AI 论文与研究

一项研究考察四个开源权重类型化决策模型，发现模型概率大多跟随选项标签而非定义：删除全部定义后 laya-td 准确率仍为 0.8559 对 0.8487，而将选项改名为 A 和 B 反而提升准确率 +0.1511。

SimuVerity 是一个包含 101 个文本到可执行 Simulink 模型生成任务的基准，覆盖十个工程领域，采用分层评估器先检查产物交付、原生可执行性与工程合格性，再从准确度、输出质量、机制保真度、控制与因果完整性、工况鲁棒性和动态响应六个维度打分。六个智能体系统参与评测，最佳系统总分仅 42.86，表明结构相似度无法代表工程性能，部分高分模型仍存在严重的视觉布局混乱。

一项研究记录了关键词匹配基准的假阳性：一对共享解码器与 tokenizer 的西班牙语安全模型（661.6M 与 1,109M 参数）在宽松工具调用指标上得分几乎相同（B4：0.660 vs. 0.650），但逐字复现检查中 600M 在 6/6 样例上生成有效工具调用，1B 在 0/6 上做到。

VeriHarness 将生成用的 LLM 变为智能体验证器，通过工作区、证据工具和可复用验证技能，对多次采样结果中的分歧与共识分别核查，从而筛选和修订最终产物。

EPFL 与 Apple 研究者发表论文，发现在相同时间预算和同一前沿 LLM 骨干下，开源最先进 harness 并不优于最小化 harness 编码智能体的单次会话。通过大规模系统性消融研究，作者认为复杂机制层在编码智能体场景中变得冗余，性能主要由 LLM 骨干驱动，为强模型手工搭建复杂 harness 的投入在当前 MLE 基准上回报很低。

研究者提出 Local Support Learning（LSL），一种无需访问旧数据即可保留模型已有能力的通用训练框架，通过权重适配器加基于高斯混合模型（GMM）的门控函数，使更新仅作用于当前训练分布的输入激活。该方法可在最高 70 亿参数的 LLM 上缓解灾难性遗忘，跨多个训练阶段同时保留预训练与微调能力，且内存与计算开销低、对超参数选择稳健，并展现出扩展潜力。

Zyphra 发文解释混合架构中全局 NoPE 注意力如何获得位置信息：滑动窗口注意力等局部混合层在残差流中留下随相对距离变化的近因偏置结构，训练中全局层的 query/key 投影学会读取该结构，形成隐式相对位置编码。

研究发现，将嵌入模型从 T5 扩展到 T5Gemma-1、T5Gemma-2 可显著提升扩散语言模型生成性能，但原始 T5Gemma-2 嵌入区分度过高，导致连续扩散易落入无效嵌入。

研究者提出分层连续扩散语言模型（HC-DLM），将离散 token 生成与连续隐变量轨迹耦合进单一去噪过程，训练目标由 token 似然的变分下界推导而来。与把连续上下文附加到离散链上的做法不同，HC-DLM 让隐变量成为唯一持续存在的生成状态，每步从中读出 token 并反馈为下一步隐状态更新的脚手架。

KaliBench 是面向 Kali Linux 自然语言到 CLI 翻译的细粒度基准与数据集，包含 8,504 条 query-command 对，覆盖 1,642 个工具、23 个能力维度和 5 个安全阶段。

研究提出 Temporal Activation Injection（TAI），一种无需训练的方法，通过在推理阶段将中间层的时间散度向量 τ_l 按衰减规律重新注入后续层，解决 VideoLLM 时间推理能力随层数加深而衰减的问题。该方法在三个 VideoLLM 和四个 benchmark 上一致提升时间推理表现，对非时间任务影响可忽略。

EditHero 是首个面向长程、部件级 3D 编辑的基准，提供自然语言指令与几何、纹理目标图像，由确定性装配引擎在每次编辑后生成精确目标，所有序列均经人工审核。对比显示，非智能体方法常漏改并扰动应保持不变的区域，而 LLM/VLM 智能体通过代码检查 mesh 并只重写指令要求的部件，指令遵循与未编辑区域保持更好，但每次编辑耗时数分钟。装配引擎与编辑序列将开源发布。

研究者发布 RealCompanion 基准，包含 10 段真实人机关系、最长 120 天的 27,218 条消息，以及 profile、persona、chat ground truth 和问题集四类衍生文件，每条标注附推理链。

论文研究了 LLM 的 RL 后训练是否只锐化基座已有行为的问题，发现在智能体任务上，带轻量推理框架的预训练模型虽 pass@1 更低，但在足够测试预算下 pass@K 常超过后训练模型。

研究者提出 Spatial Memory Intelligence（SMI），首个系统性地用理解模型为长视频世界模型管理空间记忆的框架。SMI 包含空间聚类、簇内稀疏化、动作感知检索和可靠性感知过滤四项协同原子操作。在多个基线、benchmark 和世界模型骨干上的实验显示，SMI 在记忆稀疏度、生成稳定性和空间一致性上均取得全面提升。

World Observer 通过将"观察"与"行动"解耦，联合生成一个 actor 视角与一个或多个全景 observer，使离开 actor 视野的物体在 observer 中持续演化，重新进入视野时能反映更新后的状态。

GUI-HARVEST 是一个自动执行框架优化器，可在冻结主干模型的情况下让 GUI 智能体自我改进。在 OSWorld-Verified 上，Qwen3-VL-32B-Instruct 全套件提升 12.33 分；冻结框架迁移到 WindowsAgentArena 后，GPT-5 在 50 步设置下提升 13.87 个百分点。

Latent-Foresight 提出一种端到端框架，联合学习潜在 tokenizer 与基于 flow 的生成式动力学模型，直接塑造具备时间可预测性的表征，取代先压缩 VFM 特征再训练预测器的两阶段流程。该方法通过防止潜在坍缩、对齐重建与生成目标等设计实现稳定联合优化，在多项未来场景理解任务和预测时域上持续优于两阶段基线，并省去独立训练阶段（含高分辨率适配）。实现代码与模型权重已公开。

OmniSeek 是一个将 Omni-LLM 转变为原生工具调用多轮推理智能体的框架，让模型在推理中动态决定看或听、以及选取哪段时间窗口，把检索到的原始音视频片段回填上下文。

InterEvolve 通过测试时进化奖励程序，让控制器无需重新训练即可完成未训练过的人形机器人移动操作任务。该方法结合物体感知的前向-后向行为基础模型与 LLM 智能体，后者依据执行反馈和已验证程序技能库修改奖励程序结构，数值优化器负责调参。实验显示，进化出的程序释放了 FB 模型未被人工奖励触及的能力，并可在 Unitree G1 实体机器人上基于第一视角感知自主运行。

AI Theorist 是一套通过假设生成、第一性原理计算与证据驱动迭代来自主发现物理模型的 AI 智能体系统，被用于研究 Kitaev 量子自旋液体候选材料 α-RuCl_3 的光谱。它对该材料的光学与光电流观测给出新解释，识别出具有不同光学选择定则和实空间分布的激子态。据称这是首个 AI 系统自主建立物理模型、解释量子材料中此前未发表实验观测的演示。

DeskForge 是一个可组合真实桌面应用的可控环境，用于为 computer-use agent 生成大规模监督数据，并构建了包含 1.2M 条标注桌面观测、159.7M 个元素实例的 DeskForge-1M 语料。

Where-OPD 提出一种面向多模态大模型（MLLM）的在线自蒸馏方法，让教师模型获得文本形式的空间定位引导，从而定位并整合多个相关图像区域的证据，学生模型仅凭图像和问题学习复现该行为。

研究者提出 InFlowOp，用统一的"无标签成本"为多智能体工作流中的每个决策定价，在执行前双向决定任务分解粒度与智能体分配，执行中以最低成本修正故障。团队同时发布需要多智能体协作的基准 Braid，在多个领域和骨干模型上，InFlowOp 较单智能体基线最高提升 +11.97%，流内优化带来 +9.64%。

针对 DDPO 等扩散模型强化学习后训练方法在奖励优化中牺牲多样性与质量的问题，研究者提出 iADD，通过理论分析证明仅对扩散模型后段 timestep 更新可能损害多样性，并基于增量 Feynman-Kac 训练实现更优的对齐-多样性权衡。在三个任务上的实验与消融显示，该方法在对齐和多样性两方面均取得显著提升。

研究者提出基于选择的结构化推理（SSR），将多模态智能体的推理从开放式生成改为从预设可复用自然语言候选中选择，无需辅助任务头，并借助共享上下文 KV cache 实现并行打分。在 2B 和 4B 模型、七个多模态搜索基准上，SSR 平均成功率与同规模领先搜索智能体相当，单轮推理延迟降低超 90%，每题模型总推理延迟降低 28-54%。

Ego2Act 是一个面向目标导向的第一视角视频生成基准，包含来自 110 个真实世界任务的 2,640 段视频，覆盖不同物体杂乱程度与多步复杂度。该基准要求模型根据初始场景图像和高层目标，生成手部操作物体完成任务的逼真第一视角视频，并配套推出无参考评估流程 Ego2ActJudge。

Argo-Bench 是一个包含 210 个数据科学与分析任务的企业级数据智能体评测框架，模拟纽约市外卖平台 2024 年 8100 万订单，导出为 235 张表、75 亿行的 ERP 仓库。任务要求智能体在仓库中重建事实并执行封禁欺诈账号、分配骑手激励预算等操作，由模拟器按后果评分。14 个前沿与开源权重模型中最强者仅在 34.8% 的任务上得分 95 以上，平均 59.5 分。

PyRUA-Lean 框架让 GPT-6 Astra 驱动的机器人智能体在同等 LLM 调用预算下，将 LIBERO-PRO、RoboTwin 2.0 和 RoboCasa365 共 700 个仿真任务的整体成功率从 63.1% 提升至 71.7%。

VTR-Bench 是用于评估视频生成模型视觉文本渲染能力的系统性基准，包含覆盖广告、科学视频等五类场景的 300 条提示词，并配套自动化评估流程。在 11 个 SOTA 模型上的实验显示，场景文本渲染普遍存在困难，表现最好的模型整体词错误率（WER）为 0.250。

AutoGUIWorld 是一个数据生成框架，用图像生成器的视觉先验加规划器的任务知识合成 GUI 交互轨迹，无需部署或运行真实软件环境。它从操作系统上下文、视觉外观和界面状态的结构化规格中采样初始场景，经动作 grounding 与转移级质量过滤，在 Ubuntu、Windows、macOS 和 Chrome 上产出 79,266 条带空间标注的 step 级训练样本。

Meta 等机构发布 Context Language Models（CLMs）论文，让语言模型把上下文当作文件、原生自主管理上下文，无需外部 harness。

LongLive-Plug 视频生成的通用蒸馏 论文：https://huggingface.co/papers/2609.38154

Omni-IO Skills 让你的智能体原生全能 paper: https://huggingface.co/papers/2609.31847

LEGO-Anything 用于 3D 场景重建的编码智能体 论文：https://huggingface.co/papers/2609.36380

安全研究员 Johann Rehberger 在 BlueHat Asia 2026 上报告 Microsoft SQL Server Management Studio 中 SQL Copilot 的 SQL Server 提权漏洞 CVE-2026-65669，微软评级为 critical，建议用户保持安装更新。

Multimodal large language models (MLLMs) are rapidly advancing clinical diagnosis, yet their adaptation pipelines remain anchored to accuracy-based objectives. Clinical data are heavily class-imbalanced: a constant-majority predictor can s…

Reinforcement learning with verifiable rewards (RLVR) has improved the reasoning capabilities of large language models (LLMs), yet their predictions remain sensitive to task-irrelevant prompt features. We investigate this sensitivity throu…

We find that major reported improvements in decoding words from non-invasive brain recordings are largely reproducible without any brain data. In the influential work of d'Ascoli et al. (2025), time series of brain activity from subjects p…

Recent video generation is increasingly realistic and controllable, yet video editing remains less developed, particularly for precise local edits that must preserve the original scene dynamics. Video scene text editing replaces text on sc…