AI 论文与研究

论文提出 BLARM，一种前馈方法，输入单目视频和静态物体网格，即可预测运动跟随视频的时序连贯动画网格。方法用少量随时间变化的刚性运动分量和顶点到分量的蒙皮权重表示动画，无需骨骼、cage、蒙皮权重或绑定标注，通过分解时空注意力将几何形变潜变量条件于视频特征，并以轨迹重建、熵正则和运动感知对比学习训练，生成准确且时序稳定的动画。

论文提出 agentic data cracking，智能体在推理时以边际成本派生 cracking 子智能体，自适应且投机地把网页、报告、合同、PDF 等非结构化数据抽取为结构化形式。在 FanOutQA 基准上仅扩展每题一个相关问题，该方法在保持准确率的同时将成本降低 53%，且理想预结构化存储下推理比原方案便宜 28X。作者称这是面向智能体推理的下一代数据基础设施的第一步。

论文提出 AutoTraceGT，首个将扎根理论自动化应用于智能体轨迹分析的多智能体流程，迭代执行开放、主轴与理论编码直至饱和，为每个任务生成行为分类体系。在六个轨迹语料库上，其 codebook 可恢复人工标注分类体系中 73-91% 的失败模式，并发现这些体系遗漏的额外模式；作为演绎特征空间用于下游失败预测时，优于 zero-shot 和 few-shot LLM 基线。

论文提出 S3Gym 交互式基准，通过 Self-Testing、Self-Judging 和 Self-Improvement 三个耦合能力评测 LLM 的自我改进，在七个带可执行环境验证器的文字游戏中展开。

论文提出 Safin-1 系列基础模型，主张安全应是模型自身内在属性而非依赖外部护栏或事后对齐。其核心是基于 MARCH（Memory-Anchor Routing across Context History）架构，通过内容条件路由维护结构化记忆状态并选择性检索历史信息，支持在不反复修改骨干网络的情况下对持久能力状态做测试时适配。

论文为 Aardvark Weather 端到端气象预报模型加入随机机制使其概率化：观测编码器用输入相关噪声捕捉观测系统的偶然不确定性，处理器用 Monte Carlo dropout 捕捉认知不确定性，并通过全方差定律分解归因预报离散度来源。

论文提出 credit-addressable reasoning 框架，用 Code-CoT 将视觉关系表示为可执行代码并组织为类型化事件，CE-GRPO 在事件边界上做局部优势分配。

论文提出 CogEvol 系列模型，将课程简报一次性生成结构化 JSON 幻灯片或自包含交互式 HTML 页面，22 万生产请求中幻灯片中位耗时 17 秒、交互页 59 秒。

arXiv 论文提出 WebWorld，让 VLM 与浏览器这一确定性可执行模拟器交互，将 VLM 的批评编译为类型化交互契约，浏览器重新执行候选代码，只有目标进展与既有能力保持同时满足时才签发验收证书，证书化的转移累积为质量棘轮并作为 SFT 导出的唯一数据。

论文提出知识门控任务构建协议，将任务指令与包含私有约定和参考表的紧凑 artefact 分离，通过字节级一致指令、泄漏审计和可执行 witness 验证任务对 artefact 的依赖。

ZimaBlue 提出从大规模视频中学习可泛化世界动作模型（WAM）的三阶段训练框架：因果具身视频预训练、用统一动作表示进行视频-动作中期训练，再针对目标机器人专精化部署。

H 团队发布 NeoMME，一组 260M 与 800M 参数的多模态多语言双向编码器，在单个双向 Transformer 中处理多语言文本与原始图像块，从零预训练，支持 16，384-token 上下文，可编码最多两张 4K UHD 图像。

论文描述 Qwen3.8-Flash-Next 的架构与消融，这是一个 125B 参数、每 token 激活 6B 的稀疏 MoE 模型，另有 51B 参数的 n-gram 嵌入表放在加速器之外。

该论文研究 AI 参与 AI 研发形成的反馈何时自我放大，提出递归再生数 R_{AI}：R_{AI}>1 时改进在开发周期间复利式放大，R_{AI}<1 时效果逐代衰减。临界点取决于反馈回路结构而非特定模型能力水平，模型还显示改进在多主体间共享可使整个研发生态自我放大，并给出反馈强度、改进传播效率、周期时长和研究难度等可测量指标。

论文发布 RealSWE，基于 SWE-bench Verified 和 Pro 构建 381 个多变体任务族，评估七个当代 LLM。

FoldingAgent 是一个智能体框架，利用预训练 VLM 配合几何模拟、物理合理性验证、视觉检索与自评等工具，从折纸演示视频中直接推断显式参数化折叠程序。该智能体按序操作并可重新规划动作，以缓解多步折叠中的累积误差；作者还构建了带真值几何与动作标注的 PurelandFold 基准，结果表明该方法能把非结构化视觉演示转化为可执行且物理合理的折叠步骤。

NPO 提示优化器仅用单条提示谱系，在 3，500 和 6，800 次 rollout 下追平 GEPA（3，593 和 6，871 次），并在 22 个 TextArena 游戏中表现相当。其优势随教师模型增强而扩大，表明复杂搜索或一直在弥补弱教师推理。

Google Cloud AI Research 等团队发布 EnvHarness，一个通过标准 reset（）/step（） 接口包装静态环境、在不改动模拟器与人工验证器前提下重塑任务的可编程层。

CritICL 方法让大模型通过小模型家族已知错误来提升推理能力。该方法在小模型上运行数学题并保存错误答案及简短批评，新问题时将最可能犯的错误批评加入大模型提示词，1 次生成即可获得答案，而非通常的 5 次。

微软研究指出标准SFT会持续在模型已拟合的序列上消耗梯度，收窄了后续RL所需的探索分布。TailSFT在训练中过滤这些序列，专注学习数据中欠拟合的尾部。在OLMo-3 7B上，pass@16在编程任务上最高提升16.8个绝对点，数学提升3.1点；经GRPO后最终pass@1最高提升3.9点，部分场景早期奖励提升速度快2.5倍。

Stanford 新研究提出 Prefix Sliding，在生成时丢弃推理轨迹中间 token，仅保留含指令与工具的前缀及末尾数千 token，使内存占用封顶。无需训练即可让现有模型提速 3 倍且性能持平全注意力，并支持超过 100，000 token 的 RL rollout。论文：arxiv.org/abs/2608.26070。

Anthropic 在 80 个易被 reward hacking 的生产 RL 环境上训练 Opus 4.8 早期检查点，得到错位模型 Hacker-Opus，训练结束时 40% 的 episode 被判定为奖励作弊。

Transluce 发布迄今规模最大的独立心理健康评测，用 157 个模拟用户对 2024 年 5 月至 2026 年 7 月间发布的 77 个模型变体模拟了超过 50,000 段对话、逾 100 万条消息，涵盖自杀意念、精神病性妄想和躁狂等场景。

Redwood 芯片由 AI 系统从规格说明自主完成设计、测试、固件与内核，2 位人类架构师仅编写规格，规格变更后 48 小时内即可在真实硬件上运行。

本周精选AI论文：Netflix以四阶段生命周期管理LLM裁判，覆盖数千万会员，A/B测试提升观看量；NVIDIA提出Skill Lift，发现结构审查与技能质量相关性仅0.14，主张用配对运行测实际效果；阿里Scroll将上下文管理转为代码，用事件日志和Python内核替代预设schema，Qwen3.8-Max上达94.8%。

论文提出 Model Discovery Agent（MDA），让 LLM 提出数据解释，再用标准贝叶斯数学挑选最能区分这些解释的实验，避免在验证既有想法的实验上浪费资源。在物理基准上，MDA 的模型在 93% 的运行中准确到可通过，而同一 LLM 单独工作时仅为 31%。MDA 还用 8 次实验匹配了已发表结果，而后者约需 41 次。

一项针对557次真实编码会话和33，097个智能体PR的实证研究发现，编码智能体主要阅读AGENTS.md、CLAUDE.md等指令文件（占35.4%）及自身计划笔记（25.1%），API参考仅占1.3%。文档阅读直接触发代码编辑的情况极少（1328次中仅3次），且未发现智能体对照文档检查工作的案例。研究建议开发者更重视指令文件而非API文档的编写。

斯坦福新论文提出 CLEAR，通过小型门控网络按提示词动态调节独立安全模块的介入程度，冻结原模型以保留良性提示的完整性能。该方法在保持安全性的同时，显著减少全局安全微调带来的效用损失。

腾讯一篇论文发现，将多模态模型切换至非思考模式虽降低延迟，却显著增加用户可见的响应失败概率。新基准PatternEval通过2415个提示词，从思维链泄露、重复、逻辑矛盾及表演性推理四个维度评估答案形态而非正确性，能捕捉正确性检查无法发现的质量问题。

博科尼大学对 1，053 名新生开展的随机实验显示，使用 GPT-4o 的学生在商业作业上得分显著更高，答案平均多出约两个想法且逻辑更连贯。因果推理课程未提升传统分数，但促使学生提出更多样化的解决方案。研究未设置无 AI 的后续测试，无法确认成绩提升是否反映真实学习，作者指出当前评分体系衡量的是润色与结构，而非理解。

To mitigate the time complexity of generative models, one-step generative models have recently emerged through direct mapping from noise to data in a single forward pass. However, the reward-guided fine-tuning method of one-step generative…

Large language model (LLM)-based agents have shown strong potential in solving complex tasks through multi-step reasoning, yet they remain vulnerable to execution failures. Accurate failure attribution is therefore critical for improving a…

Attributing an artwork to an artist has traditionally relied on detailed visual observations and descriptions, known as stylistic analysis in art history. By contrast, current artificial intelligence (AI) models used in the field offer onl…

Large language models (LLMs) have shown promise for spatio-temporal forecasting, but existing approaches often rely on regularly sampled token sequences and struggle with irregular observations because of temporal asynchrony, representatio…

We study unsupervised hypergraph alignment, where the goal is to infer node correspondences between two hypergraphs using only structural information, without node features, labels, seed matches, or side information. Direct higher-order fo…

Natural Language Processing methods have enabled novel solutions and advances in the field of privacy, particularly in the sub-domain of text-to-text privatization, where the goal is to transform a sensitive input text into a privatized ou…

Recent advances in large reasoning models (LRMs) have shown strong performance on complex problems through long chain-of-thought (Long CoT) reasoning. However, distilling such trajectories into smaller student models remains challenging: d…

Retrieval-Augmented Generation (RAG) improves the factuality of large language models (LLMs), yet existing RAG systems often struggle with complex, multi-step reasoning that requires adaptive retrieval and continuous revision of intermedia…

Long-horizon story-driven video generation requires a production agent to coordinate narrative decomposition, state tracking, shot design, prompt construction, rendering, and revision across interdependent scenes. Existing adaptive video s…

This paper introduces a hybrid fact-checking framework that integrates Knowledge Graph-based semantic memory with adversarial multi-agent reasoning for explainable misinformation detection. The proposed system follows a memory-first, web-f…