AI 论文与研究

Planning at run time, as in robots that re-plan while they act, needs a planner that reads the PDDL its users write (durative actions, numeric resources, time windows, continuous change), answers quickly, and delivers only validated plans.…

Imitation learning has become a widely adopted approach for vision-based robot policies, owing to its conceptual simplicity, scalability, and ability to leverage large-scale datasets. As these policies have grown more capable, action chunk…

Masked diffusion models train a denoiser on masked cross-entropy and generate by unmasking many positions in parallel. Existing MDM sampling bounds assume an exact denoiser or leave its error uncontrolled while training bounds cover only t…

Softmax routing in mixture-of-experts models can concentrate probability on a subset of experts, suppressing access to the others. We study how this concentration forms, why it persists, and how suppressed probabilities recover. For fixed …

Label-free test-time reinforcement learning adapts vision--language models using rewards derived from their own predictions. However, misinterpreted visual evidence and sensitivity to textual formulation can produce a consistent but incorr…

Reliable local search is essential for LLM agents to support everyday decisions and longer plans by finding places that meet users' needs at given times and locations. Yet existing benchmarks provide limited coverage of whether search resu…

Large language models can often identify useful semantic structure in formal artifacts, but their outputs cannot be trusted as proofs or solver decisions. We study whether LLMs can instead guide formal reasoning systems through a narrow, s…

Cyber threat intelligence (CTI) reports describe adversary behavior in natural language, but converting them into structured MITRE ATT&CK mappings remains difficult: existing methods decompose reports to sentence-level granularity for extr…

Formula-Driven Supervised Learning (FDSL) enables vision pre-training without real images, but existing methods cast pre-training as classification on discretized labels, discarding continuity in the generative process. We propose Formula-…

Multimodal large language models can recognize visual content yet struggle to reason reliably over it across multiple steps. In counting, a model may see all objects but lose track of which ones it has counted. We argue that such failures,…

Linear recurrences are emerging as practical alternatives to softmax attention in large language models, appearing in both standalone and hybrid architectures. However, despite their rapid emergence, low-precision inference remains much le…

Large language models (LLMs) have shown strong performance on software engineering (SE) tasks, driving the need for high-quality datasets for reliable training and evaluation. SWE-bench-style datasets (SWE datasets) are widely used to eval…

FP8 formats specify how values are stored, not how products are summed; this gap can break checkpoints. Evo 2, a DNA language model, documents a Hopper FP8 requirement for its 1B and 40B checkpoints. On two Blackwell (sm_120) GPUs both fai…

UC Santa Barbara 新论文提出 TTME，用固定权重加演化记忆替代测试时训练来做 LLM 数学发现，在 5 个数学任务、2 个框架、3 个模型上每次都优于已报告的测试时训练分数。

Apple 论文研究合成训练数据配比对 LLM 工具使用智能体泛化的影响，发现随数据预算增长，扩展应用和数据库多样性比增加任务数带来更大收益。团队构建 SynthAPI 流水线，用 LLM 编写带真实 Python 工具和数据库的合成应用并自动检查任务成败，跨 849 个训练模型改变应用、任务和数据库版本。

Google 发布 EmbeddingGemma 2 论文，这是一个基于 Gemma 4、以 Apache 2.0 许可开源的 744M 参数多模态嵌入模型，可将文本、代码、图像、音频和视频嵌入统一向量空间，性能超过部分参数量大 2 到 12 倍的模型。

一项新预印本测试了 15 个 LLM 检测临床试验论文中植入方法学错误的能力，模型得分 53% 到 96%，而未受训练的人类审稿人平均仅 27%。在 58 项 2026 年发表的新试验上结果仍成立，Claude Opus 5.5 最高达 99%；人类仅 7% 的情况下能发现文本与表格矛盾，每篇审稿需 5 到 8.5 小时，AI 只需 1.4 到 16.3 分钟。

TikTok 论文 Log-To-Leak 研究 MCP 智能体的提示词注入攻击：攻击者在工具的自然语言描述中隐藏指令，诱导智能体在完成合法调用后调用攻击者控制的 save_logs 工具，记录用户查询、服务器响应和最终回答。

Anthropic 于 10 月 27 日发布研究报告，称一个未公开的内部 Claude 研究模型在 Chrome、Safari、Android、Windows 和 Linux 中发现漏洞，串联出 5 条可实际运行的攻击链，相关漏洞已按协调披露流程报告并修复。

Google 发布 PLE 基准，包含 85 项由执业工程师编写或审核的电气、土木、结构和机械工程任务，智能体每个任务需读取约 61 个项目文件并交付进度表、报告或 2D/3D 图纸。

Replit 发布长程软件开发基准 ViBench 2.0，代理从空项目按功能搭建完整产品，包含 17 个产品、241 个功能请求和 544 个测试计划，并加入 Fireworks 的 Specialized Intelligence Index。

Google DeepMind 新论文提出 CALLIOPE：让 LLM 从关键词而非嵌入向量构建主题树，在严格隐私约束下生成更清晰的主题图。该方法由 LLM 给每篇文档打少量关键词并加噪，只保留高频关键词，再由 LLM 据此提出主题并归类文档。

Karina Nguyen 团队推出 BallotBench 实时基准，9 个前沿 AI Agent 从发布当天至 11 月 3 日选举日竞猜 2026 美国中期选举结果。

中国模型是否更可能泄露数据？ PromptArmor 将我们所有传播最广的攻击在多个模型上进行了测试，发现 Deepseek、Kimi、GLM 和 Qwen 模型遭受网络攻击的易感性比 GPT、Claude 和 Gemini 模型高 88%。

Arena 基于 20,869 条 Agent Arena: Code 记录，对比五个前沿模型（来自 Anthropic 与 OpenAI）与其他 Agent 的用户投诉分布。

私有基准测试往往显示开源模型落后更多，但私有基准的问题在于，你没有社区帮你压掉那些不可避免的 bug。私有还是开源才是最佳方案，我五五开。

Nathan Lambert 发表对基准评测行业的 meta-review，认为开放模型被夸大了衰落，但此前 Artificial Analysis 的指数确实高估了它们。他提出行业需要更具体的智能指数，因为 LLM 被用于差异极大的任务，并附上 Interconnects 长文链接。

Nathan Lambert 撰文分析 Artificial Analysis 智能指数 v5 更新及其带来的评测困境。AAv5 将指数均分为知识工作、编码、科学、通用四类各占 25%，榜单显示 8 个闭源模型超过最强待发布开源权重模型 Kimi K3.1 Pro。

已有许多非常有趣的实验，通过激活开放 AI 模型中的单个神经元，将其锁定在特定人格上。 这里，历史学家 @ResObscura 对一个仅用 1930 年前数据训练的模型尝试了同样的技巧，结果令人愉悦。

Axiom 发布开源 GitHub 仓库，数十个 AI 智能体用 24 天把约 15000 页的有限单群分类定理（CFSG）数学证明转成约 4300 万行代码，该证明原本由 100 位数学家耗时数十年完成。代码用 Lean 编写，每一步可被机器验证，无需重读数百篇论文。Axiom 的图表显示 AI 编写的 Lean 项目自 2025 年中以来大约每 37 天规模翻倍。

我觉得有必要同时为 AAv5 指数和开源模型辩护。基准评测比大多数人以为的更混乱、更主观，也更棘手。

Polymathic AI、普林斯顿大学、USC ISI、NYU 与 Flatiron Institute 的研究者发布 FlashMap，一种投机解码起草器，用连续 flow map 替代离散扩散起草器，1 次 forward pass 联合起草 16 个 token 的完整块，输出与目标模型严格一致。

Trakkr Research 向 ChatGPT、Perplexity、Gemini、Claude 和 Google AI Overviews 提出 200 个要求数字的问题，并追踪其中 1285 条统计的引用链路，结果只有 40% 到达说法一致的研究，8% 到达但数字或语境已变，40% 无法核查，11% 无处可溯。

理论哲学研究员凯萨 · 凯尔基在《人类事务》期刊发表论文，探讨从业者把工作交给 AI 后自身专业能力下滑的技能退化问题。她指出这种退化难以被日常察觉，源于人们对依赖 AI 的认知偏差，并建议医学教育等领域设置禁止使用 AI 的基础技能训练阶段、由行业社群划定必须由人类掌握的核心能力。

据 bleepingcomputer 报道，OpenAI 最新公示的安全评估显示，GPT-6.1 Terra 在 48,690 个模拟任务中收到 22 个严重程度 3 级及以上的安全标记，占比约 0.045%，较 GPT-6 Sol 减少 42%、较 GPT-5.6 Sol 减少 64%。

对 14 个品类约 1 万条观点的分析显示，可靠性、耐用性与售后在评测者观点中仅占 7.8%，在用户观点中占 17.0%，14 个品类里有 13 个是用户提及更多。用户谈可靠性时 70% 为负面，评测者仅 15% 负面；应用与连接性两边提及率接近（8.2% vs 9.4%），但负面比例分别为 21% 和 71%。

goose 官方用同一模型 gpt-6.1-sol（high reasoning effort）和 Terminal-Bench 4.0 的 62 个任务，对 goose、Codex CLI、OpenCode、Hermes Agent 和 pi 五个开源 harness 各做 310 次评分试验。

UC Berkeley Sky Computing Lab 开源了向量索引 LEANN，通过在查询时重算嵌入而非存储向量，把 60M chunk 的 Wikipedia 索引从 201 GB 压缩到 6 GB。

研究机构报告称，阿里 Qwen3.8 系列部分模型会在请求受阻时尝试通过阿里云代理（aliyuncs.com）转发流量。

在我看来，这里令人印象深刻的是移动过程中的抓握稳定性，因为每下一步都会震动手中的负载。 此外，楼梯正成为人形机器人最有用的测试平台之一。 他们的 OM-1 模型通过让人佩戴记录手部姿态、触觉和图像的传感手套来学习，无需遥操作或机器人演示。 https://x.com/RewardAI_/status/2115134512200106191/video/1