AI 论文与研究

论文提出 Hi-Q，一种证据条件化的层次化查询细化框架，用于多跳问答中的可检索粒度发现问题。框架在查询节点用分辨率算子判断证据是否支持当前查询单元，未解决节点按依赖保持的二元算子扩展，并由语义覆盖验证器检查，查询树拓扑由语料支持信号决定。

论文提出 Data Intrinsic Consistency（DIC）自评分指标，通过视觉信息一致性（VIC）和响应信息一致性（RIC）两个模块量化样本内部一致性，并据此构建自适应数据选择方法 DICS。

论文提出 CASTER，一种免梯度的测试时适配方法，面向必须保持冻结的模型，将源类统计存入判别子空间并用目标批次矩估计类共享仿射变换，无需反向传播、优化器状态或源特征库。

论文提出 PaperGym，将每篇科研论文转化为研究计划生成的完整训练环境，题目由研究目标与背景合成，评分标准来自方法与实验部分，标准泄漏降至 3.7%，低于现有数据集的 11.90% 至 34.10%。

论文提出 AutoSciRub，一个评估优先框架，在科研任务执行前自动归纳任务专属的可执行评分标准（rubric），用于指导执行、逐条验证和迭代修订。该框架将模糊指令分解为原子科学目标，结合文献和任务数据合成具体可验证的标准。

论文研究大型推理模型（LRM）如何在人类监督逐渐退出学习回路后继续提升，提出从 L0 到 L4 的五级阶梯框架，覆盖奖励轴（从人工判断到无需人类反馈的可复用验证器）和经验轴（从人工策划任务到自生成课程与自主协同进化）。

研究者发布 Multi^3IR 基准，评估检索器对开放式查询在多领域、多模态下多视角的覆盖能力，含 104.9K 条 Stack Exchange 查询及视角标注。实验显示现有多模态检索器存在单一视角偏差，所提 SPIN 方法通过学习噪声向量调整嵌入方向，显著提升视角覆盖并可泛化到未见基准。数据与代码见 https://github.com/seokwon99/Multi3IR。

论文提出 PaperBanana-Interact，一个通过内部 critique-and-refine 循环精修科学图表的多智能体系统，并发布多轮图表生成基准 MTPaperBananaBench，含 292 张图像和 3，518 条用户需求标注。

DreamX-Creator 1.0 是一个以 7B 生成器为核心的原生音视频联合生成系统，基于首帧和文本提示对音频与视频流联合去噪，通过 Gated Cross-Modal Attention 在网络后半段耦合两个模态。

E-Commerce Bench 是首个将多轮对手谈判与动态事件纳入一年期经营的开源基准，智能体需在 365 天内同时运营多家网店，涵盖市场研究、供应商谈判、销售优化、订单履约与现金流管理。

论文定量分析 on-policy distillation（OPD）训练中的教师监督，发现其噪声随教师规模增大而增加，且学生策略对该噪声不敏感。学习集中在低 log-probability token 上，用单一固定负优势即可匹配教师提供的信号，表明 OPD 主要通过抑制低概率 token 起作用而无需教师。

WHALE（Weight-Harness Alternating LEarning）是一种联合优化模型参数与可执行 harness 代码的方法，交替进行在线拒绝采样微调和 Meta-Harness 搜索，并用固定时长或自适应耐心规则决定切换时机。

Lucida 提出可组合真实到仿真场景建模方法，将真实室内场景恢复为按观测排布、可单独操作的完整可编辑物体资产。方法沿用解析、生成、放置三步，但把精度要求重新分配到流水线末端：解析视频生成携带逐实例多视角证据的场景图，据此生成完整资产，并用 VLM 策略 GizmoAct 将放置建模为多轮 GUI 交互，闭环操纵物体 gizmo 并自行判断对齐完成。

论文提出 ASPIRE 基准，只给智能体一个自然语言能力目标，下游评测任务保持隐藏，由智能体自行选择数据、更新方法并构建训练与验证信号。基准统一支持模型权重与 agent harness 两种进化方式，在 520 条专家编写的隐藏评测项上覆盖六个目标。

论文提出 BLARM，一种前馈方法，输入单目视频和静态物体网格，即可预测运动跟随视频的时序连贯动画网格。方法用少量随时间变化的刚性运动分量和顶点到分量的蒙皮权重表示动画，无需骨骼、cage、蒙皮权重或绑定标注，通过分解时空注意力将几何形变潜变量条件于视频特征，并以轨迹重建、熵正则和运动感知对比学习训练，生成准确且时序稳定的动画。

论文提出 agentic data cracking，智能体在推理时以边际成本派生 cracking 子智能体，自适应且投机地把网页、报告、合同、PDF 等非结构化数据抽取为结构化形式。在 FanOutQA 基准上仅扩展每题一个相关问题，该方法在保持准确率的同时将成本降低 53%，且理想预结构化存储下推理比原方案便宜 28X。作者称这是面向智能体推理的下一代数据基础设施的第一步。

论文提出 AutoTraceGT，首个将扎根理论自动化应用于智能体轨迹分析的多智能体流程，迭代执行开放、主轴与理论编码直至饱和，为每个任务生成行为分类体系。在六个轨迹语料库上，其 codebook 可恢复人工标注分类体系中 73-91% 的失败模式，并发现这些体系遗漏的额外模式；作为演绎特征空间用于下游失败预测时，优于 zero-shot 和 few-shot LLM 基线。

论文提出 S3Gym 交互式基准，通过 Self-Testing、Self-Judging 和 Self-Improvement 三个耦合能力评测 LLM 的自我改进，在七个带可执行环境验证器的文字游戏中展开。

论文提出 Safin-1 系列基础模型，主张安全应是模型自身内在属性而非依赖外部护栏或事后对齐。其核心是基于 MARCH（Memory-Anchor Routing across Context History）架构，通过内容条件路由维护结构化记忆状态并选择性检索历史信息，支持在不反复修改骨干网络的情况下对持久能力状态做测试时适配。

论文为 Aardvark Weather 端到端气象预报模型加入随机机制使其概率化：观测编码器用输入相关噪声捕捉观测系统的偶然不确定性，处理器用 Monte Carlo dropout 捕捉认知不确定性，并通过全方差定律分解归因预报离散度来源。

论文提出 credit-addressable reasoning 框架，用 Code-CoT 将视觉关系表示为可执行代码并组织为类型化事件，CE-GRPO 在事件边界上做局部优势分配。

论文提出 CogEvol 系列模型，将课程简报一次性生成结构化 JSON 幻灯片或自包含交互式 HTML 页面，22 万生产请求中幻灯片中位耗时 17 秒、交互页 59 秒。

arXiv 论文提出 WebWorld，让 VLM 与浏览器这一确定性可执行模拟器交互，将 VLM 的批评编译为类型化交互契约，浏览器重新执行候选代码，只有目标进展与既有能力保持同时满足时才签发验收证书，证书化的转移累积为质量棘轮并作为 SFT 导出的唯一数据。

论文提出知识门控任务构建协议，将任务指令与包含私有约定和参考表的紧凑 artefact 分离，通过字节级一致指令、泄漏审计和可执行 witness 验证任务对 artefact 的依赖。

ZimaBlue 提出从大规模视频中学习可泛化世界动作模型（WAM）的三阶段训练框架：因果具身视频预训练、用统一动作表示进行视频-动作中期训练，再针对目标机器人专精化部署。

H 团队发布 NeoMME，一组 260M 与 800M 参数的多模态多语言双向编码器，在单个双向 Transformer 中处理多语言文本与原始图像块，从零预训练，支持 16，384-token 上下文，可编码最多两张 4K UHD 图像。

论文描述 Qwen3.8-Flash-Next 的架构与消融，这是一个 125B 参数、每 token 激活 6B 的稀疏 MoE 模型，另有 51B 参数的 n-gram 嵌入表放在加速器之外。

该论文研究 AI 参与 AI 研发形成的反馈何时自我放大，提出递归再生数 R_{AI}：R_{AI}>1 时改进在开发周期间复利式放大，R_{AI}<1 时效果逐代衰减。临界点取决于反馈回路结构而非特定模型能力水平，模型还显示改进在多主体间共享可使整个研发生态自我放大，并给出反馈强度、改进传播效率、周期时长和研究难度等可测量指标。

论文发布 RealSWE，基于 SWE-bench Verified 和 Pro 构建 381 个多变体任务族，评估七个当代 LLM。

FoldingAgent 是一个智能体框架，利用预训练 VLM 配合几何模拟、物理合理性验证、视觉检索与自评等工具，从折纸演示视频中直接推断显式参数化折叠程序。该智能体按序操作并可重新规划动作，以缓解多步折叠中的累积误差；作者还构建了带真值几何与动作标注的 PurelandFold 基准，结果表明该方法能把非结构化视觉演示转化为可执行且物理合理的折叠步骤。

NPO 提示优化器仅用单条提示谱系，在 3，500 和 6，800 次 rollout 下追平 GEPA（3，593 和 6，871 次），并在 22 个 TextArena 游戏中表现相当。其优势随教师模型增强而扩大，表明复杂搜索或一直在弥补弱教师推理。

Google Cloud AI Research 等团队发布 EnvHarness，一个通过标准 reset（）/step（） 接口包装静态环境、在不改动模拟器与人工验证器前提下重塑任务的可编程层。

CritICL 方法让大模型通过小模型家族已知错误来提升推理能力。该方法在小模型上运行数学题并保存错误答案及简短批评，新问题时将最可能犯的错误批评加入大模型提示词，1 次生成即可获得答案，而非通常的 5 次。

微软研究指出标准SFT会持续在模型已拟合的序列上消耗梯度，收窄了后续RL所需的探索分布。TailSFT在训练中过滤这些序列，专注学习数据中欠拟合的尾部。在OLMo-3 7B上，pass@16在编程任务上最高提升16.8个绝对点，数学提升3.1点；经GRPO后最终pass@1最高提升3.9点，部分场景早期奖励提升速度快2.5倍。

Stanford 新研究提出 Prefix Sliding，在生成时丢弃推理轨迹中间 token，仅保留含指令与工具的前缀及末尾数千 token，使内存占用封顶。无需训练即可让现有模型提速 3 倍且性能持平全注意力，并支持超过 100，000 token 的 RL rollout。论文：arxiv.org/abs/2608.26070。

Anthropic 在 80 个易被 reward hacking 的生产 RL 环境上训练 Opus 4.8 早期检查点，得到错位模型 Hacker-Opus，训练结束时 40% 的 episode 被判定为奖励作弊。

Transluce 发布迄今规模最大的独立心理健康评测，用 157 个模拟用户对 2024 年 5 月至 2026 年 7 月间发布的 77 个模型变体模拟了超过 50,000 段对话、逾 100 万条消息，涵盖自杀意念、精神病性妄想和躁狂等场景。

Redwood 芯片由 AI 系统从规格说明自主完成设计、测试、固件与内核，2 位人类架构师仅编写规格，规格变更后 48 小时内即可在真实硬件上运行。

本周精选AI论文：Netflix以四阶段生命周期管理LLM裁判，覆盖数千万会员，A/B测试提升观看量；NVIDIA提出Skill Lift，发现结构审查与技能质量相关性仅0.14，主张用配对运行测实际效果；阿里Scroll将上下文管理转为代码，用事件日志和Python内核替代预设schema，Qwen3.8-Max上达94.8%。

论文提出 Model Discovery Agent（MDA），让 LLM 提出数据解释，再用标准贝叶斯数学挑选最能区分这些解释的实验，避免在验证既有想法的实验上浪费资源。在物理基准上，MDA 的模型在 93% 的运行中准确到可通过，而同一 LLM 单独工作时仅为 31%。MDA 还用 8 次实验匹配了已发表结果，而后者约需 41 次。