究团队发布论文介绍分治式值学习算法Transitive RL（TRL）。该算法适用于离线目标条件强化学习，通过期望回归计算软最优子目标，将对数级减少Bellman递归误差。在OGBench的1B规模长视任务上，TRL无需调整n参数即达到最优TD-n表现。
推荐理由：提出基于分治的离线目标条件强化学习算法TRL，理论上对数级减少误差累积，无需调整n步参数即可匹敌最优TD-n。