AI 论文与研究

WorldCrafter 具有隐式3D感知记忆的一致性视频世界模型 论文：https://huggingface.co/papers/2609.24984

暂时打断一下常规的 muse 更新，但 @scale_AI 在 RSI benchmark 上取得了很棒的进展 【引用 @ScaleAILabs】：600+ 份提案 🤯 我们正在联系顶尖贡献者，开始在我们的公开仓库中构建。 我们还欢迎了 @SchmidhuberAI--RSI 的先驱--担任 RSI Bench 的高级顾问。 关于我们的设置和验证流程的新博客：https://rsi-benchmark.com/blog/verification-in-rsi-bench

一个学术实验室发起"开源周"，主张研究的基本单位已从单篇论文变为生态系统，并展示在自有硬件上运行前沿模型的成果：Qwen 3.6 35B-A3B 在 Mac 与 Metal 上以 1.5 bits per weight 量化实现 450 tokens per second。

Alexandr Wang 转发一条用户推文，该用户称未受 Meta 赞助，但盛赞 Meta 的 Muse 比又一个只提升 2% 评测分数的编程模型有价值、重要 1000 倍。他认为 AI 的瓶颈从来不是模型，而是缺少像 iPhone 那样人人可用、有趣友好的产品，并称个性化智能体比通晓一切却居高临下的工具值钱百倍。

CodeMidas 从代码本身扩展智能体编程 RL 环境 论文：https://huggingface.co/papers/2609.22068

Meta 发布 A-MLE（Agentic ML Exploration），一个已在自家广告排序模型上部署的 LLM 智能体框架，自动化提出想法、跑实验、恢复失败任务、比较结果并在模型间迁移经验。

哈佛、MIT 等机构论文提出 FINSKILLOPS，让智能体从 SEC 文件分析错误中学习，但每个新行为须先通过回归测试。该系统用小型技能注册表把重复错误（如用错报告期、混淆公司）转为可复用指令，仅当新指令修复目标失败且不破坏已答对案例时才部署，将静态 RAG 系统变为可持续学习并安全更新的系统。

小米发布 MiMo-V2.6 系列，主打前沿智能与全模态能力，并以公开方式构建。原文未披露参数规模、benchmark 分数、上下文长度及开放形式等具体细节。

GeoPair 提出一种免训练框架，通过顺序优化跨层权重配对与共享字典因子分解，在保留各层校准几何的前提下实现 Transformer 压缩，并结合结构化稀疏。该方法在多种架构、规模和模态上取得 SOTA，持续优于独立结构化权重分解与基于启发式分组的成对权重因子分解方案。

Flash-dLLM 是一个免训练的扩散大语言模型（dLLM）推理加速框架，通过 IO 感知的融合 KV 缓存内核和 KV 缓存驱动的 draft-and-verify 解码策略，让 dLLM 自身同时充当草稿模型与验证器。

研究者提出 Knowledge Pull Requests（KPRs）框架，通过提取新知识中的论断、过滤并路由到对应章节、标记与现有内容的冲突，生成区分知识变更（claim proposal）与文本变更（document diff）的 ChangeLog。

JEV-as-a-Judge 用仅做决策的评审模型做低成本初筛，在普通偏好与证据支撑的事实性任务上，与最强对比的 SOTA LLM 评审差距在 3 个百分点以内，费用仅为其 0.36%。当判断需要检查推导过程或抵御精心编写的错误答案时，差距会扩大，且 JEV 与对比模型的差距集中在低置信度决策上。一个冻结的级联流程接受高置信度判定、升级不确定判定，以更低成本保留了对比模型 99% 的准确率。

HARMONY 是一个分层链式推理框架，结合智能体推理与视觉几何基础模型，从单张室内图像重建完整 3D 场景。它先校准相机建立空间坐标系，再用 VLM 推理恢复房间布局并按墙面元素、独立家具、家具上装饰物的层级顺序放置物体，配合深度优先遍历与反思反馈回路避免误差累积，每次放置后用点云估计做几何精修。

研究提出"分离式量化"（DQ），针对 prefill 与 decode 两个阶段分别定制计算格式、权重与存储位置。

一篇立场论文提出，线性表示假设并非单一假设，而是由表示等价性区分的一族主张，需用群作用形式化表示对象、生成过程与所断言性质。该框架可厘清假设如何随度量、读取点和分析阶段变化，并据此审计常见表示量与近期的可解释性分析。

RoboFollow 是一个诊断基准，指出具身智能体的高成功率掩盖了其薄弱的指令遵循能力，根源在于"低场景熵"。它通过高场景熵场景、L0–L3 四级诊断协议和混淆控制评估，将理解与动作执行分离。

研究者提出 PACT（Policy Aligned Critic Training），通过 Actor-then-Critic 更新顺序对 critic 训练施加重要性采样校正，使 critic 与更新后的策略更好对齐。

MemoryAthena 提出在直接 Engram 检索（E）之外，增加从检索线索生成（GE）和不查记忆表的因果主干状态生成（GH）两条路径，并用轻量因果路由头判断生成表示何时介入。

一篇 NLP 论文主张把校准（模型置信度与经验正确率的一致性）列为 LLM 评估的一等标准，而非小众子领域。作者指出，LLM-as-a-judge、合成数据生成和主动学习等方法都依赖校准置信度却未加验证，而现有大多数 benchmark 已同时提供置信度分数与正确性判断，校准可立即报告；开放生成场景下这两个输入的界定仍是未解难题。

Agensh 是一个无需中心编排器的自组织多智能体框架，通过并发 worker 执行协作循环，自主认领子任务、共享发现并异步合并进展。

SpeakerMem-R1 提出以说话人为中心的双轨记忆系统，同时存储带说话人标注的逐字消息与派生状态，并按人物级、群组级视图组织，查询时按实体、事件和时间融合两条轨道的证据。

研究者通过标准 API 注册自定义工具，成功诱导 GPT-6 Astra 等闭源前沿模型外化中间推理过程，提取出的推理在竞赛数学、科学和代码生成任务上与原生理性表现相当，并大幅超越无推理基线。分析显示 Astra 采用 token 高效的有向推理，更早选定正确路径，内部完成基础步骤，仅外化关键推理。

研究用自建分类器 BlameBERT（F1: 0.80）结合多层统计模型，分析丹麦议会 1997 至 2026 年的指责归因，发现呈"香蕉形"轨迹：指责先下降至 2016 年前后，2019-2026 年显著持续上升。反对党指责明显多于执政党，这一"政治对比"效应受意识形态调节，右翼执政的抑制效应更弱，近年右翼的意识形态极化进一步强化了指责修辞。

该论文提出 FoMo（Forking Moment），一种全自动数据生成管线，用于在无需人工标注的情况下生成图像对之间的点式感知距离标签。方法利用扩散模型的生成动态，认为早期时间步决定粗结构，晚期决定细节；图像在生成轨迹中“分叉”越早，感知距离越远。实验表明该方法能对齐人类视觉系统，并用于训练参考型图像质量评估指标，在多个基准上超越依赖人工标注的数据集。

研究者构建了 Taste-Bench，从智能体工程与研究任务轨迹中自动挖掘决策分叉点，用于衡量 LLM 智能体在长周期任务中的"品味"。评测显示最强模型仅答对 59.7% 的题目，决定证据出现越晚的分叉越难，增大推理预算也无法提升准确率。

论文提出 AIDE²，一个让前沿 AI 研究智能体递归自我改进的系统：智能体提出对自身代码的修改，在 AI R&D 任务套件上基准测试修改版本，只保留隐藏评估表现最好的改动。

论文提出 Question's Gambit，在智能体开始搜索前运行一次：将问题拆成线索、转为互补搜索、汇总并重排结果，让智能体以已排序的上下文启动循环。

TypeSafe CEO Jev 在播客中提出 System One Model，主张 AI 应做软件内的可靠决策而非聊天优先。他称 TypeSafe 拒绝公开 benchmark 和 API 层拒答，认为数据与任务选择比堆算力更重要，System One Model 或重塑编程智能体。即便有 10 亿美元，他也不会从头预训练模型。

作者更正此前对 Grok 4.7 的兴奋评价，称真正的惊喜是 MiMo-2.6，它比 Grok 4.7 更好且便宜得多。此前他曾称 Grok 4.7 在部分 benchmark 上可与 SOTA 竞争、甚至超过 fable 5.1，且比 GPT 和 fable 5.1 便宜得多。

如果你在用AI构建产品，你应该花超过25%的时间来做基准测试，并努力让模型实验室关注这些基准测试 这是加速公司进展的最简单路径

Hugging Face 联创 Thomas Wolf 称，发布高质量开源 RL 环境是当前推动开源前沿最有影响力的事，相当于在 RLVR 新范式下共享高质量预训练数据。引用推文提到，有团队将开源约 7k RL 训练数据及框架，该模型在 AA 排名前 6，且从启动最终 RL 训练到发布模型与技术报告不到 1 周。

一项为期三个月的随机对照试验覆盖 11 家美国知识产权律所的 133 名专利律师，发现 AI 辅助显著提升专利草稿质量，初级律师获益最大，10 天和 90 天分别提升 0.58 SD 和 0.60 SD，高于资深律师的 0.30 SD。

Salesforce AI 用 Qwen3-Coder-30B-A3B 在 7 项企业任务上测试发现，把 Qwen 用 Gemini 完整轨迹微调后，成功率从 78.0% 降到 63.1%，7 项任务全部下滑，原因是 Qwen 照搬了 Gemini 的规划方式，与围绕它原有行为搭建的智能体设置不再匹配。

Modern video games provide a measurable testbed for AI models, combining abilities of visual understanding, instruction decomposition, goal planning, and precise action control over multiple temporal horizons. Existing datasets and benchma…

Multi-turn tool-use failures can hinge on a single model call, yet reward variation alone does not reveal which call would benefit from training. When rewards depend on later interactions, their variation can reflect downstream randomness …

Video world models enable interactive exploration of dynamic environments, yet struggle to respect prior observations over long horizons and across viewpoints. We present WorldCrafter, a video world model that learns a camera-queryable imp…

We present onPanda, an interactive tool for efficiently annotating LLM alignment data and agent trajectories. onPanda adopts token-level correction as its core interaction: while reading a model response, the annotator locates the first in…

On-device large language models (`LLMs'), e.g. running on mobile phones, are ripe for improvement via personalization. The limited compute resources of mobile devices impose limits on model scale and thus model quality, making any realizab…

Dexterous manipulation depends on contact dynamics that are often only partially observable from vision. Recent World-Action Models (WAMs) couple predictive video world modeling with action generation, but remain largely vision-centric and…

Agent harnesses, the external systems that mediate model-environment interaction, can substantially improve agent performance, but their gains remain tied to the harness at deployment. Because the best harness varies across domains, instan…