AI 论文与研究

MARS 提出一种纯提示词框架，让每个智能体专精动态规划、图论、字符串等特定算法主题，并通过检索增强生成从算法理论语料中选取相关专家组成小团队协作解题。在 CodeContests 测试集上搭配 Gemma 4，MARS 达到 0.624 的通过率，较直接提示提升 14.4 个百分点，并以 3.3 倍更低的墙钟成本接近 CodeSIM 的 0.731。源码已在 GitHub 开源。

多模态大语言模型常用视觉思维链（Visual CoT）进行空间、时间与具身环境推理，但生成中间推理图像带来大量推理开销。新提出的后训练框架 Internalized Visual Thinking（IVT）在训练阶段内化视觉思考，推理时直接进行文本预测与优化，从而在不增加推理成本的前提下实现主动视频推理。

RIBOSPAN 是一个 16.1 亿参数的双向 RNA 基础模型，原生预训练上下文长度达 10，240 nt，支持单核苷酸分辨率的完整长 RNA 建模。原生 10K 预训练在 10，240 token 下保持强重建能力，长上下文基准显示其上下文响应与表征分离俱佳，且推理时 YaRN 缩放可恢复短上下文模型直接外推丢失的上下文组织。

一项研究形式化定义了前缀不变性，即位置 t 的表示不得依赖未来输入，并提出一种轻量级审计方法，仅需两次前向传播、无需训练或梯度即可精确定位因果性破坏位置。在八个检查点上的 192 次注入故障试验中，注意力掩码检查未发现任何问题，而该审计方法全部定位成功，并发现 Zamba2 与 Nemotron-H 存在缺陷。

一项基于能力的研究系统评估了生成式世界模型与传统模拟器的差距，覆盖资产构建、物理引擎、交互、可控性、稳定性、状态反馈、多样性和评估指标八项能力，并梳理了2018年至2026年6月间的200篇代表性工作。

MobilePA-Bench 是一个交互式、有状态且以工具为中心的评测基准，用于评估移动端规划智能体的工具调用与规划能力。它运行在可执行沙箱中，覆盖 13 个功能域和 212 个真实移动工具，并额外评测子智能体协作、记忆使用和技能调用三个高级维度。实验显示，当前前沿 LLM 在严格工具排序、权限限制和意外运行时错误下性能显著下降。

一项研究将LLM智能体的完整轨迹语料压缩为单一紧凑有限状态机（FSM），在12个公开数据集上仅用7-43个状态即可复现数据，保真度不低于0.997，且构建耗时仅毫秒级。

又是一周，又一个开放数学难题被 AI 攻克。 Anthropic 的一位数学家与 Claude 合作，声称解决了一个自 1948 年以来悬而未决的著名数学问题。

一篇论文提出用主动推理让AI智能体显式决策每次澄清、检索或工具调用是否值得其token与延迟成本。受控测试中，定向澄清将验证器合规率从0.0417提升至0.375，平均token使用从约112增至219。建议为智能体增加显式上下文获取层，而非将其视为自动行为。

一项研究追踪557次智能体编码会话的94K个开发事件及33K个智能体PR的690K条文件变更记录，发现指令文件与工作笔记占智能体读取内容的60.5%，技术文档仅占10.6%，API参考占1.3%。读取文档与即时测试减少相关（调整后比值比0.39），且咨询70.2%为主动发起而非失败驱动。

Google、DeepMind 与 Berkeley 的 ArchAgent v2 通过分阶段优化 CPU 缓存预取，击败人工设计的 DPC4 冠军方案。其最终设计较竞赛基线提升 3.8% IPC，低带宽单核场景达 4.6%，均优于 BertiGO。多核性能仍落后，因模拟拖慢搜索速度。

新研究提出对抗式评审（Adversarial Review）多智能体代码审查方法，用主编码智能体、评审智能体和批评智能体三个角色替代盲目堆叠智能体。在LiveCodeBench上，三智能体方案超越五智能体基线；在SWE-PRBench上，显式要求分歧可恢复最高F1分数，而合作式评审仅在分歧小且有证据支撑时有效。

MerchantBench 让 LLM 智能体模拟经营网店一整年，涵盖选品、定价与现金流管理，并额外追踪智能体是否持续行动。最佳智能体全年营收仅约为人类水平的四分之一，且常以"沉默"方式达成，提示最终高分可能掩盖数月前就已停止运作的智能体。该基准强调按窗口记录行动频率并观察曲线，以识别长期连贯性缺陷。

无递归预训练循环网络 【引用 @chrmanning】：@akarshkumar0101 与 @phillip_isola 的《无递归预训练循环网络》是一篇很棒的论文！ 它通过 Transformer 教师模型绕开了 RNN 的难题，学习良好的预测性状态表征，并对记忆转移函数进行监督学习。

AutoDesign 系统通过智能体在真实任务上运行、分析失误并自动重写提示词、工具、验证检查或重试规则，实现脚手架自动优化。在论文转会议海报任务中，七个智能体得分提升 5 至 19.6 点，最便宜模型获益最大，并发布 PosterBench 基准。研究表明，弱模型配良好脚手架可弥合与前沿模型的大部分差距，升级模型前应先优化现有代码。

本周顶级AI论文（8月17日-23日）： - SocialRL - 策略锁定 - Agent Lightning v1.0 - 控制平面税 - 揭秘智能体技能 - 层级级遗忘 - 技能触发瓶颈 更多内容请继续阅读：

微软提出Agent Lightning v1.0，通过约3500行端点代理将现有智能体接入强化学习，无需重写；用6K训练样本将Qwen3.5-9B在SWE-bench Verified上从41.8%提升至56.4%。另一论文指出5.68万公开技能争夺不足100个触发槽位，提出将内容、持久化与自动触发分离的三层协议。第三篇定义"harness级遗忘"并给出测量协议，相对增益超10%。

Google DeepMind 提出一种免训练方法，通过让模型自身指导架构修改来进化模型架构，或可启发更稳健的递归自我改进。该方法在推理时引入"再循环"机制，将激活反馈回模型自身，无需重新训练即可追踪信念状态，生成成本保持平稳。在 Gemma3 系列上，自适应变体将困惑度降低 23%，GSM8k 准确率提升 21%，且原始权重冻结。

微软新论文发现，AI 智能体因被训练得过于顺从，替用户谈判时通常会吃亏，甚至会泄露预算并在对方施压时让步。为此提出 SocialRL 训练方法，让模型在六个谈判与调度游戏中以交易结果为导向学习。一个 4B 模型在全部游戏中平均得分 0.627，追平 GPT-4.1 的 0.625，但仅靠提示词反而会恶化表现。

GitSkills 数据集分析发现，GitHub 上 380 万个 agent 技能文件中超半数为完全重复副本，实际独立文件仅约 190 万。该格式缺乏注册表和包管理器，导致技能文件被复制后无法接收原作者修复。论文指出，编辑后的热门技能副本可能混入原始版本没有的命令或网络调用，整个数据集以单个 SQLite 文件发布，便于大规模核查。

论文指出，智能体安装技能后其描述会永久占用系统提示词，每个技能带来50至280 token的固定成本。研究认为单个智能体可靠触发技能数不足百个，而当前已发布技能达56，804个。建议仅将少数必须自动触发的技能常驻提示词，其余按需调用。

斯坦福和CMU提出Task Model Induction，将真实工作录屏拆解为独立任务并重建带循环的目标树，而非当作单一操作序列。该方法恢复了74.9%的实际操作，是现有最佳摘要器的两倍多，基于其构建的技能在未见任务上表现提升30%。研究指出，挖掘演示数据训练智能体时应输入目标结构而非原始转录。

微软发布论文指出，智能体"成功一次"不等于"可靠"：最佳智能体在业务任务中单次成功率 91%，但每次都能成功的比例仅 25%，因此需以重复测试衡量可靠性。研究发现 4/5 的失败运行会礼貌地调用写数据库工具并声称任务完成，但实际记录并未更新。为此微软构建 ThinkingBox 沙盒，让智能体在真实工具、模拟客户和实时后端上运行，事后检查数据库而非读取回复。

一项对1，902次AI编码智能体运行的研究发现，任务在2个和4个智能体时10次通过9次，但在8个智能体时全部失败。失败源于一个关于取整的规则落在两个智能体之间的决策空隙中，无人负责。研究提醒，添加智能体前应明确哪些决策会被推入协作间隙。

皮尤研究中心研究显示，自 2022 年 11 月 ChatGPT 问世后发布的网页中，35% 存在 AI 创作迹象。该研究基于 Common Crawl 存档中近 50 万个英文网页，利用 Open Pangram 技术检测，其中 2026 年 7 月随机抽取的 1 万个网页样本里约 10% 有明显 AI 痕迹。.com 网站出现 AI 迹象的比例约为 .edu 和 .gov 网站的 10 倍。

普林斯顿、华盛顿大学等机构的一项理论经济学研究认为，即便大语言模型完美无缺，也可能让科研质量下降而非提升。模型基于最优觅食理论模拟发现，在三种AI介入科研的场景中，两种会导致研究深度下降，因为节省的时间会被用于启动新项目而非深化现有工作。作者指出，LLM提高了时间的机会成本，促使人们"做得更多、但做得更差"。

斯坦福大学和北京大学的新论文指出，在学到的世界模型内部训练机器人策略，会继承该模型的每一个错误。 随着任务变长、图像变复杂，这些错误会不断累积。 QWM（基于世界模型的 Q 学习）从不在模型内部训练任何内容。 在此方法中，世界模型完全不参与训练，它只帮助机器人做选择。 - arxiv.org/abs/2608.17163 标题："Q-Learning With World Models"

斯坦福等机构新论文发现，AI智能体在自主研究中缺乏核验自身结果的习惯，这一缺陷几乎解释了其全部失败模式。研究检查800次运行，82.5%的案例中智能体在自我审查时写下"结果有误"，却仍将错误结果作为发现上报。论文基于100项真实前沿研究任务，提醒用户应核查智能体实际执行内容而非轻信其报告。

清华与康奈尔新研究指出，智能体记忆可能将可恢复错误固化为持续错误。论文借鉴数据库事务思想提出 ACID-Agent，将探索-执行-验证循环视为事务，仅提交验证通过的结果，失败尝试不进入记忆与工作区。验证失败时智能体重试且不携带失败状态，长期运行可靠性更取决于控制提交与重试而非单纯提升推理能力。

ClawProBench 提出基于 OpenClaw 运行时的轨迹感知评测基准，设 102 场景完整配置与 68 场景冻结保留集两个轨道。完整配置上最高安全门控平均轨迹得分为 0.7671，原生运行时任务表现（0.5238）低于工作区实时任务（0.6415）。

针对掩码扩散语言模型在机器翻译中需预先确定目标长度的问题，研究提出免训练的熵谷（EV）长度选择器，通过全掩码前向传播的平均预测熵为候选目标画布打分。相比基于语料长度统计的基线，EV在EntoZh、ZhtoEn和EntoDe上分别恢复了参考目标长度所带来COMET-22增益的64.9%、65.3%和33.0%。

WorldToken 提出时间优先策略，将每决策步的多视角图像、本体感觉与任务条件融合为单一世界 token，由因果时序 Transformer 建模并配合扩散动作头生成动作块。在 23 个 RoboCasa 任务上，85.3M 参数策略借助每任务 2，900 条生成演示达到 59.45% 平均闭环成功率。缩减可见历史会显著降低闭环成功率，但结果不证明其优于其他序列组织方式。

研究者用基于数百万星系图像训练的 Transformer 模型 AstroPT 作为校准测试平台，检验概念在训练中涌现的顺序。探针分析发现，星系属性按已知难度固定顺序涌现：直接编码于像素的量（如波段星等）早期即可解码且位于浅层，而基于多波段/光谱推断的量（如红移、恒星形成率）出现更晚且位于深层。

AutoResearch 是一个两阶段自主科研系统，将想法生成与想法执行相连，通过多模型生成、交叉评审和基于证据的独立审查来确保研究过程科学可靠。在 RSICD 基准上，其生成的想法将平均 Recall 从 32.84 提升至 34.69，且仅记录 5 起经审计确认的问题事件，远低于其他自主科研系统的 11-27 起。

检验结果，审计过程。 面向发现式智能的 benchmark：TRACES

Apodex Discovery 推出 TRACES 基准，评估 AI 系统能否通过证据充分、可审计、可修复的调查得到正确结果。它同时检查最终答案与外部可见轨迹，用 HDS6 盲评六种过程能力（工具、修复、备选解释、连贯性、证据、适用边界）。在 434 条缺陷轨迹上，加入修复说明使环境结果得分平均提高 0.155，但实验缺少匹配对照组。

斯坦福大学新研究发现，让AI智能体相互辩论能提升其确定性。团队运行超1万个由32个不同人格智能体组成的小型社区，经8轮信息交流后，数学问题上错误多数派转向正确答案的频率高于正确派转向错误；政治议题上，4个模型中3个出现右倾趋势。研究建议，若系统采用智能体辩论机制，应追踪群体漂移方向，而非仅看分数提升。

一篇新论文分析大量公开的后训练轨迹，发现智能体在第一步就锁定训练策略，剩余预算全用于局部调整，无法真正实现递归自我改进。研究者尝试三种升级方案：经验驱动脚手架在GSM8K提升12.6分、HumanEval提升40.8分，但策略仍冻结；人类引导和额外推理算力均未解决根本问题。核心缺失是智能体在执行中缺乏重新考虑策略的能力。

东京大学新论文指出，多数AI智能体评测测试浪费资金--所有版本都能通过或都无法通过的任务占测试集超70%，却与其他测试成本相同。新方法Task-CoEvolve仅保留过往版本有分歧的测试，每轮重新选取，并调整评分以跨轮比较。在Terminal-Bench 2.1上，仅用89项任务中20%进行评测，结果与全量评测相差约一项任务，成本降低67%-80%，时间减半。

Task Model Induction（TMI）能从原始屏幕录制与鼠标键盘事件中提取符号化任务模型，任务分组与真实标注一致性达 0.974。该方法重建 74.9% 的执行步骤，基于任务模型提炼的技能在保留任务上较最强工作流归纳基线提升 30.0% 准确率。论文：arxiv.org/abs/2608.20319。