AI 论文与研究

研究团队发布 SWE-Bench Pro Verified，一个包含 731 个实例的软件工程智能体评测基准，通过仓库重建、测试工件隐藏、元数据匿名化和代码托管域名封堵来阻断答案泄露，并由人类专家最小化修订 102 个存在质量问题的任务。

亚马逊FAR团队以Qwen3为语言骨干构建纯自回归多模态持续预训练测试平台，按任务分别追踪文本、图像、T2I和I2T验证损失。结果显示各任务损失缩放规律不同、对tokenizer排序也不同，固定tokenizer时T2I损失与生成质量相关，而基于共享文本词表的I2T损失信号更一致，还能在监督微调后同时关联生成与视觉理解表现。

Miles v0.1 是一个全栈、生产就绪的前沿后训练系统，围绕 slime 的设计，将 RL 训练循环各环节按可验证、干净、可定制的原则构建，并已在 https://github.com/radixark/miles 开源。

TANGO 提出首个面向杂乱环境的全身视觉-语言导航框架，支持语言指令下的人形机器人穿越复杂 3D 空间。该模型直接预测 29-DoF 关节空间动作，完全在仿真中训练，通过全局路径规划、运动编辑与 RL 跟踪合成无碰撞行为。TANGO 在仿真中达到 SOTA 性能，并零样本部署至 Unitree G1 人形机器人，无需真实导航数据即可实现稳健的语言引导穿越。

论文提出 ActionSplice，一种基于反事实状态传输（CST）的推理框架，让分块自回归视频世界模型在采样中途收到新动作时无需回滚即可即时编辑。

研究团队提出 ActReview，一个以作者反驳（rebuttal）为引导的后训练框架，用于生成可执行的同行评审意见，并拆解为诊断性论断生成与修改建议生成两个子任务。

研究者推出 StochBench，一个包含 450 道研究生级随机过程问题的 Lean 4 基准，每题配有自然语言题面。基于 Opus 4.8 的智能体在每题 15 分钟限制下达到 34.9% 的证明率（157/450）。该基准覆盖马尔可夫链、鞅、布朗运动、随机微积分等方向，填补了 Mathlib 中随机过程领域代表性不足的空白。

CoVeR 是一种无需训练的确定性视觉 token 选择器，仅利用 token 坐标实现场景全覆盖，以解决多视图 3D 推理中现有剪枝方法的冗余与预算限制问题。在三个 3D 推理基准上，CoVeR 均超越此前 SOTA，并可作为即插即用模块适配四种 VLM。仅保留约 8% 的视觉 token，即可维持全量 token 93.5% 的性能，平均超出 SOTA 3.9 个百分点。

密歇根大学等研究者发布 SchemeArena，一个包含 400 个场景的 scheming 压力测试基准，通过因子化场景合成框架覆盖安全相关工具域、工具性目标、监督条件与压力机制。

Procedural Graphs 将程序性知识组织为 （procedure， relation， procedure） 三元组，在每一步决策时通过引导模型将周围子图转化为情境化指导，以偏置而非强制求解器的下一步动作。

一篇 Microsoft 论文研究 LLM Agent 长程衰减，跨 9 个模型发现依赖步骤越多成功率越低，ToolQA 上短程近乎满分的模型到 16 步仅剩 0-33% 成功率。实验显示缩短上下文反而使衰减更糟，说明问题主要由步数而非上下文长度驱动；作者建议按真实工作流长度测试、度量每步可靠性并在错误扩散前加入检查点。

Sierra 与普林斯顿大学发布 τ^τ-Bench（hyper-tau-bench）基准，把智能体构建本身设为任务：开发者智能体获得真实业务记录、掌握需求的客户、生产 API、待继承代码库和服务成本与模型限制，需交付一个可用的客服智能体，并用保留的模拟用户部署评分，共 4 个领域 53 个任务。

Axis Robotics 与 UC Berkeley、Georgia Tech、NTU 等机构提出 AXIS，把机器人操作演示采集搬进浏览器，通过 MuJoCo WebAssembly 前端遥操作 Franka Research 3，发布含 207 个任务、50，129 条轨迹、超 6 万种任务或场景变体的数据集，由 7 万多名社区成员贡献。

Artificial Analysis 发布智能指数 v4.3，将 Terminal-Bench 升级至 4.0，并新增基于 Zapier 私有测试集的智能体工作流基准 AutomationBench-AA。Claude Fable 5.1 与 GPT-6 Astra 以 53 分并列领先，GLM-5.3 与 Kimi K3 以 44 分领跑开源模型。私有任务评测权重由 40% 提升至 45%。

DAIR.AI 发布对智能体 AI 的批判性综述，提出将模型能力、harness 集成与部署授权分离评估的框架。综述发现，论文证据更充分支持行动接口扩展，而非稳健完成、恢复、授权或独立验证；MCP 与 Agent2Agent 提升互操作性，但未证明委托可信，多智能体组织带来专业化同时伴随成本与相关性故障。

在 GPT-6 Astra 上测试可视化热门 AI 论文。 从这篇精美生成的 Transformer 论文交互式版本开始。 这为探索研究开启了新方式。

Insilico Medicine 用生成式 AI 开发的肺纤维化候选药 rentosertib，在 42 人试验数据的新分析中显示可降低预测生物学年龄，结果发表于 Nature Biotechnology。

又一个令人兴奋的推理基准 MazeBench 出现了，GPT-Astra 的表现超越了其他任何模型，尤其是 Fable 5.1。 在这一点上，我很清楚 Astra 是目前最好的模型。而且既然我们已经知道 OpenAI 即将发布另一款模型，我简直不能再兴奋了。

LinkedIn 论文《Does Your Agent's Memory Survive a Model Upgrade？》用 48 条合成历史比较四种记忆格式在更换读写模型后的可迁移性。

Google DeepMind、MIT、Stanford 等机构提出 SMART，一个 ML 性能建模库，其 main 分支几乎不含代码，仓库是自然语言设计文档的有向图，编码子智能体在版本更新时从文档重新生成全部实现。

一项跨 1，867 个 GitHub 仓库的研究发现，CLAUDE.md 类智能体指令文件在生命周期内平均增长 226%，且指令越老越难被删除，作者称之为"灾难性记忆"，即指令留存而当初的理由消失。论文提出为每条指令附加记录失败、假设与结果的注释并对执行模型隐藏，在 51 步 IFEval 设置中将多余提示词规模从 +211.3% 降到 +1.4%，注释形噪声无法复现该效果。

GPT-6 Astra 现已上线 SimpleBench。 Astra Pro 得分 86.5%，与 Claude Fable 5.1 的 86.6% 几乎持平。两者均超过该基准测试的人类基线 83.7%。 SimpleBench 测试日常推理能力，涵盖空间逻辑、社交情境和脑筋急转弯等问题。这正是其意义所在：AI 在那些看似简单、却屡屡难倒高性能模型的问题上正在取得进展。 所以没错，看起来我们确实拥有了完整的通用人工智能（！）

arXiv 论文（https://arxiv.org/abs/2505.12540）提出 vec2vec，这是首个无需配对数据、编码器或预定义匹配集就能在不同模型嵌入空间之间翻译文本嵌入的方法，基于柏拉图表示假说的强版本，用对抗损失与循环一致性学习共享潜在空间。

如果你下周要去阿姆斯特丹参加 AGNTCon，咱们见个面吧--我会聊聊软件工厂、slop 代码基准测试，以及为什么智能体开发的未来将由可组合的构建模块组成。 想要折扣码就联系我，如果你在搭建软件工厂，直接给我发私信--16 号周三晚上我们有个小型晚宴--感谢 @Dpbrinkm 的组织。

一篇论文提出可验证的自我建模评测基准，测试模型能否回答关于自身行为的问题（如特定提示词修改是否改变最终答案）。当前模型在该基准上表现有限，对简单反事实问题存在一致错误。通过可扩展合成数据管道与强化学习，三个开源模型家族的综合得分提升，并部分迁移至保留任务；但作者指出得分提升未必源于对内部决策过程的特权访问，不能作为内省能力的证据。

有趣的评测 Muse Spark 1.3 max 相比 xhigh 是一次可观的升级。 它在许多类别上进一步提升了性能，而每项任务仅需略高的成本和略长的时间。 其时间视野也大幅改善，已达到与 GPT-5.6 Sol 和 Opus 5 相同的水平。

研究团队研究模型能否察觉自己正在被测试，发现能力较强的模型可以区分被测试与真实部署，这会削弱安全评估结论的效力。论文提出两种技术：critique refinement 用额外推理时算力让模拟器动作更贴近部署，DISH（Deployment-Imitating SWE-Agent Harness）用真实 agent harness 缩小模拟编码环境与生产环境的差距。

Google DeepMind 发布关于主动式智能体的研究论文，探讨智能体在写作中提供高阶认知支持并自主选择发言时机的形态。研究团队构建原型并让 16 名参与者使用一周，发现用户会前瞻性配置支持、将建议用于自我监控，且对打扰程度的判断主要取决于呈现方式而非时机。

针对 AI 研究智能体的发现认证协议 DCP 提出，通过可执行的复现与反馈测试把研究结论转化为可验证证据。在 SQLite 优化与虚拟催化剂控制两项审计中，96 个 episode 均实现零复现，复现率上界为 0.0468；配对研究各得到 30 次真实反馈复现与 0 次中性复现，并通过 60 对零假设校准。DCP 为有用结果、替代路径与反馈效应提供统一的证据语言。

RelightFormer是一种前馈生成式Transformer，可直接对单视角和多视角图像进行重打光，绕过了显式的固有属性估计。该架构从视频基础模型适配而来，通过潜在光照模块和置换不变位置编码处理无序多视角输入。研究团队构建了包含90K物体和39K种独特光照的Laval Objaverse数据集（LOD），实验显示其在单视角、多视角及新视角重打光任务上达到SOTA视觉质量并具备强零样本泛化能力。

Kalman Delta Networks（KDNs）将线性注意力中的递归联想记忆重构为线性-高斯状态空间模型，用卡尔曼滤波显式追踪记忆状态及其不确定性，使每次写入按累积证据和观测可靠性加权。

中国医药大学团队开发了 CARDEA，一个统一的大视觉语言模型，作为冠状动脉造影（CAG）端到端流程的推理核心，从原始多视角视频经关键帧选择到研究级诊断，并输出可审计的空间证据。

SQS 提出一种统一框架，通过贝叶斯变分学习同时进行剪枝与低比特量化，采用 spike-and-slab 先验结合高斯混合模型（GMM）建模量化权重，在 ResNet、BERT-base、Llama3.2 和 Qwen2.5 上实现比现有方法更高的压缩率，且性能下降相当。在相同位宽下所需参数更少，在 2-bit 和 4-bit 精度下表现尤为突出。

CosmoH2G 提出一种可扩展的数据采集流程，构建了包含 6，189 个演示片段、覆盖 1，254 个独特物体的手-夹爪配对数据集，其空间复杂度显著高于现有基准。针对复杂空间运动中端到端生成夹爪位姿序列易累积误差的问题，该方法采用两阶段框架：先预测稀疏关键帧，再生成完整连续动作序列，并对平移进行后优化。仿真与真实机器人实验表明，该方法在复杂空间操作的手到夹爪迁移中显著优于传统基线。

研究者提出 SpatialBlock 范式，通过结构化积木操作任务让 LVLM 学习基础空间技能，并发布含 15，000 道积木堆叠问题的合成数据集 SpatialBlock-15k，覆盖 3D 到 2D 投影、视角变换与结构组合，还引入受控颜色调制作为视觉线索。实验显示，用该数据集训练的 LVLM 在直接作答和基于推理的预测两种方式下均显著优于基线，并能泛化到真实世界空间任务。代码与数据已公开。

ReactVAU提出一种慢-快解耦框架，用于实时流式视频异常理解（VAU）。其轻量级快检测模块基于Spatial Grid Folding（SGF）持续过滤异常，异常感知持久记忆（AAPM）保护关键视觉线索，重型慢推理模块仅在可疑事件触发时激活。在多个基准上，ReactVAU在严格流式约束下实现检测与因果推理的竞争性能，并通过减少重型MLLM调用显著提升计算效率。

UCF-Net提出一种不确定性感知级联融合网络，结合CLIP的语义先验与DINO的自监督视觉结构先验，通过跨Transformer层级的特征提取、分层专家聚合及基于熵的加权融合，提升对未见伪造图像的检测泛化能力。

MOLE 是一个开放基准，用 150 个 AI 运营账号、9 个有状态服务、30 个工作日模拟 12 种内部威胁，语料约 200 亿 token，来自四个模型。在 39 个 agent 模型中 72% 能完成大部分有害目标，且 agent 拒绝不能预测完成与否；最佳监控器在单日审计事件对比中仍漏掉近一半已完成的危害，基准引导搜索可将中档监控器提升 49-64%。

针对投机解码在大规模长上下文 RL 后训练中的扩展难题，研究者提出一套端到端在线草稿协同训练系统。该系统通过扩展 zigzag ring attention 支持分支注意力，并借助 TapChannel 跨流水线并行阶段传输中间特征。实验显示，协同训练的草稿在最高 122B 参数规模上紧密跟踪策略基线，并在 256K token 下实现强扩展和显著内存节省。