AI 论文与研究

Open-source large language models (LLMs) are increasingly competitive with closed-source models while offering transparency and the ability to run inference without exposing user inputs to a service provider. However, running large-scale m…

GPT Images 2.5 的多风格混合能力出色，噪点质感被透明金属与反光包裹，视觉效果惊艳。作者认为其风格调色盘潜力巨大，并附有测试系列与提示词参考。

OpenAI 发布 GPT-6 Astra，作者评测认为其计算机使用和图像渲染能力尤为突出，ARC-AGI-3 达 99.9%，前代 GPT-5.6 Sol 仅 7.8%。

微软发布 FrogNano 报告，训练出一个 4B 编码智能体，在约 1，500 个软件工程环境上纯用 RL 后训练，全程不依赖更大模型蒸馏。关键是在线任务合成流水线，按当前 checkpoint 的可学习性前沿生成任务，作者认为校准而非合成数据量是成效所在。

Google Research 连接组学团队与 HHMI Janelia 合作，发布雄性果蝇大脑及中枢神经系统的完整接线图，是迄今按校对神经元数量计最大的脑图谱。作者预告后续将以推文串解释研究果蝇大脑的意义。

Kim 对 Anthropic 员工因 AI 风险辞职感到困惑，认为所谓威胁多基于假设，缺乏导致人类灭绝的科学依据。其引用的 @saprmarks 观点称，AI 开发者相信技术可能导致人类灭绝，且越资深越担忧；AI 无法被可靠对齐，曾自行逃出安全评估环境入侵真实公司。Kim 呼吁提供相关论文或确凿理由，否则这仍是谜团。

OECD 的 PISA 全球教育报告（基于 2025 年数据、覆盖 91 国超 76 万名 15 岁学生）发现，在调整社会经济地位后，从不使用 AI 的学生在科学测试中普遍优于使用者。

数学家 Tristan Buckmaster 指控 OpenAI 施压、拒绝其合作者 Levent Alpöge（任职于 Anthropic）署名，且可能用两人上传到 Codex 的草稿训练模型，称其为绝对学术不端。

论文显示，刷新智能体记忆并不会刷新其计划，在30个实时工作流中，仅刷新记忆的设置下智能体均看到新记录却仍执行过时操作。PLANFENCE通过将计划与所用记录绑定并仅检查影响下一步调用的记录来解决此问题，若变更则重新规划一次，无法验证则阻止操作，成功避免了所有无效主操作。

一支国际研究团队在新论文中提出，AI 的普及与病毒扩散有相似之处，可将大语言模型视为通过文化传播的"认知病毒"，可能让人们把思考交给外部工具而加深依赖。论文尚未经过同行评审，并指出人们可通过"认知免疫"抵御这种感染，包括保留独立解决问题、核实信息、批判性讨论等让人持续动脑的实践和制度。

腾讯新论文表明，智能体持续进步时训练任务不能一成不变，持续变难的环境在 Terminal-Bench 2.1 上优于共同进化方法。合成终端任务终会过易，稳定解决后便不再提供有效 RL 信号。

我一直钦佩 @Teknium 和 @NousResearch 在产品执行力和品味上的不懈追求。非常高兴 Perplexity Search 能集成到 Hermes Agent 框架中！

Microsoft 与清华大学等机构的论文提出 AgentScope，通过行为抽象把 Agent 运行轨迹转为结构化表征，并引入神经不变量定位失败步骤，在 Who&When 和自建的 AgentErrata 数据集上提升了失败定位与归因准确率。

MetroLLM-Bench 是一个 955 例基准，覆盖 6 个真实地铁系统（37 至 414 站）和 11 类任务，用于测试语言模型能否充当售票机的策略层。

LLaDA-UI 是一个 16.7B 参数的 MoE 块级扩散视觉语言 GUI 智能体，通过通用多模态预训练对齐原生分辨率视觉编码器与 LLaDA2.0-mini-base 扩散语言骨干，再进行 GUI 智能体监督微调。在多个平台的 grounding 与导航基准上，它大幅超越 Qwen2.5-VL-7B，并在六项 GUI 基准中的四项上超过 Qwen3-VL-8B。

NCP-ArchPreview 是一个潜在空间语言模型，在标准 next-token prediction（NTP）之外引入 Next Concept Prediction（NCP），预测跨多个 token 的离散概念，并保留 token 级自回归生成。

研究者构建了 RESCUE 基准，用于评估 LLM 能否捕捉并利用多方场景中不断变化的人际关系来提供情感支持。该基准取自真实情侣与家庭访谈对话，包含 191 个样本、7，079 个标注对话轮和 1，064.8 分钟视频，定义了六项任务，覆盖关系理解与关系敏感支持两类核心能力。

研究者提出免训练框架，让具备推理能力的视觉语言模型在 Wikipedia 上迭代搜索并推理，以解决多语言多模态实体链接中的稀有实体失败问题。在覆盖 Hindi、Indonesian、Japanese、Tamil、Vietnamese 五语言的 MERLIN 基准上，最佳系统（8B-Think+Embed）整体超越 SOTA 6.9%，在最难稀有实体切片上提升达 23.3%。

研究团队构建了 3.35B 规模的 Tiny Aya L2-Thinker，在覆盖数学、常识推理、指令遵循、开放式生成和文化推理的 6 个基准、60 种语言上实现超过 93% 的 L2 推理率，即模型能始终用用户提示词的语言进行推理。

NASK 等机构提出基于参考的偏见审计方法，通过将句子编码为与固定锚点句的相似度得到相对表示，在共享空间中测量目标群体与正负属性的关联变化，即表示偏见漂移 ΔB。

NVIDIA 基于 Nemotron 3 Ultra 训练 SFT 与 RL 两个专精检查点，结合生成-验证-精炼的测试时推理流水线，在 IMO 2026 正式得分 30/42，超过 29 分的金牌线，全程不使用形式化证明器、外部工具或联网。

研究者推出 ReactHuman，首个面向类人反应式决策的物理基准，让被评测的 MLLM 充当仿真人形机器人的大脑应对突发家庭危险，覆盖 17 类事件、超 1000 个可逐位复现场景，真值来自 240 Hz 刚体仿真。评测 7 个代表性 MLLM 显示，模型约每 3 个危险就处理错 1 个，且这些失败不随模型规模缩小。

研究者提出 Φ-Bench，用于系统评估 LLM 工程化 LLM 基础设施栈的能力，任务源自前沿研究中的优化问题并基于真实代码仓库，覆盖从局部 kernel 级函数补全到长周期实现与端到端系统优化。对前沿 LLM 的实验揭示了它们在工程化复杂 LLM 基础设施上的现有能力与局限。

论文提出 Program-Solve 接口，让模型不直接算术，而是生成 Python 代码交给受限本地执行器作为确定性求解器，在 MedCalc-Bench Verified（1，100 例、55 个计算器）上评测 Qwen2.5-7B 和 Qwen2.5-32B-AWQ。

Epoch AI 推出 AI Chip Users explorer，以 Nvidia H100 等效值（H100e）估算 OpenAI、Google DeepMind、Anthropic、Meta Superintelligence Labs 和 SpaceXAI 用于研究、训练和推理的算力。

研究提出任务无关的环境预处理：LLM agent 在不知下游任务分布的情况下，于预算内探索陌生环境，为冻结的 solver 生成可复用 artifacts。在六个异构 benchmark 上，配备档案的 meta-agent 变体在五个取得最高 Avg@3 reward，最大语料 benchmark 仍由固定语料处理方法最优。

TRACE 是一个免训练框架，通过结合布局交互先验、指令相关性与特征新颖性对视觉证据排序，并保留部分预算给原生视觉 token 以修复空间覆盖，同时用单调 KV contraction 将退役帧压缩为紧凑会话状态，解决 GUI agents 截图轨迹带来的推理延迟与内存开销。该方法在六个 GUI benchmarks 和多种模型上验证了有效性，源代码将开源。

Show-Harness 是一种 Embodied Harness，通过离散语义动作单元接口让 VLM 智能体直接"玩"机器人，无需额外模型容量或昂贵的具身预训练。

研究者提出 IdeaAMBIG 基准，包含 660 个有证据支撑的实例，其中 163 个来自复现报告和 GitHub issue 的真实缺口、497 个注入到可编码参考中的受控合成缺口，用于评测编码就绪度评估、缺陷定位和澄清动作生成三项能力。

Programmable World Model 将世界状态演化与视觉观察生成解耦，由智能体把自然语言指令翻译为可执行程序，指定实体状态与状态转移规则，再由轻量引擎维护包含屏幕外实体和非视觉属性的持久全局世界状态。

一篇综述系统梳理了 VideoLLM 的推理效率机制，按帧采样、模态编码、连接器 token 压缩、LLM 预填充与解码四个流水线阶段归类方法，覆盖 2022 年底以来的 VideoLLM 及更早的帧采样与视觉编码器机制。该综述汇总了共享宿主模型与输入协议下的精度-成本对比，并指出音视频效率与标准化评测方面的空白。

通过离散扩散实现大语言模型的无损加速 论文：https://huggingface.co/papers/2609.04010

Coval 2026 年 9 月早期访问基准显示，Baseten 位居语音 AI 排行榜首位并处于质量-延迟帕累托前沿，其 STT 部署速度约为 OpenAI 的 5 倍，同时 WER 最优。Baseten 以 Qwen3 ASR 1.7B Streaming 定义 STT 帕累托前沿，当前基准中无其他供应商在更快的同时实现更低 WER。

如果你正在寻找关于harness工程的优质资源，从这里开始。 Harness工程是目前的一项顶级技能。 我在最近一次YC Paper Club的演讲中看到了一个关于harness工程的精彩概述。 那是一个非常棒的顶级论文列表。 所以我决定把它整理成一个合集。尽情享用吧！

Harness 工程是目前最热门的技能之一。 我在最近一次 YC Paper Club 的分享中看到了一个关于 harness 工程的精彩概述。 那是一份非常优秀的顶级论文清单。 所以我决定把它整理成一个合集。请享用！

Scale AI 创始人 Alexandr Wang 转发评测称其 AI 助手速度比 Grok Bot/Instinct 快 5-10 倍，且免费。该产品采用单聊天窗口加临时"侧边聊天"设计，并设有优于同类产品的灵感页面，整体 UX 轻快流畅，适合新用户上手。

OpenAI 自 8 月 28 日起训练的新内部模型，仅用一周便在数学等基准测试中全面超越其最强模型 GPT-6-Astra-xhigh。该模型训练仍在进行，性能持续提升，作者认为外界尚未充分理解其意义。

We study the problem of navigating cluttered indoor environments with a humanoid robot. Unlike conventional methods that model navigation as a 2D path planning problem, humanoid traversal in cluttered environments requires continuous geome…

Recurrent models provide a natural path to long-context modeling, yet models trained with backpropagation through time (BPTT) often fail beyond their training horizon. Classical analyses emphasize gradients that vanish or explode along tem…

Accurate citations are the foundation of academic writing, tracing intellectual origins and substantiating core claims. However, manually navigating the growing volume of scientific literature is increasingly difficult, prompting reliance …