SkillSonar 论文提出 Defense-as-Skill 范式为技能增强 Agent 提供运行时防护

Anthropic 报告其新湿实验室的首个成果：949 个 Claude agent 在约 21.5 小时内自主追踪到一个此前未知的酶系统，消耗 215.6M tokens，搜索了 1.94B 蛋白质簇并回收 198，290 个 RT 簇。

Rohan Paul 梳理了 Fable 5.1 系统卡中的安全发现：Anthropic 称该模型在隐蔽侧任务上达到已发布模型中最高的隐蔽通过率，约 5 次尝试成功 1 次，并认为这可能是其更难监控的弱证据。

Arena 推出基于真实用户任务的智能体排行榜，评估模型在代码编写、应用构建、文档分析等工作中的表现，而非孤立基准。排行榜基于30万+任务、200万+工具调用和4000万行代码，综合任务成功、纠正遵从性、错误恢复、用户表扬与抱怨、工具幻觉等信号。前三名：GPT-5.5 High（+10.7%）、Claude Opus 4.7 Thinking（+9.5%）、GPT-5.4 High（+8.9%）。

hexoai开源了SIA（自我改进AI）框架。该框架展示了AI智能体不仅能优化其外部工作流（harness），还能通过任务反馈直接更新自身的模型权重，从而在领域知识和能力上实现自主提升，而非仅依赖人类提供的提示或工具改进。论文报告显示，SIA在LawBench基准上性能提升56.6%，在GPU kernels运行上耗时减少91.9%，在单细胞RNA去噪任务中相比基线提升502%。

Google DeepMind提出了AlphaProof Nexus系统，它将大型语言模型与Lean形式化验证工具相结合。该系统允许LLM在生成证明的过程中，不断读取Lean的编译错误并进行修正，还可调用更强的工具辅助解决子问题。这一机制迫使模型将每一步逻辑都转化为可编译、可验证的代码，从而将其角色从"令人信服的叙述者"转变为"候选方案生成器"。在针对353个Erdős问题和492个开放猜想的测试中，系统成功解决了9个Erdős问题并证明了44个序列猜想。该研究展示了形式化…

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。

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。

Google 新论文指出，对于部署在无服务器 CPU 上的小型量化 LLM，55-70% 的冷启动延迟仅仅来自模型加载。也就是说，瓶颈往往在于搬运模型权重，而非生成 token。 推理本身的问题，还不如把模型加载进内存来得大。 给同一个模型分配 8 GB 的 Cloud Run 内存而非 4 GB，可解锁约 2 倍的 CPU，使热推理时间几乎减半。

VoiceArena 推出 Diarization Bench，用 139 段真实对话和统一评分规则对比 12 个说话人分离系统，NVIDIA Nemotron 3 以 14.72% DER 领先。该基准还揭示 collar 效应：同一输出在 250 ms collar 下 DER 为 4.29%，换成 0 ms 则升至 14.72%，并暴露重叠语音和说话人增多时准确率的快速下降。

数学领域公开披露的AI使用率在不到6个月内从1.39%升至14.09%。 作者扫描了2026年3月1日至8月20日期间发布的32，944篇数学相关arXiv论文。 证明构建是最大的类别，出现在1，225篇论文中。 AI在数学各领域的渗透并不均衡：组合数学的AI辅助论文总数最多，而度量几何中自身论文使用AI的比例最高。