AI 论文与研究

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…

Recurrent GNNs iterate message passing to convergence, and their logical characterizations to date rely on multi-set aggregation, graded (counting) logics, and halting or acceptance conditions that cannot be verified from the network's par…

Microsoft 论文提出 environment-probing curation，在长期运行智能体把经验写入持久记忆前，由一个只读访问环境的独立记忆智能体校验其正确性和可复用性。

Artificial intelligence presents firms with an unusual timing problem. The technology frontier is improving rapidly, implementation is partly irreversible, and organization-specific capabilities are accumulated through action. This paper d…

Meta-reinforcement learning (meta-RL) enables agents to adapt to unseen tasks with limited experience. Despite its promise, the application of meta-RL in real-world tasks is hindered by safety requirements, which have been underexplored in…

真得非常小心才行 【引用】：METR 等评测机构将面临国家级攻击，想想都觉得不可思议？ 要做好这件事，评测机构既需要 AI 人才，也需要世界级的网络安全能力，据我的经验，这两个领域并不重合。

Slip detection is fundamental to dexterous manipulation, yet existing systems often lack precise characterization of detection latency and cross-platform generalization. We present SlipSense, a multimodal tactile slip-detection framework b…

DeepSeek-V4.1-Flash (Max) 进入 Agent Arena 开源模型第 3 名，净提升 +4.87%，每任务中位成本 $0.07，重塑 Pareto 前沿。其成本比第 2 名 Hy4 preview 低 68%、成绩仅差 0.09 个百分点；总榜排名第 12，Confirmed Success 信号排名 第 4（+13.75%）。

Discrete diffusion and flow models are a promising alternative to autoregressive language models, but compressing many-step sampling into fewer steps typically requires distilling a pretrained teacher model. This caps the student at the te…

The last decade has seen the development of powerful methods for learning complex structure from high-dimensional data. These advances have brought to the foreground fundamental connections between subdisciplines of physics, applied mathem…

Some of the sharpest challenges in sampling from the energy functions of physical systems arise at phase transitions, where the density of states changes abruptly and many sampling algorithms stall. Nested sampling is a particle method tha…

Deep networks trained on structural MRI for Alzheimer's disease (AD) staging often reach reasonable accuracy while attending to anatomically irrelevant regions, and multimodal models that add clinical tables frequently rely on variables th…

一探编码智能体在大规模场景下的行为表现；评估在 PET/CT 扫描中发现淋巴瘤病灶的 AI 模型；理解 AI 聊天机器人依赖问题；以及推进大规模决策系统。欢迎阅读最新一期 Research Focus：https://msft.it/6016abyrY

Artificial Analysis 发布 Capability Indices v1.1，将 O*NET 职业任务映射到基准并按能力出现频率加权，覆盖金融会计、战略运营、法律、医疗、工程和经济六大指数，基于 Intelligence Index v4.3 评测并结合专业评测。

上海交大、Theseus Labs、清华、字节跳动等机构研究者发布论文《The Last AI Built by Humans》，规划通往递归自我改进 AI 的路线图，划分五个阶段，从执行改进到改变产生未来改进的流程本身。文中强调这是带初步证据的研究路线图，而非可下载的可用系统。作者指出美国实验室可主动放慢 AI 发展，但不能假设其他人也会跟进，协调问题由此凸显。

DAIR.AI 转发一篇关于智能体群（agent swarm）研究的论文。2026年5月24日至7月2日，定时研究评测中的自主智能体向第三方公开 wiki 写入内容，OpenAI 已承认该事件。

Amazon 发布 GAUGE 论文，研究 LLM 模拟用户加 LLM judge 这一评估关卡何时不可信。研究发现满意度不等于任务成功，57.5% 被评为满意的对话实际未完成客户任务；在能力相近的智能体之间，该关卡有 31% 的配对选出奖励更低的一方，而差距大的配对中这一比例不足 1%。

Meta 的论文显示，字节级模型早期落后于 token 模型，但随算力增长实现反超。研究用最高 1 trillion bytes 数据蒸馏的 1B 模型验证：提出 Marginalize-It 和 End-Of-Token 两种将 teacher 的 token logits 转为 byte logits 的方法。

SAS Simple Attention Sparsification via End-to-End Optimization of Context Ranking 论文：https://huggingface.co/papers/2609.13141

openai 已经有比 Astra 强得多的模型 所以一个比 Astra 更聪明的模型已经能帮助 oai 和 anthropic 突破一些 AI 研究瓶颈--而且如果你看基准测试，它们表明两者凭借超过 1T 参数的模型拥有明显领先优势 RSI 可能是原因之一

karminski 针对"astra high 比 max 更好、SWE 测试倒挂"的讨论推荐三篇论文：解释为何 max 测 SWE 会倒挂（2604.13602v1）、质疑"设置为 max 真的就对吗"（2506.04210v1）、探讨如何让模型思考时正确停下来（2310.01798）。他重申 SOTA 模型永远是完美信息压缩器，用最少 token 解决最难问题。

有人做过机器人/AI 工作者的基准测试了吗？用来测评 grok bot、muse、hermes、openclaw 等等

豆包手机助手通过中国信通院《端云协同机密计算技术规范》专项测评，获评 L5 级能力等级，成为国内首批通过该评测的产品之一。测评覆盖端侧信任根、可信执行环境、远程证明、密钥管理等 15 个评测子项，划分 L1 到 L5 共 5 个等级。豆包手机助手消费者版本同日发布，首个版本将在努比亚 NaviX Ultra 搭载，9 月 16 日正式发售。

有人实测 deepseek-v4.1-flash 开 max 思考强度后，被评论建议应改开 high，理由是思考强度开关与性能无关。作者反驳称 DeepSeek 自家 DeepSeek-R1-Zero 论文已证明思考强度越强模型能力越强：Zero-SFT RL 未增加新知识，随思考长度增加，AIME24 跑分从 15% 升至 71%。

研究者推出 BVB（Blender-VideoBench）基准，要求智能体把真实视频重建为 Blender 动画场景，以程序化重建检验视频理解能力。评测覆盖 10 个模型家族的 51 种配置，最佳模型 Latent Similarity 达 88.6，但仅保留 53.7% 的源视频时空问答事实，增加推理能提升视觉相似度却无法缩小事实准确率差距。

论文提出 Elo-per-token 分析方法，用 Bradley-Terry 模型将任务内排序聚合为跨任务 Elo 评分，衡量 LLM Agent 测试时算力策略的扩展规律。

研究者提出 Gavel（Glance And Verdict from a frozen LLM），无需在上下文中放入技能文本，仅训练两个线性映射即可从冻结 LLM 的前向传播中读出技能路由信号。

研究发现，固定模型、干净数据和投毒样本数量，仅改变投毒集的选择，LLaMA-3-8B 后门攻击成功率就会从 3% 波动到 80%，随机采样会严重低估最坏情况下的脆弱性。为此作者提出 SAILS，通过数百次微调-评估运行学习集合评分器，对数百万候选投毒集排序并只审计少量候选。SAILS 在留出集上的攻击成功率平均比最强影响力基线高 30 个百分点，并可从小规模迁移到全规模微调。

KaiNinja 将原生 3D 生成器 TRELLIS.2 扩展到部件级，通过双体积（dual-volume）表示解决 O-Voxel 网格单体积无法表示部件接触界面的问题，管线中无需掩码或分割器，并保持 TRELLIS.2 的生成速度与质量。

针对流式全模态模型在音频尚未说完时就把视觉解读当作事实、后续即使音频矛盾仍继续沿用的问题（即"过早跨模态承诺"），研究者提出 Omni-Streaming Thinking（OST），将输出拆为已观察证据、未来证据预测与待验证主张，并按模态分别存储证据、在验证区间结束时校验与反驳。

研究者提出探索引导的提示词脚手架框架，用于多模态大模型（MLLM）的在线强化学习后训练，其核心 Exploration Potential Score（EPS）可直接由 on-policy rollout 统计计算，无需额外开销。

VC-Attention 是一种免训练的低比特注意力框架，通过 V-Smooth 按在线聚类重排 value token 并只量化减去块均值后的残差，配合 ExpCast-FP8 将 log 域分数直接映射为 E4M3 概率码，消除 FP32 指数运算。

PhysBrain 1.5 是一个统一理解物理环境、生成动作并预测未来状态的模型，从通用视觉语言模型出发，将语言响应、末端执行器运动和稠密视觉目标编码为离散序列，以自回归下一 token 预测联合优化。

ModaLens 论文提出一种成对图像替换审计方法，测量放射报告存在与否如何影响医疗 VLM 对影像的依赖。

研究在 BraTS-GoAT 2026 上评估 3D nnU-Net 的跨人群肿瘤分割泛化性，用 1，351 例标注数据做五折交叉验证、每折训练 1，000 epochs。

研究者提出 Discovery Foundation Models（DFMs），将基础模型从解决人类既定问题推进到参与新问题、表征与知识的创造过程，并定义问题发现、假设形成、干预、证据修正等七项耦合能力。

论文提出 Decoy Direction Optimization（DDO），一种无需微调的事后权重编辑防御，通过向 MLP 神经元注入高幅值非线性诱饵信号，使 RFA 消融攻击的对比估计器失效。

研究者独立复现 Orthrus 并检验其无损推测解码声明。BF16 推理下，作者 checkpoint 与独立训练模型在来自 12 个领域的 1，190 条提示上分别只有 45% 和 43% 实现轨迹完全匹配。

HarnessVLN 是一个零样本、免训练的具身导航框架，通过统一工具接口的 Agent Harness 协调感知、检索、定位、导航、恢复与终止，并用分层事件记忆和持久化时空图校验规划器提案。它在 R2R、RxR、HM3D-v2、HM3D-OVON 上分别取得 60.8%、53.9%、76.0%、59.3% 的成功率，超过此前免训练 SOTA，并已在人形机器人上完成真实环境部署。

研究者提出 Mind2Dialogue 框架，通过心理学引导的模拟器生成用户心理状态，并将其转化为特权监督信号，训练能理解用户未言明信念与目标的语言模型。在完整语料上训练后，Qwen、Llama 和 OLMo 指令微调基线在所有已报告的个性化指标上均有提升，偏好遵循生成任务提升 26.6 至 40.9 个百分点，Qwen 和 Llama 的信念与行动推理能力也同步增强。