AI 论文与研究

Meta FAIR、牛津大学和 UCL 团队提出 AI Research Preference Models（RPMs），在执行前对未运行的 ML 实验候选排序，只执行获胜者。

Microsoft 论文提出把昂贵测试时推理摊销为蒸馏技能：收集 35-50 条历史轨迹，由编码智能体提取重复失败模式并编译成 markdown 技能加入非推理模型 system prompt。

IBM 发表论文提出 STAIR，利用文档目录作为寻址方案，让生成式检索器从自身参数中存取信息，以保留分块丢失的全局层级结构。在 SearchTome 基准上，STAIR 的 Recall@1 达 82.6%，显著优于微调 DSI 的 76.9%，BM25 为 59.5%，DPR 为 68.7%。模型幻觉率保持在 0.05% 以下，且在训练样本极少时仍具泛化能力。

这既是一个有趣的实验，也是学术领域一场海啸即将来临的征兆。AI 正在回溯阅读研究文献，发现已发表论文中的机遇与问题，并公开分享这些评判。

Google DeepMind 发布 WeatherNext 3 论文（arXiv：2609.03582），不再仅在分析数据上训练和初始化，而是直接吸收低延迟地球静止卫星数据，把预报刷新频率从每 6 小时提升到每小时。

OpenAI 发布博客文章，公开模型加速公司内部研究的数据，并认为递归自我改进可能是未来几年 AI 能力最重要的推动因素之一。文章同时分享了 OpenAI 如何调整模型开发节奏以优先考虑监控、对齐和安全，并呼吁其他 AI 公司也公开类似数据，以推动关于模型开发节奏的公共讨论。

Artificial Analysis 发布 Intelligence Index v4.3，将 Terminal-Bench 从 v2.1 升级到 v4，并用与 Zapier 合作、含 657 个私有测试任务的 AutomationBench-AA 替换 τ3-Banking。

本周AI顶尖论文（8月31日-9月6日）： - CORAL - WikiSkill - SKILL.state - E-Commerce Bench - Declarative Attention - Harness-of-Harness - AI研究偏好模型 更多详情：https://x.com/dair_ai/status/2096617880515211328?s=20

本周精选AI论文：Google DeepMind提出声明式注意力，让模型在思维链中声明关注区域，解码时跳过大部分KV缓存读取，在Gemma-4-31B和Qwen-3.6-27B上分别减少52.0%和31.1%的注意力token，精度损失仅1-3点。

针对 Fable 与 Astra 的评测给出了分化结论。同一期内容还涉及让 AI 学习模仿个人写作风格、Anthropic 认证的实际用途，以及 44 个以文件夹形式组织的智能体。

King's College London 等机构的研究人员正在研究 AI 相关精神病是否应成为临床诊断。据 OpenAI 自报数据，每周约 560，000 名用户表现出精神病或躁狂迹象；谄媚型聊天机器人可能形成强化妄想的单人回音室。

据 Fortune 报道，OpenAI 自 9 月 3 日发布 GPT-6 Astra 公告以来多次修改评测基准数据：Astra 幻觉率曾从 4.2% 降至 2% 后又改回。

OpenAI 友人："过去几天感觉具有历史意义。Astra 真的让我震惊。忘掉那些无用的基准测试吧。" 我："那你们的 ARR 什么时候超过 Anthropic？" 他："ARR 已经不重要了。"

"世界上最大的数据中心，其耗水量也不过相当于三个高尔夫球场。" Trivariate Research 创始人、拥有 25 年以上华尔街经验的 Adam Parker 如此评价数据中心。 ---- 来自 "Founders & Friends" YouTube 频道（完整视频链接见评论）

本期节目是一期学习向的播客。我们一起通读 Kimi K3 技术报告，希望能共同领略"技术之美"。Yutao 在拆解报告的过程中，联系了十多篇相关论文。友情提示：他语速真的很快。https://www.xiaoyuzhoufm.com/episode/6a8eadd61352af56ff3c6017

论文提出 DisCo，一个把 GitHub 仓库、论文和任务研究蒸馏为紧凑技能的研究智能体，让智能体知道用什么工具、何时用、失败怎么办。

记不清上次见到能力如此大幅跃升是什么时候了。 Astra-max 在 eyebench-v3 上得分 95%。 成本仅为 Sol-max 的一半（输出 token 减少约 3.8 倍），得分却接近其两倍。

CVRR通过从问题隐藏状态初始化循环计算并反复重读固定视觉证据，在解码前移除视觉状态和原始多模态KV cache，使循环计算成为唯一携带图像信息的预测路径。在V^*、MMVP、BLINK和MME-RealWorld-Lite基准上，CVRR保持强性能，而兼容的潜在推理器在相同约束下重训仍无法恢复同等视觉能力。因果干预表明预测对循环内容敏感，持久视觉证据会因果性地修正循环轨迹。

VidaForge 将视频数据配方表示为从原始视频到训练数据集的可执行五阶段工作流，支持通过改变决策构建替代数据集并保留样本来源。研究对比不同覆盖度与质量的数据配方在 Wan 2.1 和 V-JEPA 2.1 从零预训练中的表现，更广覆盖的配方取得最高下游 benchmark 分数。

TransNormal-2 提出一种基于 FLUX.2 的修正流框架，通过单步确定性推理解决 VAE 重建退化导致的法线估计精度问题。该方法在八个通用场景基准上达到或超越 MoGe-2，仅需其 1.4% 的任务特定法线标注；在透明物体数据集 ClearGrasp 和 ClearPose 上 MAE 分别降低 4.2° 和 3.1°。代码将开源。

研究者提出 HybridAL，通过在线监测稳定信号，在模型轨迹稳定后自动从重训切换为微调。在三个编码器骨干和六个文本分类任务上，其最终 macro-F1 以 0.010 边际不劣于两种单一策略，最多节省 49% 重训时间。该工作已被 EMNLP 2026 主会接收。

MovieGrid提出多网格后训练范式，将长视频分解为按时间排序的短片段并排列在空间网格上联合建模，减少每个时间轴处理的镜头数并支持跨片段信息交换。基于1，000个长视频构建的MGLV数据集产出54K网格视频，在相同token预算下，MovieGrid生成的镜头数是Temporal Packing的6.05倍。

DianShi-RxnDB 是一个通过全自动抽取与归一化流水线构建的大规模细粒度有机反应数据平台，覆盖 USPTO 和 EPO 1976 至 2025 年的有机合成专利，产出约 2400 万条反应实例，其中约 1480 万条（61.7%）通过自动质检。

论文提出 ParSer，用一批冻结的轻量子智能体并行读取文档块，由经强化学习训练的主导智能体通过多轮 scatter-gather 迭代推理，将阅读与推理解耦。在 7K 到 896K token 的多跳 QA 上，4B 主干平均超过最强顺序记忆基线 5.7 分，896K 时领先 12.0 分，9B 版超过 DeepSeek-V4-Pro 6.3 分，并将推理延迟最多降低 11 倍。

视觉生成正从单次调用的生成模型演变为可规划、选工具、检查中间输出并修正失败的智能体控制流程。本文按控制器能直接控制的内容划分层级：L1条件控制、L2执行控制、L3结果自适应控制、L4经验自适应控制，L0固定支持指无控制器的固定流程。该框架适用于图像、视频、编辑、3D、世界模型、幻灯片及UI生成。

OracleZoom 提出一种受在策略自蒸馏启发的参考约束递归图像超分辨率框架，在监督边界之外用最后一张可用真值图像作为参考，将深层预测拆分为可验证内容与未解析细节，分别用跨尺度一致性和无参考质量目标约束，并以 KL 约束的潜变量先验和 EMA 一致性稳定训练。

哈佛等多所顶尖高校发布重磅论文，指出社会对AI的认知依赖正形成反馈问题：随着越来越多人将阅读、写作、推理或验证交给LLM，维持这些技能活跃的习惯也会弱化。论文警告，LLM采用率的小幅增长可能引发认知依赖的更大跃升，存在临界点--一旦越过，单纯减少AI使用可能无法恢复原有的独立思维水平，因此应在此前保护独立推理能力。

Ricard Solé、Michael Levin 等人在 arXiv（arXiv：2609.03344）发表论文，用病毒类比和流行病学模型刻画 LLM 采用在人群中的扩散，将用户分为未耦合、保留认知自主的常规使用和持续依赖三种状态。

从GPT-4到GPT-6。 Sparks是一篇极具前瞻性的论文，当时遭到了不少质疑，但基于大量定性实验，它确实敏锐地捕捉到了大语言模型的发展方向。事后看来，它值得获得认可。

AI快速加速的一个影响是，在2026年后的长期智能体时代，我们正在失去对工作中实际微观过程的实证把握。 我们对聊天机器人对工作的影响有一些学术认知，但对智能体影响的了解则少得多。

上海人工智能实验室提出 Harness-of-Harness（HoH）框架，让编码智能体在多次迭代间持续携带代码、测试证据、已知问题和更新后的计划。

PayPal AI 论文《The Memory Trust Gap》研究持久记忆智能体在存储记忆过期时的表现，测试 Qwen3 0.6B/1.7B/4B/8B 模型。

微软与康奈尔大学提出"免费暂停token"，在权重共享的并行预测流中携带额外计算，不占用序列位置。推理时上下文长度、KV缓存和延迟均不变，1B模型上下一token预测提升2-3 centinats；训练开销约为优化预训练管线的1.14倍。

一项研究将人类与LLM智能体组成24人小组，反复对同一图像达成描述共识。结果发现低AI占比促进人类达成共识，12.5%占比时共识比全人类组提高8.0%；33.3%和50%时共识变差；75%时强共识恢复但人类开始转向智能体的语言，且AI主导的共识更抽象和几何化。机制在于智能体起始语言更相近且更稳定，随数量增加其措辞成为群体默认。

试试看吧！

Carnegie Mellon、MIT 和 Cornell 的研究者在 Trump 遇刺未遂和 Charlie Kirk 枪击事件后的几天内各开展一次在线实验，用 Gemini（1.5 和 2.5 版本）进行平均约七分钟的证据型对话，Trump 实验保留 472 名参与者，Kirk 实验保留 1035 名。

Google DeepMind 用 100 个共享权重、人设随机的 Gemini 3.1 Pro 智能体模拟科学会议，协作求解 71 个 Lean 形式化数学猜想。

发表于《美国医学会杂志》的新论文由伊曼纽尔和科斯拉撰写，梳理数百项 AI 医疗研究后称 AI 在获取医疗信息、诊断、开展诊断性检查、管理慢性疾病等五项基础任务上已超过医生，并预测 4 年后差距继续扩大。