AI 情报文章归档

Every 评测 OpenAI DevDay 2026 发布的 20 多项产品和功能。作者实测后认为 Dots 持久智能体已改变其使用习惯但 bug 较多，Space 办公套件体验较好；Decisions API 在部分测试中以 76/78 对 73/78 的准确率和 230 毫秒对 500 毫秒的响应速度优于 Jev，但另一些测试落后，定价未公布。

研究者提出 Parallel Power Tempering（PPT），用并行回火实现幂锐化采样，让多个不同锐化程度的副本并行交互，低幂副本负责探索多样推理路径、高幂链负责利用高概率回答，从而缓解探索与利用的权衡。PPT 缓解了此前幂采样器的截断偏差，并研究了有限内存与算力预算下的交换策略。实验显示其显著优于单链幂锐化采样，超过 RL 后训练模型，推理轨迹质量更高，性能甚至可比前沿模型。

研究发现预训练 Transformer 几乎不利用模型深度来跟随上下文中的引用链，13 个基座模型只能可靠跟随 1.4-3.6 行。在早期一层加入任务训练的 rank-8 LoRA 并冻结其余权重后，Qwen3-8B 在 24 行链上的精确准确率从 15.5% 提升到 99%，Ouro-1.4B 在八次循环后可跟随至少 160 行。

研究者推出 Chinese-Jev，将 Jev 这类 System One 模型扩展到中文决策任务，并发布评测基准 CJ-Bench。

多模态智能体框架 VideoLoop 通过外循环推理视频、内循环从无界文件系统检索历史观察并重写有界工作记忆，解决长视频理解中"语义抖动"导致的注意力崩溃问题。

针对自回归视频扩散在长时程 rollout 中误差累积的问题，研究者提出 Rollout-Marginal Distillation（RMD）：保留生成历史用于自回归预测，但用 chunk teacher 对每个 chunk 独立打分，避免质量修正被不完美的时序上下文干扰，随后再用 video-level DMD 恢复时序连贯性。

针对 OCR 奖励把汉字当作原子字符、忽略部件与空间结构的问题，研究者提出 IDSpect：用表意文字描述序列（IDS）将目标文本确定性分解为 IDS token，并把裁剪区域的视觉 IDS 预测与目标序列对齐，配合整字语义奖励提供细粒度反馈。

针对在线自蒸馏（OPSD）随模型规模增大而失效的问题，研究者提出 OASIS，仅用最终答案标签、以经核验的在线轨迹为主要监督信号，并用模型自生成尝试替代参考解答作为教师上下文。

RIDE（RL-Induced Direction Extrapolation）将强化学习相对基座检查点的表征偏移作为方向，在每一层和每个 token 位置计算教师与其 RL 前检查点的残差，并把学生隐状态回归到沿该残差外推的目标上。

研究通过保留每个注意力头、层和查询中注意力权重最高的 token 并测量 NLL 增幅，估算语言模型维持损失容差所需的"有效注意力集合"大小。基于注意力的选择显著优于随机选择，扩展上下文会增大所需集合大小，而重归一化保留权重可大幅降低该规模。

HybridCUA 提出让计算机使用智能体（CUA）同时编排 GUI 与 CLI 的训练方案，先构建含 5K 混合轨迹与 3K 可验证 RLVR 任务的 HybridCUA-8K 数据集，再经监督微调加 CLI 感知奖励的强化学习两阶段训练。

针对在线策略蒸馏（OPD）中教师模型需监督学生生成前缀、但自身仅按自有策略前缀优化导致续写性能随前缀变长而下降的问题，研究者提出协同训练框架 SCOUT，通过带可验证奖励的强化学习定期优化教师对学生前缀的条件续写能力。在多种教师—学生配置、模型规模和推理领域上，SCOUT 均持续提升在线策略蒸馏效果。

MILO（Meta-evolutionary Island Orchestration）框架让 Agent harness 与搜索策略协同进化，在 Terminal-Bench 2.1、PaperBench 和 DeepSWE 上超越 8 个 SOTA harness 和 6 种搜索方法。

HiRAE 提出分层表示自编码器，按深度对编码器各层分组并学习对最深表示的残差修正，用分组范数上限约束修正幅度、浅层预算更紧。HiRAE-24 保持潜变量 token 数与通道维度不变，在 ImageNet-256 上将重建 FID 从 RAEv2 的 0.299 降至 0.209，并维持有竞争力的引导生成质量。

针对 GRPO 等 RLVR 方法在有限 rollout 预算下产生全失败组、缺失策略梯度信号的问题，研究者提出 GRAFT 框架，用同伴模型轨迹替换全失败组，并通过序列级兼容性加权与 token 级重要性比率裁剪控制跨模型不匹配。

HeteroFold 是一种免预填充的跨模型族 KV cache 传输方法，可在发送方与接收方均冻结的前提下，对齐模型结构、将发送方 cache 映射到接收方空间并校准以保持接收方行为。

研究对比六款预训练语言模型的中间残差状态与自身最终状态及其他上下文的最终状态，发现模型自身终点在早期就优于平均替代项，但许多单个终点距离更近。竞争终点集合随深度总体收缩，但其成员不断变化，存活终点之间未必更相似；方向对齐和终点排名可以改善，而到最终状态的欧氏距离变化很小。

Scaffolding Minds 针对潜在推理两阶段框架的两个缺陷提出改进：用专门学习的 scaffolding encoder 在潜在空间提供优化目标，并同时学习 RL 采样器的均值和方差以支持探索。该方法在 FrozenLake 空间规划上比最强潜在推理基线提升 +9.5 分，32x32 网格上提升扩大至 +19 分，在九个视觉中心推理基准上平均提升 +5.6 分。

vLLM 官方博客发布分离式推理实用指南，讲解 vLLM v0.30.0 及以上版本中 prefill/decode 分离、无 GPU render 前端及两者组合的原理与运行方法。

针对现有主动测试时适应（ATTA）方法默认每个测试批次都可请求监督、导致长测试流标注成本过高的问题，研究者提出预算受限 ATTA 设定，即仅少部分测试批次可获得标签，并将核心挑战从"批内标注什么"转为"何时施加监督"。

研究者提出一种针对黑盒 LLM 的越狱框架，仅通过纯文本续写接口即可实施受控解码攻击，无需访问模型权重或 token 概率。

针对 GRPO 在多奖励场景下归一化易被大尺度相关奖励主导的问题，研究者提出 CorrGRPO，将成对协方差归一化为 Pearson 相关系数，在保持中心化总奖励不变的同时平衡不同尺度奖励的影响。在代码生成、工具调用和智能体安全三类任务上，使用 0.5B 至 8B 参数模型与 GRPO 及其他变体对比，三个领域均取得提升，代码已开源。

OpenAI 于今日发布主动式、常驻运行的智能体 Dot。Every 的 Dan Shipper 撰文实测，用它改签航班时，Dot 从其未读的 Slack 讨论中发现潜在的周三上午视频录制安排，并主动发出日程冲突提醒。

研究者提出 Thinking Reward Model（TRM），先为每个样本生成自适应评分标准再做评估，输出细粒度 pointwise 奖励，并引入 PD-GRPO 缓解成对偏好优化导致的分数极化。在图像生成与编辑奖励建模基准上，TRM 在开源奖励模型中达到 SOTA，并可与闭源方案竞争；作为强化学习奖励信号还能稳定提升多种视觉生成模型。

TERRA 是一套端到端流水线，仅凭运动学轨迹即可结合地形先验、估计接触与负自由空间证据，恢复任务相关的支撑几何，并在重定向中考虑解剖、肌腱连续性与接触约束。基于五个数据集生成的运动-地形配对，团队用 9.4 小时多样化运动数据训练出单一肌肉驱动控制策略，在重建、重定向与留出跟踪基准上提升地形精度、大幅减少解剖与交互违规，并在各类支撑地形上取得最高完成率。

研究提出 On-Policy 方向约束监督微调（OPSFT），将 SFT 的参数更新约束到 on-policy 范式识别出的更新方向上，从而把 on-policy 的泛化优势迁移到 SFT。分析显示 SFT 沿一致方向更新参数，而 on-policy 范式在训练中持续调整方向。OPSFT 兼具 on-policy 的强泛化与 SFT 的高训练效率和利用高质量轨迹的能力。

研究首次系统探索像素扩散模型的对抗后训练：在预训练模型上保留原有扩散或流匹配目标，对非高噪声时间步的预测输出加入对抗损失，架构与采样流程不变。在两个像素骨干上，该方法同时提升了分布保真度、覆盖度、提示词对齐和感知质量；频谱分析显示原模型系统性缺失自然图像高频成分，对抗后训练可将其恢复。在测试的潜空间扩散配置下，同样流程未带来可比增益，几乎不增加解码后的高频功率。

研究者提出模态动态字体（modal kinetic typography），通过有限元特征问题从矢量字形轮廓中提取最软振动模态，并用冻结的视频扩散模型仅监督各模态的振幅与相位，让字形在保持可读的同时表达语义概念。

Tacit-TTS 是蒸馏自 IndexTTS2 的无转写零样本语音克隆系统，用掩码非自回归生成替代自回归文本到语义解码，并引入免训练声学长度的估计与 ReFlow 蒸馏加速流匹配渲染器。在 2 个英语和 2 个普通话数据集上，其对超过 5 秒的语句生成速度比 IndexTTS2 快 10 倍以上，且无需参考语音转写，可支持跨语言及婴儿咿呀、合成乱语等非词汇参考。

TabFM-Auto 将表格基础模型 TabFM 与语言模型智能体结合，通过迭代优化数据清洗、特征工程、上下文选择和后处理来降低 TabFM 的误差。在 TabArena 全部 51 个数据集上，五种不同智能体与语言模型配置的 TabFM-Auto 包揽前五名，最佳配置将 TabFM 的 Elo 从 1785 提升至 2013。

Imagine3D-LLM 让多模态大模型在图像 token 后追加一组可学习的 summary token，将其解码为紧凑的 3D Gaussian Splatting 表示，并以光度重建损失监督、与标准下一 token 预测联合训练。仅 summary token 接受重建监督，却能增强 LLM 底层图像特征的跨帧对应，在多个空间推理与 3D 理解基准上持续优于此前方法。

SAKI（Supervision Allocation with KL-constrained Interpolation）将 KL 约束的教师引导 rollout 与最大耦合结合，按 token 级接受/纠正事件路由监督：接受位置保留采样 token 的反向 KL 监督，纠正位置直接监督教师最高概率 token。

研究发现，Latent WAM 虽在分布内任务上与 Explicit WAM 持平，却丢失了 WAM 原本的泛化优势，在环境扰动、数据效率和任务泛化三个维度上均出现一致退化，差距几乎全部来自第一步去噪。

研究提出 Meta-Skill 方法，让 Builder 在模型权重冻结的测试时 AI4AI 场景中，从 Target 在开发集上的执行反馈里学习"何时需要支持、提供什么资源"的原则，再用冻结的技能库为未见任务构建执行环境。

AdviSD 让小型可训练顾问模型用自然语言指导冻结的 LLM 执行器，方法将结果导向的强化学习与选择性自蒸馏结合，用反馈条件下的顾问副本筛选反思修正。用 Qwen3-8B 顾问指导 Gemini 和 Claude 时，AdviSD 在 BFCL-v3 上比 advisor-GRPO 高 4.2-6.4 个百分点，在 EnvScaler 上高 3.9-5.1 分。

SoL-Refiner 是一种单步视频精修器，可将低分辨率模型输出经一次去噪直接转为 4K 视频，其训练流程包含高分辨率持续训练、强化学习后训练与最终的单步蒸馏。

APM-Bench 将真实流式交互重构为多会话生活轨迹，包含 549 个会话、104 条轨迹和 2,719 个候选问题，覆盖客观与开放式问答。模型需借助持久记忆回答过往会话问题并主动响应，同时保持实时交互。评测显示现有方法在效用、延迟与存储之间存在明显权衡，难以同时实现可靠的长期召回、低开销和有效的跨会话主动协助。

CrossBFM 将行为基础模型的潜在空间视为可跨形态迁移的资产，用无机器人专属参数的统一编码器同时蒸馏多个训练形态，耗时不到 1 GPU 小时，再经 PPO 训练 10 小时即可实现全身控制。在三个蒸馏人形机器人上，运动跟踪、姿态到达与 41 项奖励提示三种模式均可迁移，编码器仅用四分之一运动语料回归只损失 5% 跟踪性能，在未见机器人上可恢复至已见机器人 89% 的跟踪性能。

EngiWorld 是首个围绕完整设计闭环构建的工程智能体基准，包含 6 大工程领域（CAD、CAE、CAM、BIM、EDA、3D 可视化）、26 个专业软件平台的 1,301 个专家精选任务，覆盖 GUI 与 CLI 界面及 6 类任务。

研究提出 E-MoE，用 MoE 骨干的专家路由决策构建离散共享隐变量，将扩散语言模型的反向过程建模为因子化分布的混合，且不增加激活参数量。在合成多模态基准、二值化 MNIST 和 LM1B 上，E-MoE 相比因子化基线改善了少步生成质量。