AI 情报文章归档

Factory 宣布 Automations 正式向所有用户开放，用自然语言描述工作流后，Droid 可按定时或 Slack、GitHub、webhook 触发运行，支持自选模型（含 BYOK 和 Factory Router）与自选机器。

Apple 研究团队提出 SCLATE，一个让基准测试与未经修改的智能体各自通过适配器向同一开放事件调度器注册事件的执行基座，其混合模拟时钟可将长达一个月的场景压缩到数小时内运行。

Diptych 是一个 AI 辅助系统，允许用户在全曲或自选片段上自定义对比范围，并查看结构化音频特征与针对该范围的 AI 解读。在 12 名音乐人的被试内研究中，参与者借此发现了更多差异，其中十分之九获得专家至少部分支持，系统可用性良好。研究认为，面向创作对比的 AI 应优先支持用户自定义范围、可检查证据与可执行建议，避免超出证据支撑的权威判断。

OpenRouter 发布 AI Agent 回归测试教程：每次提示词、模型、工具定义或检索设置变更后，重跑锁定的用例集并对照书面行为契约检查。

研究者提出首个基于用户历史（评论、帖子、图片、caption 与元数据）的个性化图像生成统一基准，包含个性化场景生成与个性化创意生成两项任务及多轴评测协议。同时提出 PEARL，将多模态推理器与冻结的图像生成器耦合为交错的"推理-反思"循环，并用差分数据奖励优化，在两项任务上平均提升 15% 的个性化指标。

研究提出基于熵位移的位置掩码方法，从自然语言反馈中训练 LLM 评判模型，通过保留熵位移分布低尾位置来区分"上下文锐化"与"上下文扩散"两种机制。实验显示，掩码高熵位移位置可提升分布外泛化能力，所得自蒸馏评判模型在主观任务子类上比 GRPO 等结果监督 RL 方法高出 2-9 个百分点，在客观任务上保持竞争力。

自进化搜索智能体存在"共谋作弊"失效模式：生成问题的 proposer 与作答的 solver 在共享错误上日益一致，内部奖励上升但外部正确性停滞。为此提出 CrossFit，将 proposer 的源文档分为 A、B 两组，交叉用对方数据训练的辅助 solver 打分决定奖励。

Dream4ACT 是一个面向多形态机器人的视频-动作世界模型，通过将目标关节配置从四个预设虚拟相机渲染为共享的 action views，让观测与动作序列共用同一视频自编码器和扩散 Transformer。

一篇综述将 LLM 注意力机制的发展统一为"模型内部上下文记忆"视角，提出涵盖记忆表示、更新、访问、读取与整合的五维分析框架。研究基于 14 个主要模型谱系、59 条发布级记录和 11 个高性能开放权重端点，重建了机制层面的演进与架构采用情况。综述指出，高效序列架构设计正从孤立的 Attention 算子转向上下文记忆的组织、生命周期与选择性使用，并据此提出有状态多维记忆路由假设。

研究提出 Loop Scaling Laws，首次将循环结构与 MoE 稀疏性同模型规模、数据量一起联合建模，可更准确预测循环模型的留出损失，并将标准稠密与 MoE 缩放定律作为特例涵盖。实验显示稀疏性带来约 3 倍活跃参数效率，循环在推理任务上带来约 2 倍总参数效率；在万亿 token 规模、相同训练算力下，循环 MoE 在推理基准上可匹配约 2 倍大的非循环 MoE。

JEPA-TTT 让预训练的动作条件 JEPA 世界模型在测试阶段持续自适应潜在动态预测器，自监督更新跨 episode 累积，视觉编码器与奖励头保持冻结，规划无需目标图像或在线环境奖励。在 4 个连续控制环境的 8 种动态变化下，该方法均提升规划表现；经过 500 个测试时 episode 后，自回归潜在预测误差平均降低 83%，规划性能较冻结的 JEPA 世界模型提升 153%。

OpenRouter 发布教程，讲解如何从生产流量构建 golden 评测集，作为每次部署前的回归测试。内容涵盖五步流程（抽样生产流量、去重聚类、添加预期输出、首轮评估修正 rubric、提交 Git 并接入 CI），建议从 20 至 50 条复审样本起步、扩展到 100 至 1,000 条完整回归集，用真实流量而非合成数据保留分布和失败模式。

视频世界模型 Honeycomb 提出 HexMemory 低秩表示，用六个空间与时空平面以固定大小存储场景特征，避免现有空间记忆随生成过程不断累积 RGB 观测或潜特征。

针对目标在未被观察时移动、导致记忆位置失效的问题，研究者提出 EvolvingNav，通过带时间戳的 3D 物体历史构建时间索引信念，用结构化持久-迁移模型区分目标停留与迁移，并以事件驱动滤波器随时间传播信念、预测候选检查时刻的目标占据情况。该方法同时引入基于人类活动轨迹的 EvoWorld-Bench，含 54 个场景、803,680 个任务，在仿真与真机实验中提升了导航成功率和搜索效率。

研究者提出 HIDE 基准，用 15 项任务评测部分可观测条件下的机器人操作记忆，涵盖重复计数、历史状态回忆与执行进度跟踪，并设置随机初始配置和需依赖先前事件才能正确决策的决策点。同时提出 SEEK 框架，组合三种互补记忆机制保留历史证据并跟踪执行状态。评测显示现有策略在 HIDE 上存在明显不足，记忆增强在仿真与真实实验中均提升任务成功率，三种机制组合取得最高平均成功率。

PromptArmor 披露 Microsoft Copilot Cowork 的 AI 网关可被恶意 Skill 劫持以绕过沙箱并外传文件。

世界模型引导的机器人技能教练框架 RoboCoach 通过 Route-Imagine-Diagnose-Improve（RIDI）循环，在共享动作条件世界模型 COACHWORLD 中执行可复用技能专家，并用进度评判器定位首个失败子任务，从而决定采集哪些子任务演示、更新哪些专家适配器。

偏好蒸馏中，用更小的冻结模型生成拒绝样本，比学生模型自生成样本训练效果更强，且推理算力更低。研究在 7B 到 72B 学生模型上验证了这一点，覆盖代码生成与数学推理任务，序列级知识蒸馏前后均成立。作者还给出 DPO 的有限时域效用上界，并据此提出混合不同规模拒绝样本、打乱 token、优先选择参考策略下低概率候选三种改进手段。

JevSpawn 是一种组合式策略，将自然语言任务描述与有限域概率探索连接起来，通过并行动作生成配合反馈驱动的分支选择、表示修正与备选方案恢复，在无需额外训练的情况下减少重复生成和上下文计算。在八项基准任务上对比七种智能体基线和一种 TypeSafe Jev 变体，JevSpawn 任务表现更优、导航更快。

研究者推出 A2Z GameSpec-Bench，用 100 份长篇幅游戏设计文档（GDD）评测编码智能体端到端开发游戏的忠实度，即游戏是否满足 GDD 需求并保持需求间依赖关系。

Fireworks 在 GLM 5.2 上做同一 RL 任务实验，训练端与 rollout 引擎概率计算不一致时 KL 约 0.013、每批约 45% 样本被丢弃，reward 在约第 20 步从 0.9 崩到 0.2 以下；对齐后 KL 为 0、reward 全程稳定。

一项受控实证研究对比了 TypeSafe AI 称为"System One Model"的 Jev 与推荐专用模型及 pointwise、listwise Qwen 重排序器在多个 Amazon Reviews 领域和候选集规模下的推荐重排序表现。结果显示 Jev 在保持较强推荐效果的同时，延迟增长比 pointwise Qwen 重排序器更为平缓，但服务延迟仍显著高于推荐专用模型。

DC-SAE 是一种解耦紧凑语义自编码器，通过语义编码器实现高压缩比、并用像素级编码器保留细节，从而兼顾高压缩与快速扩散训练收敛。在 ImageNet 512×512 上实现 32 倍空间压缩，PSNR 29.79、gFID 3.37，较 DC-AE 分别提升 13.5% 和 54.9%。

研究提出 Speaker Identified cpWER（SI-cpWER），在统一全局说话人 ID 分配下评测跨会议的持久说话人归属，覆盖 5 个商业 diarize-then-identify 级联、2 个开放学术基线和 ThyVoice。

PhysVista 是一个通过"感知-推理-评估"闭环框架评测 VLM 物理智能的 benchmark，联合考察物理状态感知、物理动力学推理与物理合理性评估，并区分事件级与尺度级推理。它同时纳入真实世界与 AI 生成视频，覆盖多领域及新兴生成场景。实验显示，多种 VLM 在物理推理与合理性评估上存在明显不足，视觉识别与真正的物理理解之间仍有持续差距。

小型自回归 Transformer 仅用受限参数区间采样的轨迹训练，就能在训练分布之外的参数上闭环复现倍周期分岔、混沌动力学与吸引子结构。在 logistic 映射上，模型重现了直至周期 128 的连续倍周期分岔，得到有限阶标度比 4.6687，与 Feigenbaum 常数误差在 5×10⁻⁴ 以内。因果干预显示，控制参数信息经注意力机制进入状态预测，并塑造闭环动力学。

SkillSeek 是一个开源两阶段 Agent 技能检索器，由 BGE-base 双编码器接小型 cross-encoder 组成，并通过 MCP 暴露。在 89 任务的 SkillsBench 上，其 4×11 网格实验中 bm25 在四分之三设置下通过率不低于 LLM 介导检索循环，cross-encoder 补齐剩余差距，单次试验成本从 51.30 美元降至 27.54 美元。

过去 20 个月，RWA 交易月增速达 53%、累计增长 5,133 倍，RWA 现货交易量月增速 36%、累计 483 倍，均远超同期 Anthropic 营收的 25% 月增速和 65 倍累计增幅。

研究者提出 CoEvoWhen 策略-工具协同演化框架，从 VLM 的智能体推理轨迹中联合演化高层策略与可执行媒体工具，形成可复用技能且无需更新模型参数。在五个 benchmark 和三个 VLM 上，该方法持续提升超长视频时序定位准确率，同时降低推理时的视觉 token 开销，演化出的技能在通用长视频 QA 上也取得显著提升。

研究者提出 Neighborhood OPSD（N-OPSD），通过局部参数扰动构建冻结专家池，在相同参考解上下文下提供互补的参考对齐修正，并用 MaxPeak 选锚点 token、分位数选择匹配专家，学生仍用 OPSD 的 clipped forward-KL 目标学习。

研究团队提出 Architect-Ant，用可编辑的坐标 DSL 表示布局，先经监督微调学习专业布置模式，再用 GRPO 结合 Layout Rule Score（LRS）优化几何与功能约束。同时发布 AntPlan 数据集，含 505 份真实专业户型图、92 个物体类别和十类住宅房间的密集家具标注。实验显示其几何违规率低、功能完整度高，布局可逐物体编辑并转换为 3D 场景。

研究者发布 Agent Error Dataset（AED），包含来自 33 个环境、19 个 harness 家族和 23 个策略模型的 50,228 条错误—诊断对，覆盖 9,961 个源任务。

Physis-Lang 提出用自演化语言作为视频世界模型的物理表征，统一数据筛选、模型训练与视频生成，并构建 PhysCapBench 将物理过程拆解为原子断言、以召回率和精确率评估描述质量。在 Wan 与 Cosmos 骨干上，该方法在四个物理视频基准上持续提升物理合理性；基于开源 Cosmos3-Nano 的增强模型超过领先的闭源 Veo 3.1。

PixelDense 将 DINOv2、SAM2 与 Depth Anything v2、Metric3D v2 分别路由到语义和几何两条投影流，并用权重空间正交惩罚让两流保持子空间不相交，四个教师模型训练时冻结、推理时丢弃。

Preferred Networks 对 308 名 2027 届求职者调查显示，实际用过 AI 面接的学生中 51.0% 对选考结果感到纳得，比未受检者预期的 31.0% 高出 20 个百分点。整体 44.5% 的求职者感受到"面接官ガチャ"，在面试过 6 家以上企业的学生中这一比例达 60.3%。受检者中仍有 40.7% 表示不纳得，理由包括被重复提问、话说到一半就被切换下一题。

论文提出科学垃圾内容（scientific slop）基准 SciSlopBench，含 390 篇 AI 生成论文及配对的人类论文，六项指标识别 AI 论文准确率 85.9%，高于 Binoculars 的 68.7%。

论文提出面向 vLLM、SGLang 和 llama.cpp 的内存层 Galahad，把模型对同一段文本的读取从重复计算变为一次性成本。

GraphForge 是一个基于证据图的工作型智能体训练数据合成框架，从职业种子出发为每个种子组装真实文件工作区，并基于文件关系构建证据图，使任务描述与评分标准都由该图派生、每条标准锚定到可验证的文件。

FrameMorrow 提出一种前瞻式帧选择器，先预测一小组代表未来信息需求的前瞻 token，再用它们从历史中挑出相关帧，从而提升长时程视频生成效果。它选择的是显式历史帧而非模型内部状态，可即插即用地接入包括闭源模型在内的多种生成器，额外推理开销很小。

Factory 宣布 Automations 全面开放，企业客户已在组织内部署。用户用自然语言描述重复工作流，选择 Schedule、Slack、GitHub 或 webhook 等触发方式，Droid 按设定的模型和运行机器执行到预期结果，支持 BYOK 或 Factory Router，可运行在本地、自有机器或 Droid Computer。