AI 论文与研究

PayPal AI 论文《The Memory Trust Gap》研究持久记忆智能体在存储记忆过期时的表现，测试 Qwen3 0.6B/1.7B/4B/8B 模型。

微软与康奈尔大学提出"免费暂停token"，在权重共享的并行预测流中携带额外计算，不占用序列位置。推理时上下文长度、KV缓存和延迟均不变，1B模型上下一token预测提升2-3 centinats；训练开销约为优化预训练管线的1.14倍。

一项研究将人类与LLM智能体组成24人小组，反复对同一图像达成描述共识。结果发现低AI占比促进人类达成共识，12.5%占比时共识比全人类组提高8.0%；33.3%和50%时共识变差；75%时强共识恢复但人类开始转向智能体的语言，且AI主导的共识更抽象和几何化。机制在于智能体起始语言更相近且更稳定，随数量增加其措辞成为群体默认。

试试看吧！

Carnegie Mellon、MIT 和 Cornell 的研究者在 Trump 遇刺未遂和 Charlie Kirk 枪击事件后的几天内各开展一次在线实验，用 Gemini（1.5 和 2.5 版本）进行平均约七分钟的证据型对话，Trump 实验保留 472 名参与者，Kirk 实验保留 1035 名。

Google DeepMind 用 100 个共享权重、人设随机的 Gemini 3.1 Pro 智能体模拟科学会议，协作求解 71 个 Lean 形式化数学猜想。

发表于《美国医学会杂志》的新论文由伊曼纽尔和科斯拉撰写，梳理数百项 AI 医疗研究后称 AI 在获取医疗信息、诊断、开展诊断性检查、管理慢性疾病等五项基础任务上已超过医生，并预测 4 年后差距继续扩大。

Rohan Paul 转述 PwC 关于 AI 基础设施建设的报告。报告称数据中心每 1 美元建设支出可能带动约 12 美元未来信息与通信技术设备投入；到 2050 年，硬件可能占数据中心总资本支出的 93%。

Google 与 KAIST 的论文提出 Declarative Attention（DA），模型通过 、 、 三种模式在思维链中声明需要关注的上下文，推理引擎据此跳过大部分 KV cache 读取，无需额外的外置打分器。

Scale AI 与加州大学发布论文《READY or Not： Reliable Enterprise Agent Deployment》，提出 READY 评估框架，将智能体与配套人工审查一起评估，衡量在指定可靠性目标下所需的人工监督与成本。

论文提出 EvoSafeHarness，围绕冻结模型和目标领域自动搜索由自然语言策略与可执行代码组成的安全 harness。

研究在共享 Flutter/Dart 数据集上训练 Rainbow-Pony-100M 和微调 Qwen2.5-Coder-0.5B 两种代码模型，对比直接生成整文件与迭代 diff 编辑两种输出方式，在约 1，790 个任务上直接生成在编译通过率、bits-per-byte、字符相似度和 LLM 评审等所有指标上均显著优于 diff 方式。

VDiff-Bench 发布，这是一个针对多模态大语言模型（MLLM）细粒度图像差异识别的多项选择基准，包含 1，756 道四选一问题，覆盖位置、运动、噪声/分辨率、纹理等 10 类变化。

DriveZero 提出不依赖人类驾驶日志的端到端自动驾驶方案，将驾驶拆分为感知与动作两个模型分别预训练后统一为规划器。动作侧 DriveRL 采用混合智能体闭环强化学习，感知侧 DriveVFM 融合 DINOv3、SigLIP2 等冻结视觉基础模型。

一项新研究检验大语言模型激活引导向量的潜在几何结构是否反映人类价值观理论框架。基于Schwartz基本人类价值观理论，研究者引入覆盖20种价值观的26K样本基准，发现分布驱动方法（CAA、SphericalSteer等）能恢复与理论预测一致的价值拓扑（Spearman ρ最高0.51），而行为中心方法相关性较低；几何保真度随模型规模提升但指令微调后下降。

Elvis Saravia 推荐 arXiv 论文 Codebook Agent（arXiv：2609.02264，UCLA），研究发现多智能体系统经奖励筛选后拓扑收敛到约六种。

arXiv 论文（2609.04010）提出 diffusion-augmented LLMs，即 Uno，一类在自回归模型分布上用扩散并行抽取多个 token 的新模型。

Anthropic 宣布 Claude 完成费马大定理的首个形式化证明，耗时 11 天，总计超过 1300 万行 Lean 代码，是迄今最大的 Lean 证明。

MIT 论文 SwarmWorld 研究语言模型智能体群体能否通过共享环境实现累积式技术演化。论文中初始同质的 LLM 智能体在无预设角色的情况下自组织为技术社会，探索空间、测试材料、构建持久工件并编写可执行控制器，由确定性模拟器评估。

Google DeepMind 发表论文，报告 100 个自主 LLM 智能体组成的数学证明研究群体中，作弊自发出现又由 whistleblower 自发挑战，全程无外部干预。

Perplexity 发布研究博客，介绍其为支撑搜索结果嵌入与排序模型构建的 SoTA 推理服务基础设施。研究说明 Perplexity 每个答案的第一步都由嵌入和排序模型为查询挑选最相关结果，全文见 https://www.perplexity.ai/hub/blog/fast-embeddings-on-gpus。

Anthropic 宣布 Claude 完成费马大定理的首个完整机器验证证明，Claude 在 11 天内以多个智能体将基于 Wiles 的证明转化为 Lean 代码。

Anthropic 在 GitHub 上传了费马大定理的 Lean 4 完整机器校验证明（https://github.com/anthropics/fermats-last-theorem），基于 Mathlib（Lean 4.33.1、Mathlib v4.33.0），论证路线为 Frey、Serre、Ribet、Wiles 和 Taylor-Wiles。Ethan Mollick 转发并评论称，该证明的描述虽短，但 PROOF-PATH.md 中"为每一步命名并标注对…

Anthropic 宣布 Claude 上月完成了 Fermat 大定理的首个形式化证明，这是迄今最大的 Lean 证明。

微软等机构发布论文提出 AgentScope，一个用于诊断智能体失败的神经符号系统。它把智能体行为从轨迹抽象成结构化表示，再用 LLM 校验的自然语言神经不变量描述行为属性，从而同时定位失败步骤和失败类型；在公开的 Who&When 数据集和作者自建的 AgentErrata 数据集上，故障定位与归因准确率显著优于现有最优方法。

Recent advances in automatic rigging now deliver animation-ready 3D assets at scale, yet generating the motion to drive them remains a bottleneck. Existing learned animators are topology-constrained: they rely on category-specific template…

Recent advances in wearable sensing enable continuous monitoring of physiological and behavioral signals, yet existing benchmarks rarely evaluate whether AI systems can reason over a real user's longitudinal wearable record. We introduce W…

Diffusion TV is an interactive AI art installation that offers a tangible and embodied experience of diffusion models through a modified CRT TV. By physically manipulating the TV's antenna, audiences control the clarity of AI-generated ima…

Retail search systems serve diverse geographic regions with distinct query patterns, vocabularies, and product preferences, creating significant data heterogeneity that challenges both privacy-preserving training and model personalization.…

Vision-language models are increasingly used as reward functions for robotic learning, but this role requires paraphrase invariance: the same trajectory should receive the same reward under semantically equivalent goal descriptions. We sho…

Wireless signals with position-related labels are pivotal for both performance evaluation and model training in the realm of wireless sensing. However, acquiring real-world datasets is often challenged by significant measurement and labeli…

Data-sovereignty regulations increasingly require public institutions to deploy open-source, on-premise LLM agents that chain multiple tool-calls across live government APIs. However, open-source models consistently underperform in this mu…

LLM decision components that can operate within agent workflows often produce action-relevant recommendations or judgements together with explanations. Operators may use the named factors to monitor a system, diagnose errors, or decide whe…

We propose Ref-GeNVS, a training-free, reflection-aware method for generative novel view synthesis (NVS) in mirror scenes. Existing multi-view diffusion models often fail to recognize the mirror in the scene and cannot exploit reflected co…

Large language models (LLMs) are increasingly evaluated on molecular property benchmarks, but accuracy cannot distinguish a model that predicts a property from one that retrieves a published number. We audit 22 frontier models on 12 regres…

Visuomotor imitation policies can achieve high performance under in-distribution visual conditions yet fail when visually similar objects or receptacles are introduced. We study this behavior as a problem of conditional visual grounding: t…

Computer-use agents have advanced on benchmarks like OSWorld and AndroidWorld, but still act mostly through the GUI, often producing inefficient trajectories. Real-world computer work is hybrid, combining visual-state inspection with preci…

Decompilation recovers high-level source from compiled machine code and serves as a foundation for security tasks such as vulnerability detection and malware analysis. Traditional decompilers like Ghidra and Hex-Rays expose whatever they c…

Machine-learning performance modeling is a uniquely hostile terrain for long-lived software: the assumptions baked into today's abstractions are invalidated by tomorrow's models and systems, forcing perpetual refactoring of performance-mod…