AI 论文与研究

FLEET 将每次生成表示为熵超过阈值的稀疏轨迹，并据此推断逐 token 效用分数来调整 logits，从而在生成过程中引入记忆机制。基准评测显示，FLEET 在达到与重复采样基线相同准确率的同时实现 3x 加速，并在相同预算下将 LiveCodeBench Pass@32 从 59.9% 提升至 66.2%。

研究团队发布 StudentBench 评估套件与公开平台，基于超过 175,000 条学生-AI 消息和 2,383 名参与者的数据，发现 AI 辅导在 GRE 学习增益上与专家人类辅导统计等效（p = .015），七个 GRE 领域中有五个领域表现最好的 AI 辅导者平均超过人类。

VHD-Play 提出先采样并求解数学模型、再由 corpus-grounded setter 将决策过程渲染为有状态工具的环境生成流程，可执行动态与轨迹评分标准均继承自同一已解模型，以每个几美分的成本生成 3,300 个智能体环境。

TimeEvo 提出一种失败驱动的时间序列智能体自进化方法，通过将诊断出的失败聚类为能力缺口、为每个缺口规划度量、合成仅基于证据的工具，并经配对准入机制筛选候选工具库。在十个时间序列 QA 任务和三个骨干模型上，TimeEvo 从空工具库起步，在每个任务和每个骨干上都提升了准确率，且在廉价模型上成长出的工具库装入更强模型后仍能带来增益。

Morphometric Imitation 提出三阶段框架，将重建的人手-物体交互转化为零样本 sim-to-real 视觉运动策略。在三种机器人手和十种 HOI 上，其 MMO 的接触 F1 比五个基线中最强者至少高 8 分，下游动态重定向成功率最多提升 35 分；最终策略在 30 个物体、300 次真实世界试验中实现 89.3% 零样本成功率。

论文提出用证明长度与陈述长度之比衡量定理的内在有趣度，并证明其与下游实用性相关。作者训练了一个 27B 模型预测证明难度，准确率超过前沿通用模型；按该指标优化后，生成定理与 Mathlib 的实质性或完全重合率从 91.9% 降至 30.6%，系统可迭代构建自扩展的机器验证数学库。

研究者发布数据驱动的机器人仿真器 Uranus，基于关节轨迹条件的自回归扩散模型，可在线接收未来关节位置轨迹并逐步自回归生成隐帧，每步对应四帧 RGB，无固定时长限制。经推理优化后生成速度达 24 FPS，并提供统一接口支持多种机器人形态与相机配置的同步多视角生成。代码与模型权重已开源。

WhatWorkedBench 被提出，用于衡量 AI 研究智能体的实验理解能力，即预算受限实验后对组件改动效果的预测准确度。基准覆盖 30 个数据源、8 类工作流的 36 个任务，含 1248 条配置记录，核心评测整合 4206 条数值控制记录与 108 个智能体 episode。对同一批智能体观测拟合高斯过程后，Flash 队列的效果恢复率从 0.632 升至 0.698。

Epoch AI 推出家具组装基准 FAB，用 60 张宜家家具组装照片测试模型的视觉与空间推理能力，模型需找出错误步骤并描述问题。OpenAI 的 GPT-6 Astra 以 80% 登顶，每张照片中位耗时 3 分钟，比此前领先模型快 2 至 10 倍；Claude Fable 5.1 和 Claude Opus 5 分别为 70% 和 61%。

上海AI实验室推出 InternW 物理世界模型系列的首个模型 InternW0，通过非对称视频动作架构结合 flow matching 联合学习未来视觉动态与连续机器人控制，视频专家提供长时程预测上下文，轻量动作专家以更快频率运行，并通过复用层间 K/V 和观察条件上下文路由避免每次动作更新都重新生成未来。

腾讯混元发布开源 MoE 大语言模型 Hunyuan-A13B，总参数 80B、推理仅激活 13B，以平衡能力、效率与部署成本。模型在经严格筛选的 20T token 语料上预训练并加强 STEM 数据，再经 SFT 和大规模强化学习；引入双模式 Chain-of-Thought 框架，简单问题用快思考、复杂多步问题用慢思考。

研究者提出 EmbodiedMemory-Bench（EMem-Bench），包含 4 类任务家族共 2,554 个交互 episode，要求智能体从交互历史中构建并更新记忆，再据此在环境中完成后续任务。

研究团队提出 EmbodiedSWE 框架，并构建 EMBODIEDSWE-BENCH 仿真基准，覆盖富接触操作、可变形物体及需长达半小时连续交互的长时程任务，发现前沿编码智能体可求解复杂长时程任务并跨任务、跨本体迁移已有解法。

研究者提出按"留一法"对 WER 影响排序来剪除 Whisper 编码器层，去掉影响最小的 6 层，占编码器堆栈的 18.5%，剪枝后模型无需自定义推理代码。再用无标签单语语音数据蒸馏恢复性能，四种语言平均 WER 从零样本剪枝的 21.9% 降至 20.1%，基线为 18.2%。代码与剪枝模型已开源。

MemBodied 是一种固定大小的情景记忆机制，为 Vision-Language-Action 模型提供跨策略调用的联想状态和保留初始场景的 episode anchor，避免直接堆叠历史观测。

研究者发现联合多模态扩散 Transformer 存在"互惠对应鸿沟"：动作、音频等伴随模态能强对应视频，反向约束视频的对应却明显偏弱。为此提出 KL 正则化方法 RecCAR，以视频到模态的对应为固定参照，拉齐较弱的模态到视频对应。在视频-动作与视频-音频生成中，RecCAR 将 Human Anatomy 分数从 0.69 提升至 0.75，音视频不同步从 0.804 降至 0.752。

研究者推出 WROP，一个包含 150 项认知科学启发任务、分属六个认知类别的数据基础设施，每项任务经 Blender 生成器随机化后产出 1 万+ 样本。团队发布 1.5M 样本训练语料和 300 题考试，评测 14 个视频模型，其中 16B 的 PWM-WROP 在盲测成对 Elo 中位列 continuation 模型第一、总榜第三。

斯坦福大学教授、World Labs 联合创始人李飞飞呼吁由独立机构和公共部门对 AI 进行更多监督，认为能力日益强大的 AI 系统不应完全交由开发公司自行评估安全。她表示，AI 公司内部研究人员可评估单个模型，但无法替代由政府、行业和学术机构共同制定的更广泛标准，行业与政府应共同承担责任。

2026 年 arXiv 数学投稿量激增 33.5%。 2026 年前 8 个月，Mathematics 录得 47,127 条 arXiv 列表条目。 这并非单一热门话题所致。30 个数学子领域中 29 个实现增长，数据还显示更多作者以异常高的频率反复发表。 该论文认为，AI 时代的研究如今需要像扩展生成一样积极地扩展验证。

一个名为 LLM Ass Bench 的项目在 Hacker News 上获得 117 分，站点为 assbench.com。该页面未提供模型版本、参数规模或评测分数等具体信息，仅以"LLM 辅助长凳"的形式呈现。

有意思。Grok 4.7 作为一个小型模型表现相当不错。 （引用 @rauchg）：我们跑了最新的 Next.js 评测。结果：① Opus 5.5 [97%] ② GPT 6 Sol [97%] ③ Fable 5.1 [97%] ④ Grok 4.7 [94%] 值得注意的是，Grok 便宜 2x-7x。

Elvis Saravia 主张企业不能靠"租用智能"做到前沿，定制模型、harness 和评测正成为巨大资产。其引用 Harvey 联创 Gabe Pereyra 的案例：Harvey 通过路由、harness 改进和后训练优化，在用量月环比翻倍、继续提供前沿模型的情况下，单季度将毛利率从 -50% 提升至正值。

ReFigBench 基准要求编码智能体将真实 arXiv 概览图重建为可编辑 PowerPoint 幻灯片，覆盖 GPT、Claude、MiMo、MiniMax 四个模型家族的十种配置。

将 VLM 的智能迁移至机器人控制 论文：https://huggingface.co/papers/2609.22966

onPanda 通过 Token 级修正，高效标注 LLM 与智能体的同策略对齐数据 论文：https://huggingface.co/papers/2609.24983

PrimeScientist 将研究智能体的预算分配纳入智能体自身决策，在 12 项 AI 研究任务上对比 AutoResearch，同等预算下奖励提升 10.3%、研究尝试次数减少 50.6%。它维护一棵可执行的研究方向计划树，并用自适应 MCTS 策略根据实验反馈和剩余预算决定探索新方向还是继续有前景的方向。该方法在系统、代码优化和 ML 工程任务上同样有效。

Diffusion Large Language Models (dLLMs) have recently emerged as a promising alternative to autoregressive LLMs by enabling non-autoregressive text generation. However, their practical deployment remains limited by inefficient inference, l…

We study decentralized partially observable team decision problems with low-rank latent dynamics and unknown system models. The proposed framework combines team-theoretic equivalence with low-rank model representations to address cooperati…

A multi-agent system can reduce latency on complex tasks by executing work concurrently. Several pioneering harness frameworks support multi-agent systems. However, the scalability of current multi-agent harnesses is often constrained by a…

Long-term conversational memory in multi-party settings requires more than retrieving relevant content from long-term conversations: it must distinguish who said what, whom each statement concerns, how individuals perceive one another, wha…

Agents often work on complex problems that require millions of tokens of context, which necessitates compacting across sessions due to limited context windows. We develop CliffCompaction, an autocompaction technique that reduces cost by up…

We introduce SWE-Serve, a benchmark for evaluating agents on production inference engineering tasks. Implementing an inference feature can require coordinating multiple changes across the serving stack, including model support, runtime exe…

Agents using the Model Context Protocol (MCP) rely on semantic matching to select tools from third-party servers, exposing a semantic supply-chain risk through attacker-controlled metadata and outputs. We introduce A2M (Attraction-to-Manip…

Large language model (LLM) agents often handle streams of related tasks, yet standard harnesses repeatedly ask the model to reconstruct the same control decisions inside each task's context. We study whether task feedback can instead turn …

Typed decision models are built for settings where model outputs are consumed directly by software. Instead of generating free-form text, they return a decision over a predefined set of options. By construction, every output conforms to th…

RRSI 智能体框架的正则化递归自改进 论文：https://huggingface.co/papers/2609.24972

X-ray is medicine's most widely used imaging modality, yet remains among its least quantitative. Unlike volumetric modalities like CT or MRI, X-ray collapses 3D anatomy into a 2D projection, causing structures to overlap and anatomical bou…

Large language models are increasingly used to generate SystemVerilog Assertions from natural-language specifica- tions and register-transfer-level designs. Existing datasets and benchmarks support important goals such as large- scale trai…

Large language models (LLMs) are increasingly applied to the automated repair of C/C++ security vulnerabilities, and compile rate is a commonly reported proxy for progress: whether the generated patch compiles. We argue that compile rate i…

Clustering is an unsupervised learning technique that partitions unlabeled data into groups. Most existing methods require user-specified parameters, such as the number of clusters or neighborhood size. Conversely, we propose automatic dep…