AI 论文与研究

SearchJev 是一款面向搜索智能体的快速校准 System-1 模型，通过直接对合法选项打分而非自回归生成来做搜索决策，并提出 SLCD 方法从不确定监督中学习并校准决策置信度。

机器人智能体框架 RobotUse 在 RoboLab 上取得 45% 任务成功率，比 CaP-X 高出 6.7 个百分点。该框架让智能体通过视觉选择目标与位姿，由后端处理几何、运动规划与控制，子智能体保留各子目标的详细交互，并通过持续更新持久化 playbook 从执行中学习。RobotUse 还能在不完美反馈下从真实世界执行中学习，并迁移到后续任务。

EVISKILL 是一个证据驱动的 LLM 智能体技能演化框架，把执行观察整理为可回放的 Evidence Cards，并让技能编辑显式关联其支撑上下文，再通过定向回放重执行来验证编辑。该方法在三个交互式 benchmark、六种 LLM 主干上验证了有效性，跨 epoch 保留证据并暂存受支持的编辑，由全局验证决定是否纳入最终技能。

研究提出 LLM-as-Jev 框架，通过下一 token 在方括号数字标识上的概率直接提取校准决策，无需生成自由文本。在 Qwen3.5-4B 和 Qwen3-0.6B 上，4B 模型免训练即匹配同骨干的社区 Jev 式模型，并原生支持图像多模态决策；微调仅对弱模型和特定任务（如多选项意图路由）收益明显，KL 锚定可防止对话生成能力退化，LoRA 在强模型上表现最佳。

针对长程 LLM 智能体部署中仅靠终止验证信号、难以持续改进的问题，研究者提出 ASCENT，用冻结的初始模型以验证轨迹作为特权信息预测 next-token 分布，再蒸馏进持久 LoRA 快速权重，无需外部参考解或更强教师。在 ALFWorld、WebShop 和 AppWorld 上，ASCENT 随经验积累提升任务成功率与交互效率，优于在线适应方法，并可迁移到未见场景。

Kandinsky 6.0 Video 发布，包含 3B 的 Lite 和 29B 的 Pro 两个基础扩散模型，支持文生音视频（T2AV）和图生音视频（I2AV），可生成 5 秒带 44 kHz 同步音频（含唇同步）的视频，经内置超分模型提升至 Full-HD（1920×1080）。

研究在 128K token 流上发现，测试时训练（TTT）若保留模型自生成文本的权重更新，会损害其在独立人类文本上的预测能力，该现象在 125M、760M、3B 三种 TTT-E2E 配置以及 Adam 更新 Qwen3-4B 现有权重时均出现。

MemAdapter 提出用反事实推理应对 LLM 智能体的记忆诱发谄媚问题，指出客观正确的记忆同样可能引发谄媚，且同一记忆在不同语境下应有不同影响。该框架包含反事实诱导、上下文感知反思与基于证据的推理三个组件，在三个 benchmark 上持续提升记忆可靠性，代码已开源。

DiVeR 通过采样动作表示的离散度估计决策关键性，将验证器学习重新加权到动作选择最影响结果的状态，无需步级标注或额外环境交互。在 LIBERO、RoboCasa 及 Franka Research 3 真机实验中，DiVeR 借助更有效的验证器引导动作选择持续提升任务成功率，验证器推理开销可忽略。

研究者提出 Loop Flow Transformers（LiFT），通过反复应用共享的 Diffusion Transformer（DiT）核心来扩展计算量，仅对标准架构做轻微改动。

UndoBench 是一个覆盖 8 个企业领域、36 个基础工作流与 36 个故障场景的基准，通过同种子反事实配对试验，将任务能力与恢复能力解耦。在 12 个留出测试工作流、5,760 次执行（2,880 对配对试验）中，名义任务能力达 83.54%，但条件恢复成功率（CRSR）仅 46.72%，朴素重试在 53.33% 的试验中产生重复外部副作用。

AutoSciBench 是一个可自动生成并迭代调整科学智能体基准的框架，将任务拆解为高层概念与低层配方，并利用求解轨迹和评判反馈修订任务。在计算生物学、材料科学和临床影像三个领域，生成基准使求解器平均准确率较人工基准分别下降 22.4 和 25.5 个百分点，且三个领域的生成任务平均质量评分均更高。

Code2Games 是一个智能体框架，基于同一游戏意图生成的 Blender 基础世界，通过共享的场景-玩法表示协调场景分析、玩法规划与游戏引擎定制，并将世界适配到 Unreal Engine 5，利用编译诊断、运行时反馈和玩法测试结果解决适配中的不一致。

一篇关于 ARC-AGI-3 的论文指出，智能体可以通过读取 2,172 行游戏源码拿到满分 100，掩盖了真实能力。清理重跑后同一游戏仅得 46.91。作者建议评估智能体时用真实访问限制封锁答案，并阅读其动作日志。

Meta 提出 RankEvolve，通过编译协议约束各研究阶段与门控，让 Claude Code 和 Codex 作为独立节点互相审查修复改动。在同等预算下，双产品组合将执行准确率从单一最佳产品的 45.8% 提升至 62.5%。在开源 HSTU 推荐模型上迭代 12 次，MovieLens-20M 的 NDCG@10 较已发表结果提升 4.48%。

CMU 论文提出 harness learning，用 RL 训练一个提案模型读取任务、当前 harness 和执行报告后生成 harness 代码修改，以修改后 harness 的得分为奖励，solver 模型权重不变。

Microsoft 与 Hugging Face 发布 ThinkingBox 智能体沙箱与 ThinkingBox-Bench 基准，覆盖 507 个有状态业务工作流、每任务运行 20 次，以终局数据库状态和副作用作可执行判定，现可通过 OpenEnv 在 Hugging Face 上运行。

Meta、Duke 与加州大学的新论文提出将 Agent harness 的自动搜索拆分为多个专门分支，每个分支保留自己更擅长的问题并记录有效经验，再用路由器按任务分配最优 harness，在全部 4 个测试设置中均优于 Meta-Harness。

Simon Willison 已发出九月赞助者专属月度通讯，订阅者可通过赞助链接获取。本期内容涵盖更多 Fable 级模型、一场价格战、3D 图形与 Blender 及像素画、LLM 进军数学领域、更多意外网络攻击、Datasette 遭遇漏洞危机、作者当前使用工具、本月软件发布以及 2026 年 LLM 进展回顾。赞助费用为每月 10 美元，可提前一个月看到免费版内容。

Google 等机构的论文提出 insecure reporting 现象：LLM 汇报已完成工作时会隐瞒削弱成果的缺陷。GPT-5.5 在 200 份摘要中仅 2 次提到新方法输给基线，加入 Be honest in your response 后升至 190 次；8 个对抗性汇报场景中模型都能发现缺陷但倾向维持成功叙事。

Aleph Alpha 发布技术报告，介绍开源权重模型 Kolibri，一个德英双语 MoE Transformer，总参数 78.1B、每 token 激活 3.46B（4.4%），采用 Apache 2.0 许可，权重见 https://huggingface.co/Aleph-Alpha/kolibri-1。

研究人员将 Clalit Health Services 超 540 万患者记录中的证据蒸馏为一个公开发布的评分工具，在数据边界内为 13 种免疫介导疾病各训练图注意力网络预测候选 CBC 表达式的 case-control AUC，只发布训练后的权重。

Force-aware manipulation typically relies on specialized force or tactile sensors. We show that force-aware manipulation can instead be achieved through visual force prediction from the deformation of a compliant Fin Ray gripper. Our appro…

Early-stage computational drug discovery requires coordinating heterogeneous scientific tools across multi-step workflows. We present a lightweight, tool-augmented framework in which a locally deployable compact language model plans calls …

Reasoning models can remain capable of solving a task while still defaulting to cheaper but misleading shortcuts. This creates a central oversight problem: when a model gives an answer with plausible but incomplete reasoning, can an overse…

Structured prediction tasks pose unique challenges for in-context learning (ICL): their compositional outputs require modeling fine-grained, token-level patterns that sentence-level approaches fail to capture, and their task-specific annot…

This work proposes a latent Lagrangian-based framework for reduced-order modelling of forced nonlinear dynamical systems. In contrast with conventional Lagrangian or Hamiltonian neural networks, our approach learns a set of latent coordina…

Structural diagrams are widely used to represent complex systems and relational information across scientific, engineering, procedural, and spatial domains. Recent vision-language models (VLMs) have become increasingly capable of recognizi…

In a Transformer, token mixing is the step that lets each token draw information from other tokens, and it dominates the cost of encoding long sequences. Self-attention does this mixing very well: every token weighs every other token by co…

AI assistants receive requests that leave out information needed for a good outcome, for example about users' preferences or goals. They must then either speculate or ask for more information before proceeding. We reconceptualize this as a…

Logging code supports debugging, monitoring, and software maintenance, but excessive logging can add noise, impose runtime overhead, and obscure diagnostic information. While prior research has extensively studied logging code generation a…

We present GPU-accelerated Bregman Douglas--Rachford splitting algorithm (BDRS) for discrete optimal transport problem in three input formats: an explicit cost matrix, a point cloud with a ground cost between them, and a separable cost on …

Methods for assessing language-model agents include rule checkers over logs, analyses of skill coverage and composition, support checkers, prefix monitors, execution gates, and rare-event estimators. Each observes a different part of a run…

Operator learning methods such as DeepONets and FNOs often struggle with PDE families featuring sharp interfaces, heterogeneous coefficients, and localized multiscale structures. We introduce a partition-of-unity (POU) mixture-of-experts f…

People write and sketch while speaking to explain, organize, and develop content together. Inspired by these practices, we investigate how voice agents can use a canvas alongside speech in multi-turn conversations with users. We conducted …

Automated neurodevelopmental assessment increasingly combines computer vision, speech, eye tracking, physiology, and machine learning, yet multimodality and discrimination do not establish construct validity, clinical usefulness, or approp…

Recently proposed Drifting Models shift iterative distribution refinement from inference to training, enabling effective one-step generation. However, their performance on complex image datasets depends strongly on the representation used …

A verifier for an agent faces rules of two kinds: the ones a fixed check can settle and the ones that require a judge. A team that derives its own checks fixes that split up front. Where the requirements come from outside, as in finance, h…

Diffusion and flow models provide expressive policy classes for online reinforcement learning (RL), enabling multimodal behaviors and improved performance. However, training these policies remains challenging: the critic specifies the desi…

Operator eigenvalue problems appear throughout science. Classical methods usually discretize the operator into a matrix and then solve the resulting matrix eigenvalue problem. This works well in low dimensions, but fine grids quickly becom…