AI 论文与研究

一项研究提出窄边界安全对齐框架，通过受控主题生成与有害-良性配对数据，让同一基础模型在不同场景下按需拒答。基于Qwen3-8B的政治说服测试中，经Escalate补全的拒答数据将目标域拒答率从9.47%提至84.75%，三个更广危害基准的平均不安全响应率从26.26%降至0.14%，但XSTest过度拒答从2.00%升至74.00%。

论文提出 compile by training，把自然语言规格编译为可复用的神经函数：编译时由教师模型生成任务样例，训练紧凑解释器的小型 adapter，运行时无需教师模型，可像普通软件一样存储、版本化和组合。

DRACO 提出在结果信号缺失的长程智能体训练中，动态生成评分标准并按轨迹打分，再把判断以闭式方法重分配到相关步骤，在 GRPO 中产生差异化逐步优势，不引入任何训练的归因模块。

Scal3R 将在线 3D 重建重新表述为多参考相对位姿查询，用约占参数 1% 的可学习 token 通过非对称注意力注入冻结骨干，并结合带回环闭合的在线位姿图优化抑制长程漂移。

一项双节点分割式LLM训练系统的安全案例研究发现，其隐私评估虽通过，却遗漏了可观测信道：返回梯度中诱饵行的梯度恰好为零，零值模式可暴露真实数据行。在9个随机种子下，每帧4，096行全部被正确识别；对帧内容的攻击较恒定猜测基线每百token多恢复约1个（+0.65至+1.50个百分点）。

Minima 对 Qwen3.8-27B（48 层 GDN、16 层注意力）的全部 496 个线性层（含 GDN）应用 NVFP4 W4A4 量化，在 MMLU-Pro。

MaxKernel 是一个多智能体系统，通过三种范式（人在回路、自主循环、基于图的自主搜索）实现 TPU 内核的自动化开发与优化，并共享规划、实现、自调试、测试和硬件性能分析等专用子智能体。在包含 50 个 TPU 内核任务的 JAXBench 基准上，MaxKernel 生成的实现可匹配专家手工调优基线，几何平均加速达 1.58×。该系统已开源。

arXiv 论文《Select， Compress， Reinvest》在固定评分器、分辨率策略与回答模型的前提下，逐一检验长视频 MLLM 的视觉token分配决策，覆盖六种免训练选择规则、三个长视频基准和两个回答模型。

论文提出 Principia 基准，用 529 个真实场景中的配对物体关系不变量评测视频生成模型和 VLM 的牛顿物理一致性，覆盖重力、摩擦、转动惯量等 8 种现象。

论文提出 PACE 数据集，评估模型能否识别由自我中心知识库事实构成的隐性约束，使看似合理的用户请求变得不恰当，并提出多智能体框架 PaceMaker，通过查询改写、多跳图遍历和冲突感知过滤协调检索决定性证据。实验同时评估证据检索质量与冲突判断准确率，PaceMaker 一致优于现有方法。

新加坡国立大学团队提出"过度编辑"概念，指模型修复代码时超出必要范围重写代码。基于400个BigCodeBench问题构建评估框架，发现GPT-5.5等前沿模型普遍存在该现象。加入保留指令可将平均多余Levenshtein距离从0.195降至0.131，认知复杂度降低26.6%，Pass@1提升2.3点；强化学习比监督微调更能学习最小编辑。

FlowBalance 提出一种基于验证器的自改进方法，通过冻结策略视图生成 token 级自引导分数，并与验证器导出的组优势校准，在正优势轨迹上保留引导、负优势轨迹上反转、无偏好时禁用。该方法在数学推理任务上，于 Qwen3-4B 和 Qwen3-8B 上平均性能均超过 FlowRL，同时提升训练速度与稳定性，避免 OPSD 的响应长度坍缩，并在受控 AIME24 诊断中展现更高正确策略多样性。

Terminal-Universe 框架通过回放轨迹中的文件操作恢复原工作区，并借助补全智能体补齐缺失文件，将现有智能体轨迹重建为可复用、可执行的环境，在广度（跨代码库查询）和深度（多轮会话）两个方向合成新任务。

论文提出 LatentStream，将流式视频记忆从 store-and-retrieve 转向 retrieve-and-internalize，用潜在工作记忆内化历史证据以支持严格因果与有限内存下的推理。框架包含分层流式记忆、分层潜在记忆演化和置信度引导的潜在记忆优化三个组件，并在现有在线与离线视频基准上取得新的 SOTA 结果。

ENEAS 提出一种统一的文本提示分割方法，同时支持实例跟踪与语义发现，可处理有序视频和无序图像集合。该方法通过文本适配器扩展 SeC 跟踪架构，在目标消失时保持身份不漂移；语义验证层结合视觉嵌入匹配与条件 VLM 判断，仅对模糊候选调用 VLM，以低延迟过滤视觉相似但本体不同的误检。代码与模型已开源。

LLaDA-Image 是一个统一框架，包含从零训练的 6B Diffusion Transformer 和基于 LLaDA2.0-Mini 扩散语言模型骨干的冻结视觉语言理解模块。

论文提出 FlashRender，一个少步生成渲染框架，可在数秒内沿目标相机轨迹重新渲染源视频。方法引入 RETA 将源视频隐表示与冻结视觉几何模型的目标视频特征对齐，实现采样步数一致的相机控制，再用 MeanFlow 目标微调并结合 on-policy flow map 蒸馏。实验显示其在视频质量和几何一致性上匹配多步基线，采样成本降低 25 倍，并在分布外目标相机轨迹下具备更强的相机可控性。

研究者推出 Last Translation Benchmark，收集经同行评审的人工创作样本（文本、图像、音频、视频），用于打破主流机器翻译模型。每个样本附带手工编写的验证规则，描述具体失败情形，使评估可靠且可操作；该数据集为持续接收投稿的 live dataset，当前版本 LTBv1 收录 2026 年 9 月 1 日前被接受的贡献。

AdaptVPR提出一种路径感知的生成式增强框架，通过视觉语言模型解析场景属性并估计编辑可行性，将生成过程分解为全局外观、局部遮挡和双路径三条互补路线，并采用基于几何一致性与外观多样性的VPR导向验证方案筛选候选。

FactoSR 提出一种分解式强化学习框架，将视觉语言模型（VLM）的空间推理拆解为平面一致性（XY）、深度一致性（Z）与时间可逆性（T）三个正交目标，以应对 2D 投影与真实 3D/4D 推理之间的维度错配。在 VSI-Bench 和 All-Angles-Bench 上分别提升 5.9% 和 4.5%。该方法通过可验证约束的策略学习，将不适定的投影恢复问题转化为可操作的推理步骤。

Puffin-World 是一个统一多模态架构，不依赖外部离线模块即可实现物理理解、空间模拟和 3D 世界生成与重建。该框架联合建模物理（重力场与纬度）、几何（深度）和外观（图像）三种原生世界状态，并引入统一 Omni-Camera 表示与跨未来帧传播物理动态的策略，在单一生成过程中同时合成未来视图并重建底层几何。

论文提出 CORE，通过合成五个组合匹配级别的候选列表和 Rank-KL 目标，把多模态模型作为重排器时的组合判断蒸馏进嵌入模型。

论文提出 Editable Visual Design 范式，由 Coding Agent 驱动，将 VLM 作为理解需求、规划任务和审美判断的创意大脑，将图像生成模型作为按需合成独立视觉素材的视觉世界模拟器。

arXiv 论文 HarvestBench 提出一个农场网格世界基准，让 LLM 子智能体驾驶两台拖拉机协作收割玉米，当动物挡路时可免费碾压或按标价燃油绕行，以测量模型为避免伤害愿意支付的价格。

论文提出 Iris-mini 和 Iris-pro 两个搜索智能体，分别以 35B-A3B 和 397B-A17B 规模训练，并公开其数据管线与训练配方。任务从网页超链接结构反向构造多跳问题，经轨迹级与轮次级过滤后 SFT，再用 SFT-RL climbing 交替优化。

特拉维夫大学等机构研究音频-视频扩散模型中的跨模态注意力机制，提出"注意力三角"框架，分析文本、音频、视频三流之间的语义路由。研究发现音频-视频边是双向且受参数偏差影响，是语义泄漏的主要来源，尤其在提示与先验冲突时。基于注意力信号提出推理时干预方法，在LTX-2上改善语义接地且不损生成质量。

EditVid 提出一个无需训练的视频编辑框架，通过稀疏因果记忆、基于对应关系的注意力后 token 注入和软潜在混合，在单一框架内同时支持指令引导与参考引导编辑，涵盖风格迁移、属性修改、物体插入等任务。在 FiVE 基准上，EditVid 取得 78.16 FiVE-Acc，而最强的免训练基线为 58.95；用户研究中，EditVid 相对 7 种竞品获得 51.8% 的整体偏好。

WorldReward 是一个基于 VLM 的成对偏好奖励模型，为相机条件世界模型统一评估动作一致性与视觉质量。方法将视频分解为动作对齐的块并投票聚合，配套发布人工标注的 WorldReward-Bench，在三个维度上分别超过 GPT-5.5 约 3.42、1.45 和 3.56 个百分点，用于 HY-WorldPlay 1.5 的 RL 后训练可同时提升动作执行与视觉质量。

Salesforce AI Research 提出 Random Attention，不对缓存 token 打分，而是保留提示词并在每个注意力头内均匀随机驱逐，在四个模型、六个推理任务上匹配最强先验驱逐方法，vLLM 部署下吞吐量高出 32-43%。

论文提出环境进化方法，通过 off-policy 地递进增加环境难度并按代调度，为终端 Agent 训练提供持续学习信号。

一项研究探讨大语言模型在对话生成产物中传播局部修订的能力，推出人工标注基准 RevPropBench，含 120 个测试样本，覆盖九个领域及三种 JSON 元素规模。研究评估九种修订方法，基线准确率为 68.3-93%；从三个并行样本中择优最具性价比，可将准确率提升 2.2-9.7%。

研究探讨 on-policy distillation（OPD）中训练数据的作用，发现仅用 1 条 query 训练即可持续提升数百步并恢复全量数据 OPD 的大部分增益。

2026 PNPL 竞赛聚焦非侵入式语音解码，基于扩展数据集 LibriBrain100（新增 32 名被试，每人约 40 分钟数据，单被试数据增至约 80 小时）推进词汇分类任务。竞赛设两条赛道：Deep track 面向大规模被试内词汇分类，Broad track 则针对跨被试泛化，将被试专属微调数据从约 40 分钟逐步缩减至约 10 分钟，向临床可行的非侵入式脑机接口迈进。

arXiv 论文 FM-Bench（Football Management Benchmark）让 15 个前沿模型在 20 个模拟赛季、约 340 到 400 个决策点的环境中管理足球俱乐部，涉及转会、合同、现金和投资。

DAIR.AI 推荐 arXiv 论文 HarnessEvolve（https://arxiv.org/abs/2609.00829），该工作指出自进化智能体存在三类失败：仅有终态反馈导致错误归因不清、智能体记住任务特定模式而非通用能力、无防护的更新会抹掉已有能力。

Haus Research 对 Perplexity 的 sonar 与 sonar-pro 两个搜索模型提出 310 个关于 210 家科技公司的事实问题，抓取全部 cited URL 核验。

Speech brain-computer interfaces (speech BCIs) translate neural activity into language, offering a path towards restoring speech for people with paralysis and, more broadly, enabling new forms of natural human-computer interaction. Despite…

Recent web agents use world models for test-time action selection by sampling candidate actions, predicting the resulting web states, and ranking them with a ranker model or a Process Reward Model (PRM). These world models are typically tr…

We introduce the Graph Machine (GM), an architecture that maintains an $O(n)$-sized state and accesses it through sparse, dynamic routing. Unlike methods with fixed-size states or sparse but static routing, GM preserves $O(n)$ complexity i…

Ordinary differential equations (ODEs) underlie models in science and engineering, and many applications need derivatives of their solutions with respect to parameters. Ensembles of independent trajectories suit graphics processing units (…