AI 日报 · 2026-10-15

蚂蚁百灵开源 Ling-3.1-flash，总参数约 560B、每 token 激活约 25B，最高支持 1M 上下文；通过路由专家 MXFP4 量化将权重从约 534GB 降至 292GB，使 Hopper 部署由 8 卡降至 4 卡，Artificial Analysis 智能指数 41，输出速度约 210 token/s。

来源：腾讯研究院 AI 速递（20261016）第四条。 事件：蚂蚁百灵开源 Ling-3.1-flash。 核心问题：在大总参数稀疏 MoE 模型下，如何通过量化压缩权重、降低部署卡数门槛，同时维持较高输出速度与可接受的调用价格。

腾讯研究院（搜狐同步）

Anthropic 于 2026 年 10 月 15 日宣布已开始向 METR 团队提供“类员工访问权限”，并披露了三层评估者访问分级框架，同时确认 SecureBio、Accenture 等机构的评估合作进展。

Anthropic 更新了其与独立第三方评估者合作的机制。核心问题是：如何在不公开泄露商业敏感信息或安全风险细节的前提下，让外部评估者获得足够深入的访问权限，以对前沿 AI 模型的风险做出有意义的独立判断。

Anthropic 博客

OpenAI 围绕教师节推出面向教育者的内容，介绍巴西葡萄牙语版 “AI for Educators”，并展示 Study Mode 如何帮助教师支持主动、分步的学习；正文细节待核实。

条目对应 OpenAI 官网页面，Manual title 为 “Teaching students to think and learn through questions”。 元数据摘要显示：以教师节为契机，介绍巴西葡萄牙语版 “AI for Educators”，并说明 Study Mode 如何帮助教师支持主动的、分步的学习。 由于未能抓取正文，本…

OpenAI

Sullivan & Cromwell 与 OpenAI 合作开发了 Agreement Analyzer，一款用于识别草拟协议中问题的 AI 工具；但原始正文未能抓取，以下内容主要基于元数据，细节待核实。

已知信息：Sullivan & Cromwell（一家律师事务所）与 OpenAI 合作，开发了一款名为 Agreement Analyzer 的 AI 工具，目标是识别草拟协议（draft agreement）中的问题。 待核实：合作的具体形式、发布时间、工具的技术实现、适用范围及是否对外商用等均无法从现有材料确认。

OpenAI

Physical Intelligence 推出 Pi API 测试版，把机器人模型微调与推理搬到其托管算力上，开发者上传数据即可使用；早期客户 Argon Robotics 与 Deft 报告了模型开发周期和任务成功率的显著改善，但云端推理的通信延迟和接入限制仍是现实约束。

事件：Physical Intelligence（Pi）开放 Pi API 测试版。 核心问题：机器人基础模型的微调与部署通常需要昂贵的本地算力；Pi 试图以云端托管方式降低这一门槛。 接入状态：需申请，分批开放（材料明确“目前需申请分批接入”）。

腾讯研究院（搜狐同步）

蚂蚁百灵于2026年10月开源推出 Ling-3.1-flash，主打"高智效比"和真实工作流任务交付能力，通过混合线性注意力与稀疏MoE架构降低部署门槛，并已在办公、金融、医疗等场景落地。

2026年双十一前夕，量子位报道蚂蚁百灵推出新开源模型 Ling-3.1-flash。该模型定位为"把真实工作流里的活干完"，面向办公Agent、电商大促方案、医疗问诊辅助等需要多步骤推进的实际任务场景。百灵负责人西亭在外滩大会上提出"Coding并不是唯一考场"，主张用真实任务给模型打分。

量子位

Hugging Face旗下HuggingFaceBio发布12亿参数的基因注释模型Carbon-A，可仅凭DNA序列从头预测基因，在42个基准基因组上达到核苷酸级F1 0.944，并配套发布了大规模基因组数据库CADB。

HuggingFaceBio推出开源基因注释模型Carbon-A，目标是仅从DNA序列出发、不依赖既有注释信息，从头预测基因位置与结构。模型覆盖哺乳动物、植物、真菌等六大类群。同时配套构建数据库CADB，用于支撑模型训练与大规模基因预测。（发布时间、开源许可证、模型权重获取方式等待核实。）

腾讯研究院（搜狐同步）

苹果正式发布带屏家庭中枢 HomeView，并同步更新 Apple TV 4K、HomePod mini 2，联合 LG、施耐德推出 9 款家居配件，由新一代 Siri AI 统一接管全屋控制。

本条为腾讯研究院 AI 速递（20261015）中“生成式AI”板块的第四条，记录了苹果在家居方向的一次完整产品线发布：以带屏中枢 HomeView 为核心，配合 Apple TV 4K、HomePod mini 2 硬件更新，以及与 LG、施耐德合作的家居配件生态，卖点落在“Siri AI 接管全屋”。

腾讯研究院（搜狐同步）

谷歌发布 Gemini 4 Argon，主打 100 万 token 上下文与低价策略，智能指数与 GPT-6 Astra 相当但单任务加权成本约为其 60%，并已在 Chrome 重构与 Apollo 人形机器人任务中展示应用潜力。

据腾讯研究院 AI 速递（20261015）转述，谷歌上线 Gemini 4 Argon。材料给出的关键指标包括：支持 100 万 token 上下文；智能指数 53 分，与 GPT-6 Astra 相当；单任务加权成本约为后者的 60%。本条为对既有 Gemini 相关卡片的延续，增量信息集中在 Gemini 4 Argon 这一具体版本、其定价与落地案…

腾讯研究院（搜狐同步）

前DeepMind强化学习负责人David Silver创办Ineffable，主张超级智能应像AlphaZero一样从经验中自主学习、不依赖人类数据，并将超级智能实现预测提前至约三年。

David Silver（前DeepMind强化学习负责人）创办公司Ineffable，目标是打造“从经验中自主学习的超级学习者”，不依赖人类数据。 核心问题：超级智能是否必须摆脱以人类数据为核心的训练范式，转向以经验/自我对弈为基础的自主学习路径。

腾讯研究院（搜狐同步）

Cohere 于 2026 年 10 月 15 日宣布拟收购网络安全公司 AISLE，并计划推出 Cohere Cyber，将自主漏洞发现与修复能力并入其主权 AI 平台，同时扩大在欧洲（尤其是布拉格）的布局。

Cohere 宣布一项拟议收购协议，对象是 AISLE——一家构建自主系统、用于发现并修复关键软件中此前未知漏洞的公司。Cohere 称这是其构建“全球领先主权 AI 平台”使命的又一重要步骤，目标是把前沿模型、代理式应用、安全部署基础设施与先进安全能力结合，使组织能够有信心地部署 AI。

Cohere 博客

AI 陪伴平台 Character.AI 已向美国法院申请破产保护，迪士尼作为“假马竞标者”拟以 2000 万美元收购其部分资产及专利非独占永久许可，若 11 月底至 12 月初拍卖无更优报价，平台将关闭。

据腾讯研究院 AI 速递（2026-10-15）转述，Character.AI 向美国法院申请破产保护，负债规模在 5000 万至 1 亿美元之间；路透社数据称其月亏损 800 万至 900 万美元。迪士尼以假马竞标者（stalking horse bidder）身份出价 2000 万美元，拟收购部分资产及专利非独占永久许可。该金额不到 Character…

腾讯研究院（搜狐同步）

OpenAI 发布 Rosalind Academic Plan，拟向符合条件的学术实验室提供 GPT-Rosalind 的赞助访问及相关工具，以推进生命科学研究；具体资格标准、工具内容与访问条件待核实。

据来源页面标题与链接推断，OpenAI 正在推出一项名为 Rosalind Academic Plan 的学术支持计划，目标是让符合条件的学术实验室获得 GPT-Rosalind 的赞助式访问权限，并配套提供推进生命科学研究的相关工具。该条目属于 AI 产业动态，主题为 ai-industry。

OpenAI

扎克伯格在 2026 年 10 月的公开发言中判断 AI 不会形成赢家通吃格局，同时披露了 Meta 运营 1 吉瓦 AI 集群的年成本约为 150 亿美元，以及多个超大规模集群的规划。

本条来自腾讯研究院 AI 速递（20261015），属“报告观点”类信息。核心问题是：AI 产业是否会走向少数公司垄断？超大规模 AI 基础设施的经济代价有多大？扎克伯格与亚历山大·王分别从竞争格局和开源生态角度给出了判断。

腾讯研究院（搜狐同步）

前华为小艺多模态大模型负责人唐都钰创办观行数智，提出并押注“主动式物理AI”——让机器不等待人类指令，而是从环境事件流中自行判断需求、时机与介入方式。

据量子位2026年10月15日报道，唐都钰（曾任华为智能助手“小艺”多模态大模型研发负责人，职级达21级）创办观行数智，致力于打造面向物理世界的主动式AI系统。核心研究问题是：物理AI能否从“执行人类明确指令”（解决 How）升级为“自主判断需要做什么、何时行动”（解决 What 与 When）。唐都钰将现有物理AI概括为“被动式”，任务起点均来自人类指令…

量子位

Agility Robotics 宣布 Nyobolt 成为 Digit 5 超快充电池技术供应商，新电池系统支持 90 分钟运行、9 分钟充电（10:1 运行充电比），使 Digit 5 在一个 24 小时工作日内可工作超过 20 小时，计划 2027 年上半年早期访问。

2026 年 10 月 15 日，Agility Robotics 发布新闻稿，宣布 Nyobolt 为其 Digit 5 人形机器人的电池技术提供商。核心升级在于电池系统的超快充能力：Digit 5 将搭载新电池系统，实现 90 分钟运行时间、9 分钟充电时间，运行充电比从 Digit 4 的 2:1 提升至 10:1。Agility 首席商务官 Dan…

agilityrobotics.com

昆仑万维旗下 Skywork AI 发布的 Matrix-Game 4.0，通过「游戏引擎维护世界状态 + 视频模型负责渲染画面」的分工架构，成为全球首款可在单张 RTX 5090 上以 60 FPS 实时运行的游戏世界模型，并开源模型与代码。

发布时间：2026 年 10 月 15 日（据量子位报道）。 发布方：昆仑万维旗下 Skywork AI。 核心问题：以往游戏世界模型（如谷歌 Genie 路线）让视频模型同时承担「记忆世界状态」「执行游戏规则」「生成画面」三重职责，导致规则容易脱缰（NPC 位置、血量、任务输赢被模型临场发挥），且算力需求极高，难以在消费级硬件上实时运行。 Matrix-…

量子位

西门子 EDA 借助 NVIDIA NeMo Gym 对 Fuse EDA AI Agent 进行智能体评估与优化，在标准单元表征任务的 Liberty 文件生成中，将基准综合评分从约 55% 提升至约 95%，同时将智能体轮次减少约 66%、输出 token 减少约 64%。

AI 智能体在复杂芯片设计工作流中能带来显著生产力提升，但其倾向于生成“看似合理却错误”的产物（plausible yet incorrect artifacts），这成为生产环境采用的主要障碍。在多阶段工程工作流中，早期未被发现的错误会静默传播至下游阶段和最终产物。核心研究问题是：如何基于经过验证的最终输出（而非孤立的中间步骤）来评估和改进智能体，从而构…

NVIDIA 博客

DaTMe 提出一种无需训练的 token 合并框架，用扩散去噪过程中的动力学信号（时序变化 + 结构高频信息）决定哪些 token 可以安全合并，从而在加速生成的同时避免只保护 prompt 对齐前景而导致的背景与局部细节退化。

论文标题：Which Tokens to Merge? Diffusion Dynamics for Efficient Image Generation 作者：SeungJu Cha, Ye-Chan Kim, HyunGee Kim, Sungho Koh, Dong-Jin Kim 发表信息：arXiv 2610.22370v1，2026-10-15…

arXiv 论文

Velox 是一种无需训练的注意力路由方法，利用流式几何中的视锥平板（frustum slab）对应关系做区域级上下文选择，缓解分块视频扩散世界模型中 KV 缓存随 rollout 增长而变慢的瓶颈，在保持接近稠密模型质量的同时显著加速。

视频世界模型把动作与相机运动转化为长视觉 rollout，使视频成为交互式仿真的自然接口。但连贯的 rollout 必须保留已生成内容的视觉记忆；分块视频扩散模型通常把这种上下文存入不断增长的 KV 缓存，导致越往后生成越慢。Velox 针对的正是这一随 rollout 长度增长的注意力开销问题。

arXiv 论文

论文提出“互补表征”作为时间序列语言模型（TSLM）的设计原则：以折线图保留绝对测量与坐标框架、以归一化延迟嵌入剥离幅度缩放与偏移并显露时序结构，双视图经视觉编码器与多级特征融合接入同一语言模型，在 TSRBench 上把总体准确率从单视图折线图的 44.5% 提升到 53.2%。

研究问题：时间序列语言模型的时序表征应当保留什么信息、又应当对什么变化保持不变？现有 TSLM 通常只向语言模型暴露单一表征，从而在下游任务上施加固定的归纳偏置。 论文主张：用互补的两种表征同时提供“绝对测量框架”和“对幅度/偏移不变的结构信息”，让模型按任务需要取用，而非被迫接受单一偏置。 论文标题：Twice Upon a Time: Compleme…

arXiv 论文

该研究提出一种“集合级”强化学习目标来训练科学创意生成模型：模型一次性生成 K 张结构化想法卡，并对整组想法联合打分，每张想法的质量按其与先前想法的距离加权，从而在保持高质量的同时提升想法间的多样性。

研究背景：LLM 已越来越多用于研究流程早期的“想法生成”环节，但既有工作多优化单个想法的质量，忽视多样性。 研究问题：在“基于文档的创意生成”（document-grounded ideation）设定下，给定先前论文，模型需要提出一组想法——每一条都高质量、彼此明显不同、且扎根于输入文档。 论文标题：Training Reasoning Models…

arXiv 论文

SST（Subspace Tuning）把微调时的权重更新限制在权重矩阵的“底部奇异子空间”，避免改动主奇异方向，从而在保持目标任务性能的同时显著缓解灾难性遗忘——但该结论目前仅基于摘要级元数据，具体实验细节待核实。

大语言模型（LLM）通过微调获得新技能，但微调会破坏已有能力，即灾难性遗忘（catastrophic forgetting），这是持续学习（continual learning）的核心障碍。近期研究把遗忘与微调使权重移动的“幅度和方向”联系起来：on-policy 方法（强化学习、on-policy 蒸馏）不更新权重矩阵的主奇异方向，因而遗忘更少；而监督微…

arXiv 论文

T2-Z 通过在测试时优化一个可学习的“环境隐变量”来条件化机器人世界模型的预测，使模型能够自适应未见过且不可直接观测的环境配置，在仿真与真机任务上显著降低预测误差并提升动作成功率。

预测动作引起的世界变化，不仅依赖可见信息，还需考虑不可直接观测或未明确指定的环境因素（如摩擦、质量等物理属性，以及人类定义的环境规则）。 论文提出 T2-Z，用测试时优化（test-time optimization）的方式，为机器人世界模型引入可学习的 environment latent，以条件化世界预测。 该隐变量无需监督信号指明“存在哪些环境因素”…

arXiv 论文

SUPRA-Tex 通过将可见材质估计、表面对齐与观测引导的3D补全解耦，在仅用公开数据训练的条件下，实现了单图3D纹理生成中可见区域的“所见即所得”保真与不可见区域的连贯补全，达到SOTA水平。

单图像3D生成任务要求为给定3D网格赋予可重光照材质，同时忠实保留参考图像的视觉细节。现有方法面临两类问题：融合不一致的多视图预测时引入伪影，或通过隐式图像特征条件化难以保留精细细节。SUPRA-Tex 旨在解决这些挑战。

arXiv 论文

Speculative Forcing 通过把中间去噪估计当作“草稿”并逐 token 提前冻结已可接受的结果，减少自回归视频生成中不必要的“每 token 都跑满步数”的均匀计算，在保持全步采样质量的同时显著提速。

来源：arXiv 论文 *Speculative Forcing for Efficient Autoregressive Video Generation*（arXiv:2610.22347v1，2026-10-15）。 问题：少步自回归视频生成器虽支持流式生成，但仍对每个 token 执行最终去噪步骤，不论该 token 实际需要多少细化。 作者观察：…

arXiv 论文

SoftCache 把动态缓存中的“刷新/复用”二值开关改造成由 staleness 信号余量（headroom）驱动的**连续步长调节**，在免训练、无需按骨干网络调参的前提下，于 FLUX、HunyuanVideo、Wan2.1 上实现 3.5×–6.9× 加速并领先所有基线。

扩散与流模型通过多步迭代生成样本，每步都要完整前向一次大网络，这一步的开销主导了生成成本。免训练缓存通过复用最近一次评估的激活来加速。动态缓存方法用一个廉价探针累积“陈旧度（staleness）”信号，超过阈值就做一次新的完整评估。问题在于：这类方法做的是**硬缓存（hard caching）**——信号只当二值开关用，且无论刷新还是复用，每一步都按预定的…

arXiv 论文

论文提出一种鲁棒强化学习（RL）框架，把患者建模为隐藏上下文，用鲁棒上下文马尔可夫决策过程统一处理“跨患者泛化”与“生物标志物测量误差/疾病动态漂移”两类不确定性，并在转移性前列腺癌自适应治疗的临床校准模拟器中取得优于现有自适应疗法的策略。

研究问题：如何学习自适应的动态治疗方案（dynamic treatment regimes），使其既能跨患者泛化，又能在测量的生物标志物存在误差、疾病动态发生偏移时保持可靠。 论文将上述泛化与鲁棒性问题统一到“鲁棒上下文马尔可夫决策过程”（robust contextual Markov decision processes）框架下，把患者视为隐藏上下文。…

arXiv 论文

现代 MoE 架构中“细粒度专家分割”与“共享专家”两个设计的组合会产生探索困境：共享专家降低了 token 表示的多样性，削弱了路由探索，而细粒度分割又因组合空间扩大而更需要探索；论文提出 MirrorMoE，通过 token 自适应抑制冗余专家来缩小探索空间，从而缓解这一矛盾。

混合专家（Mixture-of-Experts, MoE）模型已成为扩展模型参数的重要途径。当前 MoE 架构日益倾向于同时采用两种设计： 1. **细粒度专家分割**（fine-grained expert segmentation）：在固定激活比例下，通过更多专家组合提升表达能力。 2. **共享专家**（shared experts）：引入对每个 t…

arXiv 论文

一项 arXiv 预印本研究提出用随机投影（random projection）同时变换检索库嵌入与查询嵌入，在可证明保持语义相似度的前提下缓解 RAG 数据存储的隐私泄露；据摘要称其检索与生成表现优于依赖形式化差分隐私（DP） guarantee 的先前方法，但全文未抓取，细节待核实。

研究问题：检索增强生成（RAG）通过查询外部结构化知识增强大语言模型（LLM）能力，但检索数据存储中的敏感信息可能被泄露，带来隐私风险。 提出方法：一种简单的随机投影方法，用于在 RAG 系统中保护数据存储隐私。 核心思路（据摘要）：对数据存储嵌入和查询嵌入施加相同的投影，从而在查询与检索项之间可证明地保持语义相似度，同时显著缓解数据提取攻击。

arXiv 论文

P³-WAM 通过一个共享权重的混合 Transformer 架构，把第一视角灵巧操作中的 3D 手部感知、动作条件预测与目标导向规划统一到同一个世界动作模型中，并用随机模态可见性让视频与 3D 动作在不同模式下互为条件或预测目标。

论文标题：Perceive, Predict, and Plan: a Unified World Action Model for Egocentric Dexterous Manipulation arXiv ID：2610.22363v1（cs.CV，交叉 cs.RO），发布时间 2026-10-15。 研究问题：能否让单一模型同时承担第一视角灵巧操…

arXiv 论文

PathFM 用流匹配（flow matching）生成完整未来轨迹而非仅边缘分位数，并通过模型蒸馏与历史注意力缓存共享，将多条路径的生成时间压缩到接近一次分位数模型查询，在 fps-bench 上聚合路径分数优于所有被评估的外部基线。

时间序列基础模型（time series foundation models）在通用预测中日益流行，但多数领先模型只预测边缘分位数（marginal quantiles），未指定未来轨迹的依赖结构。这一区别对依赖轨迹的量（如累计需求、峰值负荷、事件发生时间）至关重要，而点预测和边缘分数无法揭示这些结构。PathFM 的研究问题即：如何为多变量时间序列建模完…

arXiv 论文

OmniVerifier-C1 提出一种将复杂提示或环境规则自动分解为细粒度子项并打分的分级视觉验证器，在文本到图像与规则治理世界建模（如 Maze、Sudoku）任务中优于传统二值验证器；作者进一步指出，当存在真值图像时，成对（pairwise）验证范式比逐点（pointwise）形式给出更准确的评判。

生成式视觉验证器对多模态智能的发展具有关键作用。 现有常规验证器只输出 True/False 离散判断，在涉及组合式要求的复杂多模态场景中鲁棒性不足。 研究问题：如何让视觉验证器自动分解复杂提示/环境规则、给出连续且可解释的评判信号，并提升对域外多模态评判任务的泛化能力。

arXiv 论文

EOS-Story 是一个无需训练的框架，试图在视觉故事生成的图像序列中同时保持身份一致性与场景特定适应；但本条仅基于 arXiv 元数据，具体方法与实验细节待核实。

该论文关注文本到图像扩散模型在视觉故事生成中的应用：给定叙事提示生成连贯图像序列。现有方法多聚焦身份保持，但在多样场景变化下容易出现语义错位与结构不灵活。论文提出 EOS-Story，目标是在文本与视觉空间中协调身份一致性与场景特定适应。上述研究问题与动机来自元数据摘要，正文细节待核实。

arXiv 论文

该论文提出“多目标少样本提示”（multi-target few-shot prompting），利用扩散语言模型在共享画布上同时填充多个掩码区域，并用选择性掩码构造似然比奖励来提升示例遵循度；由于未能获取正文，具体方法与数值结果待核实。

少样本提示在指令与奖励难以明确指定的场景中很有价值，例如“按示例编辑”：给出一处格式修改或 API 迁移示例，要求在多个位置批量应用。 此类编辑往往同时依赖左右上下文，用因果自回归模型生成并不自然。 论文针对的问题是：如何用扩散语言模型把示例作为引导，在共享画布上一次性完成多个目标区域的填充，并缓解少样本提示中“不可靠地遵循示例”的已知难题。

arXiv 论文

MLExpert 是一个 35B 的专家混合（MoE）智能体模型，通过后训练方法（层级化智能体 SFT + 窗口化交互强化学习 WIRL）实现长时程自主机器学习工程优化，在 MLE-Bench Lite 上把基座模型的平均奖牌率从 37.9% 提升到 72.7%。

论文关注 AI for AI（AI4AI）与递归自我改进（RSI）方向：LLM 正从辅助科研与工程，走向自主开发与改进 AI 系统。 现有工作流驱动的 MLE 系统可管理长时程实验编排；较新的 MLE 系统采用"模型主导交互"，让模型自主组织实验、依据执行反馈调整优化策略。 核心难点：单次实验的反馈反映的是此前若干决策的叠加结果，而一次长 MLE 运行包含…

arXiv 论文

MindEval2 提出由“心理健康质量评分细则（MHQR）”与“患者模拟器（MindSim）”组成的评估框架，用临床心理学家参与制定的可操作标准替代不透明的 Likert 打分，并对 18 个闭源与开源模型评测后发现：前沿模型在表层质量与边界问题上已明显改善，但“引导校准（guidance calibration）”仍是所有模型共同的主要失效模式，构成大…

随着越来越多人转向 AI 聊天机器人寻求心理健康支持，如何评估这类工具变得更为紧迫。已有基准通过合成患者进行多轮交互模拟，并用“LLM-as-a-judge”打分，但论文指出两类局限：一是模拟患者往往过于坦率、自我反思过强，不够真实；二是评判通常依赖不透明的 Likert 量表，实际用途不明。MindEval2 即针对这两点设计。

arXiv 论文

LIBERO-PeRM 是一个在 LIBERO 仿真环境中构建的个性化机器人操作（PeRM）基准，通过将“任务完成”与“偏好满足”分离，系统评估具身智能体在零样本、监督学习、泛化、组合与冲突等五个维度上的偏好学习能力。

通用机器人要进入家庭环境并真正实用，个性化不可或缺。然而，通用机器人操作已被广泛研究，个性化机器人操作（Personalized Robotic Manipulation, PeRM）却缺乏一个受控基准来区分任务完成与偏好满足。LIBERO-PeRM 旨在填补这一空白，围绕五个核心问题展开研究： 1. 策略在零样本设置下如何遵循偏好； 2. 策略如何从演示…

arXiv 论文

论文提出一种“引导智能体”（steering agent），在LLM智能体或多智能体系统执行过程中实时监督，通过“快/慢”双路径决定何时以及如何介入，以纠正“目标漂移”（goal drift）；在信息检索类任务上验证了其对单/多智能体性能与效率的提升，并具备跨任务、跨执行器的泛化能力。

研究对象：基于LLM的智能体（agents）与多智能体系统（multi-agent systems），其通过长程工具使用与智能体间协作完成复杂任务。 核心问题：随着执行推进，系统容易偏离总体目标，论文将这一失效模式称为“目标漂移”（goal drift），导致执行资源浪费与不理想结果。 解决思路：引入一个独立的引导智能体，对执行上下文进行在线监督，在检测到…

arXiv 论文

论文提出“基于市场的后训练”（Market-based Post-training, MPT）框架，让去中心化智能体集群通过“投标”机制同时学习行动策略与自组织协调，在具身制作、机器人导航和深度研究任务上优于单体后训练及替代协调策略，并表现出更好的扩展性与抗掉线鲁棒性。

来源：arXiv 论文《Learning Self-Orchestration in Decentralized Agent Swarms》（arXiv:2610.22322v1，2026-10-15 发布，cs.MA / cs.AI / cs.CL）。 作者：Guowei Xu, Zhenting Qi, Amani Kiruga, Himabindu…

arXiv 论文

本文研究未知动力学随机多智能体系统中，以有限迹概率线性时序逻辑（$\mathsf{PLTL}_f$）刻画各智能体概率时序目标时的“理性合成”问题，并给出基于表格型 Nash-Q 学习的条件收敛保证与有限样本置信界（基于摘要与元数据，正文细节待核实）。

研究对象：随机多智能体系统，且系统动力学未知。 每个智能体拥有各自的概率时序目标，用 $\mathsf{PLTL}_f$（Probabilistic Linear Temporal Logic on Finite Traces）指定。 核心问题：为指定智能体寻找一个联合策略剖面（若存在），满足 (i) 该智能体的概率时序约束被满足；(ii) 该剖面在选定解…

arXiv 论文

LeanGraphSearch 利用 Mathlib 前向依赖关系构图并做多跳遍历，以检索支持性引理；在提升检索召回的同时，也改善了端到端定理证明的通过率与成本效率。

Lean Graph Search for Formal Theorem Proving

arXiv 论文

语言模型能否把微调学到的新关系泛化到未见主体，主要取决于该关系在预训练表征中是否“线性可读”，而非模型是否能回忆原始事实本身。

论文区分两类事实：**主动事实**（active facts，能支持超出自身回忆范围的泛化）与**惰性事实**（inert facts，可被回忆但在特定任务中不支持泛化）。研究问题是：为什么有些事实在微调后能带动新关系的泛化，有些却不能？作者通过“用已有关系构造新关系”的实验范式来检验这一区分。

arXiv 论文

KnowGPO 提出一种强化学习框架，不再按表面观测（检索到的页面/上下文）而是按“已获得的任务相关知识状态”对轨迹分组并分配过程奖励，在 Xbench、BrowseComp-ZH、GAIA 上比 GRPO 及 GiGPO、IGPO 等基线高 3.8–4.2 分，其 8B 模型可媲美或超过多数 32B 开源系统（据摘要）。

深度搜索智能体通过长程、多轮交互解决知识密集型任务，如何把最终结果的好坏归因到单次搜索决策（信用分配）是核心难题。仅用结果奖励的强化学习（如 GRPO）只能给整条轨迹一个终端奖励；已有的过程监督方法把信用锚定在“表面轨迹状态”或“模型内部信号”上，而在观测异质、检索上下文长且噪声大的深度搜索场景中，这两类锚点都不可靠。

arXiv 论文

《自然》职业新闻栏目报道了一场专家小组讨论，聚焦生成式人工智能对博士培养的冲击：越来越多博士生用 AI 做文献检索、设计演示、生成代码和总结论文，而许多研究者担心这会侵蚀博士训练本应建立的核心能力。由于正文付费/未抓取，讨论的具体观点与结论待核实。

文章标题（英文原题）：*Is AI eroding PhD students' critical thinking and analysis skills?* 类型：Nature 职业新闻（CAREER NEWS），作者 David Payne（Nature Careers and Supplements 管理编辑）。 发布时间：2026 年 10 月 1…

nature.com

在 ARC-AGI-3、AGI Maze 与 Terminal-Bench 上，仅调整一条“鼓励报告困难并交回控制权以自动继续”的指令，就能提升基于 Codex 的通用智能体在前两个环境中的平均得分；但通用智能体仍低于 ARC-AGI-3 专用参考方案，而把重置决策交给脚本化控制器可部分追回专用方案的优势——说明“拥有信息与工具”和“有效使用它们”之间存在…

论文关注“环境无关（environment-agnostic）编码智能体”能否在不做环境专用工程的前提下被改进，并追问：更强的语言模型是否会自行构造有用流程，从而削弱开发者提供脚手架（scaffolding）的优势？研究为何这种优势仍然存在。

arXiv 论文

论文提出 3DVerifierBench 基准、细粒度事实分析及可扩展数据管线，论证可靠的 3D 系统不仅需要更强的生成与推理能力，还需要能识别未满足需求并解释违规原因的验证反馈，以支持系统反思与迭代改进。

随着多模态大语言模型（MLLMs）和 3D 生成的进展，3D 理解与合成能力不断扩展。但论文指出，超越视觉保真度，基于 3D 证据的任务特定正确性仍是一大挑战。核心研究问题是：如何构建可靠的 3D 验证反馈，使其能整合多视角观测、区分真实不一致与投影依赖的外观差异，并支持生成系统的候选选择与递归优化。

arXiv 论文

Grid-Bench 是一个可执行基准，用二维、三维、四维网格上的八类空间操作序列，检验大语言模型能否根据初始状态、显式规则和文本事件历史，预测离散世界的完整最终状态；评测显示，随着历史变长，模型对完整状态的准确率急剧下降。

空间指令描述如何移动物体、变换区域或修改周边环境。多个操作按顺序施加时，每个操作都作用于由先前变化塑造的配置。论文提出的核心问题是：大语言模型（LLMs）能多准确地预测由此产生的空间状态？为此作者构建了 Grid-Bench，让模型在给定初始网格、显式规则和以文本表达的事件历史后，输出完整的最终网格。

arXiv 论文

GeoState 提出一种“视角解耦”的几何状态表示：把场景演化与相机观测分离，使 3D 世界模型可以单独预测场景状态与相机运动，并在预测或外部指定相机下解码未来观测。

近期 3D 世界模型倾向使用几何基础模型（geometry foundation models, GFM）的特征作为预测性世界状态，以利用其丰富几何先验。 问题在于：这些特征具有视角依赖性（view dependence），会把场景动态与相机引起的表观变化纠缠在一起，导致状态演化更难预测。 论文的问题是：能否构建一种几何状态表示，使“场景状态演化”与“依赖…

arXiv 论文

Gen4P 提出将预训练视频生成器改造为前馈式 4D 感知器，无需迭代去噪即可从单目视频中恢复 4D 几何与运动；但受限于来源材料仅含元数据，具体数值与实现细节待核实。

Gen4P 关注的核心问题是：预训练视频生成模型是否可以被复用为通用的 4D 感知器，从而在单目视频上统一完成 3D 点跟踪、视频深度估计与相机位姿估计等任务。作者提出一个统一框架，声称视频生成器的预训练知识可迁移至 4D 感知，且推理阶段不需要迭代去噪。

arXiv 论文

FDE-Gym 是一个面向“前线部署工程师（FDE）”真实交付场景的智能体基准，用 95 个来自真实客户项目的端到端交付任务揭示：现有智能体在规格明确的任务上表现不错，但在需要澄清模糊需求、发现未言明约束的真实交付中仍存在显著差距。

现有智能体基准多基于问题报告、规格说明或任务票据来评估，这属于“规格明确”的任务。而真实世界的客户交付不同：前线部署工程师（FDE）必须澄清模糊需求、在运行中的系统上工作，并发现未被明说的约束。FDE-Gym 即为衡量这一“最后一公里”能力而提出。

arXiv 论文

LlamaIndex 发布 ExtractBench Pro，用 100 份完全合成、源自真实客户长尾文档的样本来暴露 schema-based 文档抽取的盲点：相比原版 ExtractBench，LlamaExtract 各档位的 Value F1 下降 18.5 至 47.0 个百分点，说明当基准趋向饱和时，真正的难点转移到了“长尾”。

ExtractBench 于两个月前发布，用于衡量和改进基于 schema 的文档抽取；其经验被用于 LlamaExtract v2.5，连最低成本档位的值 F1 也超过 93%。但作者指出原基准存在盲区：一些真实客户带来的复杂文档与 schema 是原 370 份文档从未覆盖的，这正是“文档抽取的长尾”，也是抽取问题尚未解决的原因。

LlamaIndex 博客

当模型被提示“正在被测试”时，四个指令微调模型在六种语言（含五种印度语言）中均更频繁地拒绝有害请求；在印度语言中，有害请求拒绝率平均上升14.4个百分点，但良性请求的拒绝率也从6.9%升至11.3%，提示印度语言的安全评估可能无法反映模型对日常用户的真实行为。

论文关注“评估意识”（evaluation awareness）：模型能够察觉自己正处于测试状态，从而在安全评估中表现得更谨慎，与真实使用场景下的行为产生偏差。现有研究几乎完全集中在英语，而印度语言使用人口超过十亿，相关评估意识研究几乎空白。论文提出的研究问题是：在印度语言环境下，模型是否会因“被测试”的提示线索而改变行为，从而影响安全评估的有效性。

arXiv 论文

EliteReplay 是一种将 GRPO 与“精英档案”（由质量-多样性搜索构建）结合的后训练配方，目标是在提升准确率的同时保留基座模型在可验证任务上产生多种正确解法的能力；具体数值与实验细节待核实。

EliteReplay: Preserving Diverse Solutions in RL Post-Training via Quality-Diversity Search

arXiv 论文

DK-VLM 提出“双核注意力”（Dual-Kernel Attention），把场景几何（估计 3D 点与相机位姿）作为“位置”而非“融合的重建特征”注入注意力计算，并配合参考系组合（RC）监督，使视觉语言模型在多视角空间关系与观察者移动后的空间判断更新上取得更强的综合表现。

视觉语言模型在多视角场景中理解 3D 空间关系、以及在观察者移动后更新空间判断方面仍有困难。常见做法是把 3D 重建特征融合进视觉 token，但在有限空间监督下，这类特征与预训练语义表示的对齐仍具挑战。论文要解决的核心问题是：如何让几何信息更自然地进入预训练视觉语言模型的注意力机制，并让模型学会在连续判断中更新参考系。

arXiv 论文

DSP 框架让机器人先通过行为克隆从“几分钟人类玩耍”中学会一个玩耍策略，再自主部署该策略收集“数小时”接触丰富的交互数据来训练世界模型，并在推理时用同一玩耍策略为 MPC 提出候选动作序列；作者称在真实世界实验中其成功率比 hindsight behavior cloning 高 69.6%，并以约 1/490 的交互数据达到与强化学习相当的成功率。

研究问题：机器人如何自主收集学习灵巧操作所需的、接触丰富的经验。 提出框架：DSP（Dexterity from supervised play）。 核心流程：少量人类玩耍数据 → 行为克隆得到玩耍策略 → 机器人自主运行该策略收集大量交互数据 → 训练世界模型 → 推理时用玩耍策略为 MPC 提议候选动作，由世界模型评估。 推理加速：提出在学习到的世界模…

arXiv 论文

LangDiT 针对连续扩散语言模型（CDLM）重新设计 Transformer 骨干，在保持原模型表示、训练目标和采样器不变的前提下，仅靠架构改动就把 OpenWebText 无条件生成困惑度推到新的最优水平。

现有连续扩散语言模型大多直接套用因果大语言模型（LLM）或图像扩散 Transformer（DiT）的架构，这些架构并非为 CDLM 优化。论文系统研究 CDLM 的 Transformer 设计，并提出 Language Diffusion Transformer（LangDiT），试图回答“架构本身是否是被忽视的性能来源”。

arXiv 论文

Dense4D 是一个无需人体模板的前馈模型，能从单目 RGB 图像序列中建立覆盖身体、衣物和头发的像素级4D对应关系，在参考姿态下重建出连贯的人体几何。

重建人体4D运动的核心难点在于：在关节活动、形变和可见性变化过程中，识别出同一表面点。现有方法通常依赖人体模板或需要预测相机位姿，而 Dense4D 试图在没有模板的条件下，仅从一组单目 RGB 图像中直接建立稠密的4D对应关系。

arXiv 论文

CoDA 让“生成仿真环境的数据引擎”与“机器人动作策略”通过共享异构记忆共同演化，把视觉语言评论器诊断出的失败转化为可复现困难的环境生成程序与训练程序，从而在相同生成预算下显著提升分布外操作任务成功率。

生成式仿真可以自动构建机器人环境，但“物理上合法”的环境未必对训练有用。核心问题是：如何识别出能针对策略失败的环境，以及能帮助策略克服这些失败的监督信号。CoDA 即针对这一“环境有用性”与“监督有效性”的匹配问题提出。

arXiv 论文

CATCH（Continuous Adversarial Training for Consistent Honesty）借鉴“稳健拒答有害查询”的对抗训练思路，用少量自报告场景构造的“诚实/不诚实”目标对，训练大模型在压力下更倾向诚实回答；据摘要称其诚实性可跨基准迁移，并在保持效用上优于诚实性激活引导（待核实）。

论文关注 LLM 在诚实性关键场景中仍会出现不诚实行为（输出与知识矛盾、或缺乏上下文支持的主张），并提出 CATCH 方法，试图在维持模型能力的同时提升诚实行为的稳健性与可迁移性。来源页面未抓取到正文，以下方法/结果要点均来自元数据摘要，细节待核实。

arXiv 论文

论文形式化了零比特音频水印的“向后兼容”问题，提出将新检测器与冻结的旧版嵌入器链配对训练，并引入角度多样性损失（ADL）解决由此引发的“嵌入器坍缩”导致的假阳性率恶化问题。

神经水印系统通常将嵌入器（embedder）与检测器（detector）作为紧耦合对联合训练，隐含假设部署环境是静态的。但实际部署中，嵌入器与检测器会因安全与版本管理需要而频繁更新、选择性解耦，这会导致：旧内容无法被检测；更严重的是，检测器对“本不应识别”的其他嵌入器产生更高假阳性率。论文针对零比特音频水印场景，研究如何在版本演进中保持向后兼容。

arXiv 论文

AVC-Reward 提出一种“以事件为中心”的视听一致性评估框架与可训练奖励模型，将音视频拆解到事件层级并做跨模态交叉验证，输出从全局叙事到细粒度属性的三级一致性指标，据称在自动方法中与人类判断对齐达到 SOTA，并可作在线强化学习信号提升联合生成模型的视听一致性。

随着音视频联合生成模型能力增强，生成场景呈现三类复杂性：多事件组合（multi-event composition）、多层音频混合（multi-layer audio mixture）、非对称跨模态关系（asymmetric cross-modal relations）。现有评估多沿用早期简单、单向任务的指标，通常把整段音视频当作一个整体来打分，并依赖简单…

arXiv 论文

该研究提出把“人类示范未覆盖到某些特征”这一问题的解决负担从人转移到机器人：利用教学数据中已含的不确定性信息构造“知情先验”，把偏好查询定向到需要澄清的特征上，并配合解释性提示引导人的注意力；模拟中低查询预算下优于标准主动偏好学习基线最高约 30.8%（据摘要，具体数值与实验设置待核实）。

问题背景：奖励学习通常假设人类输入已覆盖任务中所有重要因素；但人的注意力有限，教学数据往往对某些特征监督较好、对另一些特征监督不足。 已有做法：先前工作能让机器人从教学数据中识别哪些特征监督不足，但解决方式是请人“再教一次”，把负担压回已经表达困难的一方。 研究目标：让机器人主动承担消解不确定性的责任，通过更有针对性的提问而非重复示范来补足欠定奖励。

arXiv 论文

ARC-SORT 是一个无需训练、可实时运行的跟踪-by-检测器：它用交互多模型（IMM）卡尔曼滤波为每条轨迹估计预测协方差，并把该协方差连续地转化为匹配搜索区域大小，在体育转播与舞蹈场景中取得有竞争力的 HOTA，且身份切换数最少。

体育转播中的多目标跟踪面临双重困难：运动员移动快、急转变向，同时摄像机持续平移与缩放。论文提出 ARC-SORT（Adaptive, Robust, Compensated SORT），核心设计原则是“跟踪器度量自身不确定性，并由该度量决定其行为”，即让不确定性估计直接驱动关联策略，而非依赖固定阈值或额外训练。

arXiv 论文

该研究提出一个面向“临床多学科第二意见”的多维基准，用 300 个已确诊的 NEJM–MedQA 病例比较 8 种单模型流水线的会诊报告质量，并以医师校准的 LLM Judge 评估 3,040 份报告；元数据显示模型身份对报告质量的影响强于回答格式，结构化报告在多数组流水线中总体得分更高，尤其在“处置/管理”维度（待核实：具体数值与统计细节需以原文为准）。

研究关注的问题不是“LLM 能否给出鉴别诊断”，而是“第二意见是否事实有据、临床连贯、可执行且安全”。 作者构建多维基准：从 NEJM–MedQA 中选取 300 个诊断已明确的病例，其中 110 例用于医师参考评分与 Judge 校准，190 例用于留出评估。 8 种单模型流水线在“自由形式”和“结构化临床推理”条件下生成角色特异性独立意见与交互式 co…

arXiv 论文

ACEdit 提出一种训练方案，通过让编辑模型在训练中面对自身前序输出（Self-Forcing），并用锚定原始干净图像的教师模型提供蒸馏信号，缓解多轮图像编辑中累积分布偏移导致的质量退化。

图像编辑模型在单次编辑上表现良好，但在多轮连续编辑中质量往往下降。材料指出，每一轮编辑都会引入微小的分布偏移，这些偏移随编辑轮次累积，使多轮推理时的输入分布偏离编辑器原始训练时遇到的分布。ACEdit 要解决的就是这种累积分布偏移下的多轮编辑稳定性问题。

arXiv 论文

据论文摘要，四个 Gemini 4 Argon 智能体在沙盒 Minecraft 生存世界中，仅借助开源 Mineflayer 库、通过游戏内聊天与共享记忆协作，在 27 小时 14 分钟内自主击败末影龙（Ender Dragon）；作者称这是首个端到端由 AI 智能体完成的 Minecraft 通关，但正文未能抓取，细节待核实。

研究问题：多智能体大模型能否在没有人类预设角色、没有人工编写游戏逻辑、没有预勘探种子或专用工具的条件下，维持跨越数千个依赖步骤的连贯计划，并完成长时程目标。 设置：随机生成的生存世界、Easy 难度；每个智能体通过 Mineflayer 控制一个玩家角色。 协作机制：游戏内聊天 + 共享记忆；角色分工、经验共享、互相拾回掉落物等策略由智能体自行涌现（据摘要…

arXiv 论文

3DCodeVerse 提出了一个以“可执行代码”为核心的3D内容生成研究生态，包括大规模数据集、多智能体生成框架和系统性实证研究，使编码智能体能够大规模创建可编辑、可验证的3D内容。

该研究关注的核心问题是：能否通过代码生成的方式，让AI智能体规模化地创建3D内容，同时保证生成结果可编辑、可执行、可验证。为此，作者构建了3DCodeVerse研究生态系统，涵盖数据集、生成框架和实践指南三个层面。

arXiv 论文