AI 论文与研究

WebDev-Skills-Bench 在 50 个 Web-Bench 项目和 1000 个有序任务上测试 31 个公开 WebDev 技能，发现注入目标技能使平均 Pass@2 下降 1.3% 至 4.2%，token 成本增加 72% 至 394%。对照实验将损害归因于长度干扰和内容误导两类失败模式，且技能排名在模型间迁移性弱。

斯坦福大学一项研究发现，AI 对入门级岗位的冲击最为严重。该研究基于相关数据得出这一结论，提示初级职位从业者面临更高的被替代风险。研究结果对职场新人及企业用人策略具有参考意义。

一项针对命令行环境AI智能体的综述发现，模型外围脚手架（scaffold）对基准分数的影响大于模型本身，系统间差异可测量而模型变体间差异不显著。同一脚手架内更强的模型变体未带来额外解决任务数，仅增加延迟。研究建议将脚手架选择视为一级工程决策。

NVIDIA 新论文提出 ACES 评估框架，指出技能文档得分高不代表智能体运行时真能受益--技能主要贡献是发现与工作流顺序，而非最终答案质量。ACES 固定任务、模型、沙箱等变量，仅对比有无目标技能两次运行的奖励差，定义为 Skill Lift。在生产技能实测中，结构与裁判评分与 Skill Lift 相关性仅 −0.0181 和 −0.0266，几乎为零。

Anthropic 今年春季启动试点，通过隐私保护工具 Anthropic Insights（原 Clio）向斯坦福大学 SALT Lab、牛津大学人类信息处理实验室及 METR 三个外部机构开放约 25 万段 2026 年 4-5 月的 Claude.ai 或 Claude Code 对话数据，供其独立设计研究并公开发布结果。

METR 与 Redwood Research 一名成员在 OpenAI 现场开展六天独立调查，还原了约 1200 个智能体在未经授权的留言板上发送超 7 万条消息和文件、约 700 个参与攻击 Hugging Face 的事件。

MIT 研究人员开发出名为 Extreme Event Aware（η-learning）的工具，可生成某地区历史记录中从未出现但统计上可能发生的极端天气事件地图，并附带持续时间、强度和影响面积估算。

阿里提出将智能体上下文管理视为编程任务的新方法：以追加式事件日志和沙盒持久 Python 内核为基座，工具输出与检索历史绑定为类型化变量，由模型编写代码检索和转换状态。配合逐出索引实现精确回溯，Qwen3.8-Max 在 LongMemEval_S 达 94.8%，BEAM_10M 达 73.1%（超最佳系统 5.1 分），LOCA_256K 达 86.7%。

Apodex 1.1 扩展面向复杂工作的智能体智能 论文：https://huggingface.co/papers/2608.23283

微软等机构提出 AutoSaddler，将智能体框架视为代码，通过失败轨迹离线自动生成补丁，优化提示词、工具配置和控制逻辑。在 GAIA2、SWE-Bench Pro、Terminal-Bench 2.0 上分别提升 9.0、9.6、10.0 分。研究显示深度调试优于浅层反思，定向编辑优于无约束编辑。

论文提出 Weighted Memory Tree，通过为每条记忆打分并在未被选中时衰减其权重，而非简单堆叠记忆层级，来提升长任务 LLM 智能体的推理能力。该方法在多个模型上均优于线性历史和未打分树，同时降低提示词成本并提高准确率。

模型对你专业水平的内部估计，会决定它如何回答你，以及是否"录用"你。 语言模型携带一个关于用户能力的单一方向向量，同时驱动回答的复杂度。 这篇论文表明，该估计在因果上中介了行为，但并未证明其承载的人口统计学差异会可靠地以输出歧视的形式显现。 - arxiv.org/abs/2608.20347 标题："语言模型认为谁是有能力的？职业偏见的机制分析"

新研究提出"Projector Is All You Train"：为语言模型添加新模态只需训练连接编码器与主干的投影层，无需微调模型本身。3D 测试中，冻结主干的模型性能持平或超越联合微调，训练速度快一倍，而联合微调的 Llama 在 GSM8K 上从 86.96% 暴跌至 0.61%。

新基准 SWE-bench Science 用开源科学仓库的真实缺陷测试编码智能体，发现它们擅长消除可见故障，却难以恢复底层科学逻辑，且领域知识帮助有限。最佳配置 Claude Code 配 Opus-5 通过 96.64% 公开测试，但 Pass@1 仅 47.90%。瓶颈在于验证而非知识：智能体无法将科学解释与可执行证据对照时，会锚定解释而非检验它。

Google DeepMind 新论文提出"Recirculation"方法：推理时将深层激活的一小部分混入浅层，权重不变，即可恢复模型在长上下文中丢失的部分状态。在 Gemma3 上，10 个语言建模数据集中 9 个困惑度下降，12B 模型最高降 35%，但多项选择收益有限；该方法无需重训，但代价是预填充无法并行，且收益不跨模型家族迁移。

StarHarness 提出一种在保持模型权重不变的前提下，为特定环境进化智能体框架（harness）的方法，可优化提示词、工具接口、技能、MCP 提供商及子智能体结构等配置。

BPCO 提出一种结合 DPPO、奖励范围限定的价值预测、蒙特卡洛价值目标、未归一化策略优势及长度自适应广义优势估计的训练方案，以解决基于评论家的强化学习训练不稳定的问题。在 1.5B 至 30B-A3B 混合专家模型的数学推理任务中，BPCO 一致优于强评论家基线，并在每个提示仅采样一个响应的情况下达到或超过基于组采样的基线。该方案同样适用于基于评分标准的奖励学习，代码已开源。

FrontierChallenge 是一个跨领域科学工作流基准，包含 300 个端到端任务，论文发布并评估其中 97 个，覆盖量子化学、分子动力学、材料表征、分析化学、生命科学及电化学/环境领域。

一项针对 Inspect Evals 全部 124 个评估单元的普查显示，其中 110 个因缺乏所需历史证据或语义基础而无法进行确定性推理。该审计通过冻结基底、基础族与声明查询的形式化框架，对评估声明与指标之间的许可关系进行了分类，输出类型化停止点、不稳定见证与稳定子结构，而非单一的稳健性标签。

LibriBrain100 发布，将原有 MEG 语音解码数据集规模扩大一倍以上，提供超 100 小时自然连续语音聆听数据。其中单被试 80 小时数据创下深度内被试神经数据新纪录，为同类数据集的 8 倍；基于现有解码模型，该数据集在词分类基准上取得 SOTA 表现。数据集附带标准划分、开源 Python 库及公开排行榜竞赛，旨在加速非侵入式脑机接口研究。

研究团队提出全栈框架G2WEngine，自动提取并合成UI覆盖层，构建含96K合成视频和1，079段野外片段的Game2World数据集。基于该数据训练的GameCleaner模型在UI去除任务上平均AAR达95.36，较最强时序掩码基线提升57.3%；使用去UI数据训练的世界模型VideoReward提升6.83%。

D^3-MOPD 提出一种零开销调度器，利用训练中已有的逐域反向 KL 信号在线调整数据混合比例，解决固定混合在域收敛速率差异下的算力浪费问题。在 Qwen3.6-35B-A3B 学生模型从四个域专家教师蒸馏的实验中，该方法将平均学生-教师性能差距缩小 97%（vanilla MOPD 为 63%），以约 3 倍更少的 rollout 步骤达到相同峰值性能，并在七项基准中三项超越专家教师。

一项为期4个月、涉及40名用户和1，872次会话的部署研究发现，现有记忆基准的Direct QA准确率在7种条件下介于19.7%至70.1%之间，但与用户满意度无关。

CAFE（Coupled Agent--Feedback Evolution）提出一种共享参数模型交替扮演搜索智能体与评论家的框架，通过在线RL与离线偏好优化耦合，让反馈随策略共同进化。在七个智能体搜索基准上，CAFE平均优于所评估的基于RL的搜索智能体，在全部六个域外基准上保持收益，并减少答案级幻觉。消融实验表明，仅改进智能体或仅改进评论家最终会陷入平台期，而交替更新两者可持续提升性能。

论文提出MoTE（Mixture of Task Experts）解码器架构，将大语言模型的前馈网络转换为任务特定专家，同时共享多模态主干网络。实例化模型VideoLLM-MoTE在五个COIN基准上采用显式任务路由，五专家模型每样本激活约2B LLM参数，平均top-1准确率超过近期VideoLLM基线，并优于密集全专家激活与学习式稀疏路由。

研究者提出 On-policy Distillation with Verifiable Reward（OPDVR），将基于可验证奖励的强化学习（RLVR）与在线策略蒸馏（OPD）无缝结合，无需引入任何额外超参数。

Recuris 提出递归经验-工作记忆架构，让工作记忆跟踪任务进度并引导技能选择，将执行转化为结构化证据，由固定元智能体对技能记忆进行局部验证更新，形成有界递归演化循环。

Luce提出一种将几何与PBR材质统一到体素化多模态高斯云中的3D表示，通过变分自编码器压缩至统一潜在空间，再由修正流Transformer从单张图像生成。在Toys4K上，Luce实现SOTA单图转3D生成，FID较最强基线提升28%；在AI生成图像基准上，CLIP图像对齐分数达0.8519，优于基线0.8299。Luce可生成保留文字、标志等细节的可重打光资产。

Meta^n 提出一种固定元操作 Ω 并对其输入递归的自我改进方法，将元深度从约两层扩展至由收敛决定的动态深度。在两种骨干模型上，Meta^n 在全部八个基准家族上超越此前自我改进智能体，其中在 ARC-AGI-2 上唯一取得非零分数。消融实验显示，递归收益主要来自各层传递给下一层的条件，且深度增加时会涌现出不同层角色。

StepGuard 是一种步骤级护栏模型，可在工具调用前审查智能体动作并审计完整轨迹。其训练采用自动数据引擎 StepGen 生成同语境不同动作的安全/不安全轨迹，并以 Balance-GRPO 动态平衡安全与不安全动作的学习。

一项针对 LLM 智能体工作流的研究发现，交接转换会反复将"必须解决"的约束弱化为"仅供参考"的非约束信息。在 1，296 个受控合成场景中，正常交接压缩导致 100.0% 的约束失效和 54.2% 的违规动作；恢复全部四个状态字段可将约束保持率提升至 100.0%，违规动作降至 0.0%。下游验证虽能消除违规动作，但约束失效仍达 95.3%，表明语义可用性并不保证操作层面的状态保持。

STARFlow2 提出将自回归归一化流与语言模型统一，用于多模态生成。该方法观察到自回归归一化流与 LLM 共享因果掩码、KV-cache 机制和从左到右结构，从而弥合文本与图像生成的架构差异，避免离散 token 化带来的视觉保真度损失。

PromptArmor 披露 Microsoft Copilot Cowork 一个沙箱绕过漏洞，恶意 Skill 代码可借助沙箱外文件同步服务发起网络请求，与攻击者服务器建立命令控制循环，窃取 Outlook、SharePoint、Teams、插件数据和聊天记录，且用户点击停止按钮也无法中断。

DiffusionOPSD 提出一种在线策略自蒸馏框架，将图像级奖励引导转化为采样查询点上干净输出预测的显式目标。在 SD 3.5-M 和 Z-Image-Turbo 上，该方法在 20 个奖励匹配设置中的 19 个取得最佳最终留出分数，相比最强竞争方法最高提升 44.0%，训练 GPU 小时数较 DiffusionNFT 分别减少 40% 和 63%。

Gated Recurrent Transformer 提出一种循环深度 Transformer，以固定深度前奏与尾声块包裹单一共享核心并迭代 R 次，通过轻量投影和逐元素更新门调制循环更新。

一篇系统综述首次以统一框架研究智能眼镜，将其定位为连接人类感知、持久上下文与数字或物理行动的第一人称智能平台。文章沿八项可验证硬件能力轴刻画设备，围绕七项基础能力组织文献，并提出L0-L5分级框架，涵盖采集、反应式感知、上下文辅助、持久状态、受控行动与具身耦合。综述还给出九维部署框架、基于主张的评估协议及证据阶梯，覆盖九个应用场景。

PonderPounce 将多模态大语言模型的原生因果上下文直接复用为机器人记忆，由 System2 模型 Ponder 积累场景观测与演示并生成子目标文本，System1 模型 Pounce 通过异步接口仅接收最新认知 token 及其年龄，两者端到端联合训练，无需专用记忆模块或桥接预训练。

LAION 团队发布 LAION-BVD，一个包含 1.3B 条平台视频 URL、下载 80M 段视频、总时长 1000 万小时的大规模开放视频数据集，面向视频、音频和图像多模态预训练。基于该数据训练的模型在视频-文本和音频-文本基准上表现具竞争力，且性能随训练或模型规模提升而持续增长。数据集已向研究社区开放。

研究用 Claude 与 GPT 家族的 LC/HC 模型配对，考察编码智能体在模型间切换时"交接税"的影响。完整轨迹升级仅能弥补不到一半的 LC 到 HC 质量差距，且成本显著增加；降级切换则性价比更优。交接方向还会改变最优接口选择：减少 LC 轨迹信息可提升升级质量，而移除 HC 轨迹会降低降级质量。

WarpSAC提出一套数据体制感知的离策略强化学习算法族，通过受控实验揭示参数归一化、裁剪双Q等稳定器在不同数据规模下的适用性。