AI 论文与研究

When2Think 是一个混合推理后训练框架，通过实例级难度感知控制（IDAC）按题目难度动态分配计算量，让模型在简单题上直接作答、难题上保留长推理。在 AIME24 上 Pass@3 相对基座模型提升 10.0%、token 用量减少 27.9%；在 AIME25 上达到 40.0% Pass@3，优于压缩与纯路由基线。

FAMOS 是一个前馈模型，可从稀疏、无序的部分点云集合中预测可动部件分割与关节参数，并支持包括单视图在内的可变数量输入。它提出 Multi-state Articulation Transformer，通过交替的状态级与全局注意力聚合跨观测的关节线索，并引入 observed articulation span 目标监督各部件在输入观测中的运动范围。

论文提出 JEPA-Anything，一个基于正交预测分解（OPF）的领域无关世界建模框架，覆盖视觉、生物、临床轨迹、控制、分子动力学、物理场和天气七个领域。

DeformSmith 能从文本或单张图像自动生成可用于机器人操作的物理可信可变形资产，通过分层智能体构建与共享物理测试框架，逐步生成、测试并优化几何、物理模型、材质行为和机器人交互。其视觉质量与物理合理性优于 PhysGen3D、PhysGM 和 PhysX-Omni 等基线，并支持合成可变形物体操作数据。

研究提出以保留约束为标准的评估协议，用于 Cellpose-SAM 在干细胞显微图像分割中的部署压缩。在 176 个分层视野上，仅权重量化 W8A16 在所有成像模态下保持实例 F1，敏感性引导的混合 W4/W8 方案实现 6.76 倍权重存储压缩且 0/176 视野出现灾难性失败。三值权重量化虽达 12.08 倍压缩，却在 169/176 视野上灾难性失败。

TeleAntiFraud 2.0 是一个可刷新、基于画像的音频电信诈骗检测基准，采用 Mixed-Tree Anti-Fraud Generation Pipeline 构建，并按月度冻结评测协议发布。

研究构建了 AMPLE-Math 套件，包含 5，319 道数学题和六种共享同一答案的推理视图，用于分离特权信息在 on-policy 自蒸馏（OPSD）中的独立贡献。

研究者提出 SELF-INDEX，一个无需人工干预即可让检索索引自我演化的框架，其 Optimizer 能自主诊断检索缺陷、选择性修改相关索引键并在更新前验证每次修改。该框架还通过 Query Simulator 主动探索额外检索需求，在多种语料和检索器上持续提升检索性能，优于现有索引优化方法，并改善搜索智能体的效果与效率及智能体记忆系统的历史交互检索。

Paint-Anything 提出共享 hex 提示词接口，通过对象级颜色监督统一图像生成与编辑的任意颜色控制。团队构建了 Paint-500K 数据集与 ACBench 基准（含 ACBench-T2I 和 ACBench-Edit），在 FLUX.2-4B 上两项得分分别较基座模型提升 85.3% 和 28.3%，并在对比方法中取得最高平均 CompColor 分数。

研究者发布 VākQA，一个泰卢固语口语问答基准，包含 2，001 条事实型问答对、覆盖六个领域、2.53 小时语音音频及双语转写和人工核验参考答案。研究先用人工评分验证评测方法，发现 Gemini-as-a-judge 最接近人类评分但严格程度不均，开源权重评审模型则会系统性惩罚表面形式与参考答案不同的正确泰卢固语答案。

研究者提出一种训练自适应卷积稀疏编码框架，用 FISTA 展开 CSC 优化，将稀疏系数作为可微变量与网络参数联合学习，并从信息瓶颈视角解释其控制信息保留与压缩的权衡。该方法还引入无需标签的后训练策略，在主网络参数固定时调整受损输入的压缩强度。在 CIFAR 和 ImageNet 上，该方法在干净数据识别上表现有竞争力，并在多种输入扰动下大幅提升鲁棒性。

研究团队提出 UFO，首个面向多模态图像生成全条件对齐的同步评估框架，通过将全条件对齐拆解为细粒度、解耦的原子评估单元（AEU）链并分类调用通用或专用功能完成验证。实验显示 UFO 与人类评估偏好的相关性最高，平均提升 15.25%。团队同时发布 UFO-Bench，用于在文本与视觉条件多样交互下整体评估现有定制化模型。

RefineEdit 是一个无需训练的 Prompt-to-Prompt 图像编辑框架，基于生成式细化网络，通过对二值图像码的全局细化将编辑定位与内容生成耦合。在 PIE-Bench 九类编辑任务上，它取得最优的 PSNR、LPIPS、MSE、SSIM 背景保持分数以及最高的整图与编辑区域 CLIP 分数。

WeVisDoc 是一个两阶段数据中心化端到端文档解析框架：Stage I 通过异构数据与结构保持退化合成扩展语义、结构和外观覆盖，Stage II 用留出探针在固定视觉-结构聚类中定位残余错误，指导定向数据构建与目标 token 预算再分配。

研究以 Llama 3.1 8B 为基础，先用 ICLR 2018-2023 官方评审微调审稿模型，再用 ICLR 2024 数据混合官方与模型生成评审训练四个后继模型，发现引入合成评审会压缩评分分布并降低同论文与语料级语义多样性，作者称之为"科学判断坍缩"。

Vision-RL2 用区域级强化学习优化 MLLM 的候选区域网络，以冻结的 MLLM 阅读器按区域移除后答案似然的变化打分，无需区域标注、响应采样或推理轨迹。在六个细粒度基准和四个 MLLM 主干上，该方法在每个 token 预算下都优于基座模型，并以约 4 倍更少的视觉 token 超过其最大预算精度。

VA-Bench 发布，用于评测 MLLM 的完整"观察-推理-行动-修正"闭环，模型仅凭 RGB 演示学习流程并主动选择相机视角、发出笛卡尔度量指令。基准含 14 个基础任务族、7 个留出几何/布局变体和五物体长程组合赛道，最佳模型三次运行宏平均任务成功率仅 53.93±3.17%。

RetireOPD 提出自适应退役机制的同策略蒸馏方法：先用环境奖励训练技能条件教师，再让无技能学生联合 RL 与 OPD 训练，当师生差距不再缩小且学生达到教师成功率目标比例时自动弃用教师、仅用 RL 继续训练。

Video DeltaNet（VDN）将局部 Softmax 注意力与双向线性记忆结合，其线性分支 Video Delta Attention（VDA）按帧更新记忆并联合建模空间 token，用于长程视频上下文。

研究者提出 Movement Trend Guidance，让 3D 扩散策略从短观测历史中学习交互演化的紧凑隐表示，训练时用稀疏未来夹爪状态监督，推理时仅保留该隐表示作为面向未来的条件，且只在 UNet 瓶颈处加一个门控 FiLM 分支。

SoL-Pi 通过递归扩展自动研究循环，在 51 项任务的 EdgeBench 上达到与 Pi 相当的性能，同时将 token 流量减少 44.7-49.0%、API 成本降低约三分之一。该 harness 由动作执行、上下文压缩、观测处理和委托阅读四项机制组成，相对原生 Codex 与 Claude Code 每小时可节省 8.75-13.50 美元，相对 Pi 节省 4.36-5.71 美元。

Apple 研究团队发布 REVERSAL-BENCH，通过连续参数 ρ∈【0，1】 控制环境可逆性，并提供重置预言机在五种物理引擎的八种操作任务中验证状态可恢复性。评测显示，随着 ρ 升高，无重置智能体被持续吸收进不可恢复状态，而分幕式智能体保持稳定学习，形成明显的"可逆性悬崖"。团队同时开源基准套件、带可恢复性标注的多模拟器数据集与重置预言机，并验证了在不可逆失败前介入的安全护盾。

Intel 研究人员提出 BITCOS，一种由存在位图加压缩符号向量组成的三元权重布局，按零密度 z 计每权重仅需 2−z 比特。实测 29 个 SOTA 三元模型的零密度为 29.7%-51.5%，其中 26 个在 BITCOS 下比五 trit 打包存储更紧凑，最稀疏模型达 1.485 比特每权重。

AI 文档抽取的准确率瓶颈不在模型读取，而在 Schema 定义。同一份 180 页信贷协议中利率出现 6.25%、SOFR+350 基点、违约后 11% 三个可读数值，Schema 未说明取哪一个，三个抽取系统就会给出三个不同答案。

Stanford 团队（Jiacheng Miao、James Zou）的 Paper2Agent 于 2026 年 9 月 16 日发表在 Nature，可将论文及其代码库自动转换为 MCP 服务器，供 Claude Code 等 MCP 兼容智能体用自然语言调用论文方法。

耶鲁大学联合多所机构论文审计 6 个主流物理基准后发现，模型被误判的失败大多源于糟糕题目、错误参考答案和脆弱的评分器。在 4 个被审计基准子集的 250 个被拒案例中，仅 12 个是模型真实错误；GPT-5.6-Sol 经专家复评后 HLE-Physics 分数从 47.3% 升至 78.7%。

Adobe 研究者提出把每条评测用例的参考答案写成 Python 函数，评测时对实时系统运行，让期望答案随数据变化，上游 API 变更会直接导致测试失败。

Two dominant tokenisation algorithms are used by modern language models: byte-pair encoding (BPE) and UnigramLM. These differ along two orthogonal axes: their optimisation objective (compression vs. log-likelihood) and their search procedu…

Direct preference alignment methods are widely used to align large language models (LLMs) with human preferences because of their computational and memory efficiency. However, likelihood displacement motivates alternative ways to extract i…

Intelligent systems that act in the world require image understanding that is both comprehensive and spatially grounded. Current vision-language models (VLMs) can generate fluent and detailed image captions, but reliably associating them w…

Recent advances in video generation allow robots to learn manipulation trajectories from generated videos. However, these approaches produce purely kinematic trajectories that lack force information, causing failures in contact-rich tasks …

Can a logged dataset visit every hidden state frequently and still be exponentially uninformative about a target policy's value? We show that it can when the logger depends on history. For every horizon $H \ge 3$, we construct two POMDPs w…

Scientific code repositories encode decades of human knowledge in executable models, methods, and tools. Yet fragmented toolchains, implicit domain conventions, and specialized correctness criteria make this knowledge difficult to convert …

Language agents remain brittle in interactive environments, where success requires long-horizon state tracking, valid action execution, and recovery from failed steps. We extend SwiftSage, a dual-process agent that combines a fast action p…

Computer-use agents increasingly operate software designed for people, but interfaces often leave actions or task state unclear to machine readers. We present Affora, a design system that supports both readers while preserving visual freed…

Emergent coordinated behaviors of AI agents are starting to present critical safety risks. A key phenomenon driving these behaviors is the rapid formation and spread of beliefs about the world, and mechanistic understanding is crucial for …

GPT-6 Astra 领跑 Epoch Capabilities Index（ECI），领先 Claude Fable 5.1 等竞争模型，其 Math-ECI 也创下新纪录。不过在软件工程基准上，Fable 5.1 仍是 SOTA。

我们正在扩展 AI 数据中心研究，以提供更全面的全球 AI 基础设施图谱。我们的数据现已覆盖全球约 44% 的 AI 算力，且覆盖范围正在快速增长。

We evaluate six frontier language models on the two-agent $\log(N)$-Questions game. A questioner sees $N$ Wikipedia lead paragraphs and must identify a secretly chosen target using exactly $\log_2 N$ yes/no questions. An answerer sees only…

Scaling laws predict how loss decreases with increases in computation. We show, contrary to conventional wisdom, that architectural interventions can modify scaling exponents in pre-training, leading to exponential improvements in performa…