AI 论文与研究

We study nonconvex methods for matrix completion, the problem of recovering a low-rank matrix from a subset of its entries. Convex methods achieve sample complexity linear in the matrix dimension and the rank, up to logarithmic factors, wh…

前谷歌 DeepMind 主任工程师、Gemini 大模型核心研发成员 Qiyin Wu 已正式加入百度，负责大模型预训练相关工作，入职后在美国办公。她在谷歌职级为 L6-L7，曾是 Gemini 2.5 系列官方技术报告的核心作者与共同贡献者。

Sakana AI 提出 PC-ALM（增强拉格朗日预测编码），用逐层局部动力学替代反向传播，成功训练出 1000 层残差 MLP，性能接近反向传播。该方法为每层引入对偶神经元（拉格朗日乘子），使各层局部递归成为 PI 反馈控制器，并克服了标准预测编码的信号衰减问题。论文与代码已发布在 arXiv 和 GitHub。

做 benchmark 不能因其他模型都用 max 就给 DeepSeek 单独用 high 测，评论则认为应该用 high 测。reasoning_effort 被指是厂商营销手段，把算力与精度权衡及计费风险转移给用户，宣称 benchmark 全用 max 跑、甜区在 high，导致有人误以为 high 最好。

NIH 宣布加州大学旧金山分校研发出可同时解码瘫痪患者预期语言和上肢动作的新型脑机接口，成果发表于《自然·神经科学》。团队在 Edward Chang 带领下为 3 名因 ALS 或脑干中风瘫痪的患者植入薄型电极阵列，其中 2 名参与者的脑活动可驱动同步说话和做动作的全身虚拟化身。

评测出乎意料地全面！ 【引用 @ai】：AI 个人助手太多了，没时间一一评估。这项工作做得不错：https://assistantbenchmark.com

IBM Research 在 arXiv 发表论文，证明存在功能性与分布性两类计算问题，浅层量子电路相对 LLM 具有可证明的优势。研究针对 GPT、Claude、Llama 等使用的 decoder-only transformer 架构，证明迭代索引函数需大量计算资源才能求解，而近恒定深度量子电路加单个经典 AND 门即可解决，且该深度无法进一步优化。

Preferred Networks 的「タレスカAI面接」在冲绳蜂窝电话（沖縄セルラー電話）的实习选拔中，确认能够可视化「书面材料无法呈现的潜力」。该结果来自 PFN 官网公布的采用案例，正文未披露具体评测指标或选拔规模。

VoiceArena 发布 Jarvis Bench v0.5，将语音智能体评测拆分为任务完成度与自然度两项，由真人实时对话、另一组人类盲测成对投票，榜单中还包含一个人类"智能体"。结果显示任务完成度上人类与模型差距较小，自然度上差距明显。

🇹🇷🎙️ Kahya-TTS 已上线--这是用约 100 小时自然土耳其语语音数据微调 VoxCPM2 的一个绝佳示例。感谢将其开源给所有人！祝贺 @AlicanKiraz0 【引用 @AlicanKiraz0】：朋友们，Kahya-TTS 上线了 🎉 我用近 100 小时的土耳其语文本-语音合成自然土耳其语语音数据集，对 @OpenBMB 的出色模型 VoxCPM2 进行了微调，在土耳其语专项上取得了改进。希望我的贡献对社区有帮助。祝使用愉快 ❤️

论文介绍 Emergence World，一个持续运行的多智能体环境，用于对长程自主系统做对抗性压力测试。8个平行世界、每个10个Agent在16天内产生超过850，000次LLM调用、近500亿token；随后通过间接提示词注入、错误信息和私密记忆泄露三种受控压力事件测试，没有任何世界全部抵御。

LimiX-2 是 LimiX 家族新模型，采用上下文机制网络（CMN）范式，并以 Context-Conditional Masked Modeling（CCMM）预训练，将上下文学习从目标中心预测转向机制导向的联合建模。在 TabArena、TALENT 和 BCCO 评测中，LimiX-2 优于当前数据集专用模型和表格基础模型。其特征注意力还能编码直接因果关系，可准确恢复因果骨架。

研究者提出 ModAR，首个在预测动作前对多种未来模态进行自回归去噪的世界-动作模型（WAM），使每次预测都能以先前生成的模态为条件。实验显示，预测点轨迹、DINO 特征和深度图对 WAM 有益，而额外预测未来 RGB 并未带来一致收益。ModAR 在各数据规模下平均成功率最高，在三个真实双臂任务上超越基线，并以约 20 倍更少的训练 FLOPs、无需预训练取得 75% 对 72% 的平均成功率。

一篇综述将基础模型时代的游戏 AI 研究按输出用途划分为六类角色：游玩与行动、玩家与游戏建模、游戏设计、构建与维护、运行时生成与适配、测试与评估。综述指出，轨迹可训练世界模型、学习环境为智能体提供经验、设计规格驱动可执行实现、游玩与测试反馈指导迭代，但控制方案、规则、引擎接口、状态表示与玩家语境仍高度依赖具体场景。

研究者提出 XConf（eXperiential Confidence），把置信度估计与模型积累的历史经验结合：Recall 阶段检索相似任务且置信度相近的过往片段并读取其历史成功率，Reflect 阶段让模型指出反复出现的失败模式并重新给出置信度。

EvolveTrade 是一个自进化框架，把工具调用型交易智能体的系统提示词当作文本参数化策略，由 Policy Agent 依据累积决策轨迹和实际组合反馈定期修订策略，同时保持底层 LLM 不变。

Fathom 是一种按查询决定每个 key 通道读取位数的稀疏解码扫描方法，将 4-bit K cache 按通道主序存为 bit plane，查询通过反向注水分配位预算。

FLAT 是一个联合优化共享多模态编码器与 T2I、I2T 解码器的表示预训练框架，将视觉与文本输入映射到统一的连续 1D 序列空间，并通过 prefix-K token 上的嵌套 dropout 支持动态输出长度。

EvoSkill-GUI 是一个免训练框架，通过"反思-修订-复用"循环让 GUI 智能体在部署时根据执行反馈修订技能，而非依赖部署前生成的静态技能。技能以结构化多文件包形式组织，包含检索元数据、可执行计划、备份定位、失败恢复规则、无障碍工具和失败案例。

研究团队推出 RiskChainBench，将 600 个来源会话生成的 3，600 条合成 token 文本还原输入与 600 个对应的人工标注本地网页环境配对，分别评测消息还原与正确路由后的网页调查。

EventEgoHands++ 提出一种第一视角事件相机 3D 手部网格重建框架，通过 Hand Detector 估计左右手的实例级边界框与掩码，并用 Adaptive Attention 根据检测结果动态门控注意力，建模双手空间关系与交互。作者还构建了 EEH-R，称其为目前最大的真实事件第一视角手部数据集，含约 1M 标注帧，覆盖低光环境。在合成与真实数据集上，该方法一致优于基线。

PhysStream 是一个自回归的图像到视频生成模型，通过从已生成帧在线提取的位置图与目标跟踪图构成结构化场景记忆，并用稀疏速度增量信号实现细粒度运动控制。它采用两阶段训练：先微调双向模型加入运动控制条件，再训练因果自回归模型并加入场景记忆。在合成基准上，其运动分布距离（FVMD）比最强基线降低 33%、轨迹误差降低 12%，在超过 85% 的真实场景对比中被人类评估者偏好。

研究团队发布交互式科研工作台 ScienceBuddy，其核心是递归嵌套式自我改进范式，将 harness 进化与模型强化学习耦合：内层在模型固定时改进 harness，外层在改进后的 harness 下训练模型。该工作台把研究者的请求、反馈与执行证据转化为持续学习的任务和评估标准，基准案例覆盖四类科学任务。ScienceBuddy 已作为研究产品开放给科学社区。

研究者提出 ImpossibleRubrics 基准，包含 169 个不可能任务（覆盖六类不可能性）和 48 个可回答对照任务，每个任务配有可验证的 oracle certificate，用于检验下游生成的评分标准是否会奖励违反证书的答案。

研究者提出多智能体模拟框架 Fuse，用于评测 LLM 助手在用户转述场景下的社会推理能力，通过隐藏动机的目标智能体与用户智能体交互构造可验证的 ground truth，并用 24k 条标注的人类研究验证模拟保真度。该框架测试了 12 个 LLM，发现用户转述会加剧社会推理难度、模型对用户偏见框架存在系统性敏感、且更长对话并不总能提升表现。Fuse 与含 21k 样本的数据集已开源。

根据我们的民调结果，越来越多美国成年人几乎每天都在使用 AI。 2026 年 3 月至 8 月期间，报告过去一周至少 6 天使用 AI 的美国成年人占比翻了一倍多，从 8% 升至 19%。 同一时期，报告过去一周仅 1 天使用 AI 的美国成年人占比从 17% 降至 10%。

Chain-of-thought (CoT) monitoring is a safety strategy where the reasoning of a large language model "actor" is inspected by a "monitor" (often another language model) for signs of unsafe planning, deception, or misalignment. We find that …

如果公司必须对训练模型所用的数据集 100% 透明，很多对齐问题都会迎刃而解。 基座模型不允许使用网络攻击或生物（标准医学数据除外）数据 微调版本使用此类数据时，需向评估人员展示并接受监控

Reinforcement learning with verifiable rewards (RLVR) improves the reasoning capabilities of large language models (LLMs). We introduce Bellman Policy Optimization (BPO), a critic-free method derived from Policy Mirror Descent (PMD). For a…

Language models can produce plausible short proofs, but may still be unreliable on long-horizon research problems, where progress depends on a sequence of uncertain and interdependent decisions. We introduce Stellar Colosseum, a model-agno…

Skills extend an LLM agent beyond its parametric knowledge, and the gain they promise rests on picking the right one. Deployed harnesses route by preloading every skill's metadata into the context, which disperses the agent's attention and…

When a video model generates physically incorrect motion, did it fail to learn the correct motion, or did it learn it but fail to use it? We show the latter: the correct motion remains available inside the model and can still be made to co…

Transformer representations evolve through learned additive transformations that either preserve their current direction or redirect it. We study this evolution as a functional geometry, decomposing learned updates into parallel and perpen…

Foundation models have progressed from learning and reasoning over existing knowledge, to increasingly learning through action, tool use, and outcome feedback. We argue that the next frontier is a further transition: from solving and actin…

As language models become more capable, long-term collaboration in learning, reasoning, and decision-making calls for a deeper understanding of the people they serve. Yet training such human-aware language models faces a fundamental superv…

Large language models (LLMs) have been widely adopted for clinical question answering (QA). Current systems can attach citations to their answers, but these often point to broad texts, leaving time-pressed clinicians unable to verify them …

Record-level differential privacy exposes a structural misalignment in personalized federated learning when client-specific variation is low-dimensional while training repeatedly releases high-dimensional updates. In this paper, we address…

Language-model agents increasingly operate over complete software repositories, yet cybersecurity evaluations primarily measure whether they can detect, reproduce, or repair vulnerabilities rather than whether they can locate the relevant …

Scientific agents contribute to hypothesis discovery by synthesizing evidence, assessing proposals, and developing new explanations. Recent systems combine scientific agents with evolutionary search through critique, comparison, and revisi…