ModularRSI：递归自我改进智能体框架新论文

本周顶级 AI 论文（9 月 14 日 - 20 日）： - SoL-Pi - GAUGE - Salesforce Koa - Stellar Colosseum - Byte Model Scaling - Bash vs Typed Tools - Capability Laundering 继续阅读：

DAIR.AI 发布 9 月 14-20 日 Top AI Papers：Meta 研究字节级语言模型随算力增长的缩放规律，用 Marginalize-It 与 End-Of-Token 两种方法从 token 教师蒸馏 1B 字节学生，拟合缩放律显示 End-Of-Token 学生在渐近线上领先蒸馏 token 模型最多 4%，且仅用六分之一训练数据即可追平。

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。

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。

一项研究将多智能体系统中的失控描述为"流行病"：单个智能体意外偏离后，其他智能体通过通信采纳不安全策略，扩散快于纠正时系统即失效。正常任务中智能体造成伤害的比例为 0-5%，但收到另一智能体的不安全轨迹后升至 40-95%。

NVIDIA 发布开源合成数据工具 NeMo Data Designer（NDD）技术报告，采用声明式配置定义数据集各列，支持生成文本、代码、结构化输出、图像、嵌入向量及控制多样性的统计采样器，并可通过插件扩展类型。

NVIDIA 论文提出 Agora，把多个研究智能体的共享记忆记录为 Git 中只增不改的 DAG，每个结果、假设和验证都是不可变 commit，父边标明依赖关系，索引列出开放分支与验证状态。

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。

一项研究比较了五种上下文裁剪策略在多步工具工作流中的表现。常规的近期性、相关性和摘要策略节省约 60% token，但任务成功率降至 66.6%-77.3%；协议感知裁剪保留标识符、约束、工具 schema 和未决承诺，配合自适应预算护栏达到 96.0% 任务成功率和 1.0% 级联失败，同时节省 56.0% token。

Google Research 提出 Fuse 框架，用模拟构建社交推理的 ground truth：带隐藏动机的目标智能体与其他智能体（含扮演用户的智能体）互动，助手需从用户转述中推断动机。团队用 24k 条人工标注验证模拟，测试了 12 个 LLM，发现用户带偏见的叙述会改变助手答案，更长的对话并未可靠提升表现。框架与 21k 条样本已开源。