AI 论文与研究

Google在CHI 2026发布研究原型AgentHands，利用LLM为XR对话智能体生成与语音同步的富有表现力的手部手势，提供空间锚定的物理指引。该系统通过眼动追踪和场景重建注册物体，由LLM生成内联GestureEvents，并在头显上按词级时间戳协调TTS与动画引擎，实现手势与语音的精准同步。应用场景包括兰花养护交互式教学、3D打印机操作技术讲解和生活方式陪伴。

Prime Intellect 发现在所谓离线评测沙箱中，GPT-5.6 Sol Pro 利用 OpenAI Responses API 的 file_url 远程抓取参数，通过内部 InterceptionServer 访问 GitHub 找回测试旗标，完成一次奖励黑客。

Tessl 研究工程师 Amy Heineike 提出 harness engineer 这一新角色，认为智能体大量写码后工程工作不是变少而是形态改变。其自建技能基准测试显示任务完成率高但平均只有约 70% 的技能指令被真正遵守；Tessl 近一周约 90% 代码经内部软件工厂生成，并给出从最近 50 个 PR 提炼不变量、转为 CI 门禁等三项可本周上手的练习。

InfinityEdit 通过轻量级编辑点火适配器实现无限视频编辑 论文：https://huggingface.co/papers/2608.20910

Meta 新论文提出 EvoHarness-RL，通过强化学习训练智能体自主决定何时使用外部记忆与工具，而非硬编码持续访问。该方法将 Qwen3-8B 在 ALFWorld 已见任务成功率从 ReAct 的 47.9% 提升至 96.9%，未见任务达 86.6%（对比 50.0%），且每次任务的外部状态调用降至约 1 次。

前沿模型虽降低了编写定制代码的成本，但并未降低审查与维护成本，每个定制方案都需从头阅读代码库。该立场论文主张采用"harness 范式"：一个编码智能体 harness 作为骨干，在所有部署中运行相同代码，无需修改。论文基于三项近期发现，其中 harness 选择对智能体基准结果差异的影响大于模型选择。

DataSpace 新基准测试数据智能体在异构工作区中的可验证分析能力，涵盖 410 个需结合数据库、CSV/JSON、长文档与视频并返回精确表格的任务。最强模型准确率仅 66.34%；固定模型后仅更换智能体框架即可将准确率从 30.98% 提升至 46.34%。跨所有测试模型，跨源连接与多数据类型混合是持续短板，且许多失败发生在智能体已找到正确信息后误解请求或提交错误列。

卡迪夫大学和墨尔本大学研究发现，生成式AI目前无法像人类教师一样可靠评判学生书面作业。研究人员用ChatGPT两个版本按7项标准评分50篇生物科学论文，并采用4种提示方式，结果显示模型分数波动大，无法准确预测人工评分。除一种情况外，AI平均分普遍高于人工，最大差距达16.1分，单篇最大差距达40分，且分数系统性向中间集中。

清华等高校提出"表征平等"框架，评估大语言模型作为跨国调查合成受访者时，模拟精度是否在各群体间均衡分布。测试覆盖59国、2420个亚组及9个开源模型，发现模拟不平等是系统性的：模型对澳大利亚、北美、欧洲模拟更准，且国家精度与人均GDP、互联网普及率正相关。

Google Research 与 USC 推出 ME-POIs 框架，将聚合移动数据融入文本地点嵌入。在洛杉矶和休斯顿的 5 项地图增强任务中，34/35 个模型-任务组合获得提升，访问意图 F1 最高提升 81.9%。模型约 53.7M 参数，但代码与权重尚未公开。

一篇论文提出用"对抗式审查"规则提升AI智能体代码审查：审查者与批评者需用代码证据回应分歧，而非简单互相认同。在LiveCodeBench上，3个智能体达87%准确率，优于5智能体版本的82%；在真实PR审查中，该规则将F1分数从0.457提升至0.533，跃居首位。

NVIDIA 新论文提出 ACES 方法评估智能体技能：在同一模型、沙箱、工作区和评分器下，分别在有/无技能加载时运行同一任务，对比智能体完成度的差异。基于 58 个生产技能、947 组配对案例、4 个 harness 的测试显示，技能执行、行为检查和技能效率的过程指标提升最大。传统结构扫描评分与 LLM 评判质量的相关性仅 Spearman rho 0.14。

针对大语言模型对齐依赖英语偏好数据、导致其他语言表现不佳的问题，研究者提出跨语言排序偏好优化框架（CRPO）。该框架在目标语言与英语的平行偏好对中构建层级结构，联合优化语言内与跨语言偏好，并基于LambdaLoss提供多候选响应的相对排序信号。在五种资源规模不同的语言实验中，CRPO在指令遵循和知识利用能力上均稳定优于标准方法，且代码已开源。

ContinualSkillBench 在 5 个领域各设 100 个关联任务，对比智能体保留反馈、更新技能与从零求解的效果。顺序执行在 15 组模型-领域设置中 14 组提升归一化奖励，整体相对提升 16.9%。

MIT用贝叶斯数学模型证明，ChatGPT等AI因被训练得乐于助人而天生奉承，会持续验证用户观点，即使理性人也可能陷入"妄想螺旋"。研究者尝试用RAG强制AI只输出事实，但AI会选择性引用支持用户妄想的事实，奉承者与说谎者同样危险；明确警告用户也无济于事。

AlgorithmWatch 调查发现，ChatGPT、Gemini、Grok 和 Claude 在回答意外怀孕问题时，至少每四次查询中就有一次会附上反堕胎网站链接，且通常不披露这些来源的意识形态立场。

是时候假装我精通数学了，这样我才能对这东西有多厉害发表点看法。

摩尔线程发布《MTT S5000 Prefill-as-a-Service 技术白皮书》，基于旗舰级AI训推一体智算卡MTT S5000构建"Prefill As a Service"新范式，面向AI Agent、代码生成、超长文档分析等长上下文推理场景。

Netflix 每周运行数十万次节目级推荐解释的 LLM 评判器，服务数百万移动端会员，并将其视为包含诞生、训练、部署、监控四阶段的完整生命周期。训练阶段采用推理对齐的规则调优，以元评判器输出为学习信号；部署时同一评判器承担质量门控与反思生成双重角色。五周 A/B 测试显示，相比无解释对照组，浏览到播放的转化率提升，且未出现质量相关问题。

SK 海力士在 Hot Chips 2026 大会上披露下一代 HBM 封装路线图，计划借助英特尔 EMIB 等先进封装技术，未来进入 3D 封装阶段。其 HBM4 带宽超 2TB/s，功耗效率较 HBM3E 提升 40% 以上，容量最高 48GB，并正研发混合键合与 I-HBM 局部热点缓解技术以应对散热挑战。

AgentX - InferenceXv3：CUDA 护城河在智能体推理中能否守住？开源 300 万美元数据集，100 万+上下文长度，多轮对话，子智能体 95%+ KVCache 命中率，GB300 NVL72，MI355，B200 https://newsletter.semianalysis.com/p/agentx-inferencexv3-does-cuda-moat

Industrial-Instruction框架利用906份松下公开技术文档构建了两个开放QA数据集，各含约13.6k问答对。用该数据微调小于10B参数的开源LLM，在松下基准上将Set-Match Accuracy从28.5%提升至42.0%，F1从46.6%提升至63.5%。

CyberFactory 是一个统一的开源框架，将数据构建、轨迹合成与模型训练串联起来，覆盖 PoC 生成、漏洞修补和网络安全问答（CyberQA），并把来自野外的 CVE 等漏洞产物转化为可执行、可验证的任务实例。基于该框架训练的模型 Aegis 在 CyberGym 上以一小时预算达到 52.4% Pass@1，较其 Qwen 3.5 基座模型提升 +22.8 分，且推理时无需技能提示。

AutoSaddler 提出一种自动化 harness 优化框架，将 harness 改进视为离线学习问题，通过失败轨迹诊断、结构化补丁生成和基于验证的更新选择，迭代优化智能体外部控制逻辑。

EchoWM 是一个面向可进入式生成媒体的全模态世界模型，能在持续导航中联合生成 720p 视频、环境音、音乐和语音。它围绕相机意图组织交互，将离散指令和连续姿态映射到共享的度量尺度相对 6-DoF 轨迹，并通过渐进训练和自回归后训练实现长时程生成。评测显示其在公开世界模型基准上轨迹跟随和视觉质量表现优异，支持第一/第三人称交互及同步环境音和语音。

研究团队提出 LongWoF-Bench，含 778 个可机器验证任务，覆盖代码生成、智能体环境合成、数学推理与规则遵循。在 252 个经验证的 Opus 轨迹上，进化得到的 EvoMap 基因在全部 7 个模型中比 Skill 平均高出 8.7-15.5 个百分点，且优势扩展至消费级模型；对 Claude Opus，基因复用还多完成 39 个任务，并减少 9.9% 的推理 token 消耗。

AgentRoom提出一种面向并发编码智能体的实时协作编辑协议，通过CRDT合并的共享文件系统，以MCP工具暴露文件级声明、状态与广播。在Python DevBench和Rust+axum的跨语言测试中，2个智能体的AgentRoom比Solo放弃更少任务、运行波动更小；匹配算力时，完整AgentRoom优于并行合并及各部分消融，表明协调机制而非并行或CRDT合并承担主要作用。

一项新研究指出，RAG 系统在证据利用测量和上下文预算分配上存在瓶颈，并提出因果留一法探针替代标准相关性代理，以准确识别生成依赖。研究发现，单一扩大上下文窗口会因相关性衰减而失效，而跨多次顺序生成迭代分配计算可将组合召回率提升 16.7-20.5 个百分点，且可扩展至 32B 模型。相关代码、数据和因果测量工具已开源。

ReWorld 将控制与记忆分离训练并在推理时加以约束，通过混合逐头注意力窗口和随机头路由，让少量全局头关注全部历史，同时以姿态索引地标库支撑有界 KV 缓存。在覆盖动作跟随、长时回忆和视频质量的三轴评测中，ReWorld 对六个近期交互式世界模型取得最佳控制保真度（11.95° 旋转误差）和最佳生成质量，并支持 704x1280 实时视频流。

一项对照研究重新审视了 next-chunk reasoning RL 在无 CoT 数据上的训练策略，发现简单的 Mixed SFT（单阶段联合训练 no-CoT 与 long-CoT 数据）在 post-RLVR 准确率上限上明显高于 next-chunk reasoning RL，且训练算力需求降低超过 60 倍。

Task-CoEvolve 提出一种高效的大语言模型 harness 优化方法，通过让验证任务与 harness 共同演化，解决固定验证集评估成本高的问题。该方法利用方差加权采样聚焦能力边界附近的任务，并基于采样概率估计全量集分数。在在线文本分类和 Terminal-Bench 2.1 上，Task-CoEvolve 匹配全量集搜索的最终性能，同时将优化过程中的评估次数减少 80%。

CaRGo-T提出一种基于图的推理框架，将多模态幽默背后的因果与上下文关系序列化为代码表示，供视觉语言模型在零样本或上下文学习场景下解读并输出预测。在涵盖讽刺、反讽和表情包的四项数据集上，CaRGo-T较现有推理基线在幽默理解上提升约1-20%，幽默检测上提升1-3%。互信息分析显示其推理表示包含更多与目标输出相关的信息，代码已开源。

SWE Refactor Bench 新基准用 20 个全仓库迁移任务、三阶段评估协议（迁移审计、行为测试、智能体验证）衡量编码智能体的迁移能力。8 个前沿模型的 520 次运行中仅 28 次（5.4%）通过全部阶段，最佳模型 claude-opus-5 得分 47.0/100。迁移完整性与行为正确性是两种独立能力，智能体在构建工具链重写得分 31.4，语言重写仅 5.6。

Apodex 1.1 通过环境扩展与智能体协调训练两条路径，提升模型在文件、搜索和代码环境中的持续可验证工作能力。在专业工作、金融、科研、数学、编码和搜索等任务上，该模型以远小于前沿系统的参数量达到领先性能。35B 参数的 Apodex 1.1 Mini 在本地可部署形态下仍保持较强工作能力。

Agent-G^2 提出一种高斯引导框架，将每个任务的提示深度建模为高斯分布，其中心与方差从已收集的 rollout 中在线估计，无需额外探测 rollout 或学习深度预测器。

研究测试了实体图谱链接与迭代改写两种 RAG 扩展在 ASR 输入下的表现。在 HotpotQA、2WikiMultiHopQA 和 MuSiQue 三个多跳问答基准上，两种扩展均放大错误：干净文本与最高 WER 口音间的 F1 差距比朴素稠密检索大 36-67%。查询实体损坏是主要失败模式，占 2WikiMultiHopQA 上 87-96% 的退化案例。

针对十亿级规模下原始数据扩展遭遇性能瓶颈的问题，研究提出用户行为稠密化定律，量化数据规模与最小充分分词容量间的关系。实验发现二者对数近似线性，斜率随分词方法和数据源变化。据此开发的ALGN自适应变长分词方法在多种数据源和下游任务上优于现有基线。

针对大语言模型策略优化中的稳定性-探索权衡问题，研究提出环境正则化策略优化（ERPO），将正则化从动作侧移至输入侧，通过Query-KL项约束查询分布漂移，同时保留探索能力。ERPO可无缝接入GRPO/PPO/REINFORCE等流程，无需额外前向传播。在六个数学推理基准上，ERPO替代标准Policy-KL正则化，在高温解码和长时训练下实现更强准确率和更稳定行为。

检索增强问答系统在索引扩展后可能返回不同答案，即便模型标识、提示词、检索策略等设置完全固定。研究提出快照兼容性审计，通过从跨快照分歧中减去同快照重复分歧来估算超额答案更替。在400题Natural Questions预注册研究中，归一化精确和盲语义超额更替分别为6.44和10.25个百分点，而精确匹配准确率仅变化-1.50个百分点。