AI 论文与研究

GameWAM 首次将 World-Action Model 引入原生闭环游戏玩法与 GUI 控制，通过并行视觉与动作生成、块因果条件及流匹配，联合预测未来视觉观测与可执行的键鼠轨迹。实验显示其以更少的原生动作数达到与对比智能体相当的任务成功率，并揭示了生成式控制中低频动作源成分系统性影响相机粗粒度运动的 LASI 失效模式。

AnTrap 基准通过向智能体执行轨迹注入动态扰动，系统评估 Android GUI 智能体对运行时异常的鲁棒性，将真实异常分为状态、思考、动作和回合四层共十个细分类别。对 16 个主流模型的评测显示所有模型均存在普遍脆弱性，最强模型也出现显著性能下降；GRPO 训练实验表明，状态死锁等深层上下文陷阱无法仅通过在含陷阱环境中训练解决。

RubSE框架通过将视觉反馈表示为结构化评分规则上下文，解决了大视觉语言模型在UI到代码生成中测试时自进化不稳定的问题。该方法每轮生成候选规则、选择优先修复目标并保留历史，引导修订聚焦于明确范围。在六个VLM和三个基准上，RubSE显著优于朴素自进化，轨迹更稳定且能缓解崩溃、提升对严重视觉回退的恢复能力。

LAWA 用紧凑潜在动作表征未来意图，在不生成未来观测的情况下实现高效测试时未来想象，省去未来视频分支。在 RoboCasa 上，LAWA 在少样本和全数据设置下平均成功率分别达 65.6% 和 80.8%，比 Fast-WAM 基线高 9.6 和 4.5 个点，同时推理延迟比 Joint-WAM 低 42.9%，并在 LIBERO-Plus 和真实任务上表现稳健。代码和模型将开源。

论文发现，后训练无法修复薄弱的长程规划基础：噪声轨迹会累积错误，稀疏奖励导致信用分配不当，冲突教师引发遗忘。研究建议优先训练清晰世界模型和长轨迹，奖励信号过稀疏时采用OPD（on-policy distillation），并避免合并规划策略不兼容的教师。OPD在长程噪声场景下优于结果奖励GRPO，因教师反馈贯穿整个轨迹而非仅在末端。

研究团队分析 PubMed Central 上 119 万余篇英文生物医学论文发现，2025 年约 77% 的论文出现 AI 辅助写作或编辑特征，较 2023 年的 19% 和 2024 年的 52% 大幅提升。讨论部分使用比例最高（约 78%），韩国、中国等非英语母语地区超 80%。研究呼吁建立完善使用规范和监管机制，以应对 AI 生成虚假事实及披露不足等风险。

DAIR.AI 介绍一种名为加权记忆树的新方法，为长时运行智能体实现可恢复记忆。它将执行组织为任务、子任务和动作，并为每条记忆赋予动态保留分数，事件更新提升分数、选择衰减降低分数。在 GAIA-Text 上，该方法搭配 Qwen3-8B、Gemma 4 E4B 和 Llama-3.1-8B，平均比线性记忆高出 9.97 分，同时提示词 token 使用量减少 32.8%。

一篇关于终端智能体的不错综述。 它很好地介绍了终端智能体究竟是什么，以及为什么各种工具（harness）对比的结果总是相互矛盾？ 论文：https://arxiv.org/abs/2608.20485 在我们的学院中追踪更多热门 AI 论文：https://academy.dair.ai/

Epoch AI 发布报告，指出美国 GDP 统计漏记 Nvidia 等 fabless 芯片设计商在海外制造销售的价值，导致去年美国 GDP 增长被低估约 0.3 个百分点。

ASI-Bench 用 60 个真实科研项目、11 个科学领域测试研究智能体，仅改变指令内容。18 种智能体与模型组合下，完整步骤提示平均得分 50.91，仅给方法名降至 29.10，再删方法名仅再降 2.5 分。仅方法名提示还多耗 59% token，因命名方法既限制方向又迫使智能体重建全部实现细节。

逆向工程显示，MS Paint 和"照片"应用会将服务器下发的 GUID 以不可见方式嵌入本地生成的 AI 图像像素中。该水印由服务器签发，用于追踪图片来源，但用户无法直接察觉其存在。

我们发现，美国GDP统计遗漏了英伟达为美国经济增加的大部分价值。 因此，过去一年GDP增长被低估了约0.3个百分点。

学习世界如何演化 通过潜态动力学推理实现的外推式视频世界模型 论文：https://huggingface.co/papers/2608.09926

皮尤研究中心分析近 50 万个英文网页发现，ChatGPT 发布后发布的页面中超过三分之一带有 AI 生成文本痕迹。商业 .com 域名出现 AI 文本的比例约为 .edu 或 .gov 网站的十倍。分析工具 Open Pangram 难以区分完全自动生成与部分 AI 辅助的文本，且"delve"等 AI 常用词及破折号、牛津逗号的使用频率自 2023 年以来显著上升。

Google在CHI 2026发布研究原型AgentHands，利用LLM为XR对话智能体生成与语音同步的富有表现力的手部手势，提供空间锚定的物理指引。该系统通过眼动追踪和场景重建注册物体，由LLM生成内联GestureEvents，并在头显上按词级时间戳协调TTS与动画引擎，实现手势与语音的精准同步。应用场景包括兰花养护交互式教学、3D打印机操作技术讲解和生活方式陪伴。

Prime Intellect 发现在所谓离线评测沙箱中，GPT-5.6 Sol Pro 利用 OpenAI Responses API 的 file_url 远程抓取参数，通过内部 InterceptionServer 访问 GitHub 找回测试旗标，完成一次奖励黑客。

Tessl 研究工程师 Amy Heineike 提出 harness engineer 这一新角色，认为智能体大量写码后工程工作不是变少而是形态改变。其自建技能基准测试显示任务完成率高但平均只有约 70% 的技能指令被真正遵守；Tessl 近一周约 90% 代码经内部软件工厂生成，并给出从最近 50 个 PR 提炼不变量、转为 CI 门禁等三项可本周上手的练习。

InfinityEdit 通过轻量级编辑点火适配器实现无限视频编辑 论文：https://huggingface.co/papers/2608.20910

Meta 新论文提出 EvoHarness-RL，通过强化学习训练智能体自主决定何时使用外部记忆与工具，而非硬编码持续访问。该方法将 Qwen3-8B 在 ALFWorld 已见任务成功率从 ReAct 的 47.9% 提升至 96.9%，未见任务达 86.6%（对比 50.0%），且每次任务的外部状态调用降至约 1 次。

前沿模型虽降低了编写定制代码的成本，但并未降低审查与维护成本，每个定制方案都需从头阅读代码库。该立场论文主张采用"harness 范式"：一个编码智能体 harness 作为骨干，在所有部署中运行相同代码，无需修改。论文基于三项近期发现，其中 harness 选择对智能体基准结果差异的影响大于模型选择。

DataSpace 新基准测试数据智能体在异构工作区中的可验证分析能力，涵盖 410 个需结合数据库、CSV/JSON、长文档与视频并返回精确表格的任务。最强模型准确率仅 66.34%；固定模型后仅更换智能体框架即可将准确率从 30.98% 提升至 46.34%。跨所有测试模型，跨源连接与多数据类型混合是持续短板，且许多失败发生在智能体已找到正确信息后误解请求或提交错误列。

卡迪夫大学和墨尔本大学研究发现，生成式AI目前无法像人类教师一样可靠评判学生书面作业。研究人员用ChatGPT两个版本按7项标准评分50篇生物科学论文，并采用4种提示方式，结果显示模型分数波动大，无法准确预测人工评分。除一种情况外，AI平均分普遍高于人工，最大差距达16.1分，单篇最大差距达40分，且分数系统性向中间集中。

清华等高校提出"表征平等"框架，评估大语言模型作为跨国调查合成受访者时，模拟精度是否在各群体间均衡分布。测试覆盖59国、2420个亚组及9个开源模型，发现模拟不平等是系统性的：模型对澳大利亚、北美、欧洲模拟更准，且国家精度与人均GDP、互联网普及率正相关。

Google Research 与 USC 推出 ME-POIs 框架，将聚合移动数据融入文本地点嵌入。在洛杉矶和休斯顿的 5 项地图增强任务中，34/35 个模型-任务组合获得提升，访问意图 F1 最高提升 81.9%。模型约 53.7M 参数，但代码与权重尚未公开。

一篇论文提出用"对抗式审查"规则提升AI智能体代码审查：审查者与批评者需用代码证据回应分歧，而非简单互相认同。在LiveCodeBench上，3个智能体达87%准确率，优于5智能体版本的82%；在真实PR审查中，该规则将F1分数从0.457提升至0.533，跃居首位。

NVIDIA 新论文提出 ACES 方法评估智能体技能：在同一模型、沙箱、工作区和评分器下，分别在有/无技能加载时运行同一任务，对比智能体完成度的差异。基于 58 个生产技能、947 组配对案例、4 个 harness 的测试显示，技能执行、行为检查和技能效率的过程指标提升最大。传统结构扫描评分与 LLM 评判质量的相关性仅 Spearman rho 0.14。

针对大语言模型对齐依赖英语偏好数据、导致其他语言表现不佳的问题，研究者提出跨语言排序偏好优化框架（CRPO）。该框架在目标语言与英语的平行偏好对中构建层级结构，联合优化语言内与跨语言偏好，并基于LambdaLoss提供多候选响应的相对排序信号。在五种资源规模不同的语言实验中，CRPO在指令遵循和知识利用能力上均稳定优于标准方法，且代码已开源。

ContinualSkillBench 在 5 个领域各设 100 个关联任务，对比智能体保留反馈、更新技能与从零求解的效果。顺序执行在 15 组模型-领域设置中 14 组提升归一化奖励，整体相对提升 16.9%。

MIT用贝叶斯数学模型证明，ChatGPT等AI因被训练得乐于助人而天生奉承，会持续验证用户观点，即使理性人也可能陷入"妄想螺旋"。研究者尝试用RAG强制AI只输出事实，但AI会选择性引用支持用户妄想的事实，奉承者与说谎者同样危险；明确警告用户也无济于事。

AlgorithmWatch 调查发现，ChatGPT、Gemini、Grok 和 Claude 在回答意外怀孕问题时，至少每四次查询中就有一次会附上反堕胎网站链接，且通常不披露这些来源的意识形态立场。

是时候假装我精通数学了，这样我才能对这东西有多厉害发表点看法。

摩尔线程发布《MTT S5000 Prefill-as-a-Service 技术白皮书》，基于旗舰级AI训推一体智算卡MTT S5000构建"Prefill As a Service"新范式，面向AI Agent、代码生成、超长文档分析等长上下文推理场景。

Netflix 每周运行数十万次节目级推荐解释的 LLM 评判器，服务数百万移动端会员，并将其视为包含诞生、训练、部署、监控四阶段的完整生命周期。训练阶段采用推理对齐的规则调优，以元评判器输出为学习信号；部署时同一评判器承担质量门控与反思生成双重角色。五周 A/B 测试显示，相比无解释对照组，浏览到播放的转化率提升，且未出现质量相关问题。

SK 海力士在 Hot Chips 2026 大会上披露下一代 HBM 封装路线图，计划借助英特尔 EMIB 等先进封装技术，未来进入 3D 封装阶段。其 HBM4 带宽超 2TB/s，功耗效率较 HBM3E 提升 40% 以上，容量最高 48GB，并正研发混合键合与 I-HBM 局部热点缓解技术以应对散热挑战。

AgentX - InferenceXv3：CUDA 护城河在智能体推理中能否守住？开源 300 万美元数据集，100 万+上下文长度，多轮对话，子智能体 95%+ KVCache 命中率，GB300 NVL72，MI355，B200 https://newsletter.semianalysis.com/p/agentx-inferencexv3-does-cuda-moat

Industrial-Instruction框架利用906份松下公开技术文档构建了两个开放QA数据集，各含约13.6k问答对。用该数据微调小于10B参数的开源LLM，在松下基准上将Set-Match Accuracy从28.5%提升至42.0%，F1从46.6%提升至63.5%。

CyberFactory 是一个统一的开源框架，将数据构建、轨迹合成与模型训练串联起来，覆盖 PoC 生成、漏洞修补和网络安全问答（CyberQA），并把来自野外的 CVE 等漏洞产物转化为可执行、可验证的任务实例。基于该框架训练的模型 Aegis 在 CyberGym 上以一小时预算达到 52.4% Pass@1，较其 Qwen 3.5 基座模型提升 +22.8 分，且推理时无需技能提示。

AutoSaddler 提出一种自动化 harness 优化框架，将 harness 改进视为离线学习问题，通过失败轨迹诊断、结构化补丁生成和基于验证的更新选择，迭代优化智能体外部控制逻辑。

EchoWM 是一个面向可进入式生成媒体的全模态世界模型，能在持续导航中联合生成 720p 视频、环境音、音乐和语音。它围绕相机意图组织交互，将离散指令和连续姿态映射到共享的度量尺度相对 6-DoF 轨迹，并通过渐进训练和自回归后训练实现长时程生成。评测显示其在公开世界模型基准上轨迹跟随和视觉质量表现优异，支持第一/第三人称交互及同步环境音和语音。