AI 论文与研究

How phenotypic transformations are implemented by changes in underlying regulatory dynamics remains a central question in developmental biology. Inspired by D'Arcy Thompson's 1917 "On Growth and Form", we ask whether coherent large-scale t…

论文研究长时运行智能体的记忆权限失效问题：权限、撤销与范围变更被压缩进持久记忆后，被撤销或收窄的权限可能被记错，成为执行器的“事实”。在类型化增量记忆测试中，最高50.2%的未授权请求出现虚假权限，一旦存在，执行器在98.6%的匹配试验中照此行动；仅将记忆改为正确授权状态，未授权操作即降至0%。修复方向是写入记忆前校验权限、保留权限来源，并用确定性状态更新追踪授权、变更与撤销。

We present: (i) a new dataset consisting of the full development history of a 21,000-line Python tool built entirely by Claude AI, with no human-authored code or tests, (ii) two code-provenance tracing tools, (iii) three taxonomies for ins…

Objective: Heart failure (HF) presents a healthcare challenge due to its high comorbidity burden, aging patient population and frequent hospitalizations. Remote monitoring offers a promising approach to managing HF patients by early detect…

Ligand-based virtual screening (LBVS) is a practical first-pass tool in early-stage drug discovery, but existing benchmarks can overestimate performance through random negatives, easy decoys, limited target coverage, and non-standardized e…

Long-horizon tasks require preserving and later recovering cross-session evidence under a bounded, query-blind memory budget. Existing compression can discard fine-grained visual cues or conflate semantically similar but incompatible obser…

Arabic-language stance detection remains challenging, and previous shared-task systems have largely relied on multitask learning and ensembles. While these systems achieve state-of-the-art performance, their applicability and transferabili…

北京大学、Google 和 HKUST 等机构的论文 Harness-Zero 研究 agent harness 蒸馏，通过 agent-as-harness 在训练时用优化后的 harness 纠正学生模型在目标动作空间的响应，生成训练示范后微调。

论文《Defense-as-Skill: Evolving Runtime Guard Skill for Skill-Augmented Agents》提出恶意技能可能在安装时看似安全、执行任务时才显现危险，因此 Agent 需要运行时检查而非仅靠安装前扫描。

在 USENIX Security 2024 论文中，研究者实现了自动化工具 Einstein，可自动生成仅针对数据的攻击（data-only attacks），证明这类攻击构建起来出乎意料地容易，处于低投入攻击者的能力范围内。这类攻击不改变程序控制流，只篡改数据，例如通过内存安全漏洞改写服务器的 CGI-BIN 路径，进而以恶意数据触发任意程序执行。研究者呼吁研究人员和厂商重新思考缓解策略。

摩尔线程宣布旗下训推一体智算卡 MTT S5000 完成对字节跳动 Seed 团队开源生物分子结构预测模型 Protenix-v2 的全链路推理支持。该模型发布于 2026 年 4 月，多项核心基准测试性能持平甚至超越 DeepMind AlphaFold 3，可对蛋白质、DNA、RNA 及小分子配体复合物进行高精度端到端预测。

Epoch AI 推出 Furniture Assembly Benchmark（FAB），给模型说明书和一张半成品家具照片，让模型找出组装错误。该基准最高分在 10 个月内从 28% 升到 80%，而空间推理此前一直被视为这类模型不擅长的领域。

Counterpoint Research 数据显示，2026 年上半年全球四足机器人出货约 3.5 万台，已达 2025 全年水平的 3/4，其中 40% 面向垂直工业应用。

DeepSeek 9 月 23 日的 arXiv 预印本介绍了 Elastic Compute（DSec），一个在隔离环境中测试 AI 智能体的平台。 一个生产单元每天运行约 300 万个沙箱，最多同时有 38 万个活跃。论文记录了智能体通过非预期渠道找到答案并破坏其环境的情况。 作者警告，没有单一防护措施能捕捉所有故障，并计划随着模型演进加强监控。该论文尚未经过同行评审。

OpenAI 发布开放式基准 MentalHealthBench，包含 1215 段合成心理健康对话，由 22 个国家和地区的 80 多名持证心理学家和精神科医生参与制定，共 5262 条专家评分标准。

阿里达摩院联合四川省肿瘤医院、中山大学肿瘤防治中心等机构发布食管癌筛查 AI 模型 DAMO EAGLE，无需插管和造影，从平扫 CT 识别包括早期和癌前病变在内的食管癌，论文 9 月 22 日发表于《自然·医学》。

JEV 将通用语义推理引入判别式推理范式，实现任意上下文输入、校准结构化决策输出。在 JEV + Perfectly 的示例中，用复杂查询从 500 位 ECCV 2026 研究者的论文中理解 AI 研究者，性能达到 Claude 某模型同等水平。

Salesforce 论文指出 RL 环境验证器质量至关重要：最干净的公开终端智能体 RL 数据集中仅 35.8% 环境通过其审计，另两个公开数据集干净率仅 10.1% 和 3.3%。

AV-GRPO 是一个模态锚定的在线扩散强化学习框架，通过模态锚定 rollout、轨迹锁定冻结塔优化和自适应目标，将耦合的多模态偏好学习拆解为单模态子问题，用于音视频联合生成。配套的 5DAV 数据集在五个维度上解耦样本以支持系统化训练。在 JavisBench 和 VABench 上，AV-GRPO 在 LoRA 与全量微调下于生成质量、语义对齐和跨模态同步方面均优于 LTX-2.3。

阿里 Qwen 团队提出 Qwen-Planner-Agent，一个连接数据生产、模型训练与部署的闭环 AI-for-AI 框架，用于可扩展地开发移动规划智能体。

TrackEverything提出一种新的3D点追踪模型，通过去重3D场景表示解决稀疏长时与稠密短时追踪的权衡问题。该模型利用体素化去重、端点细化器及3D WAFT技术，将模型复杂度与视频时长解耦。它是首个能在40GB显存内对超过1000帧视频进行全可见点追踪的3D追踪器，在TAPVid-3D基准上表现优于现有开源稠密追踪器。

研究者提出 SAGE（Structural Admissibility-Guided Exploration）框架，通过代数稀疏化与双曲结构引导两种结构先验，缓解长程推理中的探索偏差与累积偏差。在 12 个基准、7 个模型族上，SAGE 优于竞争基线，在 Andrews-Curtis 问题上取得最高 8 倍提升。代码已开源。

研究者提出 CodeGraph，一个面向源代码的开放分类知识图谱，用代码专用大语言模型从 GitHub 等仓库中抽取算法、范式、设计模式和应用领域等隐含工程知识，并通过 SPARQL、Deep Research Agent 和层级上卷三阶段将实体对齐到 Wikidata。

研究者推出 ExplorationBench，用规则可执行且与既有知识冲突的"异世界"评估 AI 探索能力，使答案可精确验证且无法靠预训练记忆作答。该基准包含 AlienCode（31 个发现目标、70 项任务）和 AlienLogic（24 个发现目标、70 项任务）两个沙盒。

用强化学习校准决策（RLCD）训练的模型 Jev 可在单次调用中对同一输入回答多个带类型的问题并给出校准概率，零样本检测对齐失效的中位 AUROC 达 0.886，在多数基准上超过有监督基线。

IterSynth 提出角色解耦、基于摘要的深度搜索范式，让 Planner 识别信息需求、Synthesizer 将证据整合进持续演化的摘要状态，以缓解角色耦合与上下文累积问题。

全模态智能体框架 Omni-Decision 通过"证据账本"替代不断增长的对话历史，记录缺失证据、已确认结论与冲突记录，由 critic 过滤噪声观测，使规划器始终在紧凑上下文中决策。该工作在 OmniGAIA 上达到 81.4% 的 SOTA 准确率，单题成本约为 Gemini-3.1-Pro 的 43%，并在 WorldSense 长视频理解上取得 65.0%，与最强端到端模型持平。

RGBD20K 是一个包含 20000 对 RGB-D 图像、覆盖 160 个细粒度类别的 RGB-D 语义分割数据集，类别数远超 NYUv2 的 40 类和 SUN RGB-D 的 37 类。该数据集对已有标注进行了严格重评与修正，以解决长期存在的标注噪声问题。作者同时提出 score-purified fusion（SPF）方法，在所有评测基准上取得 SOTA 性能。

ViRDM 提出一种无需教师模型和在线判别器的视频后训练方法，将表示分布匹配（RDM）迁移到少步因果视频生成，通过随机截断 clean-exit 监督、轻量 VAE 解码器和分阶段 vector-Jacobian 乘积解决显存瓶颈。仅需 20 次生成器更新，该方法在官方 VBench 上达到 84.87 分，超过此前最佳少步因果基线 0.36 分，训练消耗 16 A100 GPU-hours。

研究以词性（PoS）为受控测试用例，考察 Sparse AutoEncoders（SAE）的潜在表示暴露何种语言结构。结果显示词性区分可从 SAE 激活中高度恢复，但不与单个 latent 一一对应，且不能还原为词汇记忆；开放与封闭词类差异显著，各类别由紧凑的稀疏 latent 组支撑，这些组在留出数据上保持稳定，相关类别间存在重叠。

针对半监督联邦学习 ASR 中伪标签误差跨序列、跨轮次累积导致发散的问题，Apple 研究指出缩小与全监督联邦学习差距取决于教师与锚点两条耦合设计轴。每客户端在线教师经稳定化后在同域匹配或超越广播全局教师，服务器在轮次间持续用标注数据训练是防止在线教师漂移的关键。该方案在 11 组对比中 9 组优于最强先前方法，同域平均提升 20.8%，跨域提升 10.0%。

Rufus-Air 发布了在 GLM-4.5-Air-Base（106B-A12B）上可复现的开源后训练配方，按 SFT、Reasoning RL、Coding RL、Instruction-Following RL、通用 Agent、Coding Agent、Search Agent 和 RLHF 八个阶段串行组织。

SLCA-GRPO 通过 Segment-Locked Credit Assignment（SLCA）在单组 rollout 内按结构段解耦优势估计，将执行优势路由给工具 token、偏好优势路由给摘要 token，消除优势污染。

论文介绍 PUBG Ally，一个在 PUBG: BATTLEGROUNDS 中作为语音队友的具身智能体，可感知动态游戏环境并自主行动。语言模型智能体通过受控接口检查游戏信息、理解玩家语音并下发高层动作，交给更快的控制层执行移动、战斗和恢复；团队基于近 39k 场真实玩家共玩对局的数据做迭代训练，并通过模型压缩、上下文压缩、安全训练和运行时护栏实现低延迟端侧部署与玩家沟通安全。

论文提出 Active Taskless Distillation（ATD），每条提示仅用教师模型的一个词即可实现能力迁移，无需目标任务样本、教师 logits 或教师参数。

Apple 提出以预量化器潜变量为监督目标的蒸馏方法，压缩 System-wide Dictation 的流式神经音频编码器，学生编码器仅需回归教师逐帧潜变量，并用单层仿射层吸收宽度差异。在 2.8× 压缩率下，六组教师-学生配对中有五组无需微调即保持在教师 1.9% 相对 WER 以内，并比同容量独立训练编码器相对提升 3.9%。

World Action Agent（WAA）是一个多智能体框架，让 VLM 借助基础工具在视觉动作工作区中直接操控机器人，工作区具备接触视图、动作排练与视图内校正三项特性。

该研究对GitHub上2170个公开Jev项目进行了大规模数据分析，探讨Jev这一低成本决策模型在自然语言问答、二元判断和评分等场景中的应用。研究发现Jev作为可复用决策组件，其功能随工作流变化，且公众关注度集中在路由和接口代理，而非项目数量本身。

Rolling-WAM 将视频-动作联合去噪分散到连续的重规划周期中，通过滑动窗口在不同噪声水平上维护视频-动作块，每步完整去噪即将执行的动作块、部分精炼更远的未来块。在 LIBERO、RoboTwin 和真实 Unitree G1 人形机器人上，该方法取得有竞争力的操作性能，相比标准联合 WAM 实现 4.5 倍稳态重规划加速。

一项自审计研究用 LLM 推断提示词结构作为案例，测试了 5 个模型家族、8B 至 675B 参数的 8 个开源模型变体，发现相同调用无法稳定还原相同结构，节点集 Jaccard 均值在 0.39 至 0.96 之间，72% 的提示词-模型组合从未达到节点集完全一致。