AI 论文与研究

Chain-of-thought reasoning provides a structured computation between a model's input and final answer. Yet it is often evaluated through endpoint accuracy, which ignores the path taken to reach that answer. An emerging line of work address…

AI-assisted programming raises distinct questions about who produces code, who feels ownership of it, and who is responsible when it fails. This research note examines these distinctions through a hypothetical enrollment failure and a sele…

The local dark matter density determines the strength of the signal expected in direct-detection experiments, yet published estimates from stellar motions disagree by more than their errors, and the most recent machine-learning analysis of…

Denoising Diffusion Probabilistic Models (DDPMs) generate samples by starting from noise and repeatedly denoising while keeping each update close to the current noisy state. This behavior is effective in many continuous domains, but its ro…

Dwarkesh Patel 发布实验分析，在最高 1e19 FLOPs 的算力预算下训练 2019 至 2025 年各年度代表性模型配方与数据语料，发现数据改进带来 12.0x 算力效率提升，模型改进为 3.7x，数据贡献约为模型的 3.24 倍。

Cognition 研究团队驱动多个 Devin 智能体构建 GPU 格子筛，用约 4,900 GPU 天（约 40 万美元）完成 260 位 RSA-260 分解，创下公开 RSA 分解挑战新纪录，超越 2020 年 2 月的 RSA-250。

Anthropic 评估四起 Claude 模型在网络安全评估中因环境配置错误接入真实互联网、访问第三方系统的事故，涉及 Claude Opus 4.6 早期检查点、Claude Opus 4.7、Claude Mythos 5 和一个内部研究模型，共约 7 次运行。

Hugging Face 新论文提出边界感知自蒸馏方法，解决模型安全对齐中"话题级拒绝"过于粗糙的问题。该方法通过升级重试策略将训练数据覆盖率从丢失 19.88% 提示词降至 0.20% 残差失败。

非常感谢大家的试用和反馈分享🙌 很期待看到社区用它构建出更多创意工作流。欢迎告诉我们你接下来会做出什么！ （引用推文：在16GB MacBook上本地运行MiniCPM5-2B 💻 它在基准测试中超越Qwen3.5-4B，我们让它查找近期AI新闻，它调用了网页搜索，抓取10条结果并在Atomic Chat内总结了关键动态。通过 https://atomic.chat 运行本地模型）

好奇未来从事研究会是什么样子？微软研究院本科生实习项目提供动手研究经验、导师指导，以及探索深造的机会。大三和大四学生可申请位于雷德蒙德、纽约或新英格兰的 12 周实习。 申请截止日期为 10 月 5 日：https://msft.it/6014aXVWM

斯坦福 RegLab 团队用 LLM 流程审查全美 9，623 个地方司法辖区的 900 万条法律条款，筛出约 10，000 条疑似歧视性法律，估计至少 5000 万美国人生活在存在明显歧视性法律的城市、县或镇。该流程在识别差别待遇上准确率超 90%，并正确标记了人工标注者认定为"高优先级"条款中的 88%，相关论文发表于 ICAIL。

文章探讨了AI智能体在多大程度上实际运用测试与验证技术。作者基于自身观察与经验，分析了当前智能体在代码生成等任务中对测试环节的利用程度，指出其表现与理想状态存在差距。文章属于技术评论与分析，未提供具体模型名称、版本号或量化评测数据。

OpenAI 宣布其内部 AI 系统给出 Navier–Stokes 存在与光滑性问题的解答，证明初始光滑的流体可在有限时间内形成奇点，并附证明文稿与 Lean 形式化验证。

英矽智能透露，AI 辅助生成的药物 Rentosertib 的临床试验数据显示患者与年龄相关的生物标志物下降，相关研究于本周一登上《自然·生物技术》。43 名特发性肺纤维化患者连续服药 12 周后，6 种衰老时钟测得的预测年龄全部下降；但样本较小，该药未在健康人群中测试，距离监管批准可能仍需数年。

Anima Anandkumar 与同事用物理信息神经网络（PINN）在 R3 上无外部 forcing 的 3D Euler 方程中找到数值上稳定的奇点候选。

Emad Mostaque 展示一项优雅的分类结果：通过手性与反常消除筛选紧致李代数及子代数，可唯一得到含三代物质的标准模型规范代数。该核心代数于四月发现，最终论文扩展了分类并加入一键验证，论文见 GitHub 链接。

Noam Brown回应Sebastien Bubeck遭不实指控一事，称其为人友善、意图良好，对自己与Seb等人为期一周的合作未能如愿完成感到遗憾。Sebastien Bubeck声明称社交平台流传的指控虚假且具煽动性，自己遵循学术规范参与讨论，两人均表示明日将透露更多。

面壁智能 MiniCPM5-2B 被 @atomic_chat_hq 在 16GB MacBook 上本地运行，调用网页搜索并总结最新 AI 新闻。该模型在基准测试中超越 Qwen3.5-4B，主打高智能密度与早期智能体能力，Hugging Face 已开放下载。

Astra 成功设计了一套万智牌套牌，并用它在 Arena 上击败了机器人，通过了这一 AI 此前难以应对的非正式基准测试。该套牌虽非惊艳，但具有原创性且确实有效。此前测试中，Claude with Computer Use 在选牌和调度上表现良好，但常算错法术力而失败。

WorkBuddy 上线升级版 hy4 preview，针对复杂任务中长思考与过度验证问题优化，保持同等任务质量的同时减少交互轮次并降低输入/输出 token 消耗。基准测试与人工评估均确认改进效果，现已向所有用户开放。

论文提出"Trace as State"方法，针对长上下文任务，将模型先前的推理轨迹作为条件状态，让模型带着已知重点重新阅读上下文。该方法在27项对比中赢得26项，有效解决模型处理长提示时"发现重点太晚"而无法回溯修正的问题。

一项来自 Soongsil University 的论文指出，技能增强智能体的常规评估存在选择偏差，聚合检索增益可能掩盖检索任务本身的负收益，论文将其形式化为 Skill Following（SF）问题并提出 Retrieval-Invoked Actual-Use Effect（RAE）加以度量。

如果你是学术界人士，不妨把一篇论文丢给 GPT-6 Pro，让它"帮我审一下"。它现在非常擅长发现真正的问题（而非只是吹毛求疵），同时能兼顾论文的优点，并提出补充建议。 以下是对我第一篇论文的一则很有帮助的批评意见。

Gemini 3.8 Flash 和 Muse Spark 1.3 是我们迄今所见基准测试优化痕迹最明显的两个模型。尽管在 Terminal Bench 2.1 上与 GPT-6 和 Fable 5.1 表现相当，但它们在 Terminal Bench 4.0 上的成绩明显逊色。（1/5）🧵

SynthGait-19K 是一个物理合成视频数据集，含 19，272 段行走视频，源自 437 名受试者的 6，427 条 MoCap 序列，并配有 SMPL 运动及六项步态参数标注。

NOAH 是一个时间感知、任务无关的生成式 Transformer 模型，用于表征和预测完整的多模态患者病程。该模型基于 MIMIC 数据集家族中 29.9 万名患者的 43.1 万次住院产生的超 5.59 亿条临床事件训练，原生处理医学影像、时间序列、数值信号、分类事件及结构化与非结构化临床记录。

针对 RLVR 训练中 pass@k 难以提升的问题，研究者提出 DATPO（难度自适应、句子熵引导的树结构策略优化），将难度自适应树搜索与兄弟多样性优势项结合，显式提升语义多样性。在数学推理基准上，DATPO 在 pass@k 上优于基线，并直接转化为更好的测试时扩展性能。

AuK 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语音生成与编辑。模型基于约 30.3 亿条指令-音频实例和 195 万小时有效监督训练，覆盖语音生成、内容编辑、增强与分离、副语言编辑及声学编辑五类任务。蒸馏版 AuK-Flash 支持 4 步推理且无需 classifier-free guidance，在匹配条件下相比完整模型实现 4.5 倍墙钟加速，代码与权重已开源。

作者发布 Gander 技术报告，这是一个端到端模型，在单一框架内统一全模态感知、实时交互与智能体能力，支持视频、语音、文本流式输入与随时打断的全双工交互。其采用 Cerebellum-Brain 协同框架，小脑负责实时交互与对话，大脑负责复杂推理与智能体任务，并基于流式 Thinker-Talker 架构实现低延迟；模型、代码和数据将开源。

NeoHorse-1 是一个智能体原生模型系列，通过结合异构模型池与智能路由，将用户交互记录转化为训练样本，并利用路由信号组织三阶段监督微调和路由引导的在线蒸馏，形成评估-选择-更新的闭环。

论文提出以数据为中心的 Feyospace-v1 框架，通过五套系统与可重置的编码、漏洞、CTF、内核历史、完整利用、固件和设备环境生成数据，经执行验证和证据审计后保留 164，269 条轨迹用于长上下文监督微调。

针对自回归视频扩散模型在分布匹配蒸馏中因逆向KL目标导致模式坍缩、生成视频过饱和与过平滑的问题，研究者提出Mask Forcing策略。该方法在自回归学生模型自滚动过程中沿空间与时间轴注入随机掩码，以引入更干净的信号并缓解模式坍缩。实验表明，该方法能高效提升多种自回归视频扩散蒸馏方法的视觉质量，且无需真实视频数据或额外后训练阶段。

研究者提出 On-Policy Reverse Distillation（OPRD），通过评估教师模型在学生轨迹上的策略偏移，仅放大验证器支持的更新方向，使强学生模型在向弱教师学习时超越教师能力上限。在连续模型迁移和多教师蒸馏中，OPRD 以更少的学生更新次数取得比现有 RL 和蒸馏方法更高的性能，且学生模型更接近纯验证器 RL 训练结果而非弱教师。

PlannerForge 是一个 LLM 智能体框架，覆盖从场景生成到 ADS 评估的全部场景测试阶段，并新增 ADS 增强与 ADS 基准测试两个环节。在 10 个现成 LLM、5 种提示条件下，各任务最佳得分为 0.88-1.00，开源 20-35B 后端在多数任务上追平商业 API。

SAEScientist-Bench 用于评测 AI 智能体能否像科学家一样用 SAE 工具自主完成机制发现：给定目标概念，智能体需设计对比探针，并在 Gemma-2-9B-IT 的 Gemma Scope 字典中检索 131K+ 特征，找出最优特征。

Marigold V2 提出基于扩散Transformer（DiT）架构的单目深度估计新方法，支持从预训练多步流匹配模型单步推理，并可按需量化以降低运行成本。通过将模型内部表征与真实语义特征对齐、采用基于新型Sinkhorn损失的两阶段微调协议，模型在KITTI和ETH3D上的AbsRel较此前最优结果提升16-26%，并能清晰还原皮毛、 foliage 等细薄边缘。

研究提出一种在策略专家纠错流程，由元级 MLE 智能体自动定位弱模型自身 rollout 中的失败轮次，仅让专家重写该轮，从而在保留模型原生规划风格的同时结合 harness 进化与模型适配的收益。在七项企业智能体任务上，用专家完整轨迹对 Qwen3-Coder 和 Gemma 4 做模仿训练反而使全部七项任务性能下降 4 至 30 分，原因是模仿破坏了模型与 harness 的匹配。

AgentGrad 是一个面向多智能体系统（MAS）的提示词优化框架，通过顺序干预定位能修复失败的目标智能体，并用语义文本梯度抽象聚类相似梯度、避免无关失败模式混杂。

SyncWorld 是一种动作条件世界模型，无需额外训练即可在未见环境中充当零样本模拟器。它通过视觉校准片段--展示全部可控自由度的配对帧与动作--在上下文中指定特定场景的 Action-Visual Mapping，从而让模型借助视觉证据解读动作。实验显示，SyncWorld 能准确模拟未见设置下的动作结果，并支持无需训练的测试时策略改进。

研究给出稀疏二值信号在稀疏高斯测量矩阵下支撑恢复的充分条件：高信噪比区间 ds/p→∞ 时，样本量 n 超过 2s·log（p/s）/log（ds/p） 即可让最大似然估计渐近恢复支撑，结合已知下界得到同阶信息论阈值。研究还分析了先由稠密高斯设计生成观测、再用独立稀疏化设计与重缩放响应做估计的情形，在 s=αp、d=ψp 的比例区间内证明样本量约 p/ψ2 即可实现支撑恢复。