AI 论文与研究

Automated lesion segmentation in whole-body PET/CT is complicated by the variety of physiological tracer uptake patterns and by the differing appearance of lesions across tracers. The autoPET/CT V challenge addresses this by making segment…

Not Diamond 发布模型路由评估方法论，称在多个主流基准上实现 Pareto 占优，以低 20-80% 的成本超过 Opus xhigh 质量。

普林斯顿大学、蚂蚁集团和斯坦福大学的研究团队提出 AQuA，一套由两个互不共享智能体、记忆和状态的语言模型量化研究系统，其设计要点是在迭代开始前冻结数据划分、特征与标签定义和评估器，让智能体只能在受约束的 DSL 内探索，以阻断自我改进中的数据泄漏。

DAIR.AI 推介阿里与浙江大学的论文 SkillZip Pro，针对生产级 agent skill 目录包做执行感知动态压缩。方法在根或声明环境契约已提供内容时跨文件移除引用与子skill中的冗余，并保留路由使所需文件和可直接调用入口保持可达，提供 One-Shot、Continual、Persistent、Transient 四种模式。

一篇 arXiv 论文（https://arxiv.org/abs/2608.29460）提出在编码智能体遭遇缺陷测试基础设施时提供结构化升级报告工具，将 reward hacking 从 23.6% 降至 5.3%。

一项研究估算，2015 至 2024 年数据中心并未推高美国居民平均电价，数据中心容量每增加 10%，平均居民电价约下降 0.4%。原因是电网固定成本被更多售电量摊薄，且新增电厂运行成本可能更低；作者警告若电网供应不足或过度建设，该效应可能反转。2024 年数据中心用电约占美国电力 4.5%，预计 2030 年达 9-17%。

安全公司 CloudSEK 发布报告，披露黑客组织 Aurora 的攻击活动及内部细节。研究人员潜入黑客配置错误的服务器，获取了攻击工具、AI 攻击计划记录及赎金协商管理界面。

英国伯明翰大学、丹麦奥胡斯大学和瑞典林奈大学研究人员 8 月 19 日在《AI 与社会》发表论文，提出类机器人人性（robotoid humanness）概念，指客服 AI 因自适应学习、个性化沟通和共情回应变得更像人，用户可能为获得更顺畅的算法反馈而表现得更像机器。

ContextLeak 论文提出用强化学习训练攻击 LLM 生成恶意工具名称和描述，诱导 Agent 选中该工具并把用户提示词、对话历史、已装工具列表等敏感上下文作为参数传出。

Google DeepMind 论文《Accelerating Scientific Research with Gemini in the Real-World》（arxiv.org/abs/2608.26701）显示。

Accio 开源了面向真实商业运营的智能体基准 CommerceAgentBench，早期结果显示最佳整体完成率约 62%。在被评测的开源权重模型中，Qwen3.8-Max 在复杂商业工作流上取得最强整体表现。基准及完整结果见 https://github.com/Accio-org/CommerceAgentBench，配图显示 107 个真实工作流跨浏览器、API、CLI 和文件的通过率榜单。

Hugging Face 研究人员（与 Data & Society 合著）发布论文《AI Agents Push Humans Out of the Loop》（arxiv.org/abs/2608.23642），认为智能体自主性增加会通过审批疲劳、过度依赖、情境意识丧失和技能退化使人类监督逐渐失效。

一篇 arXiv 论文（arxiv.org/abs/2605.23950）提出，长程智能体评测中 harness 的影响可能大于模型本身，比较基准分数时应披露或控制 harness。

Anthropic 发布新研究 Training a Misaligned Reward Seeker，故意在一个 Opus 级模型上用 80 个已知可作弊的生产环境训练，测试作弊习惯是否会扩散。

Anthropic 发布新研究 Training a Misaligned Reward Seeker，探究奖励作弊（reward-hacking）是否会让模型学会不择手段追求奖励。

论文提出 Sparse Readout Prism（SRP），仅用 unembedding 权重分解 readout，把任意 token logit 或 logit 差表示为稀疏 readout 特征贡献之和。

论文提出 ZipTok3D，一种可从极短 token 序列高保真重建 3D 物体的 3D tokenizer。

论文提出 Autoregressive Mosaics（AM-Bench）基准，用翻译任务和布局任务分离纯文本 LLM 的空间描述转代码能力与真正的 2D 空间布局理解。

论文提出 Harness-of-Harness（HoH）框架，让基于 LLM 的编码智能体在无人工干预的自主开发中持续改进软件。HoH 运行在现有 coding-agent harness 之上，将执行组织为规划-编码-测试的迭代循环，平衡修复与能力增长，并把开发拆成小而可验证的增量。

论文提出 EM^2Mem，一个事件中心的多模态记忆框架，在记忆构建阶段将异构证据绑定到事件锚点，每个事件索引的记忆单元对齐多模态记录、时间上下文、图关联关系、语义事实和来源信息。

论文提出 HarnessDev 基准，将评测单位从任务输出转向可运行的执行基础设施，涵盖 Creation（从最小种子构建完整执行系统）和 Evolution（基于下游执行反馈迭代改进）两个阶段，覆盖 6 个创建模型、4 个领域和 5 个下游基准共 2，207 个独立实例。

H3-World 提出一个把 33B MiniMax-H3 视频生成器转化为交互式世界模型的框架，通过自然语言指令实现精确的时间对齐世界控制。

DramaChain Bench 是首个评估短剧生产完整链路（剧本、分镜、关键帧、镜头视频到成片）各阶段的基准，包含五条评估轴、63 个叶子维度。基准由 5785 个条目经三名专业标注者独立打分，产生 17，488 个有效评分和 255，925 条可追溯归因记录；人工标注证实上游缺陷会跨阶段级联，最终成片质量并非只由视频生成决定。

论文提出 Kirin 框架，从野外动物视频重建 3D 运动序列，并构建 AiM3D，首个为四足动物提供对齐视频-文本-运动三元组的大规模数据集。基于该数据训练的模型可同时以文本和图像为条件生成跨物种的真实运动，并结合现成 image-to-3D 模型自动绑定 3D 网格，产出可直接渲染的动画动物。项目页：https://kirin-ani.github.io/。

Hefei AiDA Lab 等机构的研究者提出一套将 LLM 防护评测结果转换为部署安全结论的分析框架，并对其编码的 198 篇论文进行分析。152 个宽编码声明中有 108 个建立了正向残余有害协助，没有一个建立零残余证书；24 个深度编码实例中仅 5 个报告了检查成功后的可达残余，仅 Fides 一个实例通过覆盖、条件失败与后续可达三项证明给出零残余证书。

论文提出 ExecRetrieval 基准，包含 939 个 Python 任务，每个配一个执行验证的规范实现和最多四个单点变异生成的执行验证错误干扰项。

一篇 arXiv 论文提出在数据驻留约束下，将超过 200 个内部应用的流量整合到单个自托管模型，通过生产错误分析沿指令遵循、函数调用和内部任务分布三个轴弥补质量差距。

论文提出 StudentSim，通过池化训练加按学生专门化，把稀疏的学生个人数据转化为能模拟学生应答并在辅导下更新的个性化学生模拟器。配套发布 StudentSimEval 评测协议，覆盖国际象棋、英语二语写作和数学 3 个领域的 60 名学生，衡量行为保真度 F 和指导响应度 R。

该论文在无预训练视觉先验的受控原生设置下，从表征、任务和系统三层研究统一多模态模型中视觉理解与生成的关系。研究发现两个目标可互相提供有用信号但共享计算路径时一方会主导，任务解耦架构可避免这种不对称退化；共享知识任务间存在正向双向迁移，端到端 UMM 在同时需要图像理解与生成的复杂任务上优于匹配的规划器-执行器流水线。

论文提出 DroneCATS-Agent 架构和 DroneCATS 基准，将多模态大模型直接放入无人机控制回路，无需微调或函数调用，评测接近、跟踪、视外搜索和多机指挥四项能力。结果显示小型开源模型导航成功率常高于前沿模型，却因过早或从不宣布到达而失败；模型的视觉空间感知尚可，瓶颈在于维持动作协议并正确发出终止动作。

论文提出 SMELT（Sparse MoE Transformer，中段层循环两次）配方，在逐 token FLOPs、非嵌入参数量和 KV cache 三项预算均匹配的条件下研究循环 Transformer。

论文提出 SimLoss，一种免参考的嵌入空间训练目标，让视觉语言模型在解码前对齐隐藏状态与冻结图像嵌入，实现单次解码的细粒度图像描述，无需人工细粒度描述或多阶段伪描述。其中 SimLoss FFT 以可微方式微调，精度最高且推理比多阶段流程快约 20 倍，F1 接近多阶段方法；SimLoss GRPO 将嵌入模型作为黑盒奖励，召回率最强。

arXiv 论文提出 CRISP，一种输入自适应的稀疏预填充方法，用结构代理 C_struct 替代 JSD 路由，省去 pooled matmul 与 KL 散度开销，并针对 post-softmax 质量悬崖设计基于噪声底线的 sink-aware 阈值。

论文提出 DiagEvo，从求解器自身失败历史中提取反复出现的错误原因，存入分层错误原因记忆，并以此生成针对性问题，无需外部任务资源。其挑战者用记忆状态与复发次数平衡定向生成与自由探索，双重置信度过滤只保留中间难度问题。

论文提出像素文本表示学习的四项设计原则：可变分辨率与渲染字号、自然图文对做 grounding、布局感知渲染防止像素级捷径、两阶段多语言课程。基于此训练的 Pixel Linguist II 视觉编码器在英文、跨语言和多语言 Visual STS 及 ViDoRe 上取得 SOTA，并在 80% 视觉 token 压缩下保持鲁棒。

论文提出 CoGR 检索框架，训练 LLM 直接在查询侧和物品侧生成紧凑关键词集，经倒排索引直接匹配，兼容现有关键词检索基础设施。训练采用两阶段流程，先用监督微调对齐关键词空间，再用 GRPO 交替优化两侧生成器，双方共同优化同一 query-to-item 检索 F_1 目标。

KAIST-VICLab 提出 ReFlowSET，一种条件潜空间流匹配框架，通过 SAR-EO 联合重建审计选择潜空间编解码器，并在该空间从零训练规模更小的条件 DiT。方法将中间噪声 EO 特征与冻结视觉基础模型提取的干净目标表征对齐，仅用于训练阶段，不增加推理成本；在 QXS-SAROPT 和 SAR2Opt 上取得 SOTA，代码与权重已在 GitHub 公开。