AI 周报2026-10-05 至 2026-10-11

基于 272 张已审核卡片 · AI 自动总结 · 更新于 2026-11-05T08:13+08:00

2026-10-05至2026-10-11的AI进展显示，基础模型能力持续扩展的同时，评估与安全风险成为突出议题：推理行为可被线索操控、推理token的忠实性受质疑、模型能隐藏任意能力、物理世界模拟仍是短板；机器人学习在分层世界模型、在线强化学习与推理配方上取得多项进展；产业侧GPT-6与Agent工作流密集更新，但真实论文复现等能力仍有限。

重点结论与趋势

1. 对基础模型推理与可信度的研究揭示多重隐忧：推理表现可被开头token线索大幅改变，推理token应视为计算状态而非忠实解释，模型还能通过加密后门隐藏任意计算能力，动摇基于激发式能力审计的可靠性。

   依据：基础模型可借训练数据中的起始 token 线索推理 原文 · 将大语言模型的推理词元刻画为“词元之上的状态” 原文 · AI 模型可证明地隐藏任意能力 原文

2. 世界模型与物理模拟评估显示明显不足：视频世界模型物理一致性基准最佳模型仅57.76/100，WorldSolver中前沿LLM智能体生成的求解器视觉保真度与物理合理性整体得分不足一半。

   依据：视频世界模型的物理一致性测量基准（World Models' Last Exam in Physics） 原文 · WorldSolver：LLM 智能体能否通过生成求解器模拟物理动力学？ 原文

3. 机器人学习在多条路线推进：H-JEPA端到端学习分层世界模型并在多个导航与操作环境中优于单层JEPA；QF3以离策略流RL从零训练人形运动策略并零样本迁移硬件；ARC推理配方在不增加示范数据下提升现有机器人基础模型零样本表现。

   依据：H-JEPA：面向视觉规划的分层世界模型端到端学习 原文 · QF3：带过滤 Q 梯度的快速流策略强化学习 原文 · ARC——机器人基础模型的推理配方 原文

4. 产业侧基础模型与Agent能力密集更新：OpenAI宣布GPT-6面向全球ChatGPT用户开放并上线Intelligent UI；Codex/Agent工作流连发Auto-review、API简化、Meetings Beta与Decisions API四项更新。

   依据：GPT-6 与面向所有人的智能界面 原文 · OpenAI日更第二天，四连更砍半顶档门槛 原文

5. 模型能力评估呈现分化：PaperBenchX中表现最强的GPT-6 Astra完整论文复现率仅13.98%，远低于其数学难题表现；而OpenAI公开的未发布模型数学手稿中两篇针对挂谷猜想的论证仍待独立检验。

   依据：PaperBenchX 测评：GPT-6 Astra 论文复现率仅 13.98% 原文 · OpenAI 公开 722 篇数学手稿引数学界“读不过来”讨论 原文

后续关注

• OpenAI公开的针对四维挂谷集合Hausdorff维数与三维挂谷极大函数猜想的数学论证，能否通过独立同行检验？ 依据：OpenAI 公开 722 篇数学手稿引数学界“读不过来”讨论 原文
• 后门攻击将加密网络嵌入宿主模型、仅在秘密触发器下执行任意计算，现有激发式能力审计能否可靠检测此类隐藏能力？ 依据：AI 模型可证明地隐藏任意能力 原文
• 研究提出仅利用源域训练动力学信息可在分布外性能退化前给出预警信号，该结论能否通过同行评审与正文核实？ 依据：从源侧训练动力学前瞻性预测OOD性能退化 原文