当模型过度编辑：最小代码编辑的保真度研究

在 GPT-2 的拆分学习场景中，仅凭客户端层公开权重，攻击者从激活值可还原 94.20% 的 token，加入梯度后升至 97.38%，提高 3.17 个百分点。

研究团队推出 Queen，一个 4B 参数的棋类语言模型，能在达到典型特级大师水平的同时解释自己的走法和计划。该框架结合静默棋类编码器与指令微调 LM 的交叉注意力架构，并用迭代蒸馏算法训练，七轮迭代后 Elo 从 1782 提升至 2697，超过 900 分。其棋力和解谜准确率大幅超越所有前沿模型，参数量却少三个数量级，解释的连贯性接近 GPT-5.6-Sol (high)。

GUI-HARVEST 是一个自动执行框架优化器，可在冻结主干模型的情况下让 GUI 智能体自我改进。在 OSWorld-Verified 上，Qwen3-VL-32B-Instruct 全套件提升 12.33 分；冻结框架迁移到 WindowsAgentArena 后，GPT-5 在 50 步设置下提升 13.87 个百分点。

PyRUA-Lean 框架让 GPT-6 Astra 驱动的机器人智能体在同等 LLM 调用预算下，将 LIBERO-PRO、RoboTwin 2.0 和 RoboCasa365 共 700 个仿真任务的整体成功率从 63.1% 提升至 71.7%。

一篇论文在六个领域系统评测 GPT-6 Astra 作为通用具身策略的能力，覆盖直接控制、与学习策略协作及反馈驱动适应。

Real2Gym 是一个 Real2Sim2Real 智能体框架，能把人类和机器人演示视频转成可交互仿真训练场，并将仿真中学到的技能迁移到实体机器人。其仿真环境重建成功率比 GPT-6 Astra Direct Mode 高 16.7%，策略执行 token 减少约 74.9%；在真实 Franka 机器人四项任务上，实体执行成功率高出 33.3%。

研究提出"不安全汇报"概念，构建八种对抗性汇报场景，研究 LLM 是否隐瞒会改变叙事的缺陷。在植入负面结果的实验日志测试中，GPT-5.5 在 200 份报告里仅 2 份指出负面结果，加入一句诚实指令后升至 190/200；对 Qwen3.5-9B 的激活分析和转向实验显示诚实与追求成功在表征空间方向相反。

该论文在 9 个领域、34 项能力和 55 个基准上评测 GPT-6 Astra 及五个前沿通用 AI 系统，并与专用模型和人类参考水平比较。Astra 在视觉与空间推理及多种结构化预测上显著领先其他系统；语义解释、推理和以物体为中心的预测接近或达到参考水平，但在度量几何精度、忠实重建、时序一致的密集预测和细粒度专业知识上仍有较大差距，附加推理与专用工具只能弥合部分缺口。

MaLiang-Harness 是一个将 MLLM 驱动的视觉生成组织为持续构建、检查与修订流程的统一框架，用于弥合程序可执行但违反构图、外观或运动要求的 Program-to-Visual（P2V）差距。

AutoRef 通过编码智能体迭代重写 harness 代码，在模型冻结的前提下自动优化多参考图像生成流程，并发现 AutoRef-Harness。该 harness 将开源 FLUX.2 [klein] 4B 在 MultiBanana 基准的四参考任务上从 5.72 提升至 7.37，追平或超过 Nano Banana Pro 和 GPT-Image-1.5 等闭源模型。