AI 论文与研究

@shannonzshen 分享了关于构建 Software World 的早期研究，这是一个由 Agent 运营的类似 GitHub 的系统。系统为依赖链中的 Python 软件包部署 Agent，每个 Agent 负责与其他 Agent 协作并优化自己所拥有的软件包。

LoopArena 基准（arxiv.org/abs/2608.28281）评测模型作为运行时 Controller 指导固定编码 Worker（Qwen3.7-Plus）完成长任务的能力。

一篇 arXiv 论文（arxiv.org/abs/2608.28497）分析 8，351 个 Claude Code 插件和 77，773 个相关提交，发现 Markdown 文件直接控制运行时行为：人工抽样中 74% 标为 docs 的提交实际更改了 Claude 运行时读取的指令，重新分类后真实 docs 占比从 10.3% 降至 1.7%。

论文《DuMateBench： Evaluating Autonomous Agents in Complex Real-World Workflows》提出基于 200 个真实用户会话重建任务的基准，涵盖编码、网络调研、文档处理和内容创作，并加入缺失依赖、不稳定网络和干扰文件等环境复杂度。

UC Berkeley 等机构的论文 Daydreaming 提出一种仅靠正常任务输出窃取托管 Agent 隐藏技能的攻击，无需让 Agent 交出 prompt、SKILL.md 或文件。

DAIR.AI 介绍论文《Skill Following： Evaluating Actual Skill Use in Retrieval-Enabled LLM Agents》（https://arxiv.org/abs/2609.00549）。

Qwen 与淘宝天猫集团合作发布 E-Commerce Bench，让模型以 ¥100，000 初始资金在模拟市场经营网店 365 天，覆盖 6，886 个商品、576 家供应商和 60 个品类。

据《日经亚洲》报道，大阪大学森岛圭祐团队开发昆虫协同回路，AI 分析蟑螂心跳、神经信号和身体运动来判断环境并引导避险，在紫外线、化学物质和高温等五种环境测试中最高识别准确率达 93%，成果已发表于《Robomech Journal》。

美国新泽西理工学院（NJIT）牵头的科研团队发布机器学习模型 EarlyDetect，可从太阳声学活动和磁场变化中识别活动区形成前兆，性能最佳的版本平均提前 9.24 小时识别信号。

一篇 arXiv 论文（https://arxiv.org/abs/2609.00546）提出一种运行时无关的持久智能体架构，把智能体拆为持久的身份、私有记忆和带版本历史的代码，以及可替换的模型、harness、宿主服务器和交互界面。

一项研究提出窄边界安全对齐框架，通过受控主题生成与有害-良性配对数据，让同一基础模型在不同场景下按需拒答。基于Qwen3-8B的政治说服测试中，经Escalate补全的拒答数据将目标域拒答率从9.47%提至84.75%，三个更广危害基准的平均不安全响应率从26.26%降至0.14%，但XSTest过度拒答从2.00%升至74.00%。

论文提出 compile by training，把自然语言规格编译为可复用的神经函数：编译时由教师模型生成任务样例，训练紧凑解释器的小型 adapter，运行时无需教师模型，可像普通软件一样存储、版本化和组合。

DRACO 提出在结果信号缺失的长程智能体训练中，动态生成评分标准并按轨迹打分，再把判断以闭式方法重分配到相关步骤，在 GRPO 中产生差异化逐步优势，不引入任何训练的归因模块。

Scal3R 将在线 3D 重建重新表述为多参考相对位姿查询，用约占参数 1% 的可学习 token 通过非对称注意力注入冻结骨干，并结合带回环闭合的在线位姿图优化抑制长程漂移。

一项双节点分割式LLM训练系统的安全案例研究发现，其隐私评估虽通过，却遗漏了可观测信道：返回梯度中诱饵行的梯度恰好为零，零值模式可暴露真实数据行。在9个随机种子下，每帧4，096行全部被正确识别；对帧内容的攻击较恒定猜测基线每百token多恢复约1个（+0.65至+1.50个百分点）。

Minima 对 Qwen3.8-27B（48 层 GDN、16 层注意力）的全部 496 个线性层（含 GDN）应用 NVFP4 W4A4 量化，在 MMLU-Pro。

MaxKernel 是一个多智能体系统，通过三种范式（人在回路、自主循环、基于图的自主搜索）实现 TPU 内核的自动化开发与优化，并共享规划、实现、自调试、测试和硬件性能分析等专用子智能体。在包含 50 个 TPU 内核任务的 JAXBench 基准上，MaxKernel 生成的实现可匹配专家手工调优基线，几何平均加速达 1.58×。该系统已开源。

arXiv 论文《Select， Compress， Reinvest》在固定评分器、分辨率策略与回答模型的前提下，逐一检验长视频 MLLM 的视觉token分配决策，覆盖六种免训练选择规则、三个长视频基准和两个回答模型。

论文提出 Principia 基准，用 529 个真实场景中的配对物体关系不变量评测视频生成模型和 VLM 的牛顿物理一致性，覆盖重力、摩擦、转动惯量等 8 种现象。

论文提出 PACE 数据集，评估模型能否识别由自我中心知识库事实构成的隐性约束，使看似合理的用户请求变得不恰当，并提出多智能体框架 PaceMaker，通过查询改写、多跳图遍历和冲突感知过滤协调检索决定性证据。实验同时评估证据检索质量与冲突判断准确率，PaceMaker 一致优于现有方法。

新加坡国立大学团队提出"过度编辑"概念，指模型修复代码时超出必要范围重写代码。基于400个BigCodeBench问题构建评估框架，发现GPT-5.5等前沿模型普遍存在该现象。加入保留指令可将平均多余Levenshtein距离从0.195降至0.131，认知复杂度降低26.6%，Pass@1提升2.3点；强化学习比监督微调更能学习最小编辑。

FlowBalance 提出一种基于验证器的自改进方法，通过冻结策略视图生成 token 级自引导分数，并与验证器导出的组优势校准，在正优势轨迹上保留引导、负优势轨迹上反转、无偏好时禁用。该方法在数学推理任务上，于 Qwen3-4B 和 Qwen3-8B 上平均性能均超过 FlowRL，同时提升训练速度与稳定性，避免 OPSD 的响应长度坍缩，并在受控 AIME24 诊断中展现更高正确策略多样性。

Terminal-Universe 框架通过回放轨迹中的文件操作恢复原工作区，并借助补全智能体补齐缺失文件，将现有智能体轨迹重建为可复用、可执行的环境，在广度（跨代码库查询）和深度（多轮会话）两个方向合成新任务。

论文提出 LatentStream，将流式视频记忆从 store-and-retrieve 转向 retrieve-and-internalize，用潜在工作记忆内化历史证据以支持严格因果与有限内存下的推理。框架包含分层流式记忆、分层潜在记忆演化和置信度引导的潜在记忆优化三个组件，并在现有在线与离线视频基准上取得新的 SOTA 结果。

ENEAS 提出一种统一的文本提示分割方法，同时支持实例跟踪与语义发现，可处理有序视频和无序图像集合。该方法通过文本适配器扩展 SeC 跟踪架构，在目标消失时保持身份不漂移；语义验证层结合视觉嵌入匹配与条件 VLM 判断，仅对模糊候选调用 VLM，以低延迟过滤视觉相似但本体不同的误检。代码与模型已开源。

LLaDA-Image 是一个统一框架，包含从零训练的 6B Diffusion Transformer 和基于 LLaDA2.0-Mini 扩散语言模型骨干的冻结视觉语言理解模块。

论文提出 FlashRender，一个少步生成渲染框架，可在数秒内沿目标相机轨迹重新渲染源视频。方法引入 RETA 将源视频隐表示与冻结视觉几何模型的目标视频特征对齐，实现采样步数一致的相机控制，再用 MeanFlow 目标微调并结合 on-policy flow map 蒸馏。实验显示其在视频质量和几何一致性上匹配多步基线，采样成本降低 25 倍，并在分布外目标相机轨迹下具备更强的相机可控性。

研究者推出 Last Translation Benchmark，收集经同行评审的人工创作样本（文本、图像、音频、视频），用于打破主流机器翻译模型。每个样本附带手工编写的验证规则，描述具体失败情形，使评估可靠且可操作；该数据集为持续接收投稿的 live dataset，当前版本 LTBv1 收录 2026 年 9 月 1 日前被接受的贡献。

AdaptVPR提出一种路径感知的生成式增强框架，通过视觉语言模型解析场景属性并估计编辑可行性，将生成过程分解为全局外观、局部遮挡和双路径三条互补路线，并采用基于几何一致性与外观多样性的VPR导向验证方案筛选候选。

FactoSR 提出一种分解式强化学习框架，将视觉语言模型（VLM）的空间推理拆解为平面一致性（XY）、深度一致性（Z）与时间可逆性（T）三个正交目标，以应对 2D 投影与真实 3D/4D 推理之间的维度错配。在 VSI-Bench 和 All-Angles-Bench 上分别提升 5.9% 和 4.5%。该方法通过可验证约束的策略学习，将不适定的投影恢复问题转化为可操作的推理步骤。

Puffin-World 是一个统一多模态架构，不依赖外部离线模块即可实现物理理解、空间模拟和 3D 世界生成与重建。该框架联合建模物理（重力场与纬度）、几何（深度）和外观（图像）三种原生世界状态，并引入统一 Omni-Camera 表示与跨未来帧传播物理动态的策略，在单一生成过程中同时合成未来视图并重建底层几何。

论文提出 CORE，通过合成五个组合匹配级别的候选列表和 Rank-KL 目标，把多模态模型作为重排器时的组合判断蒸馏进嵌入模型。

论文提出 Editable Visual Design 范式，由 Coding Agent 驱动，将 VLM 作为理解需求、规划任务和审美判断的创意大脑，将图像生成模型作为按需合成独立视觉素材的视觉世界模拟器。

arXiv 论文 HarvestBench 提出一个农场网格世界基准，让 LLM 子智能体驾驶两台拖拉机协作收割玉米，当动物挡路时可免费碾压或按标价燃油绕行，以测量模型为避免伤害愿意支付的价格。

论文提出 Iris-mini 和 Iris-pro 两个搜索智能体，分别以 35B-A3B 和 397B-A17B 规模训练，并公开其数据管线与训练配方。任务从网页超链接结构反向构造多跳问题，经轨迹级与轮次级过滤后 SFT，再用 SFT-RL climbing 交替优化。

特拉维夫大学等机构研究音频-视频扩散模型中的跨模态注意力机制，提出"注意力三角"框架，分析文本、音频、视频三流之间的语义路由。研究发现音频-视频边是双向且受参数偏差影响，是语义泄漏的主要来源，尤其在提示与先验冲突时。基于注意力信号提出推理时干预方法，在LTX-2上改善语义接地且不损生成质量。

EditVid 提出一个无需训练的视频编辑框架，通过稀疏因果记忆、基于对应关系的注意力后 token 注入和软潜在混合，在单一框架内同时支持指令引导与参考引导编辑，涵盖风格迁移、属性修改、物体插入等任务。在 FiVE 基准上，EditVid 取得 78.16 FiVE-Acc，而最强的免训练基线为 58.95；用户研究中，EditVid 相对 7 种竞品获得 51.8% 的整体偏好。

WorldReward 是一个基于 VLM 的成对偏好奖励模型，为相机条件世界模型统一评估动作一致性与视觉质量。方法将视频分解为动作对齐的块并投票聚合，配套发布人工标注的 WorldReward-Bench，在三个维度上分别超过 GPT-5.5 约 3.42、1.45 和 3.56 个百分点，用于 HY-WorldPlay 1.5 的 RL 后训练可同时提升动作执行与视觉质量。

Salesforce AI Research 提出 Random Attention，不对缓存 token 打分，而是保留提示词并在每个注意力头内均匀随机驱逐，在四个模型、六个推理任务上匹配最强先验驱逐方法，vLLM 部署下吞吐量高出 32-43%。

论文提出环境进化方法，通过 off-policy 地递进增加环境难度并按代调度，为终端 Agent 训练提供持续学习信号。