AI 情报文章归档

vLLM 团队发布针对智能体负载优化的博客，基于 SemiAnalysis 的公开 AgentX 基准展示成果：DeepSeek V4 Pro 在 GB300 上达到 83K total tokens/GPU-秒。

研究者提出 On-Policy Reverse Distillation（OPRD），通过评估教师模型在学生轨迹上的策略偏移，仅放大验证器支持的更新方向，使强学生模型在向弱教师学习时超越教师能力上限。在连续模型迁移和多教师蒸馏中，OPRD 以更少的学生更新次数取得比现有 RL 和蒸馏方法更高的性能，且学生模型更接近纯验证器 RL 训练结果而非弱教师。

PlannerForge 是一个 LLM 智能体框架，覆盖从场景生成到 ADS 评估的全部场景测试阶段，并新增 ADS 增强与 ADS 基准测试两个环节。在 10 个现成 LLM、5 种提示条件下，各任务最佳得分为 0.88-1.00，开源 20-35B 后端在多数任务上追平商业 API。

SAEScientist-Bench 用于评测 AI 智能体能否像科学家一样用 SAE 工具自主完成机制发现：给定目标概念，智能体需设计对比探针，并在 Gemma-2-9B-IT 的 Gemma Scope 字典中检索 131K+ 特征，找出最优特征。

Marigold V2 提出基于扩散Transformer（DiT）架构的单目深度估计新方法，支持从预训练多步流匹配模型单步推理，并可按需量化以降低运行成本。通过将模型内部表征与真实语义特征对齐、采用基于新型Sinkhorn损失的两阶段微调协议，模型在KITTI和ETH3D上的AbsRel较此前最优结果提升16-26%，并能清晰还原皮毛、 foliage 等细薄边缘。

Tom Tunguz 引用 OpenAI 内部数据，分析其 3x 研究生产力增益的来源：每名研究员 8 小时班次对应 3.14 个 agent 工作日，通常并行运行 4 个 agent。

研究提出一种在策略专家纠错流程，由元级 MLE 智能体自动定位弱模型自身 rollout 中的失败轮次，仅让专家重写该轮，从而在保留模型原生规划风格的同时结合 harness 进化与模型适配的收益。在七项企业智能体任务上，用专家完整轨迹对 Qwen3-Coder 和 Gemma 4 做模仿训练反而使全部七项任务性能下降 4 至 30 分，原因是模仿破坏了模型与 harness 的匹配。

AgentGrad 是一个面向多智能体系统（MAS）的提示词优化框架，通过顺序干预定位能修复失败的目标智能体，并用语义文本梯度抽象聚类相似梯度、避免无关失败模式混杂。

SyncWorld 是一种动作条件世界模型，无需额外训练即可在未见环境中充当零样本模拟器。它通过视觉校准片段--展示全部可控自由度的配对帧与动作--在上下文中指定特定场景的 Action-Visual Mapping，从而让模型借助视觉证据解读动作。实验显示，SyncWorld 能准确模拟未见设置下的动作结果，并支持无需训练的测试时策略改进。

研究给出稀疏二值信号在稀疏高斯测量矩阵下支撑恢复的充分条件：高信噪比区间 ds/p→∞ 时，样本量 n 超过 2s·log（p/s）/log（ds/p） 即可让最大似然估计渐近恢复支撑，结合已知下界得到同阶信息论阈值。研究还分析了先由稠密高斯设计生成观测、再用独立稀疏化设计与重缩放响应做估计的情形，在 s=αp、d=ψp 的比例区间内证明样本量约 p/ψ2 即可实现支撑恢复。

研究团队发布 SWE-Bench Pro Verified，一个包含 731 个实例的软件工程智能体评测基准，通过仓库重建、测试工件隐藏、元数据匿名化和代码托管域名封堵来阻断答案泄露，并由人类专家最小化修订 102 个存在质量问题的任务。

亚马逊FAR团队以Qwen3为语言骨干构建纯自回归多模态持续预训练测试平台，按任务分别追踪文本、图像、T2I和I2T验证损失。结果显示各任务损失缩放规律不同、对tokenizer排序也不同，固定tokenizer时T2I损失与生成质量相关，而基于共享文本词表的I2T损失信号更一致，还能在监督微调后同时关联生成与视觉理解表现。

Miles v0.1 是一个全栈、生产就绪的前沿后训练系统，围绕 slime 的设计，将 RL 训练循环各环节按可验证、干净、可定制的原则构建，并已在 https://github.com/radixark/miles 开源。

TANGO 提出首个面向杂乱环境的全身视觉-语言导航框架，支持语言指令下的人形机器人穿越复杂 3D 空间。该模型直接预测 29-DoF 关节空间动作，完全在仿真中训练，通过全局路径规划、运动编辑与 RL 跟踪合成无碰撞行为。TANGO 在仿真中达到 SOTA 性能，并零样本部署至 Unitree G1 人形机器人，无需真实导航数据即可实现稳健的语言引导穿越。

论文提出 ActionSplice，一种基于反事实状态传输（CST）的推理框架，让分块自回归视频世界模型在采样中途收到新动作时无需回滚即可即时编辑。

研究团队提出 ActReview，一个以作者反驳（rebuttal）为引导的后训练框架，用于生成可执行的同行评审意见，并拆解为诊断性论断生成与修改建议生成两个子任务。

研究者推出 StochBench，一个包含 450 道研究生级随机过程问题的 Lean 4 基准，每题配有自然语言题面。基于 Opus 4.8 的智能体在每题 15 分钟限制下达到 34.9% 的证明率（157/450）。该基准覆盖马尔可夫链、鞅、布朗运动、随机微积分等方向，填补了 Mathlib 中随机过程领域代表性不足的空白。

1Password 将 Codex 集成至软件交付全流程，核心用户群工程效率提升 20.9%，中位 PR 周期缩短 10.9%。按 50 名活跃 Codex 开发者建模，年工程产能价值约 78.4 万美元，ROI 达 553%。1Password 正将 Codex 扩展至财务、市场等部门，并通过密钥引用机制确保明文凭据不进入模型上下文。

CoVeR 是一种无需训练的确定性视觉 token 选择器，仅利用 token 坐标实现场景全覆盖，以解决多视图 3D 推理中现有剪枝方法的冗余与预算限制问题。在三个 3D 推理基准上，CoVeR 均超越此前 SOTA，并可作为即插即用模块适配四种 VLM。仅保留约 8% 的视觉 token，即可维持全量 token 93.5% 的性能，平均超出 SOTA 3.9 个百分点。

密歇根大学等研究者发布 SchemeArena，一个包含 400 个场景的 scheming 压力测试基准，通过因子化场景合成框架覆盖安全相关工具域、工具性目标、监督条件与压力机制。

针对长程任务中强化学习奖励稀疏的问题，研究者提出环境侧适配范式，构建反馈增强环境（FEEs），在幕内探索与幕间演化的后期将反馈从动作引导转向观察丰富化。基于Qwen3多种规模模型及GRPO、GSPO、DAPO等RL算法在SciWorld和BFCL基准上的大规模实验显示，FEEs相较标准设置持续带来性能提升，并稳定训练动态、促进主动探索、将环境引导内化至策略权重。

OpenRouter 发布 openrouter:shell 服务端工具和 Files API，OpenRouter 上任何支持工具调用的模型都可在托管 Linux 容器中运行命令，两者现已在 beta 阶段开放。

Procedural Graphs 将程序性知识组织为 （procedure， relation， procedure） 三元组，在每一步决策时通过引导模型将周围子图转化为情境化指导，以偏置而非强制求解器的下一步动作。

llm 0.35 版本发布，新增对 OpenAI 新模型 gpt-6-astra（即 GPT-6 Astra）的支持。该版本主要面向使用 llm 命令行工具调用 OpenAI 模型的用户，更新内容聚焦于模型接入。

Imagine you are trying to teach a robotic dog to fetch a ball in a park. You could try to write a...

一篇 Microsoft 论文研究 LLM Agent 长程衰减，跨 9 个模型发现依赖步骤越多成功率越低，ToolQA 上短程近乎满分的模型到 16 步仅剩 0-33% 成功率。实验显示缩短上下文反而使衰减更糟，说明问题主要由步数而非上下文长度驱动；作者建议按真实工作流长度测试、度量每步可靠性并在错误扩散前加入检查点。

Gemini Desktop 应用测试中已发现一个"标准版"Projects 实现。 > 当前实现看起来与 Gemini Business 上的 Projects 非常相似。 > 该体验正与 NotebookLM 集成一同测试，不太可能取代后者。 先是 Gemini Business 上的自定义 MCP，现在又来了这个？

特朗普总统："谁赢得AI，谁就赢得一切。这就是力量。这比互联网更重大。这是一场革命。过去200年里有过几次革命，但这是一场革命。"

FT 报道，University of Chicago Law School 和 Berkeley Law 正在限制 AI 的使用。芝加哥法学院今年秋季将在一年级核心课程试点禁用电子设备，把 AI 从基础教学中移除；Berkeley Law 自 2026 年夏起的默认政策禁止将 AI 用于计分作业的概念构思、列提纲、起草、修改、翻译或编辑。

我用 GPT-6 Astra 让 AAA PC 游戏在我的 iPad mini 上跑起来了！ 《上古卷轴：天际》《蝙蝠侠：阿卡姆之城》《哈迪斯》和《帝国时代 II》。 是真正的 Windows 版本，本地运行并支持触控操作。非串流。 下方是演示，我很快会分享仓库和设置指南！

Simon Willison 转述 Konstantin Ryabitsev 的观察：git.kernel.org 为应付滥用爬虫的"背景辐射"，在 5 个地理分布节点上常年有 14 个 CPU 核心专门把 git 提交渲染成 HTML，CPU 开销超过包括 git clone 在内的所有合法访问。Willison 担忧这对提供大量可爬网页的 Datasette 也有影响。

A few weeks ago I wrote about hitting ReAct in the coursework and having a record scratch moment,...

The Seattle Times 和 Newsday 起诉 OpenAI 和微软，指控两家公司在 AI 训练和生成输出中未经授权复制其新闻内容，包括付费墙材料。

A language model only produces text. An agent is five parts wired around it — and a framework like LangChain is the connective tissue that makes them one working system. Here's what each part does, and what the framework actually does unde…

Grok Build 用起来就像是在 Blender 中创作时拥有了超能力。 我正在用 Grok Build 从零开始搭建这个火箭发射场。它处理了所有困难的部分，节省了大量工作时间，并以惊人的速度把我的想法变成成果。速度和品质都令人印象深刻！🔥🚀

Hey tech adventurers! 👋 What if the hardware you already own could become part of your...

给我们上游项目之一提交了一个PR，他们要求做一些小改动。 这种工作流到底有什么意义？你已经写了提示词，为什么还要让我再去联系我的智能体，然后让你的智能体去合并？

Keygraph 已使用其新的 Shannon 3.0 模型对 Photoview 2.4.0 进行了测试，该版本与 Doyensec 用于测试 Aikido 和 XBOW 的构建版本相同。 在测试中，所有三种模型配置均捕获了 Photoview 后来修复的关键预认证 SQL 注入漏洞。 在他们的测试中，DeepSeek v4 Flash 的 token 成本为 $6.10，Grok 4.6 为 $35.07，Opus 5 为 $115，捕获了该轮修复的七个问题中的六个。D…

GPT-6 Astra 在 MazeBench 无 Python 赛道拿下 14%，是 Claude Fable 5.1 的 2% 的 7 倍，并超过 GPT-5.6 Sol 代码辅助的 13%。