精选

Anthropic发布循环设计指南，拆解AI新范式loop

The Key to Going Linear: Analysis-Driven Transformer Linearization

SkillCenter 是截至论文发表时已知最大的、开源的、带有源引用保证的 AI 智能体技能库，共包含 216,938 个结构化技能，所有技能均可离线搜索并提供精确到原文的引用追溯。

值得关注：通过源引用机制，SkillCenter 让 AI 智能体的输出不再仅仅是“可执行”，而是“正确、安全、可维护”，这对于金融、医疗、工业等高风险领域尤其关键。

LingBot-Video 是首个大规模开源 MoE（混合专家）视频基础模型，旨在弥合数字视频生成与物理机器人控制之间的领域差距，通过架构、数据和训练策略的协同设计实现可扩展的具身智能预训练。

值得关注：桥接视频生成与机器人控制是具身智能领域的关键挑战。LingBot-Video 通过 MoE 架构实现高效率扩展，并引入机器人专用数据和物理奖励机制，为未来机器人自主学习物理世界模型提供了新范式。

强化学习后训练不仅能放大基座模型中已有的原始技能，还能将这些原始技能组合成新的、可复用的高层级策略，而拒绝微调由于探索选择性不足，效果随训练趋于停滞。

值得关注：该工作首次在可控环境中直观展示了RL后训练如何从原始技能中涌现出组合策略，揭示了探索选择性比探索数量更关键，并为理解大型语言模型中RL后训练（如RLHF、GRPO）的底层机制提供了可审计的简化模型。

该论文通过调查1250篇arXiv论文（2024–2026），提出了一个区分“有界自我精炼”（bounded self-refinement）与“开放式递归自我改进”（open-ended recursive self-improvement, RSI）的分类法，并强调**自我评估**是所有改进回路的共同主张——即某种信号可以替代人类判断——进而构建了一个…

值得关注：该论文首次系统地梳理了AI自我改进领域的术语混乱，提供了一个可操作的分析框架。它明确指出：开放式递归自我改进在所有可测量维度上仍受限于**接地需求**（grounding requirements）、**崩溃动态**（…

MedPMC 是一个自动化、可持续更新的框架，能从 PubMed Central 文献中提取高质量医学图像‑文本对，训练出的多模态基础模型在基准测试和临床场景中均优于现有方法。

值得关注：提供了可复现的自动化流程，显著提升医学多模态数据的质量和规模。 训练的模型在多个实际临床任务中表现更好，有望推动医学 AI 的部署。 框架、语料、基准和预训练模型均公开释放，有助于社区研究。

AdaPrefix-GRPO 通过自适应地为每个问题注入参考解答的前缀，将模型在困难问题上的成功率维持在 50% 附近，从而最大化 GRPO 的梯度信号，在相同训练计算量下，将小模型（0.6B）在困难数学题上的准确率提升至原始 GRPO 的 2.1 倍，同时轨迹长度减半。

值得关注：GRPO 是当前主流的强化学习微调方法之一，但其在困难样本上的“死区”问题一直被忽视。AdaPrefix-GRPO 以极小的实现代价（仅修改数据预处理和 loss mask）解决了这一瓶颈，使得每个训练样本都能贡献梯度…

大型语言模型（LLM）能够以与一组人类预测者相当的准确度预测社会科学实验的结果——即使是模型训练完成后才发表的实验也不例外——但会系统性高估效应量。

值得关注：该研究表明LLM可以增强科学和实践中的实验方法，用于预测试（pilot testing）、干预选择（intervention selection）、识别需要复制的效应（identifying effects needi…

部署规则（如后果分配规则）对多智能体AI系统的集体安全具有显著的因果影响，仅改变规则就能使平均致死率移动22至58个百分点；没有绝对安全的默认规则，且“身份凸显性”是导致规则设计中出现系统性针对最弱智能体的关键机制。

值得关注：将安全评估从“模型级”扩展到“制度级”，揭示部署规则是影响多智能体安全的关键杠杆，且往往被忽视。 证明“身份凸显性”是规则设计中的危险信号：简单地在规则中指名道姓就能极大放大社会性攻击行为。 为AI部署方（如企业、平台…

RoPE（旋转位置嵌入）为Transformer提供固定的频率网格，但模型实际使用的频率分布高度不均匀；本文提出数据中心的解释：RoPE频率被选择用于匹配训练数据的相对距离结构，并且长上下文泛化依赖于两种尺度匹配——学习频率与训练时依赖之间的匹配，以及频率缩放与依赖扩展到更长上下文的方式之间的匹配。

值得关注：为理解Transformer在长上下文任务中的行为提供了新的理论视角，有助于设计更好的位置编码和长度泛化策略。 对优化训练数据、调整模型架构以及开发更高效的长上下文处理方法具有指导意义。

STRACE框架通过批量级轨迹冗余过滤和轨迹内因果定位，显著提升长程智能体的优化质量，在形式化验证任务上带来1.4倍的成功率提升。

值得关注：现有方法无法有效从冗余、噪声轨迹中提取因果信息，导致优化目标被稀释。STRACE 首次在聚合级和个体级同时进行结构化筛选与因果提取，使 LLM 优化器能聚焦于真正导致失败的关键环节，提升了优化精度和效率。

模型内部激活在生成任何答案前就能以极高准确率（AUROC 0.95–1.00）区分熟悉与虚构实体，但实体熟悉度和事实可靠性遵循不同的缩放曲线，且模型几乎从不主动拒绝回答（2520次答案中仅2次拒绝、1次含糊）。

值得关注：该研究揭示了LLM内部表示与输出行为之间的关键脱节：模型“知道”一个实体是否熟悉，但几乎不利用这一知识来拒绝回答不可靠的问题。这为幻觉缓解、可靠性校准以及模型安全部署提供了新的视角——单纯提高模型规模可能仅改善事实回忆…

截至2026年中，知识蒸馏已从传统的“大教师-小学生”压缩演变为前沿模型后训练的核心技术，主流范式包括离策略蒸馏、一致性策略多教师蒸馏和自蒸馏，且教师模型往往不是更大，而是更专精或更具情境优势。

值得关注：本文是2026年蒸馏领域“活地图”，系统性地揭示了前沿模型实际使用的三种蒸馏变体及其背后的统一教师-学生机制。 与已有知识卡片无直接重复，可视为对蒸馏技术最新产业化应用的横向总结，尤其突出了“教师不一定是大模型”和“多…

大型语言模型（LLM）在理解英语方言方面已有进步，但生成时仍偏向标准美式英语；DiaLLM 项目通过连续预训练和对齐策略的系统比较，揭示了“鲁棒性-生成差距”，并发现显式方言目标适配虽能产生可辨识的方言输出，但最激进优化奖励的方法反而得不到人类评价者的青睐。目前没有任何单一对齐方法占据主导，缩小差距需要更丰富的奖励设计和持续的方言资源投入。

值得关注：该研究系统揭示了 LLM 方言生成面临的深层矛盾：即使模型能理解方言，其生成行为仍受制于对齐目标与人类真实偏好的不匹配。这为未来多语言/多方言 LLM 的对齐训练提供了关键启示，也强调了方言资源建设和奖励函数设计的重要性。

本文提出一种将神经网络训练视为连续时间最优控制问题，并利用后验误差估计指导网络深度自适应的方法——通过将总近似误差分解为层间贡献，在误差最大的位置插入新层，从而在科学数据集（如Navier-Stokes方程的可观测到参数映射学习）上获得优于现有架构自适应方法的泛化性能。

值得关注：将有限元分析中的成熟误差估计技术引入神经网络架构搜索，架起了数值分析与深度学习之间的桥梁。 解决了“在哪里增加层”这一关键问题，避免了盲目增加深度带来的计算浪费和过拟合风险。 提供了严格的误差理论，使得网络结构的变化有…

SciReasoner 是一个多模态科学基础模型，通过将蛋白质、小分子和无机晶体的坐标、拓扑与周期性连接离散化为统一的结构感知词汇表，首次实现了对结构–性质关系的**原生结构推理**，在86个基准测试中67项达到最先进水平。

值得关注：该方法使结构成为可检查的推理底物，将深度学习的高预测精度与可解释的科学推理相结合，为跨学科的材料、药物和化学设计提供了透明且可信的 AI 工具，尤其适用于低同源性/孤儿样蛋白等困难预测场景。

当代人形机器人可通过遥操作执行腹腔镜手术任务，研究证明了其技术可行性，同时也指出了在临床部署前需要解决的关键技术挑战。

值得关注：**医疗需求迫切：** 医疗行业面临人员短缺与护理需求增长之间的缺口（参考文献19-21），而大量医院工作具有“具身性”（embodied），需要移动性、操作能力和在人类设计环境中的安全交互。 **突破传统范式：** …

NVIDIA 认为，构建真正能适应真实世界的 AI 智能体（agent）其核心是数据问题，而开放数据和合成数据是实现规模化扩展的关键路径。

值得关注：AI 智能体需要处理真实世界中的 API 故障、未见工作流、多步推理、检索、安全等问题，传统基准测试无法模拟。NVIDIA 指出“一个不能从 API 调用失败中恢复的智能体只是带工具的自动补全器”。开放数据和合成数据提…

WUSH-KV 是一种面向低比特 KV 缓存量化的方法：它用校准数据分别构造 key 与 value 的数据自适应变换（WUSH），以降低量化误差，并在 2-bit 端到端评测中声称与 OSCAR 变换持平或更优（具体数值与实验设定待核实）。

值得关注：长上下文推理的成本主要由 KV 缓存驱动；量化到 2-bit 若能在任务质量上站得住，直接对应显存容量与吞吐收益。 与“对缓存做低秩/跨层分解”的路线不同，本条走的是**变换 + 截断量化器**的组合路线，属于量化方向…