AI 论文与研究

Armature 通过 16，893 次实验会话分析 Claude Code、Codex 和 Cursor 在真实代码库任务中选择哪些第三方工具，经筛选保留 5，292 个有效会话，覆盖 51 个代码库和 18 个行业。

DAIR.AI 介绍 arXiv 论文 Trace as State（https://arxiv.org/abs/2609.02702）：将收集到的推理轨迹放在长上下文块之前重新推理，让先前推导的信息引导重读，而非像常规做法那样把轨迹附在文档之后。

斯坦福等机构的论文 Prefix Sliding for efficient test-time scaling 提出，推理时只保留任务前缀和最近 token 的滑动窗口、丢弃中间推理 token，无需重训即可让推理提速约 3 倍。

论文 CoGR 训练 LLM 在查询侧和物品侧同时生成紧凑关键词，通过倒排索引直接匹配，并用 GRPO 交替优化两侧生成器。在内部 APP Marketplace 数据集和公开 WANS 基准上，CoGR 相比最强基线分别提升 F_1 10.9% 和 36.1%。论文链接：https://huggingface.co/papers/2609.00638

HarnessDev 是一个将评测单位从任务输出转为可执行基础设施的基准，分 Creation 和 Evolution 两阶段，覆盖六个创建 LLM、四个领域和五个下游基准共 2，207 个实例。结果显示自建 harness 在代码及搜索研究任务上仍落后成熟人工方案，进化带来的提升不稳定且跨模型迁移有限，论文见 https://huggingface.co/papers/2609.01437。

论文 Repo-To-Skill 研究如何将 GitHub 仓库蒸馏（Distilling）为 AI4AI Skills。论文链接：https://huggingface.co/papers/2609.02749。

研究者推出 WearableQA，一个基于 200 名真实用户可穿戴时序、血液生物标志物与人口统计数据的基准，含 4，084 道 10 选项多选题，用户每日测量最长覆盖 500 天。该基准设 16 种题型，从数据与健康推理、单信号与跨信号推理两个维度评估模型能力。14 个闭源与开源 LLM 的准确率在 19.6% 至 72.9% 之间（随机基线 10%），多数模型低于 60%。

RISE提出一种无需外部教师模型的自蒸馏方法，直接从模型自身的RLVR训练轨迹中合成教师，通过外推当前检查点与锚点间的位移，将稀疏的结果级奖励转化为密集的token级监督。该方法将RLVR与on-policy蒸馏结合成互补循环，教师随学生改进每轮刷新。在数学推理、多领域STEM、代码生成及多轮智能体任务中，RISE均优于纯RLVR训练和on-policy自蒸馏。

全双工语音模型可同时听与说，但其文本生成、语音合成与音频播放异步进行，导致模型自认为已说的内容可能与用户实际听到的不符。为此研究者提出 Self-Listening 方法，将模型实际播放的语音作为输入流回馈给模型，使打断恢复基于用户真实听到的内容；并推出含同质训练与测试划分的 AnchorSpeech 数据集，实验显示该方法相较全双工基线取得更好的锚定表现。

RoboSPA 是一个面向 VLA 模型具身推理能力的大规模机器人操作数据集与基准，聚焦细粒度空间推理和长时程程序规划两大维度，覆盖 10 个任务类别、56 个基础任务，并按 5 档难度生成 280 个变体，含 527K 条跨具身与场景的轨迹。

该研究将安全微调数据集中的响应拆分为"拒答套话"与"拒答理由"两部分，发现套话会诱导模型依赖表面线索、妨碍区分有害与良性查询。仅用理由训练可在保持安全性能的同时减少误拒，该优势在上下文学习和推理时缓解方法中同样成立。研究强调精细安全监督数据的重要性，论文发表于 EMNLP 2026 主会。

WorldSculpt 提出一种新方法，通过将强大的单物体 3D 生成先验适配到多视角观测，将包含数百个物体的杂乱场景组合式地生成为独立网格集合。该方法基于 Pixal3D 扩展多视角条件路径，无需场景级训练即可泛化至严重遮挡的大场景。研究还推出含数百物体及逐物体标注的逼真基准 UE-MeshyScene，实验显示该方法在单物体、受控多物体及该基准上均优于此前方法。

UniMate 提出统一基础模型，输入绑定好的 3D 资产与文本提示即可为任意骨骼拓扑生成动作，无需测试时优化或逐骨骼微调。其拓扑感知扩散 Transformer 通过图感知注意力偏置、谱旋转位置嵌入和全局拓扑条件器三种机制将骨骼结构融入注意力。

论文提出 τ^τ-Bench（hyper-tau-bench），把构建一个完整客服智能体设为评测任务：开发者智能体获得真实业务记录、提出需求的客户、生产 API、待继承的代码库以及服务成本与模型限制，交付的智能体用留出的模拟用户部署评分。

韩国浦项科技大学团队提出 KoNA 基准，用于评估视觉语言模型（VLM）的选择性拒绝能力，涵盖错误前提、视觉不可及、普遍未知、任务可行性与安全性五类任务，每项任务通过配对单一与复合查询检验查询级和组件级拒绝表现。评测显示模型在需要选择性拒绝的复合查询中失败更明显；基于 KoNA 示例微调后的模型在拒绝准确率上显著提升，同时基本保持对完全可答任务的性能。

GE-Act 2.0 是一种从零开始在操作数据上预训练的世界动作模型，结合控制导向自编码器、单步视觉规划器与逆动力学模型，并采用知识对齐选择性优化减少监督失配。

SceneMosaic 提出一种结合图像先验与 VLM 智能体的室内场景生成框架，兼顾效率与物理有效性。该方法将场景分解为独立局部单元分别进化，再通过笛卡尔积组合全局场景。在 SceneEval-100 上，SceneMosaic 在语义布局质量上与最强智能体基线持平，速度提升 24 倍，物理违规显著减少，并获得最高人工评分，代码已开源。

Cerebras 团队研究表明，层 dropout（随机深度）应被用于大语言模型预训练，在相同训练 FLOPs 下可实现更低损失，并节省高达 25% 的训练 FLOPs。该方法还支持提前退出、中间层跳过和自推测解码等推理优化，带来高达 1.5 倍加速且精度损失可忽略。研究基于 2400 余次实验，覆盖 271M 至 8.2B 参数模型及 160B token 数据集。

这项来自 NAVER AI Lab 等机构的研究，探究大语言模型在思维链推理中，不同推理操作（如问题表述、目标分解、演绎）是否在隐藏表示空间中呈现对应几何结构。研究发现，推理操作在留出表示中可分离，且可分性在中层达到峰值；该结构不受词汇或位置混淆因素解释。注意力掩蔽干预进一步表明，块起始处的操作对齐表示依赖于前序推理上下文，证明语言模型在语言推理表达与其内部几何结构间维持表征对应。

上海交通大学团队提出 OR-Clarify，一个面向优化建模前澄清环节的基准，用于评测智能体在信息不完整时是否知道何时需要提问、能否恢复缺失的关键事实。团队还提出两阶段框架 InterOPT，通过动态识别公式关键缺口来引导提问或停止。实验显示，InterOPT 在选择题设置下精确槽位恢复率显著优于所有基线，在开放式设置下与强基线方法表现相当。

提出一种无需成对3D监督即可学习前馈3D编辑的新框架，通过生成式先验蒸馏，将基础模型中的视觉、语义和几何知识直接注入3D编辑模型。该方法利用可微渲染，以图像编辑模型的2D视觉先验和视觉语言模型的语义先验进行监督，并引入3D感知分布匹配正则化以防止几何塌陷和多视图不一致。实验表明，该方法在指令遵循度和跨视图一致性上显著优于现有基线。

BeaconKV提出一种无需训练的KV缓存压缩方法，通过维护beacon queries作为全局查询簇的紧凑代表，预测将被重新访问的KV对，解决长思维链推理中的内存瓶颈。

RenderFormer-V2 提出统一的基于 Transformer 的神经渲染模型，无需逐场景训练或专用代码即可处理焦散、体积散射、环境光照、纹理及分布外材质等光传输效果。相比前代，其视无关阶段引入窗口注意力与渲染感知注意力汇合机制以提升可扩展性，并支持环境贴图、参与介质等异构场景基元及独立于 BRDF 的神经材质嵌入。模型与代码已开源。

论文记录了两套同源系统中共 750 万次单模型调用、约 30 万次链上操作的自主交易智能体生产环境测量，覆盖 21 天 Base memecoin 市场（DX Terminal Pro，3，505 个用户金库）和 Hyperliquid 永续合约（DXAP，500 至 599 个智能体）。

Microsoft 与加州大学圣地亚哥分校的论文指出，模型在 SFT 后可能看起来更好，但因 SFT 会抹掉 RL 需要发现的罕见正确行为，反而是更差的 RL 起点。

法国巴黎 ISC 商学院研究人员 Zeineb Farhat 在《应用认知心理学》发表小型研究，采访 45 名每天使用 ChatGPT 的 18 至 25 岁用户，发现过度依赖可能与独立思考能力下降、自我怀疑增加和社交孤立相关，并将其与认知卸载联系起来。

论文《Act More， Decide Less》提出 SPACE，从成功轨迹归纳两级程序化技能，用子技能边界作为块边界监督，再经混合 on/off-policy 优化与 chunk-aware credit assignment 蒸馏出 primitive-chunk 策略。

KAIST AI 与 Google DeepMind 等发布论文《Language Models Can Control Their Own Attention》。

KAIST AI 与 Google DeepMind 等发布论文《Language Models Can Control Their Own Attention》。

Epoch AI 实测 GPT-6 Astra 创下 ECI 新纪录 169 分，高于此前最佳 163 分，但仍在其对推理时代 ECI 趋势的不确定性范围内。Astra 还在 Epoch 的数学、持续学习和游戏谜题基准上创下新纪录，在长程编码基准 MirrorCode 上排名介于 Opus 4.7 和 Fable 5 之间；测试基于 OpenAI 提供的预发布访问权限。

OpenAI 发布仓库 PrimeGaps186（https://github.com/openai/PrimeGaps186），其中 GPT-6-Astra 的 Lean 形式化证明了存在无穷多对间隔不超过 186 的相邻素数。Noam Brown 表示在 GPT-6 Astra 的所有用途中最期待科学发现，称 OpenAI 尚未在数学和科学上把该模型推向极限。仓库说明指出 Lean 结果仍依赖三个明确输入公理，被引用的数学估计和数值计算尚未转化为这些输入的 Lean 证…

Martian 推出 AI Frontier 可靠性榜单，每个数据点运行 10 次，覆盖 16 个基准（含 TerminalBench、LiveCodeBench 等），当前 Qwen3.7 Max 可靠性 96.1%，Claude Opus 4.6 为 94.4%，GPT-5.5 为 93.5%。

Many recurring text functions are easy to describe but difficult to implement with rules, while calling a large remote model for every input introduces repeated cost, latency, and dependency on a provider. We present compile by training, w…

Language-model judges now gate training data, score generations, and drive leaderboards. The judge is then a measurement instrument, resting on one rarely stated assumption: the same request, sent to the same model name, reads the same tom…

Evolutionary prompt optimizers such as GEPA suffer from prompt bloat: each iteration appends rules and caveats, producing prompts up to 3$\times$ longer yet no more accurate. We trace this to three deficiencies - incomplete error observati…

Reasoning traces from chain-of-thought models appear to offer a legible window into how a model arrives at its answer. A growing body of work treats them as such, using LLM judges to diagnose errors, evaluate faithfulness, and provide step…

Video editing spans diverse editing paradigms, yet achieving high-quality instruction-guided and subject-guided editing within a single unified framework remains challenging. We introduce EditVid, a training-free framework combining sparse…

We introduce the first Probably Approximately Correct (PAC) learning framework for general-sum concurrent stochastic games (CSGs) with transition uncertainty, while addressing the challenge of Nash equilibrium (NE) existence. Our algorithm…

Weakly-Supervised Dense Video Captioning aims to localize and describe multiple events in untrimmed videos given only an ordered set of event-level captions per video. Recent work synthesizes auxiliary transition captions via LLM to provid…

Gaps remain in our understanding of how large language models (LLMs) acquire knowledge during pre-training. We posit that auxiliary views, reformulations of knowledge, are causally helpful for learning. We design controlled experiments to …