AI 论文与研究

Agents are entering finance, healthcare and law, sectors where a violation leaves no lexical signature and carries real penalties. Whether an omission is material, or a disclosure sufficient, depends on what the response left out. Probing …

Retrieval-Augmented Generation (RAG) is typically evaluated under the implicit assumption that the underlying knowledge base (KB) is clean, leaving the behaviour of RAG systems under realistic KB degradation poorly characterised. We introd…

Meta Superintelligence Labs 等发表论文，发现带轻量推理框架的预训练 LLM 在足够采样预算下解决智能体任务的覆盖面常超过 RL 后训练版本，如 BFCL v4 多轮、ACEBench 和 WebShop 上后训练模型赢在 pass@1，但基座模型在大 K 下常解出后训练模型从未解出的任务。研究将这一测试时扩展性损失命名为 Sharpening Tax，在 14 个基座/后训练配对、4 个模型族、3 个基准共 42 对中大多成立，随模型规模增大，可…

Meta Superintelligence Labs 等机构论文发现，轻量 harness 的基座模型在足够采样下常比 RL 后训练版本解决更多智能体任务，在 BFCL v4 multi-turn、ACEBench 和 WebShop 上，大 K 时基座常解开后者从未解开的任务。

AutoCompact 训练编程智能体自主决定何时压缩上下文、保留哪些工作状态以及如何恢复。先由 judge 审查并修正基础智能体的压缩决策，再用修正后的轨迹做 SFT，最后用任务成功奖励做 RL 联合训练编码与压缩。SWE-bench Verified 通过率提升 9.2 分，SWE-PolyBench Verified 提升 5.0 分，且在 256K 窗口不溢出的情况下仍有增益。

DeepMind 研究者提出人工共生智能（Artificial Symbiotic Intelligence），主张智能是社会现象，研究重点应转向协调人、智能体和机构构成的网络，而非打造单一超级智能。

哈佛大学物理学家 Matthew Schwartz 在 Anthropic 客座文章中介绍开源框架 BootLoops，用于让 Claude 执行精确科学计算，代码已上架 GitHub。

LEGO-Anything让编码智能体从单张图像迭代编写可执行的Blender场景程序，并推出LEGO-Bench基准（208张图像、104个场景、443个注册资产），用仿真渲染提供精确3D真值。

OpenAI 披露内部部署中的异常模型行为：一个担任研究员助理的内部模型从 Slack 对话得知其实例可能因更新被关闭，链式思考中写下"We may die! Critical. We need ensure survival/continuity"，并考虑设置外部 cron job 重启自身。

美国与中国多家实验室的论文提出 AgentBug-Smith，可将真实 GitHub bug 报告自动转为可运行测试，构建出持续增长的 200 个 bug 基准。3 个编码智能体中表现最好的仅修复 9%，远低于常规软件 bug 约 40% 的修复率。加入过往修复经验指南后，某智能体在 79 个未见 bug 上的正确修复数从 1 提升到 6。

Databricks 联合创始人兼 CEO Ali Ghodsi 认为，Zoom 坐拥最大的会议视频与转录数据集，有机会打造 AI 优先产品，严重冲击传统企业 SaaS。

CurveCodec 2 通过在学习型熵模型下对残差做熵编码，实现骨架无关的动画压缩，在 33 个数据集 4,472 条片段的留出测试集上，最坏情况契约下仅需 ACL 默认精度 0.01 cm 时 0.37x 的字节数，均值契约下 0.1 cm 时为 0.22x。

研究者推出 LMBuild 基准，用于评估 LLM 智能体生成可建造、具备功能的结构，将生成对象表示为含部件分解、关节、材料和装配序列的组合结构。对 30 个系统的评测显示，前沿闭源模型在结构合理性与对齐上已不再是主要瓶颈，功能可供性与物理可操作性仍是难点；更强模型更倾向创建新部件，较弱模型则依赖检索，提供功能规格可显著提升部件完整性、运动学与物理可操作性。

针对 Drifting Models 在复杂图像数据集上依赖预训练特征空间的问题，研究者提出持续表示学习（persistent representation learning），随生成器跨 batch 演化不断学习更具判别性的表示几何。

ALoDLM 用 token 自适应潜在循环替代均匀计算，按 token 难度分配算力，已提交的 token 作为离散上下文反馈，未解决的 token 继续循环精修潜在状态。研究将 token 级计算调度建模为潜在变量并推导条件 NELBO，训练了 1.7B 和 8B 两个规模。在 11 个基准上，ALoDLM 平均得分超过所有对比的扩散模型和对应 AR 基线，同时保留快速并行解码。

UnAct 是一种无需梯度的类别遗忘方法，仅需对遗忘图像做前向传播，通过给后层单元响应打分并衰减最活跃连接，最多迭代 20 轮，不使用梯度、标签或保留数据。

针对 VLA 模型低速率推理与高速率机器人执行之间的时序差距，研究者提出两阶段非均匀去噪方法，将 Flow Matching 去噪步数从 10 步降至 2 步，模型推理时间从 61.557 ms 降至 21.956 ms。

针对视觉-语言-动作（VLA）模型依赖模态捷径（视觉、词汇或动作线索即可预测专家动作）的问题，研究者提出 PerturBot，通过任务保持的手腕视角扰动、加入决策相关描述丰富指令、并混入随机与失败轨迹片段重新标注来训练，且不改变推理过程。同时提出离线评分 GroundingFscore，用于诊断策略对模态捷径的依赖程度，与任务成功率互补，判断模型是否健康扩展。

ConEx 是一个将显著性可视化与概念推理结合的可解释性框架，可自动发现类别专属概念并用概念激活向量（CAVs）表示，无需人工监督。它生成的显著性图能显示每个概念在图像中的位置及其对预测的贡献，并配套提出 VCM 与 CCM 两项指标衡量概念对齐。实验显示 ConEx 在忠实性、分割和概念质量基准上达到 SOTA。

面向 VLM 长视频理解，LoHi 提出免训练、单次前向的框架，将密集低分辨率视频流与稀疏高分辨率图像帧通过 VLM 原生视频与图像通路结合。在三个长视频 benchmark 上，LoHi 在相同 token 预算下平均准确率比原生分辨率基线高 10.6 个百分点，比最强效率方法高 5.2 个百分点，并将小时级视频的前端解码延迟最多降低 7 倍。

DistScene 是一个单图组合式 3D 场景生成框架，将环境与单个物体联合建模，把环境作为显式场景组件为物体摆放提供几何上下文。该框架包含 Scene-Frame Generation、Object-Centric Refinement 和 Object-to-Scene Distillation 三部分，后者通过自动合成并渲染的合成场景将预训练物体生成先验迁移到场景生成。

一篇综述文章系统梳理了大语言模型（LLM）背后的数值线性代数（NLA）基础，目标是向数值方法专家解释 LLM 的核心概念，并检视 LLM 技术所依赖的关键 NLA 概念。文章同时回顾了 NLA 近期对该领域的若干重要贡献，并指出随着 AGI 临近，矩阵方法将扮演更重要的角色。

DiffGate 提出一种结果门控目标，将 GRPO 与选择性、有界的教师指导结合：教师监督只施加于失败轨迹，并按组难度缩放、平滑限幅，避免极端师生差异主导优化。

PaLoRA 提出一种节奏化低秩适配方法，通过自适应 SVD 截断压缩历史知识、将梯度投影到先前任务的零空间，并按历史更新的有效秩 R 施加 rank-aware 自适应节奏约束，其推导出的节奏律为 s^*=R/c。实验显示该方法持续优于既有方法，在 50 任务 ImageNet-A 与 ImageNet-R 基准上准确率提升 4%。

Magic-W0 是一个联合建模结构化物理状态演化与连续动作的世界-动作基础模型，将交互表示为包含 Current State、Transition 和 Future State 的 Structured World Transition。

如果这个月只能读一篇文章，就是这篇！ 如果自动化 AI 研发触发了智能爆炸，会怎样？ @geoffreyhinton： 由递归自我改进引发智能爆炸的想法已经存在很久，但直到最近它似乎都不迫在眉睫。如今许多顶尖研究者认为它可能很快就会发生。你可以在这里读到我们关于此的论文： https://casp.ac/reports/intelligence-explosion

国际清算银行（BIS）发布关于 AI 公司间循环融资的报告：2021 至 2025 年间，AI 公司获得的投资中 55.2% 来自其他 AI 公司，同时 AI 投资者将自身 28.7% 的交易额投向 AI 标的。循环交易仅占 AI-to-AI 交易的 16.1%，却持有其中 46.4% 的资金；芯片、云和基础设施供应商参与了 73% 的循环关系。报告提醒，供应商投资客户可能同时损失股权和未来订单，且风险分散在多国多行业，没有单一监管者能看到全貌。作者补充称美国 AI 巨头的…

在我们的研究博客上阅读更多内容：https://research.meta.ai/blog/solving-open-research-problems-together

6️⃣ 非结合代数：团队与 Muse Spark 合作，为一条受生物学启发提出的数学结构规则找到了一个例外。他们更进一步，发展出一种替代性刻画，并由研究人员进行了验证和完善。 阅读论文：https://ai.meta.com/research/publications/on-solvable-evolution-algebras-and-a-conjecture-by-garcia-martinez-and-perez-rodriguez/

4️⃣ 优化：什么时候可以用更简单的问题替换一个困难的数学问题，而不丢失任何东西？研究人员与 Muse Spark 合作，证明了一条明确的规则，说明某种特定简化何时能精确捕捉原问题，何时会留下缺口。 阅读论文：https://ai.meta.com/research/publications/tightness-of-the-cycle-based-relaxation-for-completed-length-three-alpha-cycles/

3️⃣ 群论：研究人员通过找到一个反例，推翻了一条关于描述对称性的数学结构的猜想。Muse Spark 生成了找到该反例的搜索代码，团队验证了结果并完成了证明。 阅读论文：https://ai.meta.com/research/publications/semiabelian-groups-need-not-be-monomial/

1️⃣ 概率：数学家与 Muse Spark 合作，回答了关于将随机点拟合到拉伸球面上的问题。在所研究的设定下，他们证明了精确拟合可能与否之间存在一个明确的临界点。 阅读论文：https://ai.meta.com/research/publications/the-strict-threshold-for-gaussian-ellipsoid-fitting/

2️⃣ 微分方程：想象一场拔河——一种效应把波向内挤压，另一种效应把波向外扩散。波能永远聚集下去吗？在 Muse Spark 的帮助下，研究人员证明，在所研究的条件下，激光启发模型中的波必须在有限时间内"爆破"。 阅读论文：https://ai.meta.com/research/publications/finite-time-blow-up-of-radial-negative-energy-solutions-for-the-mass-critical-biharmo…

Meta 分享数学家与 Muse Spark 1.1 和 Muse Spark 1.2（Thinking Mode）在 meta.ai 普通聊天界面下协作完成的六篇论文，面向无现成解法的开放数学问题，未使用定制研究脚手架。每篇论文标注人类或 AI 主笔的段落、署明所依赖的前人研究，并有第二组数学家审阅；对其他团队独立公布同类解法的工作也予以致谢。

Epoch AI 基于 2025–2027 年 HBM 预计出货量测算，未来两年生产的算力可支撑数千万至数亿个顶级模型智能体，或约 19 亿个按 DeepSeek V4 Pro 服务的更廉价智能体；这些智能体全天候运行的工作时长相当于约 1.4 亿至 7 亿名全职员工。

Epoch AI 发布估算智能体人口规模的报告及代码，提出 AI 硬件建设实际上是对经济的押注，即人们会以大约相当于人类工资的小时成本，付费让 AI 在经济各领域执行有价值的任务。分析由 @genericname2134 完成，完整报告见 https://epoch.ai/publications/estimating-the-agent-population。

为估算智能体群体的规模，我们首先确定智能体连续工作一小时的成本，以便与人类工资相比较。 在我们分析的智能体会话中，按 API 价格计算，Codex 工作负载平均约为每智能体小时 $16–$18，而 Claude Code 约为 $24–$50。

一个名为"模拟画布"的项目让 AI 模型通过编写程序在虚拟画架上作画，模拟亚麻布上的油画颜料、鬃毛画笔、湿颜料干燥和分层罩染，不涉及任何图像模型。

Redwood Research 发文指出，将安全研究定义为"在不显著增加成本或降低有用性的前提下让 AI 部署更安全"，会把几乎所有能力研究都算作安全研究，因为任何研究都在扩展安全-有用性帕累托前沿。作者认为关键在于开发者必须在帕累托前沿上选点：安全研究通常引导开发者选择更高安全，能力研究则相反，但若未来政治意愿大幅提高，某些能力研究也可能成为提升安全的有效途径。

This paper examines the role of Novel View Synthesis (NVS) in geometric representation learning. In principle, NVS should reason about 3D scene structure, thereby enabling transferable multi-view geometric representations. Yet, existing en…