本期 48 件事。点击标题可查看卡片、来源与相关知识点。
根据现有元数据，OpenAI 宣布将收购 Pierre Computer Company, Inc.，候选摘要称此举旨在扩展 Codex 在代码构建、理解与审查方面的工具能力；由于正文未能抓取，交易金额、团队归属与产品整合细节均待核实。
OpenAI 官网发布页面，标题为“OpenAI to acquire Pierre Computer Company, Inc.”，表明这是一项收购 announcement。 候选摘要给出的定位：收购将扩展 Codex 的工具，用于 building、understanding 和 reviewing code。 交易结构、对价、监管审批状态、Pier…
OpenAI
查看来源原文Isomorphic Labs总裁Max Jaderberg公开断言“人类不擅长造药、未来药物皆由AI设计”，并称公司计划于2026年底启动首次临床试验；其自研IsoDDE引擎在部分困难基准上表现超过AlphaFold 3，但相关数据多为公司自行发布，尚待独立验证。
据腾讯研究院AI速递（2026年11月4日）汇总，Isomorphic Labs总裁Max Jaderberg就AI药物设计发表判断：人类在药物研发上并不擅长，未来药物将全部由AI设计。公司同步给出时间表——计划在2026年底启动首次临床试验。研究问题可归纳为：AI引擎能否在真实药物发现任务中替代或超越传统依赖实验结构解析的流程，并推进到临床阶段。
腾讯研究院（搜狐同步）
查看来源原文据现有元数据，OpenAI 的 Daybreak Red 将 GPT-5.6 Cyber 能力通过 Amazon Bedrock 提供给 AWS GovCloud（美东）区域的获批客户，用于经授权的网络安全工作；具体功能与合规细节待核实。
本条关注的是 OpenAI 面向政府与受监管场景的安全能力分发路径：Daybreak Red 作为产品名出现，承载的模型为 GPT-5.6 Cyber，交付渠道为 Amazon Bedrock，落地环境为 AWS GovCloud（US-East）。研究问题在于：此类高敏感网络安全能力如何通过云市场在受限区域内向“获批客户”开放，以及这一分发模式对安全工具…
OpenAI
查看来源原文Anthropic 更新招股书显示，2026 年第三季度收入 169.56 亿美元、同比增 1127%，调整后营业利润转正、经营现金流转正；但净亏损 232.91 亿美元（九成以上来自非现金公允价值损失），同时算力采购与租赁累计承诺约 8954 亿美元，量级远超当期收入。
本条为腾讯研究院 AI 速递（20261104）中的一条，主题是 Anthropic 更新招股书，核心问题是：在收入高速增长、经营层面趋近盈亏平衡的同时，公司对算力的长期承诺规模是否与当前收入体量匹配，以及账面巨额净亏损的性质（现金亏损还是会计计量损失）。
腾讯研究院（搜狐同步）
查看来源原文2026 年 11 月 4 日，Agility Robotics 宣布完成与 SPAC 公司 Churchill Capital Corp XI 的业务合并，合并后公司普通股与认股权证预计于 11 月 5 日以“AGLT”和“AGLTW”在纳斯达克开始交易，Agility 由此成为美国唯一一家拥有成熟在运商业部署的纯类人机器人上市公司。
本条为合并交易的交割完成公告，接续此前 S-4 注册声明生效（2026-10-13）、股东批准（2026-11-02）与合并上市计划公布（2026-06-24）的进展。核心问题是：交易完成后，Agility 的上市状态、证券代码、股东结构与锁定期安排如何落地，以及公司以何种业务叙事支撑其“纯类人机器人上市第一股”的定位。
agilityrobotics.com
查看来源原文据标题与候选摘要，OpenAI 构建了一条自主流水线，在 Linux 内核中发现、验证并为 948 个本地提权漏洞生成了补丁；该成果的细节尚未能从原始正文核实。
候选摘要称：OpenAI 建立了一条端到端自主流水线，完成“发现—验证—生成补丁”的流程，目标是 Linux 内核中的本地权限提升（local privilege-escalation）漏洞。 标题“A thousand fewer paths to root”以“root”双关，指向提权路径数量的减少。 研究问题可概括为：自主 AI 流水线能否在大规模真…
OpenAI
查看来源原文NVIDIA 提出一条“从生产轨迹到自定义评测再到 Harness 修改”的闭环优化流程：用 NeMo Compass 从已记录的 Agent 轨迹中定位并优先级排序问题，用 NeMo Eval Author 把问题固化为可复现的评测，再修改 Agent Harness（如系统提示、工具定义等），最后在开发集与留出集上对比前后结果以验证改进并检测回归。
来源：NVIDIA Technical Blog，2026 年 11 月 4 日，作者 Patrick Moorhead、Sean Lopp、Moon Chung。 核心问题：面向特定领域的 Agent，通用基准分数往往无法解释其失败原因。Agent 可能选错工具、走错工作流分支、遗漏相关上下文、使用不必要昂贵的模型，或完成任务但未满足领域特定要求。 文章…
NVIDIA 博客
查看来源原文Supabase创始人Paul Copplestone判断，Personal Agent的下一站是“人人拥有Personal Database”——个人数据（财务、健康等）沉淀在可迁移的数据库中，上层Agent可随时更换；同时Supabase的增长重心已明显转向Agent驱动的使用。
来源为腾讯研究院AI速递（2026年11月4日）第八条，转述Supabase创始人Paul Copplestone的观点。 核心命题：Personal Agent普及后，每个人需要一个属于自己的个人数据库来承载个人数据，而不是把数据锁死在某个Agent产品里。 背景数据：Supabase一年内注册用户从约300万增至1300万，托管数据库从800万个增至近…
腾讯研究院（搜狐同步）
查看来源原文WorkBuddy上线浏览器操控能力，QQ浏览器第一时间接入，用户安装官方扩展后即可让AI拆解计划并自动执行搜索、点击、翻页等网页任务，最终汇总成文件；任务在独立标签页组中隔离运行，遇敏感环节主动暂停待确认。
本条来自腾讯研究院AI速递（20261104）第五条，属于“生成式AI”产品动态。核心问题是：浏览器内的AI Agent如何在不干扰用户正常浏览的前提下，自动代办网页操作任务，并在关键风险节点保留人工确认。WorkBuddy选择与QQ浏览器合作落地，而非自建独立浏览器，这与“AI浏览器作为独立品类退潮”的既有脉络形成对照——AI能力以扩展形式嵌入成熟浏览器…
腾讯研究院（搜狐同步）
查看来源原文NVIDIA 公开其内部 AI Factory Operations Agent：基于 NemoClaw 蓝图与 OpenShell 运行时、本地部署 Nemotron 开源模型，编排多个领域子代理并通过 MCP 工具跨层关联故障根因，在 DGX SuperPOD 生产集群上辅助 SRE 运维。
随着 GPU 集群规模扩大，运维横跨计算、网络、硬件与调度多层，站点可靠性工程师（SRE）往往需要逐个查看多个仪表盘才能定位训练性能下降的原因。NVIDIA 因此开发 AI Factory Operations Agent，用于自身 DGX SuperPOD 的内部运维，目标是减少 SRE 的手工关联工作，并通过统一聊天界面完成故障检测、根因关联与建议输出。
NVIDIA 博客
查看来源原文DeepSeek Harness 推出“创造模式”，用户用一句话提需求，Agent 就能自己写代码生成插件并装入自身界面，官方同时公开 7 套示例 Prompt 作为参考。
本条是 DeepSeek Harness 在插件机制上的一次产品功能更新：把“造插件”这件事本身交给 Agent 完成。用户不再需要自己开发插件，只需在新建会话时选择“创造模式”并粘贴提示词，由 Agent 编写代码生成插件并集成进 Harness 界面。官方给出 7 套示例 Prompt，说明该模式面向的具体场景。
腾讯研究院（搜狐同步）
查看来源原文中国人民大学与复旦大学团队提出 CoworkOS，用“主智能体—协调运行时—子智能体”三层协作架构，让 AI 能在 CAD、Blender 等工具中与人类共同修改同一作品，并在多轮自动后训练后显著提升自动化任务表现。
据腾讯研究院 AI 速递（20261104）报道，人大与复旦研究者提出 CoworkOS，定位为“可跨会话持续干活的 AI 同事”。其核心问题是：如何让 AI 智能体在长时间、多会话、多人协作的创作场景中保持任务连续性，并与人类在同一作品上协同操作，而非一次性完成孤立任务。
腾讯研究院（搜狐同步）
查看来源原文百度在AI Day·Apollo专场披露全模态世界模型Apollo World，提出“2+3”标准，并在虚拟城市中让全AI智能体交通参与者跑通无人车从接单到送达的完整订单闭环，已用于萝卜快跑全球化测试。
百度AI Day·Apollo专场公开Apollo World世界模型，定位为“全模态世界模型”。 提出评估世界模型的“2+3”标准：因果性、交互性，加上物理准确性、持久性、实时性。 核心验证场景是虚拟城市中的无人车运营闭环：交通参与者均为AI智能体，车辆可从任意起点到终点完成接单、载客、送达。
腾讯研究院（搜狐同步）
查看来源原文DGP（Dynamic Gated Pathways）在每一层 ViT 与每一层 LLM 之间建立全连接路由，并让每个 LLM 层根据自身语义状态动态门控对不同视觉层（不同粒度）的偏好；在 LLaVA-1.5-7B/13B 上相对 LLaVA-1.5-7B 基线取得一致提升，并在多数基准上超过既有多层视觉融合方法。
论文关注多模态大模型（MLLM）中一个“核心但未被充分探索”的问题：连接位置（where to connect），即来自层级化视觉编码器的视觉信息应如何接入大语言模型的逐层语义。作者指出主流做法是注入固定的单层视觉表示，并把所有 LLM 层当作单一消费者，忽略了不同层对视觉粒度的需求差异；近期多层融合方法要么在编码器侧压缩层级特征，要么依赖预定义的稀疏或层…
arXiv 论文
查看来源原文VTR（Visual Token Routing）通过联合训练视觉语言模型与轻量级时空路由器，让计算机使用智能体在动作预测时只保留必要的视觉 token，从而大幅降低推理成本；具体方法与实验细节待核实。
计算机使用智能体（Computer-use agents, CUAs）在多项长程基准上已达到超人类表现，但其计算成本限制了在长程任务与实时场景（如电子游戏）中的应用。关键瓶颈在于：每张截图被表示为数千个视觉 token，随着智能体在长交互历史上推理，这些 token 会累积成长上下文。研究观察是，多数视觉 token 要么与下一步动作语义无关，要么在相邻截…
arXiv 论文
查看来源原文Trainspotting 是一个从 Wikimedia Commons 构建的、面向“拾得照片”（found photos）的以物体为中心三维重建数据集（12,068 个物体、311,886 张照片），用于暴露并改进前馈重建模型在跨多年、跨环境、跨相机乃至跨实体同款物体照片上的失效问题（具体实验数值待核实）。
现有前馈式重建模型的训练数据多为“单次采集”的物体拍摄：视角在变，但物体与其环境基本固定。 公共照片档案提供的是另一种多视图数据：同一物体或同一设计由许多人在不同年份、不同环境、不同相机下独立拍摄，有时还涉及多个物理同款个体。 论文要回答的问题是：这类“拾得照片”上的以物体为中心重建，现有模型表现如何、能否通过在该数据上微调而改善。
arXiv 论文
查看来源原文将热学描述符（瞬时温度与热率）显式嵌入“卷积编码晶粒尺寸分布 + 循环网络预测时序演化”的框架后，可以在秒级时间内较准确地预测非等温热处理下的晶粒生长轨迹，在未见过的复杂热历史上平均相对误差为 1.91%–14.66%。
热处理过程中的晶粒生长决定多晶材料微观结构，进而影响力学性能。前沿追踪（front-tracking）或前沿捕捉（front-capturing）等数值模拟虽然准确，但计算成本高，难以用于长时间或非等温的热循环。作者此前已在等温条件下把晶粒尺寸分布视为时间序列，用循环神经网络预测其演化，从而在秒级生成完整晶粒生长轨迹；本文要把该框架推广到非等温条件：在每个…
arXiv 论文
查看来源原文SpecCompact 通过“小模型并行草拟结构化摘要槽位 + 大模型逐条验证与修复”的语义推测机制，在 AppWorld 和 τ³ 基准上实现相对 Hermes 式摘要 2.04–5.63 倍的压缩加速，在 Hermes 内用户研究中压缩延迟中位数加速达 8.68 倍，但下游任务性能存在依模型、依任务而异的权衡。
LLM 智能体需要靠上下文压缩（compaction）管理不断增长的交互历史，而用大模型对长历史做摘要是主要延迟来源，因此压缩必须在“信息保留”与“延迟”之间取舍。论文要解决的问题是：能否在不牺牲摘要信息的前提下，显著降低压缩耗时。作者的关键观察是：结构化摘要的各个槽位（slot）在被独立生成时仍能保留信息，这为并行化草拟提供了依据。
arXiv 论文
查看来源原文ServerBench 将“设计并交付完整、专用的 LLM 服务系统”设为端到端基准任务，以“每美元 GPU 成本换取的时延合格 token 价值”为统一目标，检验编码智能体能否在多会话依赖、时延约束与正确性要求下自主完成服务系统的实现与运维决策。
LLM 编码智能体通过实验迭代开发软件，这为让智能体设计“支撑自身运行的服务系统”提供了机会。有效服务需要在会话依赖、时延约束和正确性要求之间协调实现与运维决策。论文提出 ServerBench，用于系统评估智能体自主设计完整、专用 LLM 服务系统的能力；智能体围绕同一目标进行实验，即“美元对美元”（dollars per dollar）：每美元 GPU…
arXiv 论文
查看来源原文在五个开源文本到图像模型中，数词对“小群体”计数有效，但超过约十个后多数模型不再稳定遵循；以 SD3.5-Medium 为例，在同一初始噪声下把“十二个”改成“二十五个”，画面布局不变，数量变化幅度与换随机种子相当且无一致方向。
论文研究问题：当请求物体数量超过约十个时，数词在文本到图像模型中究竟起什么作用。作者在五个开源模型上做受控实验：固定物体与初始噪声，一次只改一个变量；由未看到请求文本的标注者清点 3,088 张图像中的物体数量。
arXiv 论文
查看来源原文论文提出并验证：通用机器人策略可以在部署阶段通过在线强化学习实现多任务、通用化改进，且合适的算法配方能把性能提升泛化到在线训练未涉及的任务上（原文称这是机器人基础模型在线通用改进的首批证据之一）。
背景：通用机器人策略已能用单一大型模型从大规模预训练语料学习多种任务，零样本泛化能力较强，但部署时通常仍需一个自适应阶段才能达到足够性能。 已有缺口：通过强化学习（RL）的迭代自我改进在自适应上已有前景，但此前多在单任务设定中探索，与基座策略的多任务能力不匹配。 核心问题：通用机器人策略能否在部署中实现多任务、通用化改进（同时面向多种不同任务），以及什么样…
arXiv 论文
查看来源原文当线性回归中存在内生协变量、且足以控制内生性的变量不可观测但可用 AI/ML 方法生成大量代理变量时，只要生成的代理控制足够丰富， practitioner 无需验证数据也能一致地估计目标参数。
论文（Christensen & Vebman, arXiv:2611.06855v1, econ.EM/stat.ML）研究如下计量场景：线性回归中部分协变量内生；存在一个足以控制内生性的变量，但它是潜变量（latent）；研究者可以生成该潜控制变量的多个代理（proxy），例如用不同 AI/ML 方法廉价但不完美地插补，每个方法给出一个不同代理。问题是…
arXiv 论文
查看来源原文程序化对抗学习（PAL）通过在一个可解释的程序化生成器的低维控制参数空间中搜索困难样本，并用零阶优化算法 Simple-PAT 按需生成对抗训练样本，从而显著降低视觉模型在“看似简单场景”上的最坏情况误差。
许多计算机视觉任务中，神经网络的平均误差可以训练得很低，但在一些看似简单的场景上仍然失败。要减少这类失败，首先需要找到它们，而这些失败样本未必存在于固定数据集中。论文研究 PAL 框架：一种在程序化生成器的输入空间上做极小极大训练与对抗评估的方法，用于主动搜索困难实例。作者为 Jack Nugent 与 Jia Deng，论文编号 arXiv:2611.0…
arXiv 论文
查看来源原文PixelSpline 提出一种连续时空视频超分辨率（STVSR）框架，用“端点锚定的共享像素轨迹”替代传统的双向独立运动建模，并结合长上下文编码与连续高分辨率特征提升，在空间与时间上采样设置中取得较好的质量—效率权衡。
现有连续时空视频超分辨率方法通常只从两个端点帧推断运动，并对两个运动方向分别独立建模，因而容易受到对应关系歧义与轨迹不一致的影响。论文针对这一问题，提出以单条连续轨迹统一描述每个像素在两端点之间的运动，从而提升中间帧重建的对应一致性与细节质量。
arXiv 论文
查看来源原文论文摘要指出，让大语言模型切换到自由派或保守派“人格”后，其潜空间中词向量在语义轴上的投影以及语义轴之间的对齐关系会发生系统性变化，并可能使原本在无政治人格条件下训练的真伪与道德探针产生政治偏向；正文细节待核实。
该研究关注一个常被监控方法默认为稳定的假设：线性探针、稀疏自编码器（SAEs）等特征监控手段通常认为同一特征在不同语境下保持一致的内部表征。作者追问：当提示大语言模型采纳不同“人格”或视角时，模型潜在空间的表征几何是否会被重组。由于未能抓取正文，具体实验设置、模型规模与统计细节待核实。
arXiv 论文
查看来源原文HALO 通过在约一千个程序化生成的家庭场景中合成“视觉-语言-运动”配对数据，把类人机器人数据规模从依赖人工遥操作转向依赖算力，并在未见过的真实家庭中实现零样本迁移，360 次试验成功率 91%。
类人机器人具备自动化大量物理任务的潜力，但通向通用自主性的关键瓶颈是数据：把像素和自由形式语言映射到低层关节指令需要成对的监督数据，而目前不存在足够大规模的这种语料。部分路线依赖人类遥操作与可穿戴捕捉设备，产出 1 小时数据至少需要 1 小时人类时间。本文提出 HALO，试图用仿真合成数据替代人力采集，回答“能否仅靠仿真数据训练出可零样本迁移到真实世界的类…
arXiv 论文
查看来源原文论文评估了一种简单的推理时扩展方法——回合级 Best-of-N 采样（turn-level best-of-N sampling）：每一步由生成器模型产生多个候选动作，再由选择器模型从中挑选一个执行；在长程终端任务上带来 5–10% 的准确率提升，并提高了重复尝试的一致性。
研究对象：复杂、长程（long-horizon）任务上的 LLM 智能体推理时扩展。 核心问题：能否用现成的、开放权重的 LLM 直接比较不同候选动作，从而在推理阶段提升智能体表现。 与相关工作（Zainullina 等，2025，引导式搜索使用 critic 模型）的区别：本文不依赖专门的 critic 模型，而是评估通用开放权重 LLM 作为选择器的有…
arXiv 论文
查看来源原文一种仅依赖相机管线已计算出的两种单目距离估计之间的排序关系来检测行人遮挡的方法，无需训练、无需遮挡标注，在 KITTI 上对重度遮挡检测达到 AUC 0.909。
机器人在部署场景中往往缺少遮挡标注，而常规遮挡估计器依赖这类标注训练。本文研究的问题是：能否在不使用遮挡标签、不额外训练的情况下，从已有的单目感知输出中直接“读出”行人是否被遮挡。
arXiv 论文
查看来源原文论文提出“忠实性泛函”（faithfulness functional）框架，把现有解释忠实性评估标准之间的分歧定位为对“解释对模型作出了什么断言、哪些比较与该断言相关、如何聚合这些比较”的不同选择，并主张这些选择需借助解释性、制度性与规范性理由来辩护，而非存在唯一正确的评估标准。
忠实性（faithfulness）要求算法解释准确反映模型行为。但现有对忠实性的操作化（operationalization）可能对同一解释是否忠实给出相互矛盾的判断，令开发者和审计者难以取舍。论文研究的问题是：这些评估标准为何分歧，以及在实践中如何面对这种分歧。
arXiv 论文
查看来源原文针对 JEPA 风格潜世界模型中“静态坍缩”导致控制信息丢失的问题，作者提出运动引导对比正则化（motion-guided contrastive regularization），在随机背景的 OGBench-Cube 上把规划成功率从 52% 提升到 78%，在 LIBERO-Object 上从 14% 提升到 54%。
JEPA 风格世界模型在不重建观测的前提下学习动作条件潜动力学，但仅靠分布正则化并不能保证表征保留控制所需的信息。作者识别出一种失败模式“静态坍缩”（static collapse）：编码器保留与具体回合相关的静态内容，却压制了与操作任务相关的状态变化。由于静态内容在时间上可预测、跨回合又高度多样，这类失败可以在 SIGReg 等正则化器存在时依然持续。研…
arXiv 论文
查看来源原文LooM 针对循环 Transformer 的显存随循环次数增长、算力只能整块调节、训练后循环次数难以更改这三个问题，提出在因果编码器-解码器（CED）中只循环解码器首层之后的层，使 KV 缓存不随循环次数增长，并支持部署时在 3 到 21 次逐 token 层执行预算间灵活选择。
循环 Transformer 通过重复执行共享层提升有效深度，但论文指出其落地受三项限制阻碍：显存随循环次数增长、算力只能以整块层为单位调整、训练完成后循环次数不易更改。LooM 的研究问题是：能否在因果编码器-解码器结构中实现“记忆只写一次、深度成为部署时预算”的循环方案。
arXiv 论文
查看来源原文LongBanana 是据称首个由专家设计并验证的长上下文多参考图像合成基准，包含 90 个任务、约 4,670 条原子评估项，用于衡量智能体驱动图像生成中对分散视觉证据的检索、绑定与组合能力。
该基准针对“智能体驱动图像生成”场景：模型需要从大量参考图中检索分散的视觉证据、排除干扰项、绑定实体与关系，并合成一张连贯的最终图像。LongBanana 试图为这类长程、多参考的合成任务提供可审计的测试平台与共同目标。
arXiv 论文
查看来源原文GBPNet 在保留 Tanner 图消息传递对称性的前提下，通过级联变量节点更新、可学习的逐元素消息缩放，以及渐进训练和高 SNR 训练两种策略，在多种线性码上实现了比传统置信传播和所评估的先进神经解码器更低的误码率。
纠错码是通信系统的基础组件，用于在噪声信道上实现可靠数据传输。近年来神经解码器相较经典迭代算法展现出显著性能增益。本文研究的问题是如何在保持消息传递对称性的同时增强解码器的学习能力，并进一步提升解码准确率。
arXiv 论文
查看来源原文FrontierPhysics 是由 42 位物理学家基于自身研究设计的 56 项端到端物理研究任务基准，覆盖理论、计算与实验物理九个领域，用确定性验证器加专家评分标准同时考察智能体研究的正确性与可发表性；在 22 个模型、26 种配置中，没有一种配置在 168 次 rollout 中通过超过 46 次。
现有物理基准多评估固定题目、孤立子任务，或在给定解法下复现论文，很少在检查正确性的同时检验研究质量。论文提出的问题是：智能体能否完成从文献调研、研究计划、研究与实验，到结构化输出与科学文稿的完整物理研究流程，并且产出既正确又具备发表水准的结果。
arXiv 论文
查看来源原文NEO-VLA 提出一种“无视觉编码器”的视觉-语言-动作框架，让图像 token 与语言在骨干网络中共同演化，并让动作专家从不同深度的指令条件化视觉表征中取用信息；作者据此主张具身控制应从整个计算层级获取视觉表征，而非依赖固定编码器输出（正文未抓取，细节待核实）。
来源为 arXiv 预印本（arXiv:2611.06918v1），标题 *From Pixels to Actions - Towards Native Vision-Language-Action Policies*，主题归类为基础模型。 论文针对的主流范式是：先用视觉编码器把感知压缩成固定表征，再开始动作推理。 作者提出的核心质疑是：操作任务往往依赖…
arXiv 论文
查看来源原文FlowReconBench 在层流圆柱尾迹、二维 Kolmogorov 湍流和大规模三维各向同性湍流三种流态下系统比较了 10 种学习型方法与 5 种经典方法，发现“最优方法随流态而变”：经典方法在低阶与密集传感场景中表现强劲，数据驱动方法在传感器密度下降或可观测性变差时才显现优势；同时不同评价指标（误差 vs. CRPS）会给出不同的方法排序，生成模型…
从稀疏传感器恢复完整流场需要对未测量区域与物理变量做出先验假设，但学界尚不清楚学习模型何时优于经典估计器、其预测的哪些方面可信。FlowReconBench 针对这一问题构建了跨三种流态的统一基准：跨雷诺数的层流圆柱尾迹、二维 Kolmogorov 湍流、大规模三维各向同性湍流，并在泄漏受控的数据划分与传感器采样下，从逐通道误差、集合离散度、校准、频谱和成…
arXiv 论文
查看来源原文该研究利用21个O*NET条目和754个美国职业的数据发现，职业的AI暴露度越高，其“枯燥、肮脏、危险”类工作条件评分反而越低；但在控制体力要求、教育、培训、经验和工资等变量后，这种关联被显著削弱甚至消失，说明“AI用于替代恶劣工作”的叙事在职业层面缺乏稳健的经验支撑。
论文追问一个常见的自动化辩护逻辑：自动化常被说成是把人从“枯燥、肮脏、危险”（dull, dirty, dangerous）的工作中解放出来。作者检验这类工作条件与职业AI暴露度之间究竟是否存在系统关联，以及这种关联在统计调整和指标构造变化下是否稳健。
arXiv 论文
查看来源原文论文提出 Counterfactual Foreground Retrieval（CFR）评估协议，通过在同一检索任务下对比全图、仅前景、仅背景/轮廓三种视图，把单一检索分数拆解为“证据画像”，以判断模型是依赖动物特征还是身份相关的捷径信号。
个体动物识别正从小的精选研究走向共享基准与可复用基础模型。 现有评估只报告检索准确率，无法说明匹配背后的证据来源：高分可能来自动物本身特征，也可能来自与身份相关的背景或轮廓等捷径。 研究问题：如何把检索分数转化为可解释的证据判断，区分前景支持的检索与捷径支持的检索。
arXiv 论文
查看来源原文该工作提出“上下文感知”的自回归图像生成框架：不让模型按固定或随机的 token 顺序生成，而是由模型根据全局上下文与当前局部信息动态决定下一个 token 的位置，从而提升结构鲁棒性并观察到初步的“推理型”生成能力。
自回归（AR）图像生成已成为有竞争力的视觉生成范式，但其生成顺序通常是预定义或启发式的：下一 patch 预测、随机顺序预测，或针对特定尺度的一步生成。 作者观察到：这些固定/随机顺序策略可能让模型忽略图像中重要的结构依赖，进而限制结构鲁棒性与推理能力。 研究问题：生成顺序是否是图像自回归建模中被低估的关键因素？让生成顺序随图像结构与语义依赖自适应，能否带…
arXiv 论文
查看来源原文该研究训练“上下文—答案元模型”，把模型阅读上下文时产生的激活序列直接映射为答案阶段平均池化激活的点预测或分布预测，从而在生成第一个答案 token 之前，以较低成本估计随机解码下的答案变化。
在随机解码条件下，同一上下文可能引发语言模型产生多种不同答案。要刻画这种变化，通常需要进行大量昂贵的自回归 rollout，而每次 rollout 只能揭示一种实现。论文提出的问题是：阅读上下文时产生的激活，能否直接预测模型 rollout 阶段的激活？为此，作者训练上下文—答案元模型，将上下文激活序列映射为答案激活的均值池化预测；这些预测可以是点预测，也…
arXiv 论文
查看来源原文CompressionBench 将“在存储预算内保留预训练模型行为”设为端到端终端任务，检验编码智能体能否自主完成 LLM 压缩；在 6 个智能体 × 6 个模型—规模设置共 36 次提交中，29 次通过独立验证，最优设计平均困惑度仅比 BF16 高 3.4%，下游准确率 77.33%（BF16 为 79.56%）。
研究动机：递归自我改进要求 AI 系统改进后续系统所用的模型与基础设施；LLM 压缩提供了一个可测量的效率目标。 核心问题：编码智能体能否在没有人工介入的情况下，自主完成“给定源 checkpoint、存储上限、推理环境和时间预算，产出压缩权重与可执行推理代码”的压缩任务。 任务形式化：压缩被定义为终端任务（terminal task），智能体自行控制算法…
arXiv 论文
查看来源原文LLM 对话助手在涉及时间依赖约束的日常建议中，即使能正确计算经过时间，也常常不把该约束应用到建议里，导致在违规场景中仅约三成会考虑时间限制。
论文关注的问题是：用户在日常对话中可能不会在后续请求里重复提及时间相关的安全约束（例如“刚吃过药”“刚运动完”），助手需要自行识别并据此调整建议。为评估这一能力，作者提出基准 TASC（Temporal Action Safety in Conversation），检验 LLM 在对话请求中是否会应用时间依赖约束。
arXiv 论文
查看来源原文BEAKER 是一个由专家手工构建的基准，用于评估多模态大模型（MLLMs）作为自驱动化学实验室（SDCLs）“具身大脑”的执行导向能力；测试显示 28 个模型能理解粗粒度实验流程，但在可操作区域定位、可行轨迹规划、细粒度器材/状态/安全识别及中等长度步骤排序上仍明显不足。
自驱动化学实验室（SDCLs）正把化学实验推向具身自动化，机器需在物理、流程与安全约束下感知实验室场景、推理实验状态并执行动作。 MLLMs 被视为这类系统的“具身大脑”，但已有实验室基准多聚焦安全、异常检测或通用科学理解，对其面向执行的具身能力探索不足。 BEAKER 旨在填补这一空白，评测 SDCLs 中的具身可操作性、知识、实验与推理能力。
arXiv 论文
查看来源原文在文本嵌入模型中，int8 量化在多数任务上与 float32 效果几乎无差（总体最多损失 1.5 个百分点），而二值量化在所有任务类别上显著变差；层次化降维与 int8 结合可实现每向量存储 32 倍压缩并保留 94.4% 的基线效果，但量化本身并未带来评测加速。
该研究是一项实证基准测试，考察两种正交且已成熟的计算效率技术——层次化文本嵌入表示（可变长度表示）与量化（降低数值精度）——在交互时的表现。研究问题聚焦于：二者组合后在效果与效率两个维度上如何权衡，以及不同任务类别下的退化模式是否存在差异。
arXiv 论文
查看来源原文structRFM 是一个在 2100 万条 RNA 序列–结构对上预训练的结构引导 RNA 基础模型，通过把碱基配对交互整合进掩码语言建模，学习序列与结构的联合表示，在二级/三级结构预测、功能推断和零样本泛化上取得改进，并公开数据、权重与代码。
RNA 语言模型借助大规模序列数据在下游任务上表现良好，但 RNA 功能本质上由层级结构塑造，结构信息对预训练很重要。现有方法常依赖带噪注释或任务特定目标，可能限制泛化能力。该研究提出 structRFM，试图以结构引导的预训练方式获得可广泛适配的 RNA 表示。
nature.com
查看来源原文AutoDNA 是一个“AI 原生”的自主生物分子工程实验室，可跨多种仪器完成多目标核酸实验（合成、转录、扩增、测序），在仅需硬件维护类人工介入的前提下，实现 AI 与自动化系统的协同演化，并在四类应用中达到专家级或端到端可用的结果。
论文标题：An AI-native experimental laboratory for autonomous biomolecular operations（Nature，2026-11-04 在线发表）。 研究问题：现有自主实验系统多局限于“单一目标、流程明确、仪器简单”的化学/材料场景，AI 往往以“附加工具”（add-on）方式使用，缺乏对实验的…
nature.com
查看来源原文AMM（Adaptive Multi Mode）是一种面向连续黑盒优化的预算感知路由器，它通过在线探测曲率、平台、可分性、折点、盆地与分形结构，在拟牛顿、信赖域、坐标、多起点与进化策略等优化引擎之间分配已知预算；在预留 bbob 实例上，AMM 在 600 个“函数-维度-预算”单元中的 382 个取得最高目标份额。
连续黑盒优化中“最佳经典优化器”取决于预算与景观形态。现有路由器多依据维度与预算、历史改进量或单一基准上拟合的特征做决策，较少在线检验优化器的隐含假设。AMM 的研究问题是：能否用在线景观探测，在给定预算下把预算路由给更合适的优化引擎。
arXiv 论文
查看来源原文论文提出“受控上下文增强”与“选择性鲁棒性”两个概念工具，用于系统比较不同上下文增强方式如何影响LLM社会智能体在意义保持型提示扰动下的行为稳定性，并在类囚徒困境博弈中展示了该框架的可用性。
**背景**：LLM被用作社会模拟中的智能体，通过观测与背景信息提示来塑造其行动。但已有研究表明，LLM智能体在意义保持（meaning-preserving）的提示变体下会显著改变行为，这给社会模拟的效度验证带来问题。 **假设**：一种可能的解释是这种脆弱性源于“缺乏接地”（lack of grounding），可通过丰富提供给智能体的上下文来缓解。…
arXiv 论文
查看来源原文