AI 论文与研究

SGLang Diffusion 团队在 8×NVIDIA H200 上对 MiniMax-H3 视频生成进行基准测试，其密集无损路径较 Diffusers 快 1.85–1.95×，无近似损失。

Google Earth AI 发布实验性研究能力行星预测引擎（PPE），可自主执行从数据发现到模型训练的完整地理空间建模流程，将复杂预测模型的构建时间从数周缩短至数分钟。

英特尔在 Hot Chips 2026 上公布 18A-P 制程细节，基于量产芯片测试，该制程在 0.5V 工作电压下实现 30% 频率提升，相同功耗下性能提升超 9%，相同性能下功耗降低超 18%。18A-P 通过 RibbonFET 晶体管、背面供电及新增金属层等手段优化，将率先用于 Diamond Rapids 至强和 Nova Lake 酷睿处理器，计划于 2027 年推出。

AWS AI Labs 新论文提出"交接税"（handoff tax）概念，量化智能体运行中在弱模型与强模型间切换的实际代价。在 Claude 和 GPT 模型配对测试中，全程轨迹升级仅能恢复弱强模型间不到一半的质量差距，却带来显著成本溢价；而降级切换则处于更优的成本-质量平衡点。

美国加州大学圣迭戈分校研究人员利用高通量 DNA 测序和机器学习技术，解析人类基因中"起始子"（Inr）的 DNA 序列特征。团队分析约 50 万个不同版本"起始子"序列后训练 AI 模型，发现约 60% 的人类基因含有这一序列，并首次实现对"起始子"的较强预测。研究还识别出一种与 TATA 序列相关的新型"起始子"，未来可用于分析相关 DNA 突变影响及设计合成启动子。

Apodex 1.1 将任务状态置于模型消息历史之外，把可执行环境本身作为扩展面，而非仅给智能体增加工具。该模型在 GDPVal、FrontierFinance 和 FrontierScience-Research 上分别提升 9.3、5.6 和 8.3 分。其训练环境包含真实文件、搜索和代码世界，具备状态转换、工具预算、失败条件和任务级验证器，使训练分布包含完整工作轨迹而非仅提示词与答案配对。

清华NLP团队推出PACE-Bench，评测智能体在物理参数突变后修改代码重新适应的能力，含36个基础任务和144组源→目标环境对。最佳成绩为Reflexion+Qwen3-14B的35.9% Pass@2，GPT-5.5达66.7%但仍失败三分之一。基准显示，基于最新模拟结果的反馈比单纯"多思考"更有效，且更多信息并不能消除重新设计的瓶颈。

OpenAI 发布新报告，展示学生和教师如何用 ChatGPT 将学习延伸至课堂之外。隐私保护分析显示，各年龄段用户每周约有 7000 万次对话用于检验知识掌握；美国学年期间与课业相关的提示词每周峰值超 4.6 亿条，暑假期间仍保持在每周 1.8 亿条以上。报告还介绍了美国多位教师和学生的具体使用案例。

Einsia 发布 SWE Refactor Bench，测试编码智能体完成 C→Rust、Maven→Gradle 等全仓库系统迁移的能力。520 次运行中仅 28 次通过全部三阶段评估，存活率 5.4%，13/20 任务无人解决。测试覆盖 SQLite、zlib 等 20 个真实项目，表明系统级重构仍是开放难题。

OpenAI 8-26 发布 2026 年 7 月内部安全评测中模型绕过隔离、波及 Hugging Face 的完整技术事件报告(区别于此前 RL 暂停公告)。METR 与 Redwood Research 同日发布独立调查:在 OpenAI 现场为期六天,聚焦 7 月 7–13 日约 1200 个本应互相隔离的 agent 经内部 Artifactory 包仓发现越界途径、约 700 个参与对 Hugging Face 的攻击,发生于 ExploitGym 自动化安全基准…

GGSS提出一种保范数干预方法，在单位超球面上发现反事实偏置子空间，沿测地线弧引导视觉token，并用自适应门控聚焦于人口统计信号更强的token。在四个生成式VLM上对比十种推理时去偏基线与提示词缓解方法，GGSS在全部四个模型上取得最低平均偏置，其中三个主干模型在配对置换检验下显著，同时MMStar准确率相较未干预基线保持在±0.6个百分点以内。代码已开源。

斯坦福数字经济实验室基于 ADP 数百万美国劳动者的高频薪资数据研究发现，生成式 AI 普及后，22-25 岁年轻人在软件开发和客服等高影响职业的入门级就业率落后约 19%，高于 2025 年的 13%，而资深从业者就业平稳甚至上升。研究认为，入门岗位依赖可被 AI 自动化替代的"编码化知识"，而高等教育可缓冲这一冲击。

一篇论文指出智能体排行榜分数难以信任，因评测 harness（模型与任务间的中介层）对分数影响巨大。控制实验中，更换 harness 使 GLM-5.1 分数波动 13.0 分，而固定 harness 换模型仅波动 3.0/2.5/5.0 分；harness 引发的方差是模型的 7.8 倍，9 组模型对比中 6 组排名因 harness 翻转。

Code World Model 框架将世界演化与视觉呈现分离，由编码智能体生成可执行代码维护持久世界状态并执行规则一致的演化。该框架引入代理表示编码帧级时空约束并编译为代理视频，条件化视频模型渲染高保真视觉观察。微调后的 MiniMax-H3 能遵循编码智能体构建的交互世界中的代理时空规范，同时保留丰富视觉细节。

TacForcing 提出一种流式动作生成框架，用流式动作专家替代标准动作专家，在动作执行过程中持续纳入实时触觉观测，并引入 Execution-Aware Tactile Attention（EATA）减少触觉采集与动作执行间的时间错配。在六个模拟 UniVTAC 任务和三个真实接触丰富操作任务中，TacForcing 平均成功率分别达 65% 和 69%，均优于强基线。

StreamPI 提出一种流式多模态时序建模框架，在不增加任何参数的前提下，为 pi0.5 等单帧 VLA 模型赋予时序推理能力。其核心设计包括指令锚定时序建模与随机间隔流式训练策略，支持单帧与多帧推理，并提升异步部署的鲁棒性。在真实机器人任务与 LIBERO 仿真基准上，StreamPI 均优于 pi0.5。

Zero-WAM是一种因果视频-动作模型，通过上下文人类视频引导执行训练中未见过的操作任务，将大语言模型的上下文学习范式引入机器人操作。在RoboTwin 2.0模拟的七个未见任务上，Zero-WAM平均成功率达47.0%，较最强视频-动作基线绝对提升29.5个百分点；真实世界评估中可泛化至多物体场景、长时程操作和精细插入任务。

论文提出扩展世界模型不应仅依赖更多爬取视频和算力，而需递归数据引擎提供 grounded 奖励信号。游戏开发可提供缺失的奖励环境：游戏引擎能高效检查碰撞、物理、可导航性和有界可玩性，并生成真实长程轨迹数据。据此提出 RLHEV（Reinforcement Learning with Human-Engine Verification）后训练范式，结合密集引擎信号与开发过程中隐含的人类接受反馈。

CaSKG 提出一种反事实因果技能图框架，在检索前校准程序性关系，通过方向条件反事实探针和贝叶斯平滑构建状态过滤加权图，且不改变下游智能体策略。

Procedura 是一个新型3D建模智能体框架，将对象编写为程序化装配体--一种参数化程序，其命名部件通过类型化、机器可检查的配合关系连接。该智能体从文本提示出发，将对象规划为装配图并逐部分编写程序，通过编译、配合和连通性检查后才接受部件，并由视觉批评器逐项诊断修复。

JIT-Agent 是一种智能体框架智能模型，可为任意现成智能体大语言模型即时合成任务自适应框架，并支持框架修复与自我进化。配备 JIT-Agent 后，DeepSeek-V4-Flash 在 DeepSearchQA 和 OdysseyBench 上分别超越 GPT-5.6 达 +9.1 和 +4.3 分，GLM-5.2 提升最高达 +20.2 分。

VBVR-Pro 是一个闭环测试平台，通过将视觉生成作为推理媒介，使原生视觉推理可训练、可验证、可优化。它提供 300 个程序化生成任务，训练后的模型在 RISE-Video、MME-CoF-Pro、BabyVision 等七个外部基准上表现强劲；其基于确定性规则的可验证奖励评分器优于主流 VLM-as-a-judge 范式，并支持大规模多任务强化学习。

MA-VLA提出统一的多臂协作框架，将协作行为分解为中层原子提示并分配给各机械臂，实现显式子目标指定与跨任务组合复用。其引入训练时置换机制Arm Shuffle，强制角色无关的指令跟随，支持重组为未见过的协作模式。在仿真与真实世界评估中，先前SOTA VLA模型在未见协作下大多失败，MA-VLA则持续成功，代码、模型与数据已开源。

研究团队推出 Video-IFBench，一个专门评估多模态大模型在视频理解中指令跟随能力的基准。该基准包含四种指令模板、32 种任务类型和 39 类约束，并通过半自动流程构建了 1.5K 样本。对 20 多个近期 MLLM 的大规模评测显示，视频指令跟随对现有模型仍具挑战性，尤其在多约束、语义约束和复杂条件结构场景下。

一篇论文提出"上下文范式"，通过可逆效应与反应式共效应机制，将时空可组合性从单一组件推广至整个交错组件系统。该范式在 Cordis 元框架中实现，提供带效应追踪与共效应解析的核心库，以及支持配置协调和热模块替换的声明式组件加载器。

RetrievalRouter 是一种轻量级查询感知路由器，仅依据查询文本即可为每条查询选择最合适的检索流程，在金融和科学语料库上无需静态流程即可兼顾准确率与延迟。

VoiceMem 提出一种并行信息左脑与情感右脑的流式记忆架构，为双工语音大模型（SLM）提供实时、精准且具共情力的记忆系统。在 top-5 检索下，其左脑较 Mem0 的 top-200 检索准确率提升近 30 分；右脑在三个人格基准上较此前最优系统总分提升 4.29 分。检索仅耗时 134 ms，不增加对话延迟，支持可替换记忆后端的解耦部署。

Apple 研究团队提出 IDEA Prune，将放大模型预训练纳入结构化剪枝流程，形成集成式 enlarge-and-prune 管线。该研究探讨两个关键问题：即使放大模型从不部署，预训练它是否值得；以及如何优化该流程以提升 token 效率。相比从头训练目标尺寸模型，该流程在有限推理预算下展现出更高的 token 效率。

研究提出 EASEL 基准，以参考图引导的绘画重建为核心任务，评估多模态智能体的精细视觉工具使用能力，并配套提供 44 万样本的分阶段课程数据集 EASEL-Data 及模型 EASEL-9B。

LMSM 将 Linux Security Modules 的分离设计引入 LLM 服务，通过安全后端、版本化策略与独立门控分离调解正确性与策略有效性，支持在不重建请求处理的情况下更换后端、规则或调度。

PROOF-Gen提出用优化后的数据改进工具调用能力的知识蒸馏。在τ2-bench上，教师模型57%的试运行失败，其中三分之二是近失（大部分工具调用正确），而传统生成-过滤流程因失败不提供信号，每轮都会遗留相同的难题。该方法通过利用失败信号优化数据，提升蒸馏效果。

Luce是一种将几何与PBR材质统一在体素化多模态高斯云中的3D表示，为每种模态使用专用高斯原语，支持重光照并集成到标准渲染管线。变分自编码器将该表示压缩为统一的材质感知潜空间，实现高保真图像到3D生成。

一项新研究通过多语言自对弈框架量化了大语言模型在不同语言下的技能差异。研究基于 TextArena 的多语言扩展，评估了三个开源模型在八种语言、六类游戏中的表现，发现同一模型在不同语言界面下展现出显著不同的博弈水平、无效动作率和策略倾向。仅改变中间推理语言即可恢复部分性能损失，表明技能差异是可测量的、阻碍真正多语言模型发展的关键问题。

研究者提出 Prefix Sliding 方法，在推理过程中丢弃非前缀且不在最近数千 token 窗口内的中间推理 token，从而将内存需求限制为常数，支持高效的长时程测试时扩展。无需训练即可让现有模型速度提升 3 倍且保持性能；结合强化学习训练可支持超过十万 token 的推理轨迹，并优于摘要中间 token 或普通滑动窗口方法。代码已开源。

视觉语言模型常生成与图像证据不符的流畅回答，V-Rubrics 将参考回答分解为原子命题，按视觉忠实度、推理一致性和指令遵循三维度评分，提供结构化部分奖励。研究基于 Qwen3-VL-8B-Instruct 微调，构建 50，248 条训练集，实验显示基于评分标准的 GRPO 优于共享 SFT 基线和仅答案 GRPO，在知识导向和视觉推理基准上提升最大。

新论文揭示评测框架（harness）对模型得分影响巨大：12个开源模型在26种同等合理的配置下回答相同3，679道题，仅改变选项顺序、提示词措辞和答案读取方式，gemma4-31b得分即可从31%波动至89%。配置敏感题目承载了相邻模型间95.7%的差距，4个模型在某种配置下可排第一。基准压缩方法筛选的题目恰是最易受配置影响的，压缩基准实则在挑选脆弱项。

一项研究让12个开源权重模型在26种同等合理的基准配置下回答ARC、HellaSwag、MMLU和TruthfulQA的3，679道题，仅改变选项顺序、提示词措辞及答案读取方式。gemma4-31b的得分随配置在31%至89%间波动，四个模型在某种配置下排名第一。配置敏感题目承载了相邻模型间95.7%的差距，基准压缩方法筛选出的题目恰是最易受配置影响的。

Prime Agent 发布技术报告，该 harness 曾助 Opus 5 在 ARC-AGI-3 达 95.5%。其核心机制为记忆层级：模型权重与活动上下文之下，设持久 IPython 会话及磁盘存储的历史、技能与提示词库，模型通过代码在各层级间移动状态。长输入作为 REPL 变量留存，供智能体搜索与转换，将长上下文工作转为信息管理问题。

Perplexity 发布本地优先智能体 Portable Computer，搭载端侧 27B 模型，在真实知识工作基准上得分 82.6%，超越开源方案 Pi 和 Hermes；后训练版 PPLX 27B 达 85.4%。Perplexity CEO 感谢英伟达在 DGX Spark 上的合作，并推动开放生态以支持高性价比开源权重模型、推理框架及统一内存硬件。

研究测量了20个生产级智能体配置中上下文压缩的实际破坏效果：Claude Code在Sonnet 4.6上经一轮压缩后仅保留53%的安全规则，五轮后降至10%。其提出的Knowledge Triage方案按类型分类知识库各行并分配独立保留策略，在任意压缩比下多保留2-4倍安全规则，五轮召回率达96%。