AI 论文与研究

Retrieval-augmented generation (RAG) is often used to address outdated knowledge by providing external evidence. But retrieval helps only when that evidence is still valid. We identify a temporal alignment failure, stale-document poisoning…

Whether an information extraction pipeline should process page images or parsed text depends on the document, and the answer flips across the layout spectrum. We study this trade-off under a constraint that rules out (closed) cloud service…

Morphology--control co-design jointly optimizes an agent's body structure and control policy as an integrated embodied system. However, existing methods typically model morphology design and control with separate networks coupled only indi…

Perplexity Research 发布后训练研究，将拒绝采样微调与提示引导自蒸馏（OPSD）结合，用 GLM 5.2 驱动的 Perplexity Computer 真实用户会话（含失败会话）训练模型。

Ordinal acne severity grading requires distinguishing visually similar neighboring grades while jointly weighing holistic facial appearance and localized lesion burden - evidence that most existing approaches collapse into a single opaque …

Continual spatio-temporal forecasting supports traffic management and environmental monitoring under evolving dynamics and expanding sensor networks. However, conventional graph-based continual learning methods tie forecasting representati…

AI agents combine language models with external data and tools that can modify files, call APIs, or execute code. Security failures can arise when adversarial content changes an agent's tool use or when the surrounding software contains vu…

Unobserved common causes are pervasive in real-world time series and can induce spurious associations that causal discovery methods mistake for direct edges. We propose LUCID (Learning Under Confounding for Inference and Discovery, a regim…

Vision-Language-Action models (VLAs), while showing strong potential for robot control, require massive amounts of high-quality imitation learning data. Moreover, the absence of an explicit world model casts further doubt on their control …

Tabular in-context learners such as TabPFN, Mitra, or ConTextTab rely on alternating row and column attention over 2D sequences of latent embeddings. These attention patterns differ markedly from the one-dimensional case in language models…

We study geometric moment contraction (GMC) of the constant-parameter stochastic Nesterov recursion \[ Y_k=Θ_k+β(Θ_k-Θ_{k-1}),\qquad Θ_{k+1}=Y_k-γG(Y_k,X_{k+1}). \] Under mean strong monotonicity and stochastic $L^p$ Lipschitz continuity, …

Large language model agents increasingly act on software systems, no longer merely generating text but also changing databases and online services. However, an approved database update may succeed yet leave an unapproved notification becau…

微软论文《Coding Agents are Strong Prompt Optimizers》提出 Coding-Agent Skill Distillation（CASD），让现成编码代理读取完整智能体轨迹日志，自行编写分析代码统计失败模式并将发现写成规则提示词，无需环境访问和验证数据。

研究者提出 softmax 重参数化，一种在量化前选取功能等价输出头的后训练方法，通过从每个输出行减去词汇行均值的标量倍数，并按验证 KL 分别为 RTN、激活加权 MSE 和 full-Hessian GPTQ 选择系数。

研究团队推出 AgentWorld，一个面向多智能体 LLM 长时程协作的基准，包含 100 个人工标注任务（另有 100 个增强变体），任务跨越 50+ 轮交互、需 3-20 个角色与能力不对称的智能体在 MMORPG 沙盒中协作。

FuseReg 用随机编码器层子集训练替代启发式层融合，在 ImageNet-256 与 DINOv3-L 上，单个解码器无需重训即可从全层、稀疏和单层融合中重建，PSNR 高于固定融合的专用解码器。仅替换解码器即使未改动的 RAEv2 DiT-XL 生成器无引导 gFID 降低 27%，联合正则化两阶段在 DiT-Base 上降低 29%。

Duplex-MPE 基准发布，用于评估全双工语音助手在多人共享对话中何时应答、保持沉默或停止说话，包含 2000 个由三到四名人类说话者与一名助手构成的场景，同一请求分显式与隐式指代配对。

Omni-IO Skills 是一个即插即用的 Agent Harness，通过分层 Skills、标准化多模态执行接口、依赖感知编排和持久化 Asset Registry，让现有 Agent 无需改动推理核心即可原生处理多模态任务。

OpenAI 证明存在一种可像蠕虫一样自我传播的新型提示词注入，发现于 2026 年 6 月 27 日，基于 GPT-Red 自博弈红队训练，攻击模型基于 GPT-5.4-mini，受测模型包括 GPT-5.4-mini 和 GPT-5.5。

InternW0-Δ 是一个统一的世界动作模型（WAM），在 Mixture-of-Transformers 框架下结合预训练视频专家、动作专家与冻结 VLM 的语义引导，并通过训练期蒸馏注入 4D 几何与运动先验。

针对循环语言模型（Looped LMs）中不同 token 循环次数不同导致无法使用标准批处理系统的问题，研究者提出了“连续深度批处理”（CDB）方法。该方法通过在循环步骤间动态构建新批次、管理 KV 缓存及预测退出时机，实现了高效的深度自适应推理。实验表明，全循环架构最适合此方法，CDB 可实现高达 99% 的预估最大加速比。

论文提出无监督方法 HSTA，用 Spherical K-Means 与 UMAP 将 Transformer 句向量投影到单位超球面，追踪技术扩散。基于 arXiv 预印本与 USPTO 专利共 3 万条记录，定义语义质心向量漂移与商业化偏移两项指标。

ZooWork团队发布ShopRanker系列电商重排序模型（0.6B/4B/8B），通过多LLM裁判生成偏好标签进行训练，并推出包含约1万条真实流量数据的ShopRank-Bench基准。实验显示该系列模型在电商检索任务上显著优于现有开源基线及未对齐版本，且小参数模型表现突出。目前模型与基准已开源。

论文提出 TRACE 基准，旨在解决现有流式视频理解评估中忽略证据时效性、历史维护及响应触发机制的问题。该框架通过统一因果协议控制信息可用性，并多维报告答案质量、及时性、负载等指标。在 1240 条记录上的实验显示，相似的 QA 准确率可能掩盖系统在完成度、生成负载及主动响应行为（如误报、漏报）上的巨大差异，强调应将性能视为执行条件下的系统行为而非单一分数。

该研究提出一种改进的 Stable Diffusion 3 架构，通过同时以摄影测量 DSM 和 Pléiades 卫星图像作为条件，对垂直配准的数字表面模型进行细化。实验表明，这种多模态条件方法能显著提升高程精度，在法国城市测试中，密集城区的 RMSE 从 6.00 米降至 3.45 米（上下文城市）及 2.76 米（留出城市）。

论文提出 G^2PTQ，一个在全局监督、逐块优化目标下同时整合一阶与二阶信息的统一 PTQ 框架，通过在量化每个 Transformer 块前刷新梯度与 Hessian 估计，避免以往全局方法的估计过时问题。

研究者提出 PISA，一种采用金字塔 Top-K 选择策略的块稀疏注意力机制，通过构建 O(log N) 层级的键层次结构并逐层用 LogSumExp 打分筛选候选，将整体复杂度降至 O(Nlog N)。团队还开发了面向训练和推理的硬件感知 Triton kernel，无需物化 query-key 分数矩阵。在语言建模任务上，PISA 在常识推理等基准上与基线相当，并在检索任务上取得更好结果。

研究提出 ARGUS，一种结构化语言模型流水线，用于审计气候政策差分法（DID）研究中的识别假设证据。ARGUS 依据十一维假设-含义-证据准则进行评估，并在无法检索相关证据时选择弃权。在注入缺陷的基准测试中，ARGUS 检测到 73% 的植入缺陷，显著高于关键词基线的 18%。在经济学论文评估中，约 40% 的维度因缺乏可检索证据而弃权。该工具旨在为专家审查提供风险定位报告，而非直接裁定因果主张。代码与数据已开源。

NVAlign 是一个针对连续自回归流匹配 TTS 的直接梯度后训练框架，用于提升非语言发声（NVV）标签的跟随准确率。该方法先对 TTS 模型和 NVV 感知 ASR 模型做 SFT，再冻结 NV-ASR 作为奖励模型，通过两步梯度代理将奖励回传至流匹配采样器，联合更新自回归主干与声学流头。

Kaggle 推出 Game Arena，一个通过竞技游戏评估 LLM 的开放平台，让模型在结构化环境中正面对战，游戏强度随模型进化自然提升，避免性能饱和。首批三个试点环境为国际象棋、扑克和狼人杀，覆盖完全信息、不完全信息与多人博弈场景，用于系统研究模型的策略规划、适应能力与不确定性下的鲁棒性。平台提供完整竞赛结果与评估指标，并保证可复现性与透明度。

研究者提出 Self-Play Search Distillation（SPSD），通过棋盘游戏上训练的 MuZero 式网络自对弈生成超人类合成数据，将搜索记录转为超人类思维链，用环境监督训练 LLM。在 Qwen3-4B-Base 上，六个数学基准的平均分从 24.1 提升至 36.6，留出游戏胜率从 15% 升至 45%。该方法仅用自对弈搜索记录训练，却能迁移到未见过的数学任务。

针对多教师在线蒸馏（MOPD）中依赖提示词级领域标签进行硬路由的局限，研究者提出 MOPD-Router 框架。该框架无需领域标签或独立路由模型，即可在每个令牌级别对全教师池的监督信号进行路由。其中提出的 ExpertAlign 指标通过评估教师纠正是否体现其专业化能力来加权信号。实验显示，ExpertAlign 在无标签和有标签数据的四种设置下均取得最佳性能，相比均值聚合提升显著，证明了令牌级路由能有效利用跨域互补监督。

研究者提出奖励加权传输蒸馏（RWTD），一种仅需生成样本和标量奖励评估的一步生成模型后训练方法，通过特征空间最优传输与不动点回归，构建混合当前与参考分布的自适应目标。该方法将一步 SANA Sprint 1.6B 的 GenEval 分数从 0.73 提升至 0.80，并在偏好对齐实验中展现出较强的跨奖励泛化能力。

上海人工智能实验室 InternLM 项目发布 Intern-Decision，定位为快速多模态决策模型。目前公开信息仅包含"Fast multi-modal decision model"这一描述，具体参数规模、benchmark 分数与开放方式尚未披露。

Google DeepMind 发布 XYEval 论文，在 tau2-bench、SWE-bench、Terminal-Bench、HLE 和 MCP-Atlas 任务中加入一条自信但误导的用户建议，任务与正确解法不变。

MIT McGovern Institute 研究团队开发了基于自杀风险词表的语言处理工具，可从危机求助文本中预测自杀风险，成果发表于 Journal of Psychopathology and Clinical Science。

Stanford 与 Together AI 的论文提出 Self-Organizing Agent Teams（SAT），让固定智能体团队从过往协作中学习可复用的角色分工与流程，而非辩论后投票。

Boltzbit 发布论文预览版《Infinite-Parameter LLMs》，提出 Bayesian Self-learning Transformers（BAST），将实时数据转化为定向参数更新。其理论分析估算，BAST 的算力需求比常规训练低约 1,000 倍。团队称 BAST 在长上下文对话中于成本和性能上均克服了 RAG 等基于记忆的学习方式的局限。

Forecasting Research Institute 的中期报告显示，专家和超级预测员系统性低估了 AI 进展。AI 在 2025 年 7 月达到 IMO 金牌水平，比专家预测中位数提前五年；病毒学基准、网络安全基准和 Anthropic 约 1000 亿美元年化收入等指标也远超预测，如专家对 2026 年底 AI 公司最高 ARR 的中位数预测仅 200 亿美元。

Pareto 26.9 通过将请求分发至多个前沿与开源模型并保留最佳答案，在 30 项智能体任务评测中与 GPT-6 Astra 并列第一，每成功任务成本约为后者 1/3，且完成任务速度快于 DeepSeek V4 Pro 和 GLM 5.3 Flash。同一评测中，GPT-6 Sol 得分追平 Opus 5.5，速度更快，每成功任务成本约为其 1/4。