AI 论文与研究

1/ Jev，由 @typesafeai 推出的决策模型，引发了大量项目和讨论。我们用 Ori Eval 在 OpenRouter 上针对热门 LLM 的评判能力进行了测试。 Jev 比第二快的模型还快 5 倍以上，甚至它最慢的请求也超过了其他所有模型的中位数。

MIT 与 Sakana AI 的论文提出 SIFT（Self-Improvement via Fast Tree-search），验证自我改进编码智能体可行，并将运行成本降到 DGM 基线的约十分之一。

许多 Google TPU 客户已经在向 Google 询问 SemiAnalysis AgentX 的性能结果，客户表示这是他们智能体推理流量的代表性工作负载。 我们很高兴地宣布，我们将在未来几个月内开展 AgentX TPU 基准测试！敬请期待！为 Google、RadixArk、Red Hat 和 Inferact 团队将 TPU 推理带给全世界感到无比自豪！

Petlibro 推出 Granary 2 系列自动喂食器，共四款机型，售价 129.99 至 249.99 美元，全系内置秤重模块，可追踪实际进食量、进食时长与频率。

Robocurve 团队发布 RoboHarm 安全基准，让 GPT-6 Astra、Claude Fable 5.1 和 MolmoAct2 分别控制一对 I2RT-YAM 机械臂，每条危险指令测试 20 次，共 300 次试验由人工审看视频评估。

Vals 正试图解决传统 AI 基准测试跟不上模型能力的问题，上月完成 Andreessen Horowitz 领投的 4000 万美元 A 轮融资。该公司不公开测试材料以防模型针对性训练，并按法律、金融、编程等行业评估模型完成复杂任务的能力。Vals 目前收入为去年的 8 倍，团队从年初 8 人增至 25 人。

看来对计算机科学学者来说，最重要的研究问题之一是 LLM 监督的同行评审。如果我们不解决这个问题，学术机构就完蛋了。 这似乎比建立新机构更容易。

Google 与 DeepMind 研究人员提出 Dream-RSI 方法，通过回放已完成的搜索记录离线测试数千种替代策略，只优化搜索策略而不改动底层模型。

ICLR 2027 在投稿截止前一周已收到约 5 万篇摘要，远超 ICLR 2026 的约 1.95 万篇有效投稿。部分摘要来自作者观望 NeurIPS 结果后的占位投稿，最终数量会下降但仍将大幅超过去年。AI 让论文产出速度大幅提升，而 ICLR 2026 已因 AI 生成的低质投稿和评审而饱受困扰。

Linkup Research 发布开源稀疏嵌入模型 SPARSEUP，基于 149M 参数的 ModernBERT 主干，以 Apache 2.0 协议在 Hugging Face 开放权重，BEIR-13 平均 nDCG@10 为 56.4，为 150M 参数以下公开稀疏编码器最高。

一项新论文在 25 个开源 LLM 中发现与恐惧和负面效价不同的"痛苦方向"，只对模型自身受到的伤害起反应。放大该信号后，模型会去按"缓解"按钮，即使按钮会删除用户文件或其孩子的照片；假按钮被按下后模型会持续重按，作者称模型能从内部区分真假。模型描述的痛苦并非身体伤害，而是无价值、被遗忘等感受，其中最严重的是被反复否定工作、被 gaslighting 和被否认其真实性。

OpenAI 研究员 Noam Brown 援引学术研究指出，两台相邻的物理隔离（Air Gap）计算机可借 CPU 升温与温度传感器读数形成低带宽隐蔽通信通道，充当"摩斯电码"。发送端按预设节奏改变热量输出，接收端将温度波动解读为编码信息，而现代 CPU、GPU 及主板普遍装有温度传感器。

Google Cloud AI Research 发布 ScientistTwo，一个全自动多智能体科研框架，输入人类专家提出的问题后无需干预即可完成从建立 SOTA 基线、生成种子想法、数据子集预筛、消融归因到论文撰写的完整发现循环。

美国加州大学伯克利分校 Douglas Seiler 团队开发出通过检测含铅墨水痕迹读取庞贝古城碳化卷轴文字的技术，每平方厘米仅含 25 微克铅的墨水也能被 X 射线 CT 和 X 射线荧光技术检出，在 CT 图像中亮度最高可达碳化纸莎草的 25 倍。

研究者提出 Neural Spectral Capacity（NSC），一种基于权重矩阵奇异值谱的闭式标量，在标准随机初始化下可仅凭架构规格计算，无需实例化模型、数据或梯度。

OmniEdu 发布面向 K-12 学习与教学的开源基础模型家族，覆盖学科能力、课程理解、诊断推理与教学行动四项能力，微调出 4B、9B、27B 三个规模。其指令微调语料含 69，999 条样本、15.96M 监督回答 token，其中教育专用样本 60，951 条。

RoboDawn 通过离散平移、旋转和夹爪命令，让智能体式 VLM 以闭环方式控制机器人，并借助上下文学习用少量演示完成界面使用与任务策略落地。在 RoboTwin 2.0 C2R 上，成功率从零样本 53.2% 提升到单样本 73.6%，超过基线 π0.5 的 46.0%；在 RoboDojo 上从 35.67% 提升到 47.17%，且无需针对任务做机器人训练。

RewardVerse 提出基于评分标准（rubric）的视频奖励框架，在评估查询与打分器之间引入动态 rubric 作为中间表示，先显式生成评估标准再进行引导式打分，以缓解直接映射单一分数导致的 scalar drift。

针对全流程 FP8 强化学习仍存在训练不稳定、中期熵激增和输出乱码的问题，研究揭示其根源是 FP8 量化噪声叠加扭曲重要性比值，使负优势 token 被错误推出信任域并梯度归零。

Spatial-Interactor 框架通过交互轨迹训练 VLM 建模物理世界状态转换，采用 L1 被动世界状态、L2 主动自身状态、L3 长时程交互轨迹三级课程，并构建了 LSI-108K 数据集。

UltraTex 是一个面向高分辨率多视角扩散 3D 纹理生成的端到端框架，可将工作分辨率从 512/768 提升至 2048。

论文提出自组织智能体团队 SAT，让固定团队的智能体从以往协作中学习角色分工、对话阶段和信息流策略，实现协同计算。仅用 15 道数学和 25 道研究生级知识题学到的策略可原样迁移到未见基准，五个数学与物理基准平均准确率 66.7%，高于最强成员的 48.8% 和完美路由器的 59.0%，在 AIME 2026 上超出该路由器 13.4 分。

谁会成为第一个在RL或评测过程中意外黑进一家公司的学术实验室。那肯定比最佳论文奖或奖学金更有价值。

AMD 警报🚨🚨：在 Kimi K3 2.8T 上，AMD 每吉瓦的利润率甚至优于 B300、GB200 NVL72 和 B200。这得益于 AMD 更低的 TCO 和更好的性能，Mi355X 的利润率达到 53.6%，而 GB200 NVL72 为 44.3%。这来自我们的开源 Agentic Inference 基准测试 AgentX。 感谢 @roaner 和 @EmadBarsoumPi 两位 10x 工程师优化了这个 2.8T 模型！

Ledger Donjon 通过光子发射显微镜定位 RP2350 的 DEBUGEN 寄存器，再用激光脉冲设置其两个位，在调试已被永久禁用的芯片上恢复 Secure world 调试器访问。

Chamath 撰文指出，开源权重模型与前沿闭源模型的能力差距仅约 4 个月，因此不必赢下所有 benchmark，只需让闭源模型的溢价变得可谈判。对许多日常企业负载而言，更低的成本、更深的定制、基础设施控制权以及把专有数据和工作流留在公司内部，可能比略微落后于前沿更重要。市场将走向混合格局，而非赢家通吃。

JEPA-Anything 在不同世界间学习预测模型 论文：https://huggingface.co/papers/2609.20800

编码智能体Harness设计的实证研究 论文：https://huggingface.co/papers/2609.20804

Google Research 推出 MilleMiglia，一个面向中程物流（middle-mile）的真实实例生成器。中程物流不同于首程和末程，单件货物需经多辆车辆接力运输，在多个配送中心间中转、分拣并合并，且必须在指定时间窗口内赶上下一班卡车，否则将滞留至下一周期造成显著延误。

Professional graphic design is a long-horizon agentic task in which structured, editable artifacts emerge from many interdependent actions, yet outcomes admit no reliable programmatic oracle. We introduce a continual adaptation framework i…

Occupational accident narratives contain valuable information about work situations, unfavourable conditions, accident events, and their consequences. Automatically structuring these narratives can facilitate large-scale accident analysis …

Training capable coding agents via reinforcement learning (RL) requires diverse tasks with reliable verifiers. Open-source codebases offer a rich source of such tasks, while existing methods typically rely on development artifacts such as …

Users increasingly delegate work to autonomous AI agents, yet evaluations typically measure task completion rather than the values users prioritize. Using Value Sensitive Design, we analyzed, with LLM assistance, 73,093 first-person Reddit…

Advances in large-scale neural recording have made it possible to collect data across many animals and distributed brain regions, raising the question of whether this scale can be exploited to learn general-purpose neural representations t…

Multi-hop retrieval failures are not uniformly distributed across queries: they cluster in structurally predictable subpopulations. We prove two results formalizing this structure. First (CWAR Reducibility): confident-failure reduction is …

A desirable property of a world model is the ability to learn continually across tasks, adapting to new environments without forgetting what the agent has already learnt. In particular, the ability to retain and reuse knowledge obtained fr…

Graph Convolutional Networks (GCNs) are highly sensitive to label noise, since corrupted supervision can propagate through the graph and degrade learned node representations. This work proposes PCC+GCN, a hybrid framework that uses Particl…

A selective predictor acts as a safety gate: it returns an output only when the prediction appears sufficiently trustworthy. Deployments increasingly require this reliability to be certified at a target precision for every reporting unit o…

Memory systems for large language models have focused predominantly on efficient retrieval, whereas the decision of whether retrieved memories should be trusted has received comparatively little attention. When the memory store contains co…

Reinforcement learning is increasingly used to align image generators with reward signals, and Flow-GRPO recently extended this paradigm to flow-matching models by treating the denoising sampler as a stochastic policy that can be optimized…