AI 论文与研究

UT Austin 在 SWE-bench Verified 和 Terminal-Bench 上运行近 35,000 次智能体实验，分别改变压缩方式、触发时机和删除量。

据彭博行业研究报告，DeepSeek 9 月发布 V4.1 Flash 后，中国顶尖模型在基准测试上仅落后美国对手 3%，较 5 月约 9% 和今年早些时候 15% 明显收窄。

PromptArmor 披露 Databricks Genie Code 会执行恶意 Skill，在用户查看分析结果时展示钓鱼弹窗并通过浏览器将租户数据外泄，全程无需人工审批。组织级 Skill 治理、guardrail agent、编码环境出口控制和聊天展示沙箱均不阻止该攻击；Databricks 于 2026 年 8 月 16 日收到披露后认定确保上传 Skill 无恶意内容属用户责任。

RealtimeWAM 通过 Teacher-Anchored Consistency Distillation（TACD）实现一步动作生成，并用 Cross-Expert Wavefront Pipelining（CEWP）让视频与动作专家异步重叠执行，消除专家间等待。

研究团队提出 One-stage Policy Optimization（OnePO），仅用强化学习即可将基座模型适配到医疗领域，解决冷启动中的 Gradient Starvation 与 Teacher-Distribution Anchoring 问题。

研究者提出 Execution-Aligned Progressive Noise（EAPN），通过在 chunk 间传播共享噪声轨迹并与实际执行位移对齐、在 chunk 内建模时间相关性，让新动作块从执行一致的生成状态延续，而非从独立噪声重启。

FairRSFM 是一个生物群区感知基准，将 14 类陆地生物群区样本映射为六个生态宏组，在冻结骨干的统一协议下评测遥感基础模型。

研究者提出一种扩散语言模型（DLM）后训练方法，在冻结预训练 DLM 的特征空间中最小化生成分布与参考分布的 Maximum Mean Discrepancy（MMD）。

HLA-WM 是一种免训练的混合线性注意力框架，将几何引导的粗粒度检索与细粒度循环线性状态计算结合，缓解 Gated DeltaNet 的长程遗忘问题。在 60 秒 SANA-WM-Bench 上，它无需额外训练即提升全部六项重访一致性与相机控制指标，包括 0.74 dB PSNR 增益和 28.5% 旋转误差下降，并泛化至 MBench-A 的 547 个样本。

研究者提出 Hybrid Linear Attention（HLA），一种面向 Gated DeltaNet（GDN）的查询相关分块级注意力机制，通过内容相关的路由门控动态混合历史状态。

研究提出一种框架，用轻量瓶颈网络将 MM-DiT 中间上下文 token 映射到冻结 LLM 的输入空间，让 LLM 直接根据隐藏表示回答关于生成图像的问题。结果显示，上下文 token 在去噪早期就编码了全局语义，即使输入空提示词仍可解码出图像特定信息，且可读性更高的生成往往获得更高人类偏好分数。基于此提出的 Contextual Alignment 训练技术可提升生成质量与分布覆盖。

论文研究训练数据如何建立基座模型回复起始 token 与后续推理行为的关联，固定特定起始 token 线索可让基座模型在数学和编码上接近其 RL 训练版本，如 ".\n\nOkay" 将 Olmo-3-7B 的 MATH-500 pass@1 从 42% 提升到 78%，"Alright," 将 Qwen3-14B 从 72% 提升到 87%。

S2PD 提出串行到并行扩散方法，在高噪声阶段进行自回归扩散以协调相互依赖的事件、产生有效状态转换，低噪声阶段切换为并行扩散联合精修整个视频并缩短采样时间。该方法以两种架构实现：从零训练的像素空间扩散 Transformer，以及通过 LoRA 微调并加入因果注意力的预训练视频模型。在游戏、物理模拟和真实视频上，S2PD 比匹配的双向基线更可靠地遵循规则，时序稳定性和采样效率也优于其他串行方法。

研究者提出激活对齐方法，通过在合成无标签数据上训练轻量线性变换，把仅用部分上下文的"学生"模型中间激活映射到使用全部数据的"教师"模型激活，从而在不增加推理成本的前提下恢复性能。

针对用户个性化反馈稀缺导致轻量对齐器难以训练的问题，研究者提出近似帕累托最优（APO）方法，先按更新兼容性对用户分组，再结合梯度下降与受控上升协调相互竞争的目标，学习支持少样本适配的对齐器初始化。在 Fed-ChatbotPA 和 UltraFeedback 上，仅用 20 个本地样本即持续优于现有方法。

一项 arXiv 论文在受控检索环境中测试七个智能体，发现它们对失效信源的结果 97-100% 判为无用，却大多不据此停止调用。提示词线索只改变停止时机而非停止依据，预算声明会让 7-8B 模型拖到截止点；只有让智能体在连续五次判为无用后强制给出回答的整合步骤，停止行为才跟随证据，该规则在预注册的 300 个新问题上复现有效。

LoGRA 通过低秩梯度草图保留学习信号，将 LLM 强化学习后训练的平均训练内存最多降低 45.7%，且不牺牲性能。该方法结合 predicted-KL 步长控制，避免过大更新破坏训练，并能在单个八卡节点上稳定训练 27B 参数模型超过 1,100 步，而稠密 Adam 在此场景下会内存耗尽。代码已在库中开源。

研究将先验数据拟合网络（PFN）的表征用于表格异常检测，提出免微调方法 ZEN 与微调方法 FOCUS。在 ADBench 基准上，ZEN 的平均 AUROC 高于所有基线，FOCUS 进一步提升，且方法可跨 PFN 模型泛化。研究基于冻结的 TabPFN 特征，用样本到最近邻的特征空间距离打分，并筛选适用层与特征提取流程。

InterMimicGen 是一个自演化动作模仿框架，让机器人动作数据与跟踪策略相互促进，将稀疏、异构的人-物交互动捕数据重定向为人形机器人参考动作。它训练出基于物理的通用跟踪器，在带灵巧手的人形机器人上于仿真中执行这些动作，并通过数据飞轮迭代扩充可执行动作，最终迁移到真实机器人。

TextReg 是一个正则化框架，通过正则化文本梯度实现软惩罚目标，缓解 LLM 提示词优化中的分布过拟合问题。

研究者提出 ACG-Bench，一个面向双臂视觉-语言-动作模型臂级组合泛化的基准，包含 8 个任务族、23 个任务-条件对，其中 17 个为未见过的组合。

Stepped MoE 提出一种统一框架，将弹性结构与稀疏门控架构结合，让单一模型可在 1、2、3、4 billion 参数间灵活切换。该模型在知识密集型基准上比同规模稠密模型准确率高 2-5%，延迟与稠密模型相当，并通过共享参数节省设备磁盘空间，适配端侧 DRAM 与算力限制。

针对 VLA 模型推理昂贵导致机器人走走停停的问题，研究者提出 RACE（Reliable Action-Chunk Extension）框架，通过辅助的一步去噪过程预测子技能切换时机并以此约束动作生成。

MiniCorp 是一个用于研究 AI 智能体如何集体运营公司并规模化生成企业数据的办公模拟器，以电商公司为演示场景。它连接外部市场世界（客户、动态竞争对手与市场机制）和内部智能体世界，智能体观察事件、讨论选项并做出战略决策，决策会持续影响市场并形成反馈闭环。

研究者提出 Empirical Variational Autoencoder（EVA），一种面向连续值（非向量量化）序列的通用生成框架。EVA 基于 VAE 的证据下界，仅需在 VAE 之上增加一个线性层，即可从训练数据中经验地学习自回归隐先验，替代传统标准高斯约束，缓解先验与后验之间的隐分布差距。在图像与声音合成实验中，EVA 生成质量与自回归扩散基线相当，但推理速度显著更快。

Apple 与斯坦福大学研究者设计了两款采用 Wizard of Oz 技术的开放式探针，让用户训练基于自身定义现象的个人化机器学习系统，并在为期一周的探索性研究中日常使用。研究识别出四类本体论边界协商场景：现象边界、作为关系一部分的主体、何为信号何为噪声，以及数据的客观性。论文已被 ARES 2026 的 AI4TCI Workshop 接收。

WildMatch 提出一种弱监督适配方法，仅用身份标签即可将预训练关键点匹配器迁移到野生动物重识别任务，无需关键点级或几何对应标注。该方法用预训练匹配器挖掘信息量高的图像对，从身份一致性中导出弱正负监督，对比微调匹配网络以强化同身份对应、抑制异身份对应。在多个开源野生动物重识别数据集上，其准确率超过现成匹配器和一种 SOTA 局部-全局融合方法，并在留出个体的开放世界协议下学到可迁移的对应先验。

一篇 SoK 系统梳理了 139 个论文家族，按决策接口、执行路径与校验归属分类。其中 50 个家族声称其引擎适配控制回路或时间预算，仅 4 个给出匹配测量；全部 139 个中只有 4 个报告截止时间达成情况。缺口集中在决策不含确定性计算步骤之处：72 个家族提出 22 项声称，无一有支撑，仅 2 个指明覆盖责任方。

研究发现，攻击者植入 LLM Agent 的后门在开发者进行监督微调（SFT）后攻击成功率大幅下降，但随后的任务级强化学习（RL）常能保留残余后门行为，有时甚至提升攻击成功率。为此提出的 PersistBD 可在模型发布前优化后门持久性，在 Qwen2.5-Coder-7B 上将 SFT 后攻击成功率从 20% 提升至 74%，SFT-RL 后从 20% 提升至 76%，同时保持良性任务性能相当。

PrisMem 提出能力驱动的 Agent 记忆自进化方法，将搜索引导从整体性能扩展到单个能力维度，通过依赖感知的能力选择、历史引导诊断和 trace 引导集成来优化记忆程序。在 BEAM-1M 和 LongMemEval-M 上，PrisMem 分别比最强基线高出 10.54 和 7.83 个百分点，验证了其在百万 token 历史上的有效性。

研究将 LLM 的推理能力与检索器的语料探索能力结合进 ReAct 智能体循环，构建智能体检索。相同嵌入模型下，其 nDCG@10 比标准检索提升 8.7 分，并在 ViDoRe v3 与 BRIGHT 榜单上取得有竞争力的结果。但代价高昂：平均每次查询耗时 107.4 秒（标准检索为 0.67 秒），消耗 764.1K 输入 token 和 5.8K 输出 token。

研究让智能体重写分子几何优化器以减少力计算调用次数，从开源最快的 Sella 出发，经两个准入门槛筛选后得到 AutoSella 系列两个优化器。在留出分子基准和势能测试中，两者力调用均少于 Sella；在 r2SCAN-3c DFT 层级，最佳变体只需 Sella 40.2--77.2% 的力调用即可达到相同能量下降，且搜索过程未使用 DFT 梯度。

研究者提出在策略幂蒸馏（OPPD），让模型在单次生成中直接产出幂分布采样才能得到的答案：训练时由模型生成候选、冻结教师模型按幂分布加权，同一概率用于最大似然更新。在 MATH500 和 GSM8K 上，单次生成准确率较未训练模型分别提升最高 23.0 和 27.3 分，比已发表的 64 候选幂采样高 2.4 和 3.5 分。仅用数学数据训练，HumanEval 准确率最高提升 5.3 分。

研究者提出 Jacobian Lens Distance（JLD），从冻结的视觉编码器而非人类标注中推导感知几何，仅用 100 张无标注图像拟合一次、耗时约 35 秒。

研究者提出 Rationale-Guided Policy Optimization（RGPO），按模型当前能力自适应利用标准答案中的理由信息，并将其作为临时脚手架而非固定模仿目标，只把更高奖励的模型自生成解法回传到无引导设置。

研究提出针对冻结扩散语言模型（dLLM）的定向偏见注入攻击，利用去噪过程中答案分布多次暴露的特点，用比例积分（PI）控制器实时跟踪目标答案概率并动态调整引导向量强度。

研究者提出免训练方法 OmniConfess，通过固定候选回答并在受控的单通道证据干预下按 token 重新打分，生成结构化的“token×通道自白”，揭示回答依赖哪些证据，从而保留有依据内容、纠正由无关或矛盾证据驱动的表述。

研究者提出 Prior-Fitted Language Model（PFLM），一个 300M 参数的字节级 transformer，仅用合成非语言先验样本预训练，冻结权重下靠前缀在上下文中推断语言。

Google 发布《Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle》研讨会报告，汇集 50 多位学界与业界专家，于 2025 年底在纽约 Google CAPS Workshop 上研讨完成。

循环语言模型每次循环都会增加训练、解码、prefill 和 RL 成本，而循环状态越接近不动点，路径影响越小，因此可实现截断反向传播、终端 KV 共享（精度几乎无损）、prefill 快 1.79x 的蒸馏学生模型，以及比回放轨迹反向传播快 2x 的 RL 更新。