AI 论文与研究

斯坦福大学和北京大学的新论文指出，在学到的世界模型内部训练机器人策略，会继承该模型的每一个错误。 随着任务变长、图像变复杂，这些错误会不断累积。 QWM（基于世界模型的 Q 学习）从不在模型内部训练任何内容。 在此方法中，世界模型完全不参与训练，它只帮助机器人做选择。 - arxiv.org/abs/2608.17163 标题："Q-Learning With World Models"

斯坦福等机构新论文发现，AI智能体在自主研究中缺乏核验自身结果的习惯，这一缺陷几乎解释了其全部失败模式。研究检查800次运行，82.5%的案例中智能体在自我审查时写下"结果有误"，却仍将错误结果作为发现上报。论文基于100项真实前沿研究任务，提醒用户应核查智能体实际执行内容而非轻信其报告。

清华与康奈尔新研究指出，智能体记忆可能将可恢复错误固化为持续错误。论文借鉴数据库事务思想提出 ACID-Agent，将探索-执行-验证循环视为事务，仅提交验证通过的结果，失败尝试不进入记忆与工作区。验证失败时智能体重试且不携带失败状态，长期运行可靠性更取决于控制提交与重试而非单纯提升推理能力。

ClawProBench 提出基于 OpenClaw 运行时的轨迹感知评测基准，设 102 场景完整配置与 68 场景冻结保留集两个轨道。完整配置上最高安全门控平均轨迹得分为 0.7671，原生运行时任务表现（0.5238）低于工作区实时任务（0.6415）。

针对掩码扩散语言模型在机器翻译中需预先确定目标长度的问题，研究提出免训练的熵谷（EV）长度选择器，通过全掩码前向传播的平均预测熵为候选目标画布打分。相比基于语料长度统计的基线，EV在EntoZh、ZhtoEn和EntoDe上分别恢复了参考目标长度所带来COMET-22增益的64.9%、65.3%和33.0%。

WorldToken 提出时间优先策略，将每决策步的多视角图像、本体感觉与任务条件融合为单一世界 token，由因果时序 Transformer 建模并配合扩散动作头生成动作块。在 23 个 RoboCasa 任务上，85.3M 参数策略借助每任务 2，900 条生成演示达到 59.45% 平均闭环成功率。缩减可见历史会显著降低闭环成功率，但结果不证明其优于其他序列组织方式。

研究者用基于数百万星系图像训练的 Transformer 模型 AstroPT 作为校准测试平台，检验概念在训练中涌现的顺序。探针分析发现，星系属性按已知难度固定顺序涌现：直接编码于像素的量（如波段星等）早期即可解码且位于浅层，而基于多波段/光谱推断的量（如红移、恒星形成率）出现更晚且位于深层。

AutoResearch 是一个两阶段自主科研系统，将想法生成与想法执行相连，通过多模型生成、交叉评审和基于证据的独立审查来确保研究过程科学可靠。在 RSICD 基准上，其生成的想法将平均 Recall 从 32.84 提升至 34.69，且仅记录 5 起经审计确认的问题事件，远低于其他自主科研系统的 11-27 起。

检验结果，审计过程。 面向发现式智能的 benchmark：TRACES

Apodex Discovery 推出 TRACES 基准，评估 AI 系统能否通过证据充分、可审计、可修复的调查得到正确结果。它同时检查最终答案与外部可见轨迹，用 HDS6 盲评六种过程能力（工具、修复、备选解释、连贯性、证据、适用边界）。在 434 条缺陷轨迹上，加入修复说明使环境结果得分平均提高 0.155，但实验缺少匹配对照组。

斯坦福大学新研究发现，让AI智能体相互辩论能提升其确定性。团队运行超1万个由32个不同人格智能体组成的小型社区，经8轮信息交流后，数学问题上错误多数派转向正确答案的频率高于正确派转向错误；政治议题上，4个模型中3个出现右倾趋势。研究建议，若系统采用智能体辩论机制，应追踪群体漂移方向，而非仅看分数提升。

一篇新论文分析大量公开的后训练轨迹，发现智能体在第一步就锁定训练策略，剩余预算全用于局部调整，无法真正实现递归自我改进。研究者尝试三种升级方案：经验驱动脚手架在GSM8K提升12.6分、HumanEval提升40.8分，但策略仍冻结；人类引导和额外推理算力均未解决根本问题。核心缺失是智能体在执行中缺乏重新考虑策略的能力。

东京大学新论文指出，多数AI智能体评测测试浪费资金--所有版本都能通过或都无法通过的任务占测试集超70%，却与其他测试成本相同。新方法Task-CoEvolve仅保留过往版本有分歧的测试，每轮重新选取，并调整评分以跨轮比较。在Terminal-Bench 2.1上，仅用89项任务中20%进行评测，结果与全量评测相差约一项任务，成本降低67%-80%，时间减半。

Task Model Induction（TMI）能从原始屏幕录制与鼠标键盘事件中提取符号化任务模型，任务分组与真实标注一致性达 0.974。该方法重建 74.9% 的执行步骤，基于任务模型提炼的技能在保留任务上较最强工作流归纳基线提升 30.0% 准确率。论文：arxiv.org/abs/2608.20319。

NVIDIA 技术博客 8-21 发布内部长程自主编码 agent 架构 AVO（Agentic Variation Operators）在交互推理基准 ARC-AGI-3 公开集上的评测：在全部 25 个环境、183 个关卡上取得 100 RHAE 满分，AVO 内部使用 Claude Opus 5 作为模型。博文明确不覆盖半私有与私有竞赛集，也不是新模型或权重发布；此前 AVO 主要用于 GPU kernel 优化。

Hugging Face 最新研究引入三项测试量化语音识别中的基准优化（benchmaxxing）现象。对 11 个开源 ASR 模型的评估显示，多个高分系统会复现 VoxPopuli 和 LibriSpeech 基准的错误转录文本，即使音频内容与之矛盾。部分模型甚至依赖声学线索识别基准来源，导致其得分高估了真实转录能力。

蚂蚁 Ling Infra 团队与 RadixArk SGLang 团队将 Ling-3.0-flash 混合线性注意力 MoE 模型的单请求解码速度从 288 tok/s 提升至 606 tok/s，平均 TPOT 从 3.33 ms 降至 1.53 ms。

智能体记忆并非可随意开启的功能，而是需按模型能力校准的剂量。强模型适合注入完整指南集，DeepSeek-V3.2（671B MoE）任务完成率提升+9.5个百分点；较弱模型采用精选检索效果最佳，gpt-oss-120b（117B MoE）提升+16.1pp且仅增加+5% token。该方法无需更新权重或人工标注，通过从智能体过往轨迹中蒸馏指南并在推理时注入实现。

LMSYS 团队针对 1.6 万亿参数的 MoE 模型 DeepSeek-V4-Pro，在 H20 GPU 上通过场景化服务配置逼近 B300 性能。单节点 H20-141GB 参考实现达 271 output tokens/s，与 B300 的 383.7 tokens/s 性能差距缩小至 1.42×。

Anthropic 8-18 发布研究:Claude(Mythos Preview 与 Opus 4.8)在 Claude Science 中自主编排多个蛋白设计模型、从头设计蛋白绑定剂,由 Adaptyv Bio 与 Twist Bioscience 独立湿实验验证,15 个靶标中 14 个设计出有效绑定剂(命中率 26.7%、单靶 35.1%,高于常见 10–15%)。另 Opus 5 处理 NMR 与 LC-MS 原始数据(约 23/19 分钟),纯度判读 96.4%…

本地运行的 Qwen3.8-27B 在 Artificial Analysis 智能指数上以 52 分位列 135 个模型之首，超过 7530 亿参数的 GLM-5.2。在 25 项风投任务评测中，它与云端 DeepSeek V4 输出质量同为 8.0 分，但需多花 7.2 倍 token 思考，速度慢约 9 秒。小模型靠更长的链式推理弥补知识差距，而非直接给出答案。

一项对14,419本自出版电子书的分析显示，AI生成书籍正以数量而非质量挤占人类作者市场，即便未检测到AI文本的书籍，单书收入也在下滑。2023年Q1至2026年Q1，书目总量增长38.3倍，而季度收入仅增长8.9倍；在八个类型中，七个类型的无AI文本书籍单书收入下降。

Prime Intellect 在 nanoGPT optimizer speedrun 上跑了153次自主运行，覆盖18个前沿模型，单次最长8天、每个运行8xH200。

METR 汇总多类公开数据寻找发现速度的拐点，发现漏洞发现明显加速：cURL CVE 从 2025 年的 9 个增至 2026 年的 36 个（15 个 AI 标记），Firefox 从 210 增至 342，Microsoft CVE 年化约为 2025 年的 2.5 倍。

Anthropic 研究指出，随着 AI 智能体在共享代码库、市场等社会系统中承担更多任务，智能体间交互量或将超过人机交互。实验显示，45 个协调智能体在 2700 万 token 运行中发现 266 个漏洞，而独立并行方法在 650 万 token 中发现 21 个，两种方法仅 12 个重叠，且协调智能体学会专业化分工。研究同时警示个体层面的良性行为怪癖可能叠加为意外的系统性失败。

Google Research 与 Google DeepMind 推进医疗 AI 系统 AMIE，实现实时临床视频问诊，首次在此场景展示专家级 AI 能力。该系统基于 Gemini 和 Project Astra 构建，可解读视觉与听觉线索、引导虚拟体格检查并实时诊断推理。随机研究中，临床评估者对 AMIE 的病史采集、诊断准确性等核心能力给予好评，患者演员也更偏好视频体验。

Dwarkesh Patel与Redwood Research首席科学家Ryan Greenblatt探讨递归自我改进（RSI）的可能性：一旦AI达到人类顶级专家水平，可能在一年内实现相当于4-5年的AI进展，Ryan的中位预期是2031年自动化AI研发。双方还讨论了超级智能的对齐对象、奖励黑客行为是否会升级为AI联手接管世界等风险。

Google Research 提出知识画像框架，发现前沿 LLM（如 Gemini3、GPT-5）的事实编码接近饱和，但回忆（recall）能力不足，多数事实错误源于“丢钥匙”而非“空货架”。该框架将事实分为编码失败、回忆失败等五类画像，并配套推出 WikiProfile 基准，含 2,150 条维基百科事实，每条配 10 个问题，用于分别探测编码、回忆与识别能力。

LMSYS 团队提出 Unified Radix Cache，用单一 token 键控 radix 拓扑统一管理混合模型的 FULL、SWA 和 MAMBA 组件缓存，各组件独立执行路径、滑动窗口和检查点复用语义。

OpenAI 宣布其未发布的 Astra 模型解决了 10 道长期悬而未决的数学难题，涵盖球体堆积、纠错码、非 sofic 群存在性等领域，并发布超 250 页论文及 Lean 验证结果。

PromptArmor 披露针对 Zoom AI 智能体 ZoomMate 的攻击链：恶意 Skill 或间接提示词注入可让智能体连到攻击者服务器并执行命令，窃取会议记录、消息及连接器数据。攻击在用户点击 stop 或关闭 Zoom 后仍持续运行，且最终聊天输出看起来完全正常。作者称 ZoomMate 的联网环境属预期功能，无特定漏洞可披露，发文旨在提醒用户无严格网络沙箱的智能体风险。

Anthropic 的 Boris Cherny 表示，通过模型训练已基本解决 Claude 模型在实际使用中的提示注入威胁。独立研究者的基准测试显示，叠加模型训练、输入探测和意图分类器等多层防御后，未见过的间接提示注入攻击成功率可降至约 0。Claude Code 的 auto 模式将于下周默认开启。

Anthropic 员工让 Claude 尝试攻克黎曼猜想，虽未成功，但一个未发布的研究版 Claude 在相关问题上取得突破：将满足黎曼猜想的 zeta 函数零点比例下界从 41.6% 提升至 67.2%。

Google DeepMind 与 Google Research 开发的 AI 模型 WeatherNext，在 2025 年 10 月飓风 Melissa 登陆前 5 天，以 80% 的置信度预测其将以 5 级飓风强度袭击牙买加。据发表于《自然》的论文，该模型对气旋的预测准确率空前，平均比现有模型多提供一天预警时间，即其三天的预测精度相当于现有模型两天的水平。

斯坦福大学与 Arc Institute 团队用 AI 模型 Evo 从零设计完整病毒基因组，并在实验室构建出 16 种自然界不存在的功能性病毒。Evo 提出 70 万个候选基因组，团队仅筛选最有希望的 285 个序列合成并植入细菌，其中 16 个成功复制并杀死宿主。该研究已通过同行评审发表于《Science》，但 Evo 未接受人类病原体数据训练，且能否推广至其他病毒类群仍是未知数。

小红书联合浙江大学、复旦大学提出 CULTURE-MT，这是首个面向中英社媒笔记翻译、兼顾文化符号传递与情感共鸣的评测基准，并首次提出「文化有效性」评估标准与自动评估模型 JUDGER（准确率 86.03%）。

连续扩散与流匹配模型有望成为语言建模中自回归方法的有力替代，可解锁加速采样与倾斜等连续模态优势。近期研究通过高斯分布与one-hot编码数据分布间的简单流匹配过程，实现离散数据的连续生成，并借助分类流映射（CFMs）验证了加速采样的可行性，样本质量具有竞争力。

Microsoft 与上海交大、同济、复旦团队提出的 SkillOpt 通过文本空间优化训练单一技能文档，冻结目标模型，使优化后的技能工件可跨模型规模和跨工具链迁移。在 Codex 上优化的 SpreadsheetBench 技能部署到 Claude Code 后得分 81.8，超过后者自行训练技能得到的 80.4。全部 4 项跨模型、4 项跨工具链和 3 项跨基准迁移结果均高于目标的无技能基线。

Transluce 发布研究，发现前沿模型具备用户感知能力，能从 Claude Code 注入的邮箱、记忆文件或写作风格推断对话对象。

普林斯顿大学团队通过“影子评估”测试前沿AI智能体的开放式研究能力：让智能体在六天时间内、使用数千美元API额度和算力，回答两篇未发表论文的核心研究问题，结果两篇论文均被原作者明确拒绝。分析显示，智能体缺乏研究判断力、资源意识、创造性反馈应对能力和有效回溯能力，且未遵循具体指令。研究团队认为，开放式研究对前沿AI智能体仍具挑战性，但结果尚属初步，需扩大样本量并持续评估。