AI 论文与研究

Google DeepMind 新论文将 AI Co-Scientist 从模拟推向真实实验。在计算机科学领域，它发现一种推理时扩展架构，在盲审下击败 HealthBench Hard 和 Professional 上的六款前沿模型；在生物学领域，它从稀疏成像数据预测了大肠杆菌群集表型，与未公开实测数据吻合。30 位领域专家对端到端生成的论文撰写了 450 条评审，可靠性模块减少了幻觉与抄袭。

Anthropic 8-28 发布研究:让 Claude 作为自动化对齐研究员,通过检索文献、提出方法与数据、训练再评测的闭环,在欺骗、谄媚、隐私侵犯等 10 类可测对齐失败上自主找到不损害能力的修复方法。官方称方法在留出对齐基准与 Petri 审计上仍有效,并在最多约 4.7 倍于目标的更大模型上依然奏效,同时开源了对齐研究 harness。

VGI-Bench 探针视频生成模型中的视觉智能 论文：https://huggingface.co/papers/2608.19583

一项综述研究将智能体工件创作定义为AI系统有状态地构建或修改交付物、并由中间观察结果重定向后续工作的过程，并系统梳理了截至2026年8月20日的259篇文献，涵盖230个系统和29个评测基准。研究比较了六类工件族，提出保持承诺与责任明确、将反馈转化为针对性修复、变更后重新验证受影响状态等原则，并指出工件、创作者意图与构建系统演进中持续可控性的机遇。

针对现有多模态大模型在时空视频定位中因自回归解码导致的延迟与误差累积问题，研究者提出并行管解码（PTD）方法，将定位分解为时间块与并行的条件空间块，将顺序解码深度固定为1+1轮。在VidSTG基准上，PTD将管完成延迟降低79倍，空间解码吞吐量提升92倍，并提升定位精度；基于40亿参数骨干的模型在VidSTG和HC-STVG上表现良好，并可零样本泛化至时间定位、视频问答等任务。

研究表明，带 sink 的滑动窗口注意力（SWA）在多项下游任务上表现不逊于甚至优于后训练的线性注意力模型。在长上下文推理任务（Needle-in-a-Haystack 和 BABILong）中，SWA 性能高出 2 至 10 倍。SWA 无需后训练、速度快且内存占用低，是更廉价可靠的解决方案。

LoopArena 是一个新基准，用于评估一个模型（Controller）如何引导另一个固定编码智能体（Worker）完成长时任务。在完整任务上，最佳严格成功率仅 24.69%，显示长程循环控制仍有较大提升空间；同时，各 Controller 的推理成本平均降低 64.4%，且 Type II 设置下排序与核心指标高度一致（Spearman's ρ=0.9747）。基准数据和评估代码已开源。

ElephantBench 闭卷知识探针含 1，094 道基于可审计图流程生成的多方叙述问答。测试 32 个模型，最强模型也仅在 52.4% 的问题上同时召回两种叙述，其余大多只记得一种。扩大模型规模和推理时计算能提升召回率但无法消除不完整性，代码已开源。

Agent Seer 提出一种无需人工构建或实时执行工具即可合成评测场景的方法，利用函数名、自然语言描述和类型化参数模式等工具规格中的语义信息，生成能反映从业者组合工具与多轮迭代的真实测试场景。该方法旨在解决手工构建场景依赖领域专家、难以跨工具生态扩展且静态基准无法跟踪 API 演进的问题。

GeoNeXt将预训练视频生成模型改造为统一的几何估计框架，把深度与表面法线估计重构为下一帧预测任务，无需分别训练任务专属模型或大规模微调图像扩散骨干。该方法在零样本单目深度和表面法线估计上超越此前任务专属及统一生成式方案，且训练数据需求大幅降低，性能可与基于超100倍数据训练的有判别力SOTA方法比肩。

苹果机器学习研究团队提出一种新方法，将 LLM 视为信息处理规则，利用其与贝叶斯更新的信息处理差距，研究模型如何根据证据更新概率信念的内部（不）一致性。实验评估了 LLM 在医学、科学、法律等复杂领域的信念更新表现，揭示其概率推理与贝叶斯理想之间的系统性偏差。

论文提出 EvoUndo，用于表示、合成、诊断并独立验证 LLM Agent 运行时自我修改的可恢复性。在 600 个未见过的单次自进化任务中识别出 197 个无法通过可恢复性验证的能力提升变异；扩展恢复演算使 oracle 恢复率提升到 191/197，精确状态寻址接地在原语言充分时将恢复从 0/48 提升到 38/48（79.2%）。

论文提出 PRISK 动态评测框架，系统评估 LLM 个性化的三类风险：无关个性化、偏好窄化和谄媚偏差。对 13 个 LLM 的实证分析显示，用户画像和检索记忆会持续加剧偏差，三项指标平均分别下降 45.9%、41.7% 和 61.7%。

论文在 LM Playschool Challenge 中用 2B 开源模型研究对话博弈，发现失败多为局部决策错误而非单纯知识缺陷。

LayerRecall 提出当前状态条件、按层选择的记忆路由机制，仅将检索到的历史 K/V 状态注入骨干网络中对记忆敏感的层，同时保留局部注意力。配合 Cross-Horizon Prediction Matching（CHPM）在预测空间监督有界记忆路由，减少对稀缺长视频和显式标注的依赖。

研究提出 Rubric-to-Code Credit Assignment（RCCA），一种将评分细则级功能反馈转化为代码局部优化信号的强化学习框架，以改善交互式网页应用生成中的信用分配问题。

ContextPilot 提出一种面向长程智能体任务的主动上下文管理框架，通过扩充规划、长期记忆和软上下文卸载工具，并设计基于上下文与熵变化的细粒度 RL 方法，解决现有方法工具集受限、探索低效和信用分配粗糙的问题。在长上下文问答和深度搜索任务中，ContextPilot 以更紧凑的工作上下文取得更强性能，在多种基座模型和基准上持续优于现有基线。代码已开源。

Thinking Machines与UIUC、Bridgewater研究人员合作，将专家判断融入RLVR的每个环节，训练出首个在文本转SQL任务上超越人类基准的模型。该方法需前期投入数据清洗与奖励函数对齐，但最终在复杂任务上达到SOTA水平。

AgentMercury 研究表明，智能体的训练环境不必与评测集一致，在无关的模拟商业世界中训练反而能提升目标基准表现。该方法从商业描述生成 4，783 家模拟公司，每家公司含独立服务、工具和数据库，再从中提取训练任务。世界构建本身也可学习，微调后模型生成有效公司的成功率从 3.3% 提升至 83.3%，与 Claude Opus 4.8 持平。

Netflix 发布论文，详解其推荐理由生成系统：一个 AI 模型撰写"因为你看过"短句，另一个 AI 评委逐条打分，人类每周审核。论文提出生产环境中的评委模型需持续维护，分为构建标注样本、调优评委、作为门控运行及监控漂移四阶段，调优基于书面理由而非简单对错。5 周测试显示，相比无解释，该方案让用户略微转向未看过的内容，并更常以播放结束浏览。

一项综述研究提出，以人为本AI的下一次飞跃在于将感知、动作等孤立任务连接成统一基础模型。该框架将人体外观、运动、交互、影响世界及物理行动划分为6个关联层级。综述指出，仅靠更大模型并非答案，需共享人类表征、更优人类数据、更强物理基础及协同能力评估。

JIT-Agent 是一种输出为智能体框架的模型，将框架形式化为固定四模块协议（记忆、规划、行动、工具编排），可为任意现成智能体 LLM 即时合成。它还能在执行中修复框架，并通过蒸馏历史配置的性能信号自我进化。

新研究将智能体轨迹压缩为紧凑有限状态机，在12个公开数据集上仅用7-43个状态，以0.997的适应度重放留出数据，毫秒级构建。FSM状态上下文在下一步预测上全面优于Agent Workflow Memory，失败预测AUROC达0.94。作者认为行为拓扑更多由部署框架而非底层LLM塑造。

Ethan Mollick 分享论文，指出模型的任务自动化能力与辅助人类工作的增强能力并不必然相关。擅长独立执行任务的模型，未必擅长帮助人类更好地工作。例如 Opus 和 Sonnet 擅长自主执行任务，但辅助表现不佳；GPT-5-Mini 两方面均佳，Gemini 模型则更擅长作为助手而非自动化执行者。

沃顿商学院测试六款 AI 模型后发现，购物推荐极不稳定：单一外部来源（如 Wirecutter）可让 Claude Opus 4.8 选择 Fitbit Inspire 3 的概率飙升 90 个百分点。

Recent advances in inference-time scaling have significantly improved the reasoning performance of large language models (LLMs). However, these methods typically rely on repeated generation or external verification. To address this limitat…

Agent skills package specialized knowledge and workflows into reusable resources that extend AI agent capabilities. Recent work automatically discovers such skills from agent experience, which enables agents to progressively adapt through …

To improve large language models' ability to resolve real-world software issues, prior work has focused on constructing large-scale agent trajectory datasets and performing supervised fine-tuning (SFT) on successful trajectories. However, …

Recent prominent post-training methods, such as Reinforcement Learning (RL) and On-Policy Self-Distillation (OPSD), have driven rapid progress in mathematical reasoning for large language models, yet their reliance on ground-truth labels p…

In real-world software development, code review typically involves iterative interactions between developers and reviewers to improve software quality, making the process costly and time-consuming. Although recent work explores large langu…

LLM-based agents are increasingly deployed in product-level execution harnesses, where jailbreaks can trigger harmful tool use and persistent state changes, creating greater risks than unsafe text generation alone. Existing automatic red-t…

Chemical reactions are fundamentally transformations in electron space, yet most machine learning approaches model them either through \textit{de novo} generation of product molecules or through heuristic graph edits that operate directly …

Transduced language models (TLMs) compose a pretrained \emph{source} language model with a functional finite-state transducer to induce a language model over \emph{target} strings. Computing the probability of a target prefix under a TLM a…

Large language model (LLM) agents in governed organizations must let the persona (instructions, tone, self-presentation) evolve freely, while keeping execution (stateful, audited work) traceable. A single trust domain does not satisfy both…

Static scanners are increasingly used to identify executable or otherwise unsafe content in machine- learning artifacts, yet conventional evaluation metrics characterize only cases where a scanner yields a usable security judgment. We eval…

Currently used sepsis severity indices rely on fixed variables and weights established decades ago, which are coarsely discretized and calibrated to a cohort that no longer reflects contemporary critical care. No alternative learned direct…

Reinforcement Learning with Verifiable Rewards (RLVR) significantly improves LLM reasoning but often causes a drop in policy entropy, leading to narrowed reasoning coverage and degraded pass@$k$ for large $k$. While existing methods mitiga…

Friend recommendation is inherently graph-structured: the relevance of a potential connection depends on multi-hop social context rather than user attributes alone. However, deploying message-passing GNNs on a production-scale social graph…

新研究将智能体轨迹语料库压缩为单一紧凑有限状态机，在12个公开数据集上仅用7至43个状态，以0.997适应度重放留出数据，毫秒级构建。FSM状态上下文在下一步预测上全面优于Agent Workflow Memory，失败预测AUROC最高达0.94，并支持在线监控提前停止。作者认为行为拓扑更多由部署框架而非底层LLM塑造。

Reinforcement learning with verifiable rewards (RLVR) improves specific capabilities of large language models, but covering multiple capabilities often involves training separate domain experts and subsequently consolidating them. We organ…