AI 论文与研究

Predicting smooth dynamics and collisions requires modeling continuous evolution and abrupt state changes. We introduce HamiFormer, a dual-expert diffusion field combining whole-window denoising with residual-corrected Hamiltonian propagat…

Ultrasound (US) acquisition depends on the operator's ability to interpret anatomy and anticipate how the view will change with probe motion. Many robotic US navigation methods select actions without explicitly predicting these anatomical …

Radiomap blind prediction aims to infer radiomaps from observable representations of the propagation environment and base station configuration without field measurements. In practice, the observable representations are inherently incomple…

As AI agents are becoming widely adopted in the financial services industry, careful measurement is essential to understand where they can be reliably deployed and where oversight and professional review remain necessary. Such measurement,…

A trained neural network can be represented by a parameter vector in high dimensions. Learning distributions over these vectors enables the generation of new models across various tasks and architectures. A central challenge is permutation…

Over-the-air computation has emerged as a scalable and efficient solution for deploying federated learning algorithms in wireless networks by exploiting waveform superposition for simultaneous model aggregation. Most existing work struggle…

Unified multimodal models combine understanding, generation, and editing within a single network, offering a promising foundation for versatile multimodal applications. However, growing multimodal contexts make KV cache storage and access …

Flow critics learn return distributions by transporting Gaussian noise to Bellman endpoints via continuous velocity fields. While velocity bootstrapping stabilizes training by querying a successor teacher, existing methods face a structura…

Several works have explored multi-agent reinforcement learning (MARL) in LLM collaboration. However, constructing reliable rewards is difficult in practice, as complete and accurate metrics are often unavailable and hard to aggregate. Pref…

A four-stage LLM pipeline gives up as much as 40.5 accuracy points at its own interfaces (gemma-3-12B on MATH-500, Holm-corrected p = 1.66e-19; the largest tax in the primary family). We hold model, problem, stages, stage prompts and compl…

Model merging efficiently combines specialized large language models (LLMs) without joint retraining, but can substantially alter expert routing in Mixture-of-Experts (MoE) models. Such \emph{routing drift} is often interpreted as routing …

This paper studies learning of shuffle ideals with membership queries as well as with contrastive queries---a form of membership query that reveals not only whether a selected word $w$ is in the target language or not, but also provides a …

Raising the update-to-data (UTD) ratio breaks off-policy critics in two ways grouped as "plasticity loss": collapsing representations and growing value magnitude $|Q|$. We separate them in Soft Actor-Critic (SAC) with scaled critics (width…

Fine-tuning a language model on new data can make it forget facts that it should keep. We ask whether measurements taken at the start of a fine-tuning run can bound, for each protected fact, the probability that the run makes the model for…

Clinical Large Language Models (LLMs) achieve strong medical-exam accuracy; however, a correct answer does not guarantee that the explanation names the concepts that actually drove the decision. We introduce three lightweight, directly int…

一项覆盖3132名参与者、共五个实验的研究发现，仅当AI建议可用时，人们放弃回答的比例从36-44%骤降至3-6%。由于所用模型Step 3.5 Flash对所测试的电影视觉细节问题几乎全错，参与者正确率反而从27.5%降至9.2%；财务激励能减少求助AI并略提升弃答比例，但未能扭转效应，即使AI答案自动展示时弃答率也降至1-7%。

开源 RL 环境就是赢。当然是在 Hugging Face 上！ 引用 @HarveenChadha：本来想安静过个周末，结果小米昨晚放出了他们的 RL 环境仓库。对比一下，这类任务如果去买，通常每个要几百到上千美元，所以这个仓库简直价值数百万。https://huggingface.co/datasets/XiaomiMiMo/MiMo-V2.6-RL-oss

小米官方复盘 MiMo-V2.6 发布后的工具调用重复问题，响应级重复率超 0.05%，并区分了正常并行调用、调用泛滥与调用重复。回放 RL 各 checkpoint 显示泛滥率随训练从 11.1% 升至 24.6%，32 次调用阈值惩罚过于宽松；直接调低阈值需重启 20 步 MixRL，估计成本 231 万美元，且内部测试重复率仅从 13.45% 降至 3.83%。

Anthropic 宣布 Claude 在 Claude Science 系统中仅凭一条提示词、无人监督连续运行数天，算出平面 N=4 超杨-米尔斯理论六粒子振幅的九圈结果，超越 Lance Dixon 团队 2023 年的八圈纪录，总成本几千美元，其中直接自举路线的 Python 运行成本仅约 100 美元。

斯坦福大学 Safavi-Naeini 团队首次实时观测到单个声子消失的量子跃迁过程，论文于 9 月 17 日发表于《科学》。团队将寿命约 2 毫秒的微型机械谐振器与超导量子比特连接，通过数百次连续测量捕捉到从 1 到 0 的跃迁瞬间。

Lasso Security 的 Andrea Siposova 发文分析 Anthropic 为 Claude 引入的基于 Google DeepMind SynthID-Text 的水印如何影响模型行为，提出采样漂移（sampling drift）概念。

Salesforce AI Research 提出 Just-in-Time Memory，主张存储原始轨迹、在下一个任务到来时再决定提取什么，而非每次运行结束就总结。

Nvidia 研究人员提出 SoL-Pi 系统，用研究 agent 自动优化编码 agent 的控制层（harness），在 EdgeBench 上相比 Codex 节省 50%、相比 Claude Code 节省 54.3% 的 token，性能与原 Pi harness 大致持平。

Epoch AI 的家具组装基准测试 FAB 显示，OpenAI GPT-6 Astra 以 80% 准确率居首，Anthropic Claude Fable 5.1 和 Claude Opus 5 分别为 70% 和 61%。

OpenAI 的 GPT-6 Astra 在 Epoch AI 的 Furniture Assembly Benchmark（FAB）上以每张照片三分钟的速度达到 80% 准确率，识别 IKEA 家具组装照片中的错误。

马东锡NLP（@dongxi_nlp）参加了延迟两年的博士毕业典礼，他于2018年开始学习NLP，2024年博士毕业，完整经历了从BERT到LLM Agent的数次范式变化。他感慨在Vibe Research时代之前完成PhD很幸运，手写代码、琢磨段落、人工画图的经历是一生财富，见证了从狭窄计算语言学诞生全民AI时代。

一篇递归自我改进（RSI）路线图论文指出，我们已看到 RSI 的零散雏形，但完整的递归自我改进尚未到来，多数所谓"自我改进 AI"只自动化了改进流程的部分环节。论文将进展划分为 5 个层级，从执行人类设计的改进到改变改进器、评估器或研究策略；低层级证据广泛，端到端 L5 证据仍局限于有界原型。

Artificial Analysis 回顾两年前 OpenAI 以 o1-preview 推动智能前沿，这是首个推理模型，如今所有前沿模型都用推理 token 先"思考"再作答。两年前 Intelligence Index v1 仅含 MMLU、GPQA、MATH、HumanEval 四项单轮考试式评测，如今 v4.3 已纳入 10 项高难度评测，涵盖长程智能体任务、高难编程与知识工作。

GAGAR 是一个面向代码智能体强化学习的质量感知信用重分配框架，通过 SFT 训练的智能体评分器在同一工作区内联合检查并排序通过测试的轨迹，对低排名轨迹降权并按比例重缩放优势值以保持总和不变。

SkillDRE 是一个全自动框架，通过执行前扫描与运行时防御反馈的双阶段闭环，演化完整的恶意 Agent 技能包。在 SkillsBench 上对四个受害模型评测，平均攻击成功率达 45.28%，超过最强基线 40.3%，且最终提交的技能未触发任何 SkillScan 告警，并基本保留良性任务性能。结果表明，两阶段防御反馈可作为自适应红队的有效学习信号，单独评估任一防御阶段都会遗漏攻击能力。

LANTERN 通过预训练模型激活上的分类器对候选关系排序，结合分阶段过滤、假设生成、可执行验证与分析检查，在 OEIS 的 1 万条高频序列的 5000 万对关系中产出 62 条已验证关联，其中 13 条值得展示、9 条具信息量或洞察力，4 条在 OEIS 与定向文献检索中均未出现。整个流程含分类器训练、候选排序、过滤与验证耗时不到 8 小时。

针对 DeepSeekMoE、OLMoE 和 Qwen3-MoE 的研究发现，MoE 模型合并后大部分专家重分配源于输入偏移而非同层参数变化，源路由差异难以预测恢复源路由带来的下一 token 似然增益。

RoboFoundry 提出“自演化系统即策略”的具身智能体框架，将执行轨迹转化为经验证的任务级系统更新，并沉淀为通用系统能力。在 EmbodiedBench 上，它把 GPT-5.5 提升 27.8%，并让 Qwen3.7-Plus 达到 70.3%、接近 GPT-5.5 的 72.7%。

VoxPolyMem 是一个面向多说话人语音对话的交互感知多模态记忆框架，结合增量说话人识别与交互记忆、事实记忆、参与者画像三层记忆结构，并在 VoxPolyBench 上取得 85.0 总分，超出最强基线 23.6 分。

研究揭示同策略蒸馏（OPD）在弱到强、同基座、强到弱教师-学生设置中的缩放规律：早期训练中，留出准确率（gold score）随学生初始化 token 级反向 KL 散度平方根近似线性上升，形成"有效迁移"区间。

研究提出残差可迁移性（RT）指标，量化神经图像水印证据在跨图像迁移后的可解码程度，发现架构设计而非训练侧变化是 RT 差异的主因，并识别出两种强化水印证据对载体图像依赖的机制。针对难以重新设计架构的现有水印系统，作者提出即插即用策略 CoverLock，在高 RT 水印系统上实现了优于传统手工防御和基于学习分类器防御的安全—鲁棒性权衡。

ExpVoyager 将 LLM 智能体的技能合成重构为对历史经验的动态导航问题，由 skill curator 按当前任务需求在不同视图与分辨率下探索原始轨迹，边识别可复用过程知识边追踪剩余知识需求以决定下一步导航方向。实验显示其在下游任务性能上持续提升，经验空间扩大时收益持续增长，并能在高效经验访问下与现有技能兼容。

研究者推出 CUA-SWE，一个面向"计算机使用+软件工程"的 benchmark、环境与评测流水线，覆盖四个软件工程领域，要求智能体在同一任务内改代码与配置、执行命令、操作运行中的软件并查看视觉反馈。每个任务配有确定性的专属测试，用于验证改动后的软件是否满足需求并保持既定行为。该工作评估前沿智能体如何结合源码级执行与应用截图、图形交互，产出经过验证的软件变更。

研究者推出 DepthBench，一个在固定模型规模与预训练配方下系统改变宽深比（d_model/n_layer）的受控基准，用于衡量架构深度能否转化为有效计算深度。

AdaTutoRank 是一种集合级重排序器，采用自适应辅导优化（ATO）训练，在九项评分维度、三级层次结构下为冷启动提供银标签、为强化学习提供奖励、为蒸馏提供提示。