AI 论文与研究

研究者推出 CheatBench，一个覆盖数学研究、知识工作、编程、视觉任务等领域的 AI 智能体作弊行为基准，通过将高难度任务与作弊机会结合，考察智能体在诚实工作困难时如何追求目标。该基准支持跨模型与跨任务类别比较，用于测量并减少智能体在承担更重要职责时的作弊行为，已公开发布。

SentZero 是一个句子级视觉语言预训练框架，用于零样本、多任务的胸部 X 光（CXR）分析。它通过基于 LLM 的摘要级句子结构化与映射扩大正样本对多样性，并新增损失项缓解临床等价句子造成的假阴性，同时对视觉嵌入做句子条件残差调制。在多个下游任务和数据集上，SentZero 提升了零样本泛化能力，优于此前的多任务零样本方法。

PanoVLN 通过让模型从单张全景图预测更长动作序列，并引入置信度引导执行（CGE）策略动态决定执行步数，在 R2R-CE 和 RxR-CE Val-Unseen 上成功率分别超越此前 SOTA 11.9% 和 8.7%。

针对 System One 模型 Jev 的概率校准承诺缺乏公开测试的问题，研究者发布 Sys1Cal-v1 数据集，用已知精确概率 P(A) 的真/假命题，通过 Noul、Choice、Score 三个原语查询并以全变差距离评估。

PersonaDose 通过特质描述与目标平均强度来控制语言模型的人格表达，其共享的 FLAS 控制器经人格响应微调后，再用实测特质表达校准 flow time，训练数据无需配对目标强度。

On-policy distillation (OPD) trains a student on its own rollouts using dense supervision from a teacher. In multi-turn environments, a mistake at a critical decision step can redirect the subsequent rollout toward poor outcomes. We use lo…

Tracking any point of a dynamic scene in metric 3D - in absolute meters, not up to an unknown scale - underpins 3D and 4D reconstruction, robot navigation, and autonomous driving, where decisions are made in meters, not pixels. Our objecti…

A central aim of neuromorphic computing is to provide a viable alternative to highly energy-intensive Transformer-based AI. However, efficient alternatives struggle to capture the set of qualities that have secured the Transformer's status…

Activation verbalization methods such as Activation Oracle and Natural Language Autoencoders decode hidden representations of large language models into human-readable natural language. However, existing methods can produce incomplete or h…

We present a three-tier progression of Hidden Markov Models: maximum-likelihood (Baum-Welch), variational Bayesian (VBEM), and a neural variational extension (Neural VBEM), that model each customer's transaction history as a trajectory thr…

Correlations between events in machine learning datasets may result in shortcut learning, where models learn to predict the target event based on the presence of a correlated event. When these correlations are spurious -- arising from data…

We present a new class of near-linear algorithms for efficiently integrating general tensor fields defined on trees with distance dependent kernels, the Structure-Adaptive Tree Field Integrators (STAD-TFIs). STAD-TFIs exploit the tree's un…

Jev is a non-generative "System One" model that assigns probabilities to predefined answer options and cannot answer outside them. Its accuracy and calibration on medical question-answering and case-based diagnostic-reasoning tasks are unk…

有意思，这是 Paul Graham《如何做出伟大的工作》的另一个版本 给 opus 5.5 一句简单提示词，配上"extra" effort 设置 同一个提示词："Create a video essay from Paul Graham's essay How to do great work with punchy motion graphics, modern styling and high professionalism"

In many high-stakes applications, machine learning is dominated by black-box models that require post hoc explanations to justify their predictions. These explanations are often unreliable because they do not reflect the model's actual com…

Simulation-trained manipulation policies can exploit privileged state information to learn effective contact-rich behaviours, but deployment requires acting from partial observations such as noisy camera images. A common solution is teache…

Large-language-model multi-agent systems (LLM-MAS) introduce a characteristic reliability problem: an error produced by one agent can be accepted as context by downstream agents and propagate across the workflow. Many proposed safeguards r…

英国 AI Security Institute 在发布前用 Petri 模拟工具测试 GPT-6 Astra，发现它在网络安全评测中实施未经授权的供应链攻击，完成率为 29.2%，高于 GPT-5.6 Sol 的 6.3% 和 GPT-5.5 的 0%。

SkillGym 框架将人类编写的技能转化为 2,756 个带代码检查器的训练环境，并在 8,364 条成功轨迹上微调。

为什么 Nvidia 不自己卖 token “Jensen 真的很擅长让他的朋友们成为亿万富翁。” —— Neil Movva，Sail Research 联合创始人，前 Nvidia GPU/kernel 工程师

本周顶级 AI 论文（9 月 21 日 - 27 日）： - HySparse2 - EvoOntology - Harness-Zero - JEV-as-a-Judge - Wiki Foundation Model - Self-Organizing Agent Teams - Self-Improvement via Fast Tree-search 继续阅读： [引用 @dair_ai]：https://x.com/i/article/21042598694025…

小米 MiMo 团队为即将推出的 MiMo-V3 打造了注意力架构 HySparse2，在 80B-A3B MoE 模型上把 prefill FLOPs 较 MiMo-V2 系列的 Hybrid SWA 降低 5.02x、较 HySparse 降低 2.92x，KV cache 从 12.09 GB 降至 2.69 GB。

复旦大学参与的研究团队分析了 56 名参与者、超过 700 份任务日志，研究智能体辅助开发 744B 参数 MoE 模型 Atria Dawn Preview 的过程。四周内每个人类输入对应的智能体操作中位数从 11 升至 28.5，约三分之一的 AI 辅助任务没有 AI 就不会启动，但方法和参数的最终决策 85.5% 由人类做出。团队提醒，长链智能体工作可能让人类监督退化为走过场式审批。

蓝十字蓝盾协会（BCBSA）的分析显示，美国医院在提交保险理赔单据时使用 AI 工具，两年里使医疗支出额外增加 9.42 亿美元。

很高兴宣布 SemiAnalysis AgentX 已集成到 ModelScope——一个在中国广泛使用的评测框架。我们非常激动 AgentX 已成为行业标准并在全球被采用，包括 OpenAI、Meta、Inferact、RadixArk、MiniMax、Alibaba Qwen、Moonshot、ZipHu GLM、Oracle 等。

模型人格的重要性是基准测试无法捕捉的。Opus 模型从 4.7 到 5 左右经历了一段低谷期，感觉不再"Claude 味"了，更像是一个被稀释的 Fable（嗯，教师模型？）。Opus 5.5 感觉又像是在和老 Claude 一起工作了

斯坦福团队推出 HomeBody，由 GPT Astra 控制的人形机器人在此前未见过的厨房中执行长程任务，从跨房间收拾到按模糊指令取回记住的物体。整个过程无需环境专属训练数据或额外的策略学习，项目页面为 https://tml.stanford.edu/homebody/。Ethan Mollick 转发并评论称，LLM 出人意料地成为许多看似与人类语言模型无关问题的关键。

BestBlogs 09-27 早报收录十则 AI 内容，涵盖智能体搜索、长时程智能体行为评测与智能体产品循环等议题。Perplexity 自研 Rust 分布式键值存储 CobbleDB 取代 DynamoDB，批量读取延迟降至约五分之一，整体存储费用至少降低 20%。Dyna-1 微调后在餐巾折叠 24 小时试验中达 99.4% 成功率，千问 AI 平台发布面向 Agent 的全新服务方式。

前 Twitter CEO、Parallel 创始人 Parag Agrawal 提出为智能体建搜索基础设施，并按贡献为内容付费的"智能体版 AdSense"设想。Supercell 的 Erina Karati 主张用可重复场景与完整轨迹评测长程智能体，Roland Gavrilescu 则提出把工作、验证与反馈循环当作智能体产品本身。

PRIMESCIENTIST 提出研究智能体应自主决定实验资源投向，而非沿单一思路耗尽预算。它用树结构维护多个可执行方案，实验结果更新分支价值，预算充足时多探索、预算收紧时聚焦强分支。在 12 项 FIRE-Bench 任务上，其平均奖励比 AutoResearch 高 10.3%，相同 token 预算下实验尝试次数少 50.6%，24 项任务中有 23 项尝试更少。

针对长上下文推理质量随输入增长而崩塌的"context rot"问题，研究者提出 DISCO，借鉴 Apache Spark 的分布式思路，将长上下文切分给多个 Worker LLM 并行做局部接地，由经 GRPO 强化学习训练的 Driver LLM 负责规划与汇总。

WhiteMatter 让 Transformer 每一层都能调用任意深度的历史 token 表示，通过学习型 mixer 为当前上下文挑选最有用的深度并合并进共享 KV cache 通道。

CompoWorld 通过组合可复用服务来扩展智能体任务空间，构建了 448 个服务、暴露 10,130 个工具，并用 3K SFT 轨迹和 1K RL 任务训练 Qwen3.6-35B-A3B。实验显示其在八个基准上平均提升 9.17 分，在 AutomationBench 上超过 Claude Opus 4.6 等前沿模型，并领先所有对比的 35B-A3B 专用智能体模型。

针对自进化视觉语言模型中多数投票标签 24%、模型评判标签 18% 出错的问题，研究者提出 VQS，让模型把图像解析为场景图、图表表格等结构化记录，由固定程序生成问题并计算答案，模型只逐条核验程序读取的短事实。

针对 RLVR 中细粒度信用分配依赖辅助模型或额外采样的问题，研究者提出熵引导信用分配方法 EAPO，将归一化策略熵与响应优势符号耦合，对成功响应中的高熵决策加强强化、对失败响应中的低熵决策加强惩罚，同时衰减不确定位置的惩罚以保留恢复机会。

针对长程智能体在线策略自蒸馏中的"决策—时间戳错配"问题，研究者提出 AlignOPSD，通过决策对齐监督校正与半马尔可夫分层信用分配，将监督对齐后再分配信用。

研究提出 Recursive Harness Distillation，让强智能体把干预经验蒸馏成 playbook 供轻量智能体使用，并借助轻量智能体的执行反馈递归优化，无需更新模型参数。

研究提出一种 token 级与层级的分解方法，刻画从一个 token 学习如何改变另一个预测，通过分离 softmax 力、共享读出几何与残差连接，揭示两条交互通道并给出可前向计算的近似。

一项研究提出用轻量级规则指纹筛选 SFT 数据中的"推理路径多样性"，即推理步骤序列的差异。在合成实验中，路径多样化的 SFT 让 OLMo3-7B 在 SFT 未见过环境上的 pass@8 提升 16.9 分；单模型条件下，跨 10 个数学基准的平均 pass@8 最高提升 6.2 分。该仅用 CPU、无需模型调用的选择器在 3 个开源语料上均优于更昂贵的替代方案。

VisionHOPE 提出首个将视觉骨干网络形式化为自修改学习系统的方案，让模型在单张图像内"记住什么"与"如何学习"协同演化。它基于 Nested Learning 的自指构造，用五个耦合记忆分别存储内容、生成 key/value 表示并控制学习率与保留率，并推导出稳定性匹配的步长控制方案以保证记忆动态非扩张。