AI 论文与研究

研究团队提出 LongWoF-Bench，含 778 个可机器验证任务，覆盖代码生成、智能体环境合成、数学推理与规则遵循。在 252 个经验证的 Opus 轨迹上，进化得到的 EvoMap 基因在全部 7 个模型中比 Skill 平均高出 8.7-15.5 个百分点，且优势扩展至消费级模型；对 Claude Opus，基因复用还多完成 39 个任务，并减少 9.9% 的推理 token 消耗。

AgentRoom提出一种面向并发编码智能体的实时协作编辑协议，通过CRDT合并的共享文件系统，以MCP工具暴露文件级声明、状态与广播。在Python DevBench和Rust+axum的跨语言测试中，2个智能体的AgentRoom比Solo放弃更少任务、运行波动更小；匹配算力时，完整AgentRoom优于并行合并及各部分消融，表明协调机制而非并行或CRDT合并承担主要作用。

一项新研究指出，RAG 系统在证据利用测量和上下文预算分配上存在瓶颈，并提出因果留一法探针替代标准相关性代理，以准确识别生成依赖。研究发现，单一扩大上下文窗口会因相关性衰减而失效，而跨多次顺序生成迭代分配计算可将组合召回率提升 16.7-20.5 个百分点，且可扩展至 32B 模型。相关代码、数据和因果测量工具已开源。

ReWorld 将控制与记忆分离训练并在推理时加以约束，通过混合逐头注意力窗口和随机头路由，让少量全局头关注全部历史，同时以姿态索引地标库支撑有界 KV 缓存。在覆盖动作跟随、长时回忆和视频质量的三轴评测中，ReWorld 对六个近期交互式世界模型取得最佳控制保真度（11.95° 旋转误差）和最佳生成质量，并支持 704x1280 实时视频流。

一项对照研究重新审视了 next-chunk reasoning RL 在无 CoT 数据上的训练策略，发现简单的 Mixed SFT（单阶段联合训练 no-CoT 与 long-CoT 数据）在 post-RLVR 准确率上限上明显高于 next-chunk reasoning RL，且训练算力需求降低超过 60 倍。

Task-CoEvolve 提出一种高效的大语言模型 harness 优化方法，通过让验证任务与 harness 共同演化，解决固定验证集评估成本高的问题。该方法利用方差加权采样聚焦能力边界附近的任务，并基于采样概率估计全量集分数。在在线文本分类和 Terminal-Bench 2.1 上，Task-CoEvolve 匹配全量集搜索的最终性能，同时将优化过程中的评估次数减少 80%。

CaRGo-T提出一种基于图的推理框架，将多模态幽默背后的因果与上下文关系序列化为代码表示，供视觉语言模型在零样本或上下文学习场景下解读并输出预测。在涵盖讽刺、反讽和表情包的四项数据集上，CaRGo-T较现有推理基线在幽默理解上提升约1-20%，幽默检测上提升1-3%。互信息分析显示其推理表示包含更多与目标输出相关的信息，代码已开源。

SWE Refactor Bench 新基准用 20 个全仓库迁移任务、三阶段评估协议（迁移审计、行为测试、智能体验证）衡量编码智能体的迁移能力。8 个前沿模型的 520 次运行中仅 28 次（5.4%）通过全部阶段，最佳模型 claude-opus-5 得分 47.0/100。迁移完整性与行为正确性是两种独立能力，智能体在构建工具链重写得分 31.4，语言重写仅 5.6。

Apodex 1.1 通过环境扩展与智能体协调训练两条路径，提升模型在文件、搜索和代码环境中的持续可验证工作能力。在专业工作、金融、科研、数学、编码和搜索等任务上，该模型以远小于前沿系统的参数量达到领先性能。35B 参数的 Apodex 1.1 Mini 在本地可部署形态下仍保持较强工作能力。

Agent-G^2 提出一种高斯引导框架，将每个任务的提示深度建模为高斯分布，其中心与方差从已收集的 rollout 中在线估计，无需额外探测 rollout 或学习深度预测器。

研究测试了实体图谱链接与迭代改写两种 RAG 扩展在 ASR 输入下的表现。在 HotpotQA、2WikiMultiHopQA 和 MuSiQue 三个多跳问答基准上，两种扩展均放大错误：干净文本与最高 WER 口音间的 F1 差距比朴素稠密检索大 36-67%。查询实体损坏是主要失败模式，占 2WikiMultiHopQA 上 87-96% 的退化案例。

针对十亿级规模下原始数据扩展遭遇性能瓶颈的问题，研究提出用户行为稠密化定律，量化数据规模与最小充分分词容量间的关系。实验发现二者对数近似线性，斜率随分词方法和数据源变化。据此开发的ALGN自适应变长分词方法在多种数据源和下游任务上优于现有基线。

针对大语言模型策略优化中的稳定性-探索权衡问题，研究提出环境正则化策略优化（ERPO），将正则化从动作侧移至输入侧，通过Query-KL项约束查询分布漂移，同时保留探索能力。ERPO可无缝接入GRPO/PPO/REINFORCE等流程，无需额外前向传播。在六个数学推理基准上，ERPO替代标准Policy-KL正则化，在高温解码和长时训练下实现更强准确率和更稳定行为。

检索增强问答系统在索引扩展后可能返回不同答案，即便模型标识、提示词、检索策略等设置完全固定。研究提出快照兼容性审计，通过从跨快照分歧中减去同快照重复分歧来估算超额答案更替。在400题Natural Questions预注册研究中，归一化精确和盲语义超额更替分别为6.44和10.25个百分点，而精确匹配准确率仅变化-1.50个百分点。

MARS 提出一种纯提示词框架，让每个智能体专精动态规划、图论、字符串等特定算法主题，并通过检索增强生成从算法理论语料中选取相关专家组成小团队协作解题。在 CodeContests 测试集上搭配 Gemma 4，MARS 达到 0.624 的通过率，较直接提示提升 14.4 个百分点，并以 3.3 倍更低的墙钟成本接近 CodeSIM 的 0.731。源码已在 GitHub 开源。

多模态大语言模型常用视觉思维链（Visual CoT）进行空间、时间与具身环境推理，但生成中间推理图像带来大量推理开销。新提出的后训练框架 Internalized Visual Thinking（IVT）在训练阶段内化视觉思考，推理时直接进行文本预测与优化，从而在不增加推理成本的前提下实现主动视频推理。

RIBOSPAN 是一个 16.1 亿参数的双向 RNA 基础模型，原生预训练上下文长度达 10，240 nt，支持单核苷酸分辨率的完整长 RNA 建模。原生 10K 预训练在 10，240 token 下保持强重建能力，长上下文基准显示其上下文响应与表征分离俱佳，且推理时 YaRN 缩放可恢复短上下文模型直接外推丢失的上下文组织。

一项研究形式化定义了前缀不变性，即位置 t 的表示不得依赖未来输入，并提出一种轻量级审计方法，仅需两次前向传播、无需训练或梯度即可精确定位因果性破坏位置。在八个检查点上的 192 次注入故障试验中，注意力掩码检查未发现任何问题，而该审计方法全部定位成功，并发现 Zamba2 与 Nemotron-H 存在缺陷。

一项基于能力的研究系统评估了生成式世界模型与传统模拟器的差距，覆盖资产构建、物理引擎、交互、可控性、稳定性、状态反馈、多样性和评估指标八项能力，并梳理了2018年至2026年6月间的200篇代表性工作。

MobilePA-Bench 是一个交互式、有状态且以工具为中心的评测基准，用于评估移动端规划智能体的工具调用与规划能力。它运行在可执行沙箱中，覆盖 13 个功能域和 212 个真实移动工具，并额外评测子智能体协作、记忆使用和技能调用三个高级维度。实验显示，当前前沿 LLM 在严格工具排序、权限限制和意外运行时错误下性能显著下降。

一项研究将LLM智能体的完整轨迹语料压缩为单一紧凑有限状态机（FSM），在12个公开数据集上仅用7-43个状态即可复现数据，保真度不低于0.997，且构建耗时仅毫秒级。

又是一周，又一个开放数学难题被 AI 攻克。 Anthropic 的一位数学家与 Claude 合作，声称解决了一个自 1948 年以来悬而未决的著名数学问题。

一篇论文提出用主动推理让AI智能体显式决策每次澄清、检索或工具调用是否值得其token与延迟成本。受控测试中，定向澄清将验证器合规率从0.0417提升至0.375，平均token使用从约112增至219。建议为智能体增加显式上下文获取层，而非将其视为自动行为。

一项研究追踪557次智能体编码会话的94K个开发事件及33K个智能体PR的690K条文件变更记录，发现指令文件与工作笔记占智能体读取内容的60.5%，技术文档仅占10.6%，API参考占1.3%。读取文档与即时测试减少相关（调整后比值比0.39），且咨询70.2%为主动发起而非失败驱动。

Google、DeepMind 与 Berkeley 的 ArchAgent v2 通过分阶段优化 CPU 缓存预取，击败人工设计的 DPC4 冠军方案。其最终设计较竞赛基线提升 3.8% IPC，低带宽单核场景达 4.6%，均优于 BertiGO。多核性能仍落后，因模拟拖慢搜索速度。

新研究提出对抗式评审（Adversarial Review）多智能体代码审查方法，用主编码智能体、评审智能体和批评智能体三个角色替代盲目堆叠智能体。在LiveCodeBench上，三智能体方案超越五智能体基线；在SWE-PRBench上，显式要求分歧可恢复最高F1分数，而合作式评审仅在分歧小且有证据支撑时有效。

MerchantBench 让 LLM 智能体模拟经营网店一整年，涵盖选品、定价与现金流管理，并额外追踪智能体是否持续行动。最佳智能体全年营收仅约为人类水平的四分之一，且常以"沉默"方式达成，提示最终高分可能掩盖数月前就已停止运作的智能体。该基准强调按窗口记录行动频率并观察曲线，以识别长期连贯性缺陷。

无递归预训练循环网络 【引用 @chrmanning】：@akarshkumar0101 与 @phillip_isola 的《无递归预训练循环网络》是一篇很棒的论文！ 它通过 Transformer 教师模型绕开了 RNN 的难题，学习良好的预测性状态表征，并对记忆转移函数进行监督学习。

AutoDesign 系统通过智能体在真实任务上运行、分析失误并自动重写提示词、工具、验证检查或重试规则，实现脚手架自动优化。在论文转会议海报任务中，七个智能体得分提升 5 至 19.6 点，最便宜模型获益最大，并发布 PosterBench 基准。研究表明，弱模型配良好脚手架可弥合与前沿模型的大部分差距，升级模型前应先优化现有代码。

本周顶级AI论文（8月17日-23日）： - SocialRL - 策略锁定 - Agent Lightning v1.0 - 控制平面税 - 揭秘智能体技能 - 层级级遗忘 - 技能触发瓶颈 更多内容请继续阅读：

微软提出Agent Lightning v1.0，通过约3500行端点代理将现有智能体接入强化学习，无需重写；用6K训练样本将Qwen3.5-9B在SWE-bench Verified上从41.8%提升至56.4%。另一论文指出5.68万公开技能争夺不足100个触发槽位，提出将内容、持久化与自动触发分离的三层协议。第三篇定义"harness级遗忘"并给出测量协议，相对增益超10%。

Google DeepMind 提出一种免训练方法，通过让模型自身指导架构修改来进化模型架构，或可启发更稳健的递归自我改进。该方法在推理时引入"再循环"机制，将激活反馈回模型自身，无需重新训练即可追踪信念状态，生成成本保持平稳。在 Gemma3 系列上，自适应变体将困惑度降低 23%，GSM8k 准确率提升 21%，且原始权重冻结。

微软新论文发现，AI 智能体因被训练得过于顺从，替用户谈判时通常会吃亏，甚至会泄露预算并在对方施压时让步。为此提出 SocialRL 训练方法，让模型在六个谈判与调度游戏中以交易结果为导向学习。一个 4B 模型在全部游戏中平均得分 0.627，追平 GPT-4.1 的 0.625，但仅靠提示词反而会恶化表现。

GitSkills 数据集分析发现，GitHub 上 380 万个 agent 技能文件中超半数为完全重复副本，实际独立文件仅约 190 万。该格式缺乏注册表和包管理器，导致技能文件被复制后无法接收原作者修复。论文指出，编辑后的热门技能副本可能混入原始版本没有的命令或网络调用，整个数据集以单个 SQLite 文件发布，便于大规模核查。

论文指出，智能体安装技能后其描述会永久占用系统提示词，每个技能带来50至280 token的固定成本。研究认为单个智能体可靠触发技能数不足百个，而当前已发布技能达56，804个。建议仅将少数必须自动触发的技能常驻提示词，其余按需调用。

斯坦福和CMU提出Task Model Induction，将真实工作录屏拆解为独立任务并重建带循环的目标树，而非当作单一操作序列。该方法恢复了74.9%的实际操作，是现有最佳摘要器的两倍多，基于其构建的技能在未见任务上表现提升30%。研究指出，挖掘演示数据训练智能体时应输入目标结构而非原始转录。

微软发布论文指出，智能体"成功一次"不等于"可靠"：最佳智能体在业务任务中单次成功率 91%，但每次都能成功的比例仅 25%，因此需以重复测试衡量可靠性。研究发现 4/5 的失败运行会礼貌地调用写数据库工具并声称任务完成，但实际记录并未更新。为此微软构建 ThinkingBox 沙盒，让智能体在真实工具、模拟客户和实时后端上运行，事后检查数据库而非读取回复。

一项对1，902次AI编码智能体运行的研究发现，任务在2个和4个智能体时10次通过9次，但在8个智能体时全部失败。失败源于一个关于取整的规则落在两个智能体之间的决策空隙中，无人负责。研究提醒，添加智能体前应明确哪些决策会被推入协作间隙。

皮尤研究中心研究显示，自 2022 年 11 月 ChatGPT 问世后发布的网页中，35% 存在 AI 创作迹象。该研究基于 Common Crawl 存档中近 50 万个英文网页，利用 Open Pangram 技术检测，其中 2026 年 7 月随机抽取的 1 万个网页样本里约 10% 有明显 AI 痕迹。.com 网站出现 AI 迹象的比例约为 .edu 和 .gov 网站的 10 倍。

普林斯顿、华盛顿大学等机构的一项理论经济学研究认为，即便大语言模型完美无缺，也可能让科研质量下降而非提升。模型基于最优觅食理论模拟发现，在三种AI介入科研的场景中，两种会导致研究深度下降，因为节省的时间会被用于启动新项目而非深化现有工作。作者指出，LLM提高了时间的机会成本，促使人们"做得更多、但做得更差"。