AI 日报 · 2026-09-18

腾讯云开源的自托管多用户、多智能体 AI 助手 Octop 发布 1.0 正式版，一条 `octop run` 命令即可部署，并补齐 Lighthouse/CVM 官方镜像、桌面客户端、RAG 知识库、ACL 与 Token 额度管控、沙箱和插件前端渲染等能力。

事件：腾讯云开源的自托管多用户、多智能体 AI 助手 Octop 发布 1.0 正式版。 目标场景：面向小团队自托管。 部署方式：一条 `octop run` 命令即可部署，并上线 Lighthouse 与 CVM 官方应用镜像。 功能更新：新增 RAG 知识库与基于 Karpathy LLM Wiki 思路的知识库专家；推出 macOS、Windows、…

腾讯研究院（搜狐同步）

Anthropic 于 2026 年 9 月 18 日宣布与 Accenture 合作，由 Accenture 旗下 Faculty 牵头，对前沿 AI 进行独立评估；双方各自预计未来五年至少投入 10 亿美元建设该领域能力，重点探索“嵌入式评估”这一新模式，但访问标准、报告机制与长期资金体系仍待建立。

来源材料显示，Anthropic 宣布与 Accenture 合作，对前沿 AI 进行独立评估。 该合作被描述为 Anthropic CEO 文章 “We Must Pace the Frontier” 中承诺“将评估者嵌入 Anthropic”的重要一步。 合作由 Faculty 领导；Faculty 是 Accenture 的专业 AI 业务。 评估范…

Anthropic 博客

Code Arena 出现疑似 Gemini 4 Pro 的匿名变体，社区称其前端生成效果明显强于常规 `gemini-3.8-flash`，并流传 256K 输出、2M 上下文等规格；相关身份与参数均未获官方确认。

事件：Code Arena 出现新的 `gemini-3.8-flash` 变体，其 SVG 动画等前端生成效果明显超出正常 3.8 Flash。 社区推测：该变体可能是 Gemini 4 Pro 的匿名盲测。 研究/评测问题：Arena 盲测中的异常表现能否作为新模型能力的早期信号；若爆料属实，Gemini 4 Pro 的编码、Agent 与长上下文能力…

腾讯研究院（搜狐同步）

材料称，谷歌联合多家气象机构发布热带气旋预报模型 WeatherNext Cyclones，可生成未来 15 天全球气旋路径、强度与尺度集合预报，相关论文登上《Nature》封面；但其论文英文标题、作者、DOI 等原始发表信息仍需核实。

来源为腾讯研究院 AI 速递 20260918 第七则：“谷歌气旋模型WN-C登Nature封面，精准预测台风路径”。 材料称，谷歌联合多家气象机构发布热带气旋预报模型 WeatherNext Cyclones；手册标题将其写作 WN-C，二者对应关系待原始论文核实。 模型目标包括：未来 15 天全球气旋路径、强度与尺度集合预报。 材料标题使用“精准预测台…

腾讯研究院（搜狐同步）

材料讲述斐济小农户 Cody 借助 AI 自学编程，开发农场记录与经营系统 Teivaka，并赴杭州参加 2026 全球农创客大赛；文章借此讨论小农户如何被市场、金融和平台连接，但 Teivaka 的实际效果与规模化仍处在验证阶段。

量子位 2026-09-18 文章，作者程浅，核心人物是 31 岁斐济农民 Cody，生活在卡达武岛。 Cody 白天务农、晚上学编程，文章称其为做出可用产品原型累计投入 2000 多个小时，开发出系统 Teivaka。 2026 年 9 月，Cody 带着 Teivaka 几乎跨越一万公里到中国杭州参赛。 文章提出的核心问题：小农户缺少稳定采购关系、融资…

量子位

月之暗面发布Kimi金融行业解决方案，内置Wind、东方财富、标普全球等10余个权威数据源并通过MCP接入，封装9项金融技能，并称财务建模人力由5–7人天降至0.5–1人天；与中信建投共建含5项合规措施的风险评估网关，试点中单份受托报告制作时间由约30分钟缩至10分钟。

来源材料《腾讯研究院AI速递 20260918》第五条显示，月之暗面推出面向金融行业的Kimi方案。该方案试图把权威金融数据、机构工作流技能和合规控制整合到同一解决方案中，面向财务建模、研究报告、持仓早报等专业任务。材料未说明发布时间、版本号、定价、交付形态和完整客户名单，相关细节待核实。

腾讯研究院（搜狐同步）

据现有元数据，OpenAI 发布了《Introducing the Australian Youth Safety Blueprint》，将其描述为一份以“六大支柱”为框架、面向澳大利亚的路线图，目标是在保护青少年的同时赋能其使用 AI；由于正文未能抓取，具体内容、时间与结论均待核实。

原始标题（英文）：Introducing the Australian Youth Safety Blueprint 来源：OpenAI 官方页面（URL 见文末） 候选摘要给出的表述：OpenAI introduces the Australian Youth Safety Blueprint, a six-pillar roadmap for safe…

OpenAI

材料称，Anthropic 将 Claude Cowork 与 Chat 合并为统一的 Claude，系统按任务自动调用 Cowork 与 Design 能力，并同步推出处于 Beta 阶段的 Claude Docs 与 Slides；新功能未来几周先向 Pro 和 Max 用户开放，Team 与 Free 随后跟进。

根据腾讯研究院 AI 速递 20260918 的第三点，Anthropic 宣布 Claude Cowork 与 Chat 合并为统一的 Claude。合并后，系统按任务自动调用 Cowork 与 Design 能力，继承已有上下文、技能和连接器，且关闭电脑后任务仍可继续。

腾讯研究院（搜狐同步）

文章称，阿里达摩院联合浙大一院等团队的通用腹部影像 AI 模型 **DAMO RADAR** 登上 **Science**，能用单模型覆盖腹部 18 种解剖结构、146 种病，并在多项验证中取得较高 AUC；但临床部署、监管审批、长期影响等仍待核实。

医疗影像 AI 长期多集中在肺结节等专病或专用模型上，腹部 CT 因器官多、软组织密度接近、病变复杂，被视为临床公认最难的影像场景之一。文章称，达摩院联合浙大一院等全球多家医院向腹部 CT 发起冲击，目标是用一个通用模型一次性识别腹部多种疾病，而不是继续按病种逐个开发模型。该研究被 **Science** 正式刊发，文章称 **Science** 极少发医…

量子位

腾讯研究院AI速递 20260918 的材料称，华为在全联接大会披露昇腾960DT、Hi-ONE NPO光引擎和昇腾960超节点，基于灵衢UnifiedBus可构建最大51.2万卡集群，并给出昇腾970/980路线图及CANN、鲲鹏生态数据；标题中的“百万卡集群”与正文“51.2万卡集群”的口径差异待核实。

该条目来自腾讯研究院AI速递 20260918 第一条，事件为华为全联接大会相关发布。材料称，华为发布昇腾960DT芯片，支持2 PFLOPS（FP8）算力，性能较上代翻倍，比原计划提前三季度、预计2027年一季度就绪；2028、2029年将推出昇腾970与980。同时推出业界首个量产NPO光引擎Hi-ONE及昇腾960超节点，单节点达4096卡，基于灵衢…

腾讯研究院（搜狐同步）

该条目属于“报告观点”第八条，主题是智谱公开 RSI（Recursive Self-Improvement，递归自我改进）进展。 核心问题是：模型/Agent 能否参与优化自身推理基础设施，形成局部闭环；这种闭环是否等于 RSI。材料中唐杰给出保留判断。 与既有脉络的关系：已有卡片关注 GLM 5.2 在真实代码任务上的表现、SIMA 2 的虚拟环境自我改…

腾讯研究院（搜狐同步）

小米MiMo-V2.6公开强化学习实时训练页面，披露Pro与Flash两版本累计训练成本超116万美元、平均每小时约3.09万美元，并展示单个step约2B tokens、完全异步训练、多任务环境混合与智能体式组内贡献归因等训练侧信息。

据腾讯研究院AI速递20260918条目，小米MiMo负责人罗福莉公开MiMo-V2.6强化学习实时训练页面。材料显示，Pro与Flash两版本累计训练成本超116万美元，平均每小时约3.09万美元；本轮RL将单个step扩至约2B tokens，采用完全异步训练，并混合视觉、代码、通用与聊天等多任务环境；同时引入智能体式组内贡献归因，结合测试用例与评分细…

腾讯研究院（搜狐同步）

一项针对 73,093 条 OpenClaw 使用相关 Reddit 第一人称帖子的 LLM 辅助价值敏感设计分析发现：用户价值更多集中在委托运行的操作条件（cost、access、oversight 等），而非代理输出；价值在“代理交付内容”的叙述中通常得到满足（六组中五组），但在“监督代理”的叙述中大多未得到满足（全部六组），作者将这一模式概念化为 v…

用户日益把工作委托给自主 AI 代理，但现有评估通常衡量 task completion，而不是用户真正重视的 human values。该研究使用 Value Sensitive Design，借助 LLM 分析 73,093 条关于使用 OpenClaw 的第一人称 Reddit 帖子，对每条帖子编码其 human value、agent aspect…

arXiv 论文

该研究在 YOLOv2 中引入可提前退出的分支中间预测层，并把无监督贝叶斯分割得到的几何模板/特征用于交通标志分类验证或训练；摘要报告推理时几何验证将 mAP 提升至 0.713，但完整实验设置、泛化性与可复现性待核实。

交通标志识别（TSR）是自动驾驶与 ADAS 的感知任务，要求同时定位交通标志并判断语义类别，且需高效。研究问题：能否用 YOLOv2 同时检测与分类，并通过分支架构减少简单样本推理时间，通过几何信息降低视觉相似标志的误分类？

arXiv 论文

一篇 arXiv 预印本提出“光谱对齐的潜空间流匹配”时间序列生成器：在潜空间流匹配的训练中额外加入基于傅里叶、小波与签名变换的微调损失，以缓解潜空间压缩带来的频谱失配，从而让合成序列在平滑度、目标频谱内容等动态特征上更贴近真实训练集。

论文标题：Time series generation with spectrally aligned latent flow matching 作者：Camilo Carvajal Reyes、Felipe Tobar 来源：arXiv:2609.21989v1，主分类 cs.LG，公开时间 2026-09-18（按材料所载） 研究问题：潜空间流模型（l…

arXiv 论文

Masked discrete diffusion models 常用 tau-leaping 加速采样：每个采样步并行揭示多个坐标。该采样器会把每个被揭示块的联合条件分布替换为乘积分布，因此即使预测器已被完美学习，也会产生 factorization error $\varepsilon_\text{fact}$。

arXiv 论文

RecreationWorld 提出以“复刻运行中的参考应用”为核心的五平台框架，用运行参考作为隐藏行为测试的 oracle，为混合计算机使用智能体（hybrid CUAs）提供执行接地奖励、可扩展轨迹生成和 RecreationBench 评测；但材料显示最强模型 GPT-6 Astra 总体仅 58.1%，且只有 2.8% 任务通过全部程序化测试，说明…

计算机使用智能体（Computer-use agents, CUAs）此前主要沿两条线发展：图形界面交互，以及通过代码和命令行进行软件开发。材料指出，真实数字工作需要二者交错进行，而不是端到端堆叠。该研究关注 hybrid CUAs：智能体需自主决定何时探索界面、实现软件、运行并视觉验证自己的产物。

arXiv 论文

RACER 用“角色相对”的能力估计来回答“何时自主、何时交给未见人类专家”：它估计专家在每个候选类别角色下答对的概率，再与模型后验结合，以避免绝对类别坐标捷径，并在部分合成与胸部影像基准上取得竞争或最佳表现。

Learning to defer 关注预测系统何时自主行动、何时推迟给人类专家。Population-adaptive deferral 进一步要求仅凭少量专家行为上下文，对未见专家做路由。已有神经上下文编码器如 L2D-Pop 可以依赖查询，但可能学到与绝对类别坐标绑定的路由捷径；Identity-Free Deferral（IFD）通过角色索引的类别…

arXiv 论文

QuranicMMLU 是一个面向古兰经阿拉伯语语言知识的认知感知基准：它用五支柱分类、Bloom 认知层级和经文难度分层构造 980 道人工审核题，并以开放式与多项选择双形式评测 12 个系统；结果显示多项选择准确率平均 84% 高于开放式答案质量平均 60%，说明选择题评分可能掩盖模型失败。

现有古兰经基准多聚焦通用问答和语义检索，未探测特定语言能力，也未按认知需求和经文难度分层。本文提出 QuranicMMLU，旨在为生成式 AI 在古兰经阿拉伯语语言知识上的表现提供一个更严谨、以语言学为基础的评价框架。

arXiv 论文

PRIME 通过在 VLA 感知查询中引入由过去感知、推理、导航目标和预测行为聚合而成的情境记忆反馈，在只增加最多 29.7M 参数（占 7.3B 基础模型 0.41%）的情况下，使 Bench2Drive 闭环基准的 Driving Score 达到 82.47、Success Rate 达到 60.00%。

当前自动驾驶 Vision-Language-Action (VLA) 模型主要沿感知—推理—规划层级做前馈推理。虽然现代架构在感知模块内保留时间递归，但早期感知仍无法利用下游推理和导航目标，处理视觉输入时不会依据先前决策优先关注线索。PRIME 试图弥合这一间隔：让早期感知查询受到“情境记忆”条件化，从而形成意图驱动的感知注意力。

arXiv 论文

论文把多跳检索失败视为可按结构特征预测的子群问题，提出 RegimeAbstain 与 Retrieval Confidence Score (RCS)，在不增加额外 LLM 调用的前提下做校准弃答；摘要报告其在五个失败条件下达到最佳或并列最佳 AUC-AC，并在 MuSiQue（LLM-judge）50% 覆盖率下把 CWAR 从 39.5% 降到 20…

研究对象：多跳检索中的失败分布与“自信错误”问题。 核心问题：失败是否随机？能否用检索特征预测成功/失败，从而在回答前决定弃答？ 论文摘要提出两个形式化结果： 1. **CWAR Reducibility**：若且仅若检索特征携带关于成功的互信息，自信失败可被降低；摘要称该条件在 LLM-judge 管线中满足，在 dense-only 设置中明显较弱，用…

arXiv 论文

论文提出 PCC+GCN：在 GCN 训练前用粒子竞争与合作（PCC）做基于图的标签精炼，在 NoisyGL 十个图数据集的常规标签噪声下取得最高总体平均准确率和最佳平均排名，并在实例依赖噪声下以显著更低执行时间保持竞争力。

GCN 对标签噪声高度敏感，错误监督会沿图传播并损害学习到的节点表示。该研究关注的问题是：能否在 GCN 训练前识别并处理可疑已标注节点，从而提升鲁棒性，同时控制计算成本？

arXiv 论文

论文提出 OmniVBench 与 Omni-R2V Dataset，用 7 个任务族、18 个细粒度任务、12,172 条案例特定检查项和 340K 处理后训练样本，补齐 omni R2V 生成的评测与训练资源缺口。

参考到视频（Reference-to-video, R2V）生成正朝更通用、更灵活的参考控制演进，形成 omni R2V 生成范式。但现有基准的测试用例覆盖参考类型和组合有限，评测协议多关注整体参考一致性，忽略参考因子是否被正确保留、解耦和路由。同时，omni R2V 训练数据构建成本高，合适训练资源稀缺。论文针对这些缺口提出评测基准与数据集。

arXiv 论文

NemotronLabs VoiceChat 是一个开放的 **full-duplex speech-to-speech** 模型，原生支持工具调用，并在多项基准上展示实时对话行为与工具选择能力；但参数准确率和端到端工具执行仍是待改进项。

来源材料介绍了一个名为 **NemotronLabs VoiceChat** 的开放全双工语音到语音模型，目标是让模型在统一流式架构中同时完成聆听、转录、推理、调用工具和说话，并保留自然对话所需的时间行为。论文属于 **cs.CL**，也列在 **cs.AI** 分类下。据来源材料，提交/更新时间为 2026-09-18T16:27:22Z。

arXiv 论文

论文提出 **Multiplicatively Optimistic Regret Matching (MORM)**，一种用于有限一般和博弈的非耦合学习规则；在同时全信息自我博弈下，每名玩家仅用一步乐观即可获得相对于时间范围一致的 external regret \(O(\sqrt n\log d)\)。

英文标题：**Multiplicative Optimism for Constant Regret in Games** 研究问题：能否在有限一般和博弈的多玩家学习中，用较简单的一步乐观机制实现不随回合数 \(T\) 增长的遗憾保证？ 材料称该工作引入 MORM，并分析同时全信息自我博弈与对抗效用两种情形。

arXiv 论文

论文提出 Moral Entropy 贝叶斯框架，将道德内容标注者分歧建模为可分解的熵，并用校准后验审计常见聚合规则；结果显示 any-annotator 规则约 30% 条目与校准后验不一致，而多数投票和两票规则漏掉 63–83% 真阳性。

大多数计算伦理工作把标注者对道德内容的分歧当作噪声，通过多数投票，或在单个标注者标记时就采用更宽松的 any-annotator 规则来消解。作者主张，此类不确定性应被建模和学习，而不是直接投票消除。

arXiv 论文

MintAct 提出一个统一视觉代理模型家族，试图用同一套 vision-language models 覆盖 UI grounding、移动/桌面/Web 多步导航和 visual tool use，并配套可扩展环境与异步强化学习基础设施；摘要称其在可比模型规模下达到多个基准的 state-of-the-art，其中 OSWorld-Verified 得…

英文标题为 **MintAct: A Unified Visual Agent for Digital Environments**。该工作关注数字环境中的通用视觉代理：如何统一此前可能按领域拆分的 UI 定位、跨平台多步导航和视觉工具调用能力，并让 2B、4B、8B 规模的统一模型匹配各领域专家模型。当前信息主要来自 arXiv 摘要，全文实验设置与复现…

arXiv 论文

该论文提出一个共享潜空间框架，把城市交通模拟器的校准与基于强化学习的运行控制连接起来：校准阶段用 MLP 自编码器学习低维交通动态表示，控制阶段把同一潜表示纳入深度 Q-learning 状态，从而在基准网络上报告系统级旅行时间最多降低 51%。

论文关注城市交通网络中的两类复杂优化问题：高保真模拟器的校准，以及实时运行控制。作者试图用城市交通动态的共同学习表示，把“模拟器校准”和“强化学习控制”统一到一个共享潜空间框架中。

arXiv 论文

论文报告：在运动诱发压力与跨会话变化条件下，ECG 仍可支持个体区分；其 Siamese ResNet + late multi-lead fusion 方法在会话内静息到峰值运动条件下达到 EER 1.7%，在 CYBHi 数据集上达到 3.9%（作者称为 state-of-the-art），支持存在对生理与时间漂移有韧性的内在心脏签名。上述数字来自论文…

ECG 携带受试者特异模式，可用于可靠个体判别，构成 ECG biometrics。除身份认证外，该范式还被认为有潜力保护敏感心脏数据，并作为自监督学习中的 pretext task。现有研究多局限于单会话、静息数据，对时间变化与生理变化的鲁棒性缺少测试。本文针对这一空白，在运动诱发压力与跨会话变异性的现实条件下评估 ECG biometrics。具体数据…

arXiv 论文

Gricea 是一个面向会话式 AI（CAI）研究的开放科学平台，将研究表示为可配置、可部署、可运行、可检查、可分享和可重用的研究工件，以支持 CAI 研究的构建、复现与扩展。

材料指出，需要大规模 CAI 研究来理解人类行为并塑造 CAI 设计；但系统与研究配置的报告碎片化，阻碍复现、扩展和知识积累。论文提出 Gricea，作为通过共享研究工件推动开放科学与累积知识构建的平台方案。

arXiv 论文

GALA 将基于图像的潜在动作与 3D 末端执行器几何运动结合，并引入统一末端执行器运动表示（UEMR），以支持跨具身视觉-语言-动作（VLA）模型预训练；材料报告其在细粒度运动探测、跨具身检索和下游 VLA 评测中有效，并取得 68.3% RoboCasa-GR1 成功率与 75.5% 真实世界成功率。

从多具身数据集学习大规模 VLA 模型仍具挑战，核心困难之一是不同末端执行器之间的动作空间异质。 潜在动作模型（LAMs）虽可从多样视频数据中学习“具身无关”的动作表示，但现有基于图像的 LAM 往往难以捕捉细粒度末端执行器关节运动，尤其是人类手与灵巧机器手的指级几何变化。 GALA 要解决的问题是：如何在跨具身预训练中，同时保留细粒度末端执行器运动信息，…

arXiv 论文

DiaVLo 是一个面向视觉-语言模型（VLM）的行为诊断框架：它结合人工策划与 VLM 生成能力来构建“期望行为/观测行为”规范，并提供因果估计以识别影响行为的关键概念；摘要称其在多个开源 VLM 的分类与生成条件下产生了与模型性能相关的行为标签。

VLM 依赖在其子组件之间存储和传递适当信息。验证 VLM 是否表现出期望行为、避免有害行为，是其可靠部署的核心问题。然而，识别 VLM 行为的方法仍然稀缺。论文提出 DiaVLo，用于诊断 VLM 行为并暴露潜在错位。

arXiv 论文

Designer-RSI 提出一种不更新模型权重、不使用人工标签的持续适应框架：冻结的前沿模型操作专业设计软件，同时从真实用户 brief 和自动评分轨迹中扩宽、深化外部自然语言“程序记忆”，从而提升长时程智能体图形设计的执行成功率与设计质量。

专业图形设计是长时程智能体任务，最终产出是结构化、可编辑的设计 artifact，由许多相互依赖的动作逐步形成；但设计结果缺乏可靠的程序化 oracle。论文研究的问题是：智能体如何从真实用户流量中积累可复用的设计程序，并在噪声、难以程序化验证的反馈下持续改善，而不依赖权重更新或人工标注。

arXiv 论文

在法语职业事故叙述中，仅用建筑业数据开发并选择的事故过程角色分类器，无需重训或目标域调参即可迁移到冶金、化学-塑料及独立企业语料；任务特定适配优于冻结预训练表示，三种领先策略在三个目标语料上的平均平衡准确率约为 85.6%–85.8%。

职业事故叙述包含工作情境、不利条件、事故事件或偏差、后果等信息，自动结构化有助于大规模事故分析与职业风险预防。 核心问题是：不同行业和组织描述事故时使用的术语与写作风格差异很大，自动编码系统能否泛化到训练域之外？ 本文评估法语职业事故叙述中“事故过程角色分类”的跨行业泛化能力。

arXiv 论文

一条来自 arXiv 的学术条目提出 **$λ$-Controlled GRPO**，主张 Flow-GRPO 在多步去噪中出现的多种训练不稳定（重要性比率下漂、离散化加剧、不同步裁剪比例不同、后期可用样本减少）其实源自同一个逐步统计量——"路径方差"（path variance），并据此把不稳定性从"需要事后修补的症状"改写为"可测量、可预算的资源"（正…

背景：强化学习正被越来越多地用于让图像生成器对齐奖励信号；Flow-GRPO 把流匹配（flow-matching）模型的去噪采样器当作可从奖励反馈优化的随机策略，从而把这一范式扩展到流匹配模型。 问题：这种训练的不稳定具有"多步去噪特有"的形态——策略更新随去噪步数系统性地变化；重要性比率（importance ratio）会漂移到 1 以下、分布愈发分…

arXiv 论文

COMPLEX 是一种闭式、免训练的多参数持久性模嵌入；在可检查的见证切片一致性条件下，它给出单切片下界，配合标准上界形成双侧失真界，并在 Orbit 与分子图基准上取得强结果，但在摘要层面局部逐预测认证仍失败。

作者指出，其所知的多参数持久性矢量化通常只有单侧 Lipschitz 上界，没有下界。 缺少下界意味着难以说明特征是否忠实，也难以构建逐预测保证。 论文试图补上缺失的一侧：为多参数特征映射提供可检查的下界，并进一步形成双侧失真界。

arXiv 论文

CodeMidas 提出一种智能体流水线，仅以源码作为任务特定输入，把现有代码库中的已实现功能转化为可执行 RL 环境；据此构建的数据集训练 MiMo-V2.5 后，在五个编码智能体基准上均有提升。

训练有能力的编码智能体需要多样任务与可靠验证器。开源代码库被视为丰富任务来源，但现有方法通常依赖 issue、commit 等开发工件，限制了可抽取任务的范围。CodeMidas 关注的问题是：能否从代码本身出发，把已实现功能规模化地转化为可执行 RL 环境，从而扩展编码智能体的强化学习训练任务来源。

arXiv 论文

BrainWideBench 是一个基于 International Brain Laboratory Brainwide Map 数据集的基准，用于评估多脑区神经记录上的跨动物迁移；摘要显示，预训练普遍优于匹配的单会话基线，但现有方法在三类任务上表现异质，尚无单一方法全面胜出，面向行为、动力学与解剖结构的通用神经表征仍是开放挑战。

英文标题：BrainWideBench: Benchmarking large-scale pretraining and across-animal transfer in multi-region neural recordings 研究问题：大规模神经记录已可跨多动物、多脑区采集，能否利用这种规模学习可迁移到多种下游任务的通用神经表征。 摘要指出，该…

arXiv 论文

Benchmarking World Models for Continual Learning on Compositional Tasks

arXiv 论文

BCA（Bayesian Chronicle Agents）为 LLM 智能体增加最小显式贝叶斯信念层，把“信念”与“表达”分离，并用先验强度参数 κ 控制共识、持续分歧和坚定少数派影响；在四个模型上，预设 κ 经语言往返后仍可恢复，且持续分歧结果与 FJ 闭式不动点匹配（R²=0.93–0.99）。

LLM 智能体在社会模拟中隐式地、依赖上下文地修改意见。材料指出：智能体对说服的开放程度既无法明确指定，也无法验证；集体结果会继承模型的训练先验。论文提出 BCA 作为解决方案。该工作来自 arXiv 2609.21997v1，作者为 Hafsa Akbar、Daniel Platnick、Marjan Alirezaie、Hossein Rahnama，…

arXiv 论文

论文把“选择性预测器能否在有限校准数据下获得目标精度认证”定义为可计算的“认证可用性”（certified availability），并指出安全、报告颗粒度与服务流量之间存在可规划的权衡前沿。

选择性预测器（selective predictor）充当安全门：只有当预测看起来足够可信时才返回输出。 部署中越来越需要在目标精度下，为每个关注的报告单元（reporting unit）认证可靠性，例如工具、政策标签或患者亚组。 核心难题不一定是已授予证书是否有效，而是有限校准数据（finite calibration data）能否产生证书。 当安全门…

arXiv 论文

基于 arXiv 摘要，在 CTF 子通道代码中使用 EPRI 棒束 CHF 数据库评估表明：仅在管状数据库上训练的 ML CHF 模型总体可迁移到方形棒束应用，并在多数几何与运行工况下优于传统 CHF 方法；局部混合 LUT 模型总体表现最强，半局部纯 ML 模型也具竞争力。

CHF 是核热工水力中的关键安全相关量，直接关联燃料性能与反应堆安全。 近期研究表明，相比传统经验关系式和查找表，ML 方法可显著提高 CHF 预测精度。 但多数 ML CHF 模型基于管状数据库开发和评估，其在反应堆相关的棒束几何中的适用性尚未充分探索。 本研究评估部署在 CTF 子通道代码内的 ML CHF 模型，使用 EPRI 棒束 CHF 数据库。

arXiv 论文

据候选摘要，这篇工作提出一个位于“检索”与“生成”之间、**零参数、白盒**的记忆决策层（Memory Decision Layer, MDL），用相关性、可靠性、任务风险三路信号互补编码来决定“检索到的记忆是否值得信任”，从而在记忆冲突场景下降低幻觉——但全文未抓取，具体实验设置与数字均需核实。

研究问题（据候选摘要）：现有 LLM 记忆系统主要关注**检索效率**，而对“检索回来的记忆该不该信”这一决策环节关注不足。 当记忆库中存在**互相冲突的立场**时，标准 RAG 会不加区分地注入记忆，反而放大幻觉；在易受记忆注入影响的模型上，冲突记忆下的 RAG 幻觉率明显高于“无记忆”基线。 作者称其灵感来自前额叶皮层的记忆信号机制，提出 MDL，把“…

arXiv 论文

该论文提出，value 路径门控之所以改善语言模型预训练，是因为它为 softmax attention 补上了两个缺失原语：弃权（Abstention）和噪声过滤（Noise Filtering）；在 10M–350M 参数匹配模型中，弃权收益随规模下降，噪声过滤收益随规模上升，二者兼具的模型在每个规模最佳。

此前有报告称，对 attention 的 value 路径加门控可改善语言模型预训练，但不同研究对其原因解释不一致。本文要检验的问题是：这些门控是否分别提供了 softmax attention 本身缺少的两种能力——允许 head 不输出（弃权），以及抑制残差流中叠加特征带来的干扰（噪声过滤）。

arXiv 论文

PIR（Probe of Internal Recognition）通过读取语言模型内部状态，判断模型是否“认得出”某个候选答案，从而区分模型是“不愿回答”还是“不能回答”。

大型语言模型可能掌握某种知识，但在输出中不报告。例如，在能力评估中故意“放水”（sandbagging），或给出与内部知识相反的答案。仅看模型输出，无法判断它是在隐藏答案，还是根本不知道。该研究借用法医学中的 Concealed Information Test（CIT）：向嫌疑人呈现真实细节与合理干扰项，并测量其对可识别项目的更强反应。作者将这一思路迁移…

arXiv 论文

这篇 Nature Machine Intelligence 社论介绍 Sungwoo Lee 等人的 Perspective：将控制论反馈回路、内感受与强化学习结合，提出面向具身智能体的内部状态框架，让智能体通过监测内部信号来自适应地更新目标与行为；目前仍是概念框架，实际有效性待验证。

材料是 Nature Machine Intelligence 的 Editorial，不是新实验论文；其介绍的是本期中 Sungwoo Lee et al. 的 Perspective。 研究问题：现代 AI 与 LLM 擅长特定计算任务，但在物理世界中可靠行动仍困难；如何借鉴生物体持续监测内部生理状态并调节行为的原则，使具身人工智能体在变化环境中具备自…

nature.com