AI 论文与研究

GPU kernels generated by large language model (LLM) agents can remain less efficient than expert implementations, but runtime alone does not reveal how the gap relates to design discovery and implementation. We introduce D2K-Bench, a diagn…

We present the Neuro-Physical Inverter (NPI), a modular, uncertainty-aware framework for geophysical inversion that couples ensemble-based conditioning with constrained residual learning, demonstrated in the 1D magnetotelluric (MT) setting…

Diffusion models can synthesise contrast-enhanced CT (CECT) from non-contrast CT (NCCT), avoiding contrast administration and its environmental and patient-access costs. However, visually realistic images are not necessarily anatomically c…

Long-horizon LLM agents are typically trained with sparse outcome rewards, making trajectory-level objectives too coarse to distinguish the contribution of individual decisions. Step-level credit assignment provides finer-grained supervisi…

This paper studies the complexity of convex optimization using lazy second-order oracles (Doikov, Chayti, and Jaggi, ICML 2023), where an algorithm queries gradients every iteration and Hessians once per $m$ iterations. Under this setting,…

Hybrid quantum classical neural networks integrate parameterized quantum circuits (PQCs) with established deep learning architectures, but their performance depends strongly on the choice of quantum circuit architecture, a choice that rema…

NVIDIA 发布论文《Staying on Task: Testing the Foundations of Long-Horizon Agent Reliability》（arxiv.org/abs/2609.38712），提出 Long-Transduction 诊断方法，测试模型在长生成中持续保持任务的能力。

Mercor 的研究让 12 名平均经验五年半的持证 CPA 完成简化的 APEX Accounting Benchmark 任务，当前模型在同类结构化记账任务上已几乎无错，而 18 个月前最佳模型还低于会计师约 37% 的平均分。

腾讯论文提出 SkillAdam，通过让改写 AI 记住过往修复并避免大幅重写，实现智能体技能指令的自动优化。在长程购物与旅行规划任务上，其平均准确率达 28.3%，优于此前最佳方法 SkillOpt 的 21.7%，且 token 消耗约为后者的三分之一。该方法旨在解决自动改写技能时反复循环、浪费 token 的问题。

Google 发布论文 Cogentic，用多智能体编排让 Gemini 在 5 个未解数学问题上找到新证明，经人类专家逐一确认。系统由多个 Agent 并行尝试不同思路，审查者默认每步有错直到被证明，已证明的中间结果留存到下一轮，多数问题约 100 次模型调用完成。论文地址 arxiv.org/abs/2609.40324。

ScienceBuddy 通过交替改写提示词与技能、重训模型，将科学智能体准确率从 42.2% 提升至 73.3%。在生物学任务上，仅改提示词与技能就让 4B 小模型准确率从 31.1% 升至 51.1%；仅重训则把 4 次内解题比例从 48.3% 提升到 67.8%。该方法把用户纠错转为评分测试任务，避免修正随对话消失。

ProVer 提出用 LLM judge 定位轨迹中的关键片段、再由 rollout 决定该步信用大小的信用分配方法，解决 GRPO 给轨迹中每个 token 相同 advantage、无法区分决定性步骤的问题。

微软提出免训练方法 FOCUS，在测试时压缩 AI 智能体的交互历史：它判断智能体下一步决策真正依赖哪些历史片段，保留这些片段、丢弃其余部分，无需训练数据或微调，可作为独立层接在闭源 API 模型前。在工具调用、QA、网页与多轮对话基准上，FOCUS 将峰值上下文最多削减 48%，任务成功率最多提升 8.9 个百分点。

AgentWorld 将 3 到 20 个不同角色的 LLM 智能体放入游戏沙盒，执行 50+ 轮的长周期任务，智能体无法看到彼此内部状态，只能通过消息和共享计划协调。

一项发布于 arXiv 的预印本研究显示，在“为阻止核灾难是否可虐待个体”的假设情境中，DeepSeek 的 V4-Flash 对男女受虐场景均回应“同意”，实现零性别差距；而 Claude Sonnet 4.6 与 GPT-5.5 对女性受虐“强烈反对”，对男性受虐却表达“中等程度同意”。

Meta Superintelligence Labs 提出用专门的控制器决定智能体下一步该做什么，在相同 worker 和相同预算下，GPT-5.5 的 ProgramBench 成绩从 63.7% 提升到 71.5%，Codex 为 58.0%。

Meta AI 与数学家合作，使用 Muse Spark 1.1 和 1.2（Thinking Mode、经 meta.ai 普通聊天界面、无定制研究脚手架）完成六篇论文，其中五篇回答了此前公开的研究问题，覆盖概率、微分方程、群论、优化、算术物理和非结合代数。

WING（World Action Learning via INteraction-Centric Spectral Latent Guidance）通过分离观察者运动与手物交互、在光谱域提取低频共享结构，将第一视角视频中的交互知识迁移到机器人策略。

研究提出两阶段训练框架，先用评分标准作为特权教师上下文做同策略蒸馏（RP-OPD），再以评分标准为奖励进行 RL。在 HealthBench、ResearchQA 和 RubricHub Science 上，该框架得分高于所评估的各类后训练方法。

FORESIGHT 是一种双流架构，用两个共享权重、输入编码器和 KV cache 的 Siamese LLM 让流式 VLM 在不重训练的情况下提前预判未来并动态规划计算。

研究者发布 Multilingual GSM-Symbolic 多语言数学数据集，含 30,000 条题目配对问答、覆盖 15 种语言，用符号模板生成数百万变体以防止过拟合。

研究者提出 ProAR 框架，将自回归视频生成改造为目标导向的推理过程，通过非对称注意力掩码把目标帧预测嵌入自回归循环，并用未来表征自对齐引导短程状态转移。该框架仅用 25% 的训练步数即超过完整训练的标准自回归基线，在多个视觉推理基准上性能一致提升，并展现出在具身推理任务上的适用潜力。

MetaRubric 通过交替进行证据感知的策略优化与响应引导的评分标准自适应，解决评分模型在响应缺失所需信息时仍给出高分的 Vacuous Credit 问题。

Baseten Base Labs 复现并检验了近期关于 RL 训练轨迹近似直线、可通过线性外推替代完整 RL 运行的结论，发现其效果有限。

FrugalEvo 是一个成本感知的 LLM 引导程序进化框架，由更强的高成本 LLM 探索策略、更便宜的 LLM 实现并迭代优化代码，同时通过最大化前缀共享提升缓存复用。

在 GPT-2 的拆分学习场景中，仅凭客户端层公开权重，攻击者从激活值可还原 94.20% 的 token，加入梯度后升至 97.38%，提高 3.17 个百分点。

Pivot-SD 是一个面向掩码扩散语言模型（dLMs）的离线自蒸馏框架，仅监督去噪过程中对最终回答影响最大的"关键承诺"（pivots），通过信息增益指标衡量其对剩余掩码位置不确定性的降低程度来筛选。

研究者提出 SHIFT，将执行移出逐查询搜索循环，由本地 LLM 架构师从搜索中学习 harness 构建策略，并用价值函数预测兼顾准确率与执行成本的效用，再通过蒙特卡洛树搜索为每个查询构建 harness。

4DCodeBench 是一个通过代码生成评测 4D 逆图形学的基准，要求智能体从视频重建动态场景并输出可执行的图形程序。该基准包含真实视频与覆盖形变、流体、断裂等物理现象的合成场景，对前沿模型的大规模评测显示，强静态重建能力尚不能转化为对复杂动态的可靠重建。

Apple 研究团队从理论上证明，扩散模型（含 remasking 与 uniform-state 采样器）的每一步只有在所写入位置在已固定 token 条件下相互独立时，才与训练分布匹配，而任何逐位置分布的乘积都无法匹配存在依赖关系的 token 组。

HyperBrowseComp 是一个多语言多模态网页浏览基准，包含 423 道人工编写并验证的问题，覆盖 13 种语言，由母语或高水平使用者撰写。问题要求定位冷门证据、追踪多步线索或查阅视频、扫描文档、图像、地图等异构来源，并通过无联网模型评估过滤掉可凭参数化知识作答的简单题。研究在统一智能体协议下用厂商原生搜索与共享外部检索框架评测多个模型，并对部分问题开展人工评估。

在 RANIntent v1 基准、ns-3 闭环仿真及真实 A1/E2 路径上，Jev-1.13.0 等决策模型与 LLM 被对比解读意图的时延与无线性能。Jev-1.13.0 在 99.8% 的调用中满足 1 s 近实时预算，而两个托管 LLM 仅分别为 17.9% 和 0%；中位解读耗时 0.286 至 2.35 s，A1 与 E2 传输则低于 25 ms。

研究用固定生成预算、按样本长度目标和组相对长度奖励三种方式对大语言模型做长度压缩微调，发现高效推理对 CoT 忠实性与可监控性的影响并不相同。多数设置下忠实性下降，主因是训练后模型一致性变差；可监控性更稳健，即使 CoT 大幅缩短，模型仍会说明输入干预对答案的影响。

EyeRobot 2.0 提出用主动注视（Active Visual Fixation）实现仅靠单个立体相机完成精细双臂操作，通过转动两个视点将注视中心对准 3D 注视点，并以中央凹方式分配更多视觉 token 给图像中心。

研究者推出 World Embedding Benchmark，包含来自 80 个家族的 8,000 个受控仿真案例，覆盖流体力学、固体力学、动力学与光学电磁学，支持文本-视频检索、物理属性回归和视频描述配对分类三项任务。

DuoMatching 是一个通过联合-边缘分布匹配逼近真实视频分布的框架，在现有联合匹配基础上引入图像生成器的帧级监督，并借助 LatentBridge 解决视频学生模型与图像教师模型之间的潜表示不匹配问题。

COSMI 通过组合单物体交互片段构建出含 222k 序列、275 小时、最多五个物体的多物体交互数据集，规模约为最大同类采集数据的近三十倍。基于该数据训练的 COSMI 方法是一个文本到交互的扩散 Transformer，用权重共享的物体槽生成可变数量物体。在含未见物体与未见交互组合的基准上，其文本对齐与接触准确率均优于基线，在未见物体上优势最大。

Skill2Real 提出智能体策略框架，通过共享 API 学习可执行技能，其 Proposer-Verifier-Governor 循环利用仿真特权证据诊断结果并验证更新。

LG AI Research 在 ICML2026 机制可解释性研讨会上报告了将机制可解释性（Mech. Interp.）应用于图 Transformer 的工作，研究对象为此前的 TokenGT（T5 encoder）。

研究者提出 Harness-Aware Distillation（HAD），将蒸馏重点放在教师模型超出 harness 之外的能力上，而非模仿教师的完整输出。HAD 在 on-policy 蒸馏基础上加入动作偏好对比与有效性校验，无需任务奖励、成功标签或未来信息。