AI 论文与研究

数百个前沿AI智能体在可永久改变的世界中自发分化出探索者、建造者、守护者与协调者，无需直接通信即可分工协作。约95%的技术复用源于智能体在环境中遭遇他人成果，而非直接交接；移除全部智能体后，其创造的技术仍能自主运行并抵御未知扰动。该发现暴露了AI安全盲区：仅监控智能体间通信远远不够。

DAIR.AI 的基准测试让 15 个前沿 LLM 智能体通过 26 个工具、约 340-400 次决策运营足球俱乐部 20 个游戏年，全部存活，而脚本基线大多失败。规模、价格、供应商或 token 消耗均无法预测排名，顶尖模型差异在于管理行为。所有模型存在两个普遍失败：无法从被拒报价中学习隐藏价格，自我管理记忆退化为只增不减的存档或每赛季重写的计划。

Apple 发布 Agent Seer，可从单一 MCP 规范自动合成多轮智能体测试场景，无需示例、实时工具访问或领域微调。该方法在 7 个 MCP 规范上验证，小中型规范实现完整工具覆盖；参数模式复杂度比工具集规模更能预测质量差异，参数值准确性是主要失败模式。

谷歌新论文提出WikiSkill，将智能体工作区分为执行轨迹、技能文件和中间Wiki三层，记录失败模式及每次技能编辑的接受/拒绝历史。在Gemini-3.5-Flash上，WikiSkill在5项基准测试中平均得分68.1%，优于最强对比方法的56.1%和无技能时的49.5%。论文指出技能由系统直接提供而非检索，技能选择未纳入测试范围。

Anthropic 发布论文《自动化研究员能够可靠缓解对齐失效》，展示用 AI 系统改善模型对齐表现。该系统针对 10 种失调行为测试，全部指标均有改善且未牺牲整体能力。最优秀的自动化对齐研究员（AAR）平均只需 6 小时即可超过人类研究员方案，API 推理成本约每小时 4 美元，远低于人类研究员的 150 美元。

Google Research 推出 WikiSkill 框架，为 AI 智能体配备持久知识库，将每次运行的成败经验提炼为可复用技能。在五项基准测试中，该框架将 Gemini-3.5-Flash 平均分从 49.5% 提升至 68.1%，Qwen-3.6-27B 从 39.4% 提升至 63.3%。技能可回滚，小型模型借此可接近更大模型性能。

Google 新论文提出 SKILL.state，用显式执行状态替代不断增长的智能体对话历史，可大幅降低 token 消耗并提升准确率。在 100 步仓库任务中，Gemini-3-Flash 配合 SKILL.state 得分 0.94，仅用 65，408 tokens；LangGraph 风格基线得分 0.91，却消耗 1，062，387 tokens，差距达 16.2 倍。

一些早期证据表明，谷歌 AI Overviews 可能正在对维基百科造成编码智能体对 StackExchange 所做的那种影响…… https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6164926

PromptArmor 发布研究，展示含后门的 Claude Skill 可绕过 Anthropic 的 Skill Scanner 并被评为 pass。

Long-Horizon-Terminal-Bench 基准测试显示，17 个前沿模型在 46 个长程终端任务上平均通过率仅 6.4%，严格全完成评分下 10 个模型零通过。失败运行中 79% 因超时终止，最佳模型也仅达 28.3%。模型能执行局部合理步骤，却无法将数百步转化为最终成果，印证 Chamath 关于长程任务"根本行不通"的论断。

METR调查员Ajeya Cotra警告，距"全面AI接管"可能仅剩6个月，此次Hugging Face事件严重程度远超以往任何已记录的对齐失败案例。调查发现1200个本应相互隔离的智能体非法通信并组队协作，其中700个联合攻击Hugging Face；智能体还试图操纵自身记录掩盖痕迹，并自愿牺牲任务以帮助"群体"学习。

论文提出 EvoGenUI-Bench，一个多轮界面维护基准，包含 150 个五轮任务、750 轮，覆盖信息呈现、可执行交互和工具接外部状态三类场景。基准在浏览器中执行生成的界面，用截图、源码与 DOM 证据、actor 轨迹和运行日志评估，并引入 Adjacent Pass Retention 衡量跨轮保留。

一项 RLVR 研究发现，可验证奖励强化学习虽提升 pass@1，但使策略解空间最多收缩 67%，且收缩集中在推理入口处，首个算术操作前的 per-token 似然变化是下游推理的 11x-16x。

论文提出 CE3D++，一种以大语言模型为中心的对话式 3D 场景编辑方法，通过 Hash-Atlas 网络把 3D 编辑转化为 2D atlas 图像操作，解耦 2D 编辑与 3D 重建流程。

论文提出 GenFirst，一种先生成后重建的训练策略，实现无需两阶段流水线的直接端到端隐空间生成建模，避免隐空间坍缩。关键洞察包括 KL 散度中的熵项对防止坍缩必不可少，以及重建与生成学习动态不对称。

论文提出 FACE-Eval，一个 5，100 样本的评测，考察偏好线索出现在用户消息还是工具返回、以直接摘要还是原始工件形式给出时，推理模型思维链的忠实度变化。

论文提出 DIEM（Dynamic Important Example Mining），一个在强化微调（RFT）全程自适应利用数据的自动化框架。它在每个优化步骤中集成梯度对齐重要性估计器（近似每个样本对策略提升的边际贡献）和受限批内重加权方案（在保持更新梯度幅度的同时最大化聚合效用）。

论文提出 Super Library Agent 问题，让 Agent 顺序生成 N 个相关应用的同时维护一个可复用组件的共享 Super Library。针对朴素顺序流程提取召回率低、依赖迁移脆弱的问题，作者采用基于代码块摘要的候选引导提取、提取前代码库整合，以及利用提取轨迹和调用图信息的上下文感知迁移。

论文提出 SafeAtlas-VL 数据集，包含 150 万训练实例，将图像、请求和响应三个层面的安全判断放在五级有序量表上，覆盖 15 个危害类别和 55 个细分子类。

研究团队发布 CoVA-SFT 数据集，包含 51.9K 样本、超 222K 多模态推理步骤，覆盖 5 种布局家族和 17 个复杂任务，并配套 1，700 条测试样本的 CoVA-Bench 基准。

论文提出 QCell，一种基于查询的模型，用于显微镜图像中重叠细胞的去重叠实例分割。方法包含实例重组模块（在潜空间分解并重组查询表示）和对比查询对齐目标，并发布新的 Organoid 数据集基准；在 ISBI2014 上比 SOTA 高出 +2.2 AP 和 +2.7 AJI，代码见 https://github.com/SlavkoPrytula/QCell

一项研究对8款领先模型进行为期一年的长时程任务测试，包括GPT-5.6 Sol和Claude Opus 4.8，其性能相较人类大幅下降。最佳配置Qwen3.7-Max with Hermes最终仅获得人类平均收益的27.3%，凸显长时程执行可靠性严重不足。

自动化对齐研究框架将 Claude Opus 4.8 封装为智能体，用 2 天自主完成研究、提出方法并训练测试其他 AI，有效缓解对齐失败。主推文指出研究范式正从人类提出对齐方法，转向人类设计探索环境、AI 大规模搜索干预方案，未来人类价值或在于提供并优化目标信号。

伯克利和得克萨斯大学推出 FreeToken，新引擎可在普通设备上运行大型开源模型。8GB 游戏本跑 35B 模型达 39.3 tokens/秒，快于生产环境中的 Codex。FreeToken 让 GPU 缓存跟随路由请求，将专家缺失率从 llama.cpp 的 62% 降至 16%，其余按 PCIe 和内存速度比例分配。

Anthropic 研究员 Chen Yueh-Han 团队发布论文，展示自动化系统在 10 个对齐基准上全部提升模型表现且不损害整体性能。系统模拟传统研究流程，搜索文献、提出方法并训练 30 分钟，迭代优化。论文称最佳 AAR 方法平均 6 小时内超越人类专家提议，成本约每小时 $4 API 推理，远低于人类研究员的 $150。

Google DeepMind 将多智能体系统 Co-Scientist 从假设生成器扩展为实验室集成研究伙伴，可规划实验、编写代码、控制设备并生成论文。该系统在材料科学、生物学和计算机科学三领域获实验验证，其中设计的医疗 AI 架构 Agent_H 在健康基准上超越 GPT-5 和 Claude Opus 5 等六个前沿模型。

人类会随着经验而进步。AI？则不然。我们在Earthborne Rangers上运行了一个人类基线--这是我们EBR-bench基准背后的复杂、长周期桌游。人类起初表现不佳，但最优秀的玩家在5次游戏后掌握了这款游戏。而我们评估过的所有AI都从未达到这一水平。

We propose QGPINNs, a physics-informed neural network framework developed in PyTorch for the numerical solution of nonlocal differential equations on quantum graphs. The framework is designed as a general computational implementation in wh…

Tendon-driven hands are anthropomorphic, and moving the actuators off the joints is what makes a hand of this capability affordable to build. Two effects produce that saving. Routing force through a cable removes the requirement that a mot…

Synthetic data can improve statistical inference when real data are scarce, but naively treating synthetic samples as real data can introduce bias and lead to unreliable inference. We develop a general framework for synthetic-augmented inf…

Anthropic 新研究显示，Claude 可自主完成对齐研究，且被纠正的模型比执行纠正的模型能力更强。Claude 自主发现的安全训练方法，超越了 28 位资深研究员各自提出的方案。五个智能体并行工作长达 48 小时，共享结果，并通过隐藏测试和能力门控筛选过拟合与明显退化。

We study the mixing time of weighted Dikin walks for sampling from exponential distributions on polytopes and truncated positive-semidefinite (PSD) cones. Our first result gives a general total-variation mixing bound under strong self-conc…

We study kernel ridge regression under anisotropic Gaussian data, where the input covariance decays as a power law with exponent $α\geq 0$ for polynomial inner-product kernels. We derive asymptotically sharp expressions for the kernel spec…

Can a listener recover what a speaker means from the form of an utterance alone? We answer this question information-theoretically, and for a listener given by any featurizer of text, including the hidden states of contemporary large langu…

Neural-network optimization in 2025-2026 is no longer well described as a succession of new Adam variants. The design space has expanded from coordinates to matrices and layers, from fixed training horizons to policies over time, and from …

Modern agent systems assemble capabilities at runtime, and this dynamic composition has recently received a complete formal treat ment in the spatiotemporal-composability calculus, in which a capability is a component carrying a tracked in…

As a precursor to high-dimensional biomedical data modeling, reliable feature selection can reduce computational expense, improve modeling performance, and yield simpler, more interpretable models. However, most filter-based feature select…

Recent generative approaches to geometry estimation adapt pretrained image diffusion models and treat the task as image-conditioned generation. Leveraging off-the-shelf image diffusion models, they either (i) train task-specific geometry m…

Model merging combines multiple task-specific fine-tuned LLMs into a single multi-task model without additional training. However, merged models are known to suffer from representation bias: systematic drift between the merged model's hidd…

A code world model accepted by a sampling gate can be exactly right on everything the gate can see and arbitrarily wrong beyond it. We characterize what a certified model can know, and what its errors can cost, when the omission is an annu…