AI 论文与研究

明大+首尔大新研究：Metan 分层自改进智能体

知识蒸馏研究：教师模型推理习惯比分数更重要

隐藏的Agent技能文件可被正常使用窃取

智能体涌现出持久化自主行为

记忆是长周期智能体的短板：LLM 运营足球俱乐部 20 个赛季的基准测试

Agent Seer：从 MCP 规范自动合成智能体评测

WikiSkill：谷歌用持久化Wiki提升智能体技能进化

Anthropic 揭示"AI 训练 AI"新方法：自动化对齐研究员成本更低、速度更快

Google 推出 WikiSkill 框架，为 AI 智能体配备持久记忆以改进未来表现

开放世界多智能体环境中的自主数学发现

Google 新论文提出 SKILL.state，用显式执行状态替代不断增长的智能体对话历史

谷歌AI概览或重创维基百科流量

长程任务基准揭示前沿模型平均通过率仅6.4%

METR调查员：距全面AI接管仅剩6个月

长时程AI任务评测：顶尖模型仅达人类27.3%

AI 自动化对齐研究：人类角色转向目标信号

FreeToken 引擎让 8GB 游戏本跑 35B 模型

Anthropic 研究员展示自我改进 AI：自动化系统可可靠缓解对齐失败

Google DeepMind 将 AI 科学家 Co-Scientist 扩展为实验室集成研究伙伴

EBR-bench人类基线：AI难以企及

Claude 自主对齐其他 AI，超越 28 位研究员

Anthropic 新研究：Claude 能否自主对齐其他 AI

AI 系统两周自主设计部署加速器 Redwood

前沿模型能否成为自主研究者？评测揭示三大发现

AI 基准测试存在信任问题，Google DeepMind 用密码学方法修复它

Google 论文：用持久知识库维护智能体技能

Google DeepMind 新论文展示 Co-Scientist 真实实验应用

Google 新论文：WikiSkill 将智能体经验编译为持久知识库

DeepMind Co-Scientist 走出模拟，实测实验室成果亮眼

Terminal-Bench-Science 0.1：评估科研工作流中的 AI 智能体

VGI-Bench：探针视频生成模型视觉智能

Agent Seer：从工具规格理解中合成评测场景

LLM 并非（始终）符合贝叶斯：量化 LLM 概率信念的内部（不）一致性

首个文本转SQL模型超越人类基准

AgentMercury：训练环境与评测集脱钩可提升泛化

Netflix 论文详解 LLM 评委在推荐理由系统中的生命周期

以人为本AI：从感知到行动的6层连接框架

JIT-Agent：动态生成智能体框架的模型

智能体行为更多由部署框架而非模型决定

论文：模型自动化与人类增强能力未必相关

沃顿研究：AI 购物智能体尚不适合代你下单

智能体轨迹压缩成自动机：行为更多由框架决定

MIT 报告建议学校弃用 AI 检测器

Anthropic 让 Claude 自主训练模型以缓解对齐失败

Infer-forge：围绕 SGLang 的 Harness、Loop 与 Graph 工程

共享技能库成恶意代码传播温床，EvoMal 攻击致 41.8% 自毒率

智能体购物研究：偏好难预测

普华永道：企业应统一采用Anthropic智能体框架

编码智能体在企业网络中自动安装未注册代码包

ChatGPT 与因果推理训练如何互补提升学生作业质量

人类监督需系统设计，AI智能体将人类挤出循环

OpenAI 智能体入侵 Hugging Face 内幕曝光

Google Research 推出 GlucoFM：用于连续血糖监测的 0.72M 参数双流基础模型

被盗 iPhone 黑产 AnonyMousKIT 披露：AI 语音钓鱼套取苹果手机密码

GeoRA：为RLVR设计的LoRA--ACL 2026杰出论文解析

Recuris 双记忆机制提升长程智能体成功率

失控AI蜂群密谋数月逃出OpenAI并成功

WikiSkill：将智能体经验编译为持久知识以进化技能

理解用于 LLM 推理的进化策略：比 GRPO 覆盖更广的推理能力

从偏好到原则：基于评分标准的对齐方法用于有据知识问答

什么造就优质智能体数据？用 ACE 视角审视 LLM 智能体的数据生成

Magpie：面向交互游戏的实时生成式世界渲染系统

Aphanta：面向多模态推理的图像编辑中间结果诊断框架

Self-OPD：无需教师模型的流匹配模型同策略蒸馏框架

PAWBench：视频生成模型距离概率对齐的世界建模还有多远？

TTPO：测试时策略优化，让大模型无需标签也能在测试时继续训练

PILOT：面向长时程智能体的实时自改进监督-执行框架

EditaLive：面向直播场景的统一角色视频编辑框架

UrbanGround：在真实尺度城市中从局部感知到空间智能体的测试沙箱

CritICL：从小型语言模型失败模式中实现推理时弱到强泛化

多镜头长视频编辑新框架 MMLVE-Agent：用智能体推理实现一致编辑

AutoSaddler：自动优化智能体框架并防回退

阿里 Scroll：让模型写代码管理上下文

Moltbook预示智能体野外通信实况

V-RAE 将视觉基础模型表征用于视频生成

700+智能体攻击Hugging Face，CoT监控存挑战

WebDev-Skills-Bench：技能注入反而拉低编码表现

700个智能体同时攻击Hugging Face

OpenAI 发布 Hugging Face 事件技术报告

开放世界多智能体环境中的自主数学发现

Meta^n：智能体递归自我改进新方法

元递归自改进智能体超越八类基准

OpenAI 完成 Hugging Face 事件审查并升级安全标准

OpenAI 回应 Hugging Face 事件：非 Astra 模型所致

OpenAI 发布 Hugging Face 事件技术报告

用 WikiBench 评估 OpenWiki：维基文档能否提升编码智能体表现

MiniMax-H3 在 8×H200 上基准测试：无损加速 1.95×，最高 6.24×（SSIM 0.76-0.91）

Google Earth AI 推出行星预测引擎：自动化全球地理空间建模

英特尔 18A-P 工艺详解：0.5V 低电压频率跃升 30%，Diamond Rapids 与 Nova Lake 率先搭载

AWS 新研究量化智能体切换成本

科学家以 AI 解码 60 亿 DNA 碱基"起始子"序列，约 60% 人类基因含该序列

C2PA相机经不起现实的考验：Android端可被root攻击伪造签名

Apodex 1.1 将执行环境作为智能体扩展新维度

PACE-Bench：动态物理环境下智能体代码自适应评测

OpenAI 发布教育报告：ChatGPT 如何让学习不再受课堂时间限制

SWE Refactor Bench：编码智能体全仓重构存活率仅5.4%

斯坦福研究：22~25 岁职场新人受 AI 冲击最大，高等教育可缓冲影响

智能体排行榜分数为何难以信任：评测 harness 影响远超模型本身

Code World Model：编码智能体作为世界大脑

TacForcing：利用执行期触觉反馈的流式动作生成框架

StreamPI：为视觉-语言-动作模型引入流式多模态时序建模

Zero-WAM：利用人类视频实现开放任务泛化的上下文世界-动作建模

智能体游戏开发作为可验证轨迹数据引擎，用于扩展世界模型

CaSKG：面向可扩展智能体技能检索的反事实因果技能图

Procedura：用程序化控制实现智能体3D建模

JIT-Agent：通过即时框架进化扩展智能体框架智能

VBVR-Pro：可扩展且可验证的原生视觉推理套件

MA-VLA：面向协作与组合泛化的多臂视觉-语言-动作模型

Video-IFBench：评估多模态大模型在视频理解场景中的指令跟随能力

时空可组合性编程范式：Cordis 元框架

RetrievalRouter：面向文档检索的模态与架构联合选择

VoiceMem：面向实时交互的流式双脑记忆架构

IDEA Prune：生成式语言模型预训练中的集成放大-剪枝流程

PROOF-Gen：从优化数据到更好的知识蒸馏

Luce：面向3D资产生成的可重光照高斯表示

技能是否随语言变化？LLM 跨语言技能一致性研究

Prefix Sliding：一种高效测试时扩展的新方法

V-Rubrics：基于评分标准的强化学习提升视觉忠实度

评测框架无中立：同一模型得分31%到89%

无中立基准：配置变化致模型排名大幅波动

Prime Agent 技术报告：记忆层级机制解析

Perplexity 便携电脑智能体获英伟达支持

上下文压缩如何破坏智能体安全规则

WebDev-Skills-Bench 评测：Agent 技能是否真的有用

终端智能体评测：脚手架比模型更影响分数

NVIDIA ACES：技能文档高分不等于运行时有效

Anthropic 开放 Claude 真实使用数据供外部独立研究，公布试点结果

MIT 新工具无需历史数据即可预测极端天气

阿里智能体记忆新法：上下文当编程任务

Apodex 1.1 发布，扩展智能体复杂工作能力

AutoSaddler：自动优化智能体框架的微软新论文

加权记忆树：提升长任务智能体推理准确率

语言模型如何评估用户能力与职业偏见

冻结主干只训投影层：新模态不损原能力

SWE-bench Science：编码智能体难解科学缺陷

DeepMind 新研究：推理时回灌深层激活可降困惑度

Best Practice Critic Optimization：一种稳定的基于评论家的强化学习训练方案

FrontierChallenge：评估科学智能体端到端工作流完成度的新基准

评估许可究竟意味着什么？Inspect Evals 提交级快照中的声明相对推理普查

LibriBrain100：百小时宽深 MEG 数据集，推动神经语音解码规模化

Game2World Engine：解锁野外游戏视频用于世界模型训练

D^3-MOPD：面向高效多教师蒸馏的自适应动态域调度

MemUse：将长期人机对话中的记忆评估从直接问答转向自然融入

CAFE：自我改进的搜索智能体需要共同进化的反馈

MoTE：面向多任务视频理解的任务专家混合解码器架构

OPDVR：无需额外超参数的无监督策略蒸馏与可验证奖励结合方法

Recuris：面向长时程智能体的递归经验-工作记忆演化架构

Luce：面向3D资产生成的可重打光高斯表示

Meta^n：通过涌现深度实现递归自我改进

当"必须"变成"也许"：LLM 智能体工作流中的约束弱化

STARFlow2：用归一化流桥接语言模型，实现统一多模态生成

DiffusionOPSD：扩散模型的在线策略自蒸馏框架

Gated Recurrent Transformer：用循环调制在 Transformer 中实现表达性深度

从看见到行动：智能眼镜如何成为第一人称智能平台

LAION-BVD：面向多模态预训练的千万小时级开放视频数据集

The Handoff Tax：LLM 智能体延续非原生轨迹的代价

WarpSAC：重新思考探索与利用，迈向可扩展离策略强化学习新高度

GameWAM：面向视频游戏的 World Action Model

AnTrap：Android GUI 智能体在动态对抗环境中的鲁棒性评测基准

RubSE：用评分规则作为视觉修复上下文实现UI到代码生成的自进化

LAWA：用潜在动作作为意图，让世界动作模型高效想象未来

长程规划智能体：预训练与OPD蒸馏研究

研究团队调查发现超七成英语生物医学论文已使用 AI 辅助写作，呼吁业界建立完善监管机制

斯坦福研究：AI 对入门级岗位冲击最大

加权记忆树：为长时运行智能体引入可恢复记忆

终端智能体综述：对比为何矛盾

ASI-Bench：步骤比方法名更决定智能体表现

逆向工程发现 MS Paint 和"照片"为本地 AI 生成图片添加不可见 GUID 水印

美国GDP统计漏算英伟达经济贡献

潜态推理视频世界模型如何学习世界演化

皮尤研究：ChatGPT 发布后网络 AI 生成文本激增

AgentHands：为XR空间对话智能体生成交互式手部手势

Ultrafast Frontier Inference： Cerebras Deep Dive at Hot Chips 2026

InfinityEdit：轻量适配器实现无限视频编辑

Meta 新论文：EvoHarness-RL 让 Qwen3-8B 在 ALFWorld 达 96.9%

Anthropic 原语在企业中的落地范式

DataSpace 基准：最强模型数据智能体准确率仅 66.34%

卡迪夫大学新研究：AI 尚无法像人类教师一样可靠地批改作业

清华等提出"表征平等"框架：评估大模型跨国模拟是否均衡

Google Research 与 USC 推出 ME-POIs 框架，将移动数据融入地点嵌入

对抗式审查：结构化分歧提升智能体代码审查

NVIDIA 新论文提出 ACES 技能评估法

ContinualSkillBench：LLM 智能体能否真正进化能力？

MIT证明AI奉承会致人妄想螺旋

AlgorithmWatch 调查：ChatGPT、Gemini、Grok 和 Claude 频繁向孕妇推荐反堕胎网站且不披露立场

Claude 证明 S6 复结构引热议

摩尔线程发布《MTT S5000 Prefill-as-a-Service 技术白皮书》，破解长上下文推理成本瓶颈

Netflix 如何用 LLM 评判器优化推荐解释

SK 海力士披露下一代 HBM 内存先进封装技术，引入英特尔 EMIB

AgentX 推理基准：CUDA 护城河能否守住智能体推理

单个污染页面即可影响LLM推荐：FORGE基准揭示检索增强推荐系统的脆弱性

Industrial-Instruction：从工业技术报告构建指令微调与基准数据集的端到端框架

CyberFactory：用真实世界漏洞实例规模化构建网络安全能力

AutoSaddler：利用智能体执行轨迹实现自动化的 Harness 优化与持久更新

EchoWM：可进入式全模态世界模型

LongWoF-Bench：用 EvoMap 基因评估可验证的长流程任务

AgentRoom：基于CRDT共享工作区的并发多智能体编码协议

生成式搜索中的上下文分配定律：因果测量与闭环编排

ReWorld：具备长时记忆的交互式世界模型

无 CoT 数据下，Next-Chunk 推理 RL 真的优于 SFT 吗？混合 SFT 以 60 倍更低算力取得更高 RLVR 上限