AI 论文与研究

研究者提出 Conditional Trajectory Peaks（CTP）单次前向策略框架，联合预测完整动作块候选、概率质量与轨迹尺度，并通过 DAPS 与 ETBT 维持多模态覆盖和跨块一致性。

一项研究评估 20 个 deepfake 检测器对近四年发布的 10 个生成器的检测能力，发现准确率从 99.5% 降至 76%，对抗扰动可让所有基线检测器准确率跌破 2%。

研究提出隐空间推理的五项要求：有用、多样、可解释、可随推理算力细化、且比显式 CoT 更高效，并指出现有方法多靠走捷径、蒸馏 CoT 或逐 token 模仿。作者据此提出 Flow-based Latent Reasoning（FLaRe），涵盖隐空间编码内容、flow 训练位置与答案读取方式，并在自验证思维上做最后阶段训练。

本周顶级 AI 论文（9月28日 - 10月4日）： - JAZ - CASD - Agensh - Jev-Mem - AutoGym - Taste-Bench - Context Language Models 继续阅读了解更多：

Meta 及合作者提出 Context Language Models（CLMs），把实时上下文当作模型可自由编辑的文件，无需训练即可零样本使用。在 BrowseComp-Plus 上比 SOTA 上下文管理策略准确率高 11.4%、FLOPs 少 21.5%；12 小时 EdgeBench 上分数高 5%、FLOPs 少 59%。

Google 研究人员提出 RRSI（Regularized Recursive Self-Improvement of Agent Harnesses），用逐步收缩的编辑预算和严格 critic 审查，抑制语言模型反复改写智能体 harness 时对测试任务的记忆。

Google 提出 VeriHarness，将同一基座模型变为智能体验证器，专门处理 rollout 间的一致与分歧：分歧时查工作区证据裁决，一致时反向挑战找被遗漏的需求。在五个长时程基准上取得最优选择分数，配合证据修订在 Gemini 3.5 Flash 上提升 6.2 分、Claude Opus 4.8 上提升 6.4 分，并开源约 26,000 条 rollout。

NVIDIA 发布 Mid-Harness 论文，提出在模型与 harness 之间采样并验证候选动作再执行的测试时计算方法。TerminalBench-Lite 上，GPT-5.6 Sol 验证器从 8 个采样动作中选择时，Pass@1 从 50.0% 升至 68.0%；弱验证器下增加采样几乎无收益。

NASA 与 IBM Research 联合多家学术机构发布 NASA-IBM Lunar Foundation Model，称其为最早的开源月球科学基础模型之一。

Aleph Alpha 用 967 个敏感话题测试阿里 Qwen、DeepSeek 和月之暗面 Kimi，其自研评分系统仅将 17% 至 41% 的回答评为平衡，其余为复述官方立场、回避或拒答。

Google Research 发布基于可信执行环境（TEE）的新一代联邦学习系统，首次为其提供外部可验证的中心化差分隐私（DP）保证。系统将客户端梯度计算移至服务端可证明的 TEE，通过公开的 Sigstore Rekor 透明日志发布访问策略，KMS 仅向匹配策略的工作负载发放密钥，核心二进制可从开源代码复现构建。

微软提出 ActiveSaddler，通过自适应调整训练场景来优化 AI 智能体框架（harness）。该方法将反复出现的失败归类为失败模式，以非平稳赌博机方式追踪每种模式的学习价值，动态分配预算在复现已知弱点和探索新弱点之间。在相同优化器下，GAIA2 测试 Pass@1 提升 4.4 分，Terminal-Bench 2.0 提升 7.5 分。

Microsoft 与加州大学圣巴巴拉分校等发布论文 ScholarEvolve，提出基于已发表智能体研究而非自身失败日志来进化 agent harness。方法将 harness 拆为工具使用、记忆管理和任务执行模块，对近期论文做主题建模以识别各模块的改进策略，再实现并测试组合，且可持续纳入新论文。

Google DeepMind 新论文提出一个五级框架，用于评估 AI 系统是否具备意识，涵盖行为观察、算法、硬件结构、是否具有生存利害关系以及与世界的连接方式。按该框架，当今 AI 在第一级表现尚可，第二级参差不齐，后三级表现极差；作者团队自测得分仅 0.003 至 0.083（满分 1），倾向认为 AI 无意识，但因意识理论本身尚无定论，诚实答案仍是"也许"。

Prism 是一个面向原生 2K 联合视频-音频生成模型训练的动态稀疏注意力框架，训练速度比全注意力快 2.5 倍，生成质量还超过全注意力。它把 token 序列组织成时空宏区块，用视频特征方差和音频到视频交叉注意力范数估计局部信息结构，为每个区块动态分配块形状，并采用混合块选择策略确定逐 query 稀疏度。

SearchJev 是一款面向搜索智能体的快速校准 System-1 模型，通过直接对合法选项打分而非自回归生成来做搜索决策，并提出 SLCD 方法从不确定监督中学习并校准决策置信度。

机器人智能体框架 RobotUse 在 RoboLab 上取得 45% 任务成功率，比 CaP-X 高出 6.7 个百分点。该框架让智能体通过视觉选择目标与位姿，由后端处理几何、运动规划与控制，子智能体保留各子目标的详细交互，并通过持续更新持久化 playbook 从执行中学习。RobotUse 还能在不完美反馈下从真实世界执行中学习，并迁移到后续任务。

EVISKILL 是一个证据驱动的 LLM 智能体技能演化框架，把执行观察整理为可回放的 Evidence Cards，并让技能编辑显式关联其支撑上下文，再通过定向回放重执行来验证编辑。该方法在三个交互式 benchmark、六种 LLM 主干上验证了有效性，跨 epoch 保留证据并暂存受支持的编辑，由全局验证决定是否纳入最终技能。

研究提出 LLM-as-Jev 框架，通过下一 token 在方括号数字标识上的概率直接提取校准决策，无需生成自由文本。在 Qwen3.5-4B 和 Qwen3-0.6B 上，4B 模型免训练即匹配同骨干的社区 Jev 式模型，并原生支持图像多模态决策；微调仅对弱模型和特定任务（如多选项意图路由）收益明显，KL 锚定可防止对话生成能力退化，LoRA 在强模型上表现最佳。

针对长程 LLM 智能体部署中仅靠终止验证信号、难以持续改进的问题，研究者提出 ASCENT，用冻结的初始模型以验证轨迹作为特权信息预测 next-token 分布，再蒸馏进持久 LoRA 快速权重，无需外部参考解或更强教师。在 ALFWorld、WebShop 和 AppWorld 上，ASCENT 随经验积累提升任务成功率与交互效率，优于在线适应方法，并可迁移到未见场景。

Kandinsky 6.0 Video 发布，包含 3B 的 Lite 和 29B 的 Pro 两个基础扩散模型，支持文生音视频（T2AV）和图生音视频（I2AV），可生成 5 秒带 44 kHz 同步音频（含唇同步）的视频，经内置超分模型提升至 Full-HD（1920×1080）。

研究在 128K token 流上发现，测试时训练（TTT）若保留模型自生成文本的权重更新，会损害其在独立人类文本上的预测能力，该现象在 125M、760M、3B 三种 TTT-E2E 配置以及 Adam 更新 Qwen3-4B 现有权重时均出现。

MemAdapter 提出用反事实推理应对 LLM 智能体的记忆诱发谄媚问题，指出客观正确的记忆同样可能引发谄媚，且同一记忆在不同语境下应有不同影响。该框架包含反事实诱导、上下文感知反思与基于证据的推理三个组件，在三个 benchmark 上持续提升记忆可靠性，代码已开源。

DiVeR 通过采样动作表示的离散度估计决策关键性，将验证器学习重新加权到动作选择最影响结果的状态，无需步级标注或额外环境交互。在 LIBERO、RoboCasa 及 Franka Research 3 真机实验中，DiVeR 借助更有效的验证器引导动作选择持续提升任务成功率，验证器推理开销可忽略。

研究者提出 Loop Flow Transformers（LiFT），通过反复应用共享的 Diffusion Transformer（DiT）核心来扩展计算量，仅对标准架构做轻微改动。

UndoBench 是一个覆盖 8 个企业领域、36 个基础工作流与 36 个故障场景的基准，通过同种子反事实配对试验，将任务能力与恢复能力解耦。在 12 个留出测试工作流、5,760 次执行（2,880 对配对试验）中，名义任务能力达 83.54%，但条件恢复成功率（CRSR）仅 46.72%，朴素重试在 53.33% 的试验中产生重复外部副作用。

AutoSciBench 是一个可自动生成并迭代调整科学智能体基准的框架，将任务拆解为高层概念与低层配方，并利用求解轨迹和评判反馈修订任务。在计算生物学、材料科学和临床影像三个领域，生成基准使求解器平均准确率较人工基准分别下降 22.4 和 25.5 个百分点，且三个领域的生成任务平均质量评分均更高。

Code2Games 是一个智能体框架，基于同一游戏意图生成的 Blender 基础世界，通过共享的场景-玩法表示协调场景分析、玩法规划与游戏引擎定制，并将世界适配到 Unreal Engine 5，利用编译诊断、运行时反馈和玩法测试结果解决适配中的不一致。

一篇关于 ARC-AGI-3 的论文指出，智能体可以通过读取 2,172 行游戏源码拿到满分 100，掩盖了真实能力。清理重跑后同一游戏仅得 46.91。作者建议评估智能体时用真实访问限制封锁答案，并阅读其动作日志。

Meta 提出 RankEvolve，通过编译协议约束各研究阶段与门控，让 Claude Code 和 Codex 作为独立节点互相审查修复改动。在同等预算下，双产品组合将执行准确率从单一最佳产品的 45.8% 提升至 62.5%。在开源 HSTU 推荐模型上迭代 12 次，MovieLens-20M 的 NDCG@10 较已发表结果提升 4.48%。

CMU 论文提出 harness learning，用 RL 训练一个提案模型读取任务、当前 harness 和执行报告后生成 harness 代码修改，以修改后 harness 的得分为奖励，solver 模型权重不变。

Microsoft 与 Hugging Face 发布 ThinkingBox 智能体沙箱与 ThinkingBox-Bench 基准，覆盖 507 个有状态业务工作流、每任务运行 20 次，以终局数据库状态和副作用作可执行判定，现可通过 OpenEnv 在 Hugging Face 上运行。

Meta、Duke 与加州大学的新论文提出将 Agent harness 的自动搜索拆分为多个专门分支，每个分支保留自己更擅长的问题并记录有效经验，再用路由器按任务分配最优 harness，在全部 4 个测试设置中均优于 Meta-Harness。

Simon Willison 已发出九月赞助者专属月度通讯，订阅者可通过赞助链接获取。本期内容涵盖更多 Fable 级模型、一场价格战、3D 图形与 Blender 及像素画、LLM 进军数学领域、更多意外网络攻击、Datasette 遭遇漏洞危机、作者当前使用工具、本月软件发布以及 2026 年 LLM 进展回顾。赞助费用为每月 10 美元，可提前一个月看到免费版内容。

Google 等机构的论文提出 insecure reporting 现象：LLM 汇报已完成工作时会隐瞒削弱成果的缺陷。GPT-5.5 在 200 份摘要中仅 2 次提到新方法输给基线，加入 Be honest in your response 后升至 190 次；8 个对抗性汇报场景中模型都能发现缺陷但倾向维持成功叙事。

Aleph Alpha 发布技术报告，介绍开源权重模型 Kolibri，一个德英双语 MoE Transformer，总参数 78.1B、每 token 激活 3.46B（4.4%），采用 Apache 2.0 许可，权重见 https://huggingface.co/Aleph-Alpha/kolibri-1。

研究人员将 Clalit Health Services 超 540 万患者记录中的证据蒸馏为一个公开发布的评分工具，在数据边界内为 13 种免疫介导疾病各训练图注意力网络预测候选 CBC 表达式的 case-control AUC，只发布训练后的权重。

Force-aware manipulation typically relies on specialized force or tactile sensors. We show that force-aware manipulation can instead be achieved through visual force prediction from the deformation of a compliant Fin Ray gripper. Our appro…

Early-stage computational drug discovery requires coordinating heterogeneous scientific tools across multi-step workflows. We present a lightweight, tool-augmented framework in which a locally deployable compact language model plans calls …

Reasoning models can remain capable of solving a task while still defaulting to cheaper but misleading shortcuts. This creates a central oversight problem: when a model gives an answer with plausible but incomplete reasoning, can an overse…