AI 论文与研究

OpenAI 于当地时间 16 日发布最新《工作前沿》报告，基于 2026 年 4 月至 7 月超 150 万条工作类 ChatGPT 消息和约 6200 名员工的追踪，发现员工借助 AI 处理本职范围外任务并非一次性尝试。

东北大学硕士生 Soham Padia 基于 Olmo 3-32B 开发了众包评测游戏 Steering Arena，让玩家提交短文本前缀来引导模型产生更亲社会（prosocial）的回应。

UC Berkeley 团队在 SWE-bench Lite 和 Terminal-Bench 2.0 上评测 21 个模型与 harness 组合（7 个模型。

Mozilla 发布 91 页报告称开放权重 AI 目前仅落后前沿约 4 个月。OpenRouter 上 8 月 token 量前十的模型有 8 个是开放权重。

IDC 发布《全球智能眼镜市场季度跟踪报告》，2026 年第二季度全球智能眼镜出货量 354.7 万台，同比增长 35.3%；其中音频及音频拍摄眼镜出货 249.4 万台（增长 54%），AR / ER 眼镜出货 50.5 万台（增长 75.7%），VR / MR 头显出货 54.8 万台（下降 23.3%）。

冰岛初创公司 Treble 完成 1800 万美元 A 轮扩展融资，由 Paladin Capital Group 领投，KOMPAS VC、Frumtak Ventures、EIC 和 Omega ehf 参投，累计融资超 4000 万美元。其语音模拟平台提供合成数据生成与模型评测，客户包括 Amazon 和 Logitech，今年早些时候还与 Hugging Face 合作推出语音识别基准。

Mozilla 发布 91 页报告称开源权重模型仅落后前沿约 4 个月；8 月 OpenRouter 按 token 量计前 10 模型中 8 个为开源权重、7 个为中国造，DeepSeek 成为首个在周请求数上居首的开源模型。

这篇 Google 论文里展示的 AI 发现 RSI 循环很有意思 但话说回来，Google 很擅长写学术论文，却不知为何在把研究转化成优秀 AI 产品方面差得多。我觉得他们需要多一点 OpenAI/Anthropic 的文化 或者回归 2000 年代那个创新的 Google

百灵发布面向 PB 级大模型数据治理与探索的统一宽表系统 OmniTable，相关论文获 VLDB 2026 最佳工业论文奖。在一项真实 SFT 数据治理任务中，端到端处理周期从约 14 天缩短至约 2.5 天，缩短约 82.1%，人工操作步骤从约 45 个减至约 12 个。

GPT-6 Astra 在 BrokenArXiv 与 ArXivMath 基准上以 88.6% 对 87.7% 击败 Fable 5.1，单题成本仅 $3.63，而后者为 $12.77，性能相近但成本不到三分之一。该基准聚焦近一个月 arXiv 上被推翻的猜想，模型在 harness 内执行而非直接调用 API。

Google 近期连续发布多篇认真对待 AI 并考量政策影响的论文。其中一篇分析指出，没有单一政策是万能解，各维度均存在权衡；研究识别出位于帕累托前沿的"最小后悔"政策序列，按经济情景触发：轻度情景扩大失业保险、现代化 EITC 与员工主导的再培训，中度情景 EITC 转向负所得税，极端全面转型情景则以 Universal Basic Capital 兜底。

研究提出 prediction-powered smoothing（PP-S）及跨报告分类体系借力的扩展 PP-TS，用于在标注样本有限时更准确地估计各领域评估均值。该方法还给出近似无偏的基于设计的交叉验证分数，用于在直接估计与平滑估计之间选择。在可验证评分的基准和人工标注的已部署智能体流量上，新估计器在点估计与区间估计上均优于直接估计器，覆盖率接近名义水平。

研究发现在线策略蒸馏（OPD）中，基础学生模型与后训练教师模型即使声明的停止集合相同，也可能将停止概率放在不同的 EOS token 上，这种终止 token 不匹配会抑制学生模型偏好的终止动作，导致回复过长甚至耗尽生成预算。

When2Think 是一个混合推理后训练框架，通过实例级难度感知控制（IDAC）按题目难度动态分配计算量，让模型在简单题上直接作答、难题上保留长推理。在 AIME24 上 Pass@3 相对基座模型提升 10.0%、token 用量减少 27.9%；在 AIME25 上达到 40.0% Pass@3，优于压缩与纯路由基线。

FAMOS 是一个前馈模型，可从稀疏、无序的部分点云集合中预测可动部件分割与关节参数，并支持包括单视图在内的可变数量输入。它提出 Multi-state Articulation Transformer，通过交替的状态级与全局注意力聚合跨观测的关节线索，并引入 observed articulation span 目标监督各部件在输入观测中的运动范围。

论文提出 JEPA-Anything，一个基于正交预测分解（OPF）的领域无关世界建模框架，覆盖视觉、生物、临床轨迹、控制、分子动力学、物理场和天气七个领域。

DeformSmith 能从文本或单张图像自动生成可用于机器人操作的物理可信可变形资产，通过分层智能体构建与共享物理测试框架，逐步生成、测试并优化几何、物理模型、材质行为和机器人交互。其视觉质量与物理合理性优于 PhysGen3D、PhysGM 和 PhysX-Omni 等基线，并支持合成可变形物体操作数据。

研究提出以保留约束为标准的评估协议，用于 Cellpose-SAM 在干细胞显微图像分割中的部署压缩。在 176 个分层视野上，仅权重量化 W8A16 在所有成像模态下保持实例 F1，敏感性引导的混合 W4/W8 方案实现 6.76 倍权重存储压缩且 0/176 视野出现灾难性失败。三值权重量化虽达 12.08 倍压缩，却在 169/176 视野上灾难性失败。

TeleAntiFraud 2.0 是一个可刷新、基于画像的音频电信诈骗检测基准，采用 Mixed-Tree Anti-Fraud Generation Pipeline 构建，并按月度冻结评测协议发布。

研究构建了 AMPLE-Math 套件，包含 5，319 道数学题和六种共享同一答案的推理视图，用于分离特权信息在 on-policy 自蒸馏（OPSD）中的独立贡献。

研究者提出 SELF-INDEX，一个无需人工干预即可让检索索引自我演化的框架，其 Optimizer 能自主诊断检索缺陷、选择性修改相关索引键并在更新前验证每次修改。该框架还通过 Query Simulator 主动探索额外检索需求，在多种语料和检索器上持续提升检索性能，优于现有索引优化方法，并改善搜索智能体的效果与效率及智能体记忆系统的历史交互检索。

Paint-Anything 提出共享 hex 提示词接口，通过对象级颜色监督统一图像生成与编辑的任意颜色控制。团队构建了 Paint-500K 数据集与 ACBench 基准（含 ACBench-T2I 和 ACBench-Edit），在 FLUX.2-4B 上两项得分分别较基座模型提升 85.3% 和 28.3%，并在对比方法中取得最高平均 CompColor 分数。

研究者发布 VākQA，一个泰卢固语口语问答基准，包含 2，001 条事实型问答对、覆盖六个领域、2.53 小时语音音频及双语转写和人工核验参考答案。研究先用人工评分验证评测方法，发现 Gemini-as-a-judge 最接近人类评分但严格程度不均，开源权重评审模型则会系统性惩罚表面形式与参考答案不同的正确泰卢固语答案。

研究者提出一种训练自适应卷积稀疏编码框架，用 FISTA 展开 CSC 优化，将稀疏系数作为可微变量与网络参数联合学习，并从信息瓶颈视角解释其控制信息保留与压缩的权衡。该方法还引入无需标签的后训练策略，在主网络参数固定时调整受损输入的压缩强度。在 CIFAR 和 ImageNet 上，该方法在干净数据识别上表现有竞争力，并在多种输入扰动下大幅提升鲁棒性。

研究团队提出 UFO，首个面向多模态图像生成全条件对齐的同步评估框架，通过将全条件对齐拆解为细粒度、解耦的原子评估单元（AEU）链并分类调用通用或专用功能完成验证。实验显示 UFO 与人类评估偏好的相关性最高，平均提升 15.25%。团队同时发布 UFO-Bench，用于在文本与视觉条件多样交互下整体评估现有定制化模型。

RefineEdit 是一个无需训练的 Prompt-to-Prompt 图像编辑框架，基于生成式细化网络，通过对二值图像码的全局细化将编辑定位与内容生成耦合。在 PIE-Bench 九类编辑任务上，它取得最优的 PSNR、LPIPS、MSE、SSIM 背景保持分数以及最高的整图与编辑区域 CLIP 分数。

WeVisDoc 是一个两阶段数据中心化端到端文档解析框架：Stage I 通过异构数据与结构保持退化合成扩展语义、结构和外观覆盖，Stage II 用留出探针在固定视觉-结构聚类中定位残余错误，指导定向数据构建与目标 token 预算再分配。

研究以 Llama 3.1 8B 为基础，先用 ICLR 2018-2023 官方评审微调审稿模型，再用 ICLR 2024 数据混合官方与模型生成评审训练四个后继模型，发现引入合成评审会压缩评分分布并降低同论文与语料级语义多样性，作者称之为"科学判断坍缩"。

Vision-RL2 用区域级强化学习优化 MLLM 的候选区域网络，以冻结的 MLLM 阅读器按区域移除后答案似然的变化打分，无需区域标注、响应采样或推理轨迹。在六个细粒度基准和四个 MLLM 主干上，该方法在每个 token 预算下都优于基座模型，并以约 4 倍更少的视觉 token 超过其最大预算精度。

VA-Bench 发布，用于评测 MLLM 的完整"观察-推理-行动-修正"闭环，模型仅凭 RGB 演示学习流程并主动选择相机视角、发出笛卡尔度量指令。基准含 14 个基础任务族、7 个留出几何/布局变体和五物体长程组合赛道，最佳模型三次运行宏平均任务成功率仅 53.93±3.17%。

RetireOPD 提出自适应退役机制的同策略蒸馏方法：先用环境奖励训练技能条件教师，再让无技能学生联合 RL 与 OPD 训练，当师生差距不再缩小且学生达到教师成功率目标比例时自动弃用教师、仅用 RL 继续训练。

Video DeltaNet（VDN）将局部 Softmax 注意力与双向线性记忆结合，其线性分支 Video Delta Attention（VDA）按帧更新记忆并联合建模空间 token，用于长程视频上下文。

研究者提出 Movement Trend Guidance，让 3D 扩散策略从短观测历史中学习交互演化的紧凑隐表示，训练时用稀疏未来夹爪状态监督，推理时仅保留该隐表示作为面向未来的条件，且只在 UNet 瓶颈处加一个门控 FiLM 分支。

SoL-Pi 通过递归扩展自动研究循环，在 51 项任务的 EdgeBench 上达到与 Pi 相当的性能，同时将 token 流量减少 44.7-49.0%、API 成本降低约三分之一。该 harness 由动作执行、上下文压缩、观测处理和委托阅读四项机制组成，相对原生 Codex 与 Claude Code 每小时可节省 8.75-13.50 美元，相对 Pi 节省 4.36-5.71 美元。

Apple 研究团队发布 REVERSAL-BENCH，通过连续参数 ρ∈【0，1】 控制环境可逆性，并提供重置预言机在五种物理引擎的八种操作任务中验证状态可恢复性。评测显示，随着 ρ 升高，无重置智能体被持续吸收进不可恢复状态，而分幕式智能体保持稳定学习，形成明显的"可逆性悬崖"。团队同时开源基准套件、带可恢复性标注的多模拟器数据集与重置预言机，并验证了在不可逆失败前介入的安全护盾。

Intel 研究人员提出 BITCOS，一种由存在位图加压缩符号向量组成的三元权重布局，按零密度 z 计每权重仅需 2−z 比特。实测 29 个 SOTA 三元模型的零密度为 29.7%-51.5%，其中 26 个在 BITCOS 下比五 trit 打包存储更紧凑，最稀疏模型达 1.485 比特每权重。

AI 文档抽取的准确率瓶颈不在模型读取，而在 Schema 定义。同一份 180 页信贷协议中利率出现 6.25%、SOFR+350 基点、违约后 11% 三个可读数值，Schema 未说明取哪一个，三个抽取系统就会给出三个不同答案。

Stanford 团队（Jiacheng Miao、James Zou）的 Paper2Agent 于 2026 年 9 月 16 日发表在 Nature，可将论文及其代码库自动转换为 MCP 服务器，供 Claude Code 等 MCP 兼容智能体用自然语言调用论文方法。

耶鲁大学联合多所机构论文审计 6 个主流物理基准后发现，模型被误判的失败大多源于糟糕题目、错误参考答案和脆弱的评分器。在 4 个被审计基准子集的 250 个被拒案例中，仅 12 个是模型真实错误；GPT-5.6-Sol 经专家复评后 HLE-Physics 分数从 47.3% 升至 78.7%。

Adobe 研究者提出把每条评测用例的参考答案写成 Python 函数，评测时对实时系统运行，让期望答案随数据变化，上游 API 变更会直接导致测试失败。