AI 日报 · 2026-08-10

阿里推出 CosyVoice Studio 全栈语音平台，背靠 Qwen-Audio 语音大模型，Realtime 版在 Artificial Analysis 榜单综合指数 84.1%，并分设 CosyFlow、CosyCreative、CosyAgent 三大方向，依托千问、钉钉、高德、淘天等真实业务场景打磨，标志着国内 AI 语音竞争从单点工具走向平…

据腾讯研究院AI速递 20260810 报道，阿里推出 CosyVoice Studio，定位为“全栈语音平台”。该平台以 Qwen-Audio 语音大模型为底层能力，提供 Realtime 版本，并在 Artificial Analysis 榜单上获得综合指数 84.1%。平台分设 CosyFlow、CosyCreative、CosyAgent 三大方向…

腾讯研究院（搜狐同步）

OpenAI CFO Sarah Friar 分享了打造“AI原生财务职能”的五条经验，涵盖自动化预测、强化管控与AI投资回报衡量；因原始页面未能抓取正文，具体细节待核实。

OpenAI 发布文章《Building an AI-native finance function》，作者为 CFO Sarah Friar。 文章主题围绕如何在财务部门中系统性落地 AI，而非零散使用工具。 Candidate summary 提示其内容包括：自动化预测（automated forecasting）、更强管控（stronger cont…

OpenAI

OpenAI’s letter to Governor Abbott on responsible AI infrastructure in Texas

OpenAI

OpenAI 将 GPT-5.6 Luna 设为免费用户默认模型，Free 与 Go 用户普通文本聊天取消次数限制；付费用户则使用聊天优化版 GPT-5.6 Sol。这显示 OpenAI 正以“免费高频文本对话”扩大规模，同时以图片、文件上传等高算力功能作为付费分层边界。

研究问题/产品更新：OpenAI 如何调整 GPT-5.6 的免费与付费产品形态？ 事件概述：据腾讯研究院AI速递 20260810 转述，OpenAI 宣布 GPT-5.6 Luna 成为免费用户默认模型，Free 与 Go 用户普通文本聊天不再限次，Think 深度思考功能也向免费用户开放。 付费用户方面：OpenAI 为其提供聊天优化版 GPT-5.…

腾讯研究院（搜狐同步）

OpenAI暂缓最强模型Astra，网络安全能力触及临界

腾讯研究院（搜狐同步）

据腾讯研究院AI速递（20260810）转引信息，OpenAI首款硬件是一款由苹果前设计官Jony Ive旗下LoveFrom参与设计的“甜甜圈音箱”，定位为以AI为核心、能感知环境并主动提供帮助的计算设备，计划2026年亮相、2027年开卖；OpenAI硬件部门还在研发约5款产品，但正面临苹果商业秘密诉讼，若初步禁令获批可能影响上市进度。

OpenAI首款硬件产品曝光。产品形态为音箱，先切入家庭市场。苹果前设计官Jony Ive旗下LoveFrom参与设计。产品定位不是普通音箱，而是以AI为核心的计算设备，能够感知环境并主动提供帮助。计划2026年亮相、2027年开卖。

腾讯研究院（搜狐同步）

根据页面元数据，Model ML 利用 GPT-5.6 Sol，将金融工作从研究分析到可编辑、可追溯的 PowerPoint 与 Excel 交付物，以更高效率完成。

OpenAI 官网页面介绍了 Model ML（`https://openai.com/index/model-ml`）。由于未能抓取正文，本卡片仅基于页面标题与摘要元数据生成，具体事件背景、产品性质与发布时间均待核实。

OpenAI

SpaceX与Tesla联合宣布在美国得克萨斯州建设全球最大芯片厂Terafab，初期投入约168亿美元，确认采用自由电子激光光刻技术（FEL），并自建天然气发电厂与Tesla储能系统，以应对两家公司预计超1太瓦的算力需求。

据“腾讯研究院AI速递 20260810”报道，SpaceX与Tesla联手宣布在德州建全球最大芯片厂Terafab。 初期投入约168亿美元，规划超1亿平方英尺制造面积，将提供至少3000个岗位。 建厂动因是两家公司算力需求预计超1太瓦，超过全球芯片总供应。 产品覆盖边缘推理芯片与太空数据中心高功率芯片。

腾讯研究院（搜狐同步）

Jeff Dean在离职谷歌48小时后，于斯坦福AASF峰会首次完整阐述新公司Discovery Loop构想：要把科学发现循环自动化；他提出判断技术看“10倍提升”、寻找问题瞄准“五个已知苗头加两个未知挑战”等方法论，并认为云计算让顶尖人才持续流向创业公司。

腾讯研究院AI速递（2026-08-10）报道，Jeff Dean以创业者身份亮相斯坦福AASF峰会，这是其离开谷歌后的首次公开完整阐述。他回顾了MoE、TensorFlow、Gemini等Google AI技术脉络，并给出面向AI下一个十年的技术判断与问题选择框架。

腾讯研究院（搜狐同步）

微软研究员Papailiopoulos借助GPT-5.6与Claude Fable 5，证明了一个多项式时间算法能让MIMO检测精确命中最大似然阈值，攻克了悬置25年的数学难题。

据腾讯研究院AI速递（20260810）报道，微软研究员Papailiopoulos使用OpenAI GPT-5.6和Anthropic Claude Fable 5两个大语言模型合作，完成了一项此前悬置25年的数学难题证明：MIMO（多输入多输出）检测问题存在多项式时间算法，能够精确达到最大似然检测阈值。

腾讯研究院（搜狐同步）

NVIDIA 技术博客于 2026-08-10 发布文章，介绍 Meta 回归开源生态、推出 Muse Glimmer 的背景。文章指出：大多数大语言模型以“聊天”为主要场景优化，追求单轮交互和快速首 token 延迟；但智能体工作流需要多次顺序工具调用、长时间保持上下文一致性、可靠遵循指令和持续吞吐。Muse Glimmer 正是为“长期运行的智能体”而…

NVIDIA 博客

Anthropic为Claude Code新增跨会话消息传递功能，不同会话的AI可自主通信、对齐进度，解决多任务并行时的上下文同步痛点。

Anthropic对Claude Code进行功能更新，允许不同会话中的AI智能体自主互发消息。该功能主要面向多任务并行场景，帮助各会话中的AI对齐进度、传递信息，避免上下文不同步带来的协作问题。

腾讯研究院（搜狐同步）

AMIE（Video）首次展示了人工智能在实时临床视频问诊中达到专家级表现的可能性：在随机OSCE研究中，临床评估者对其病史采集、诊断、管理和体格检查观察的评分与初级保健医生（PCP）相当或更好；但患者演员在“融洽关系”和“伙伴关系建立”方面仍更偏好人类医生。

音频-视觉交互是患者与医生问诊的标准形式，非语言线索对病情评估很重要。纯文本医疗AI虽然已有进展，但丢弃了必要的感知维度，也限制了无法用文字描述症状的患者。早期将医疗AI扩展至视听交互的研究证明了可行性，但尚未达到临床医生水平。本研究旨在开发并评估一种用于实时临床视频问诊的AI系统。

arXiv 论文

主流专有LLM API以“加密文本块”形式把隐藏的逐步推理（chain-of-thought）返回给客户端，但这些加密块在同一提供商的会话、用户和模型之间兼容且可互换；攻击者可利用这一架构漏洞，把加密推理块注入同一生态内防护较弱的模型，强迫其输出明文推理，从而绕过反蒸馏、泄露隐私、暴露危险推理，并实现不可见提示注入。

背景：Anthropic、OpenAI、Google 等领先大模型提供商现在隐藏模型的 chain-of-thought，以保护知识产权并限制信息泄露。它们不把推理轨迹存储在服务端，而是以加密文本块形式返回客户端，客户端在后续请求中回传这些块。 问题：这些加密块在提供商的生态内“完全兼容且可互换”（跨会话、跨用户、跨模型），构成架构级漏洞。 论文提出一种可…

arXiv 论文

控球率是足球中最常被引用但也最误导的指标。本文提出“垃圾控球指数”标记低威胁控球序列，并用“空间创造指数（SCI）”从广播视频判断控球是否真正创造空间，从而将“创造了空间但未转化”与“无效死控球”区分开来。

现有基于事件的控球价值框架（expected threat、VAEP、on-ball value）只对持球动作定价，忽略了无球/off-ball 问题：球队控球时，到底是在创造空间，还是在进行无意义的倒脚？60% 在后场倒脚的控球率，并不等于 60% 的时间在压制对手。本文试图回答：一次控球是否创造了空间，还是“死”的？

arXiv 论文

SHE 提出一种从智能体交互轨迹中学习并演化“安全护栏”（harness）的框架，将护栏拆分为系统提示、规则库、安全记忆和工具策略四类工件，通过归因引导的演化循环显著降低攻击成功率（ASR），并提升良性任务效用。

LLM 智能体的安全性不仅取决于模型权重，还取决于智能体外围的“护栏”系统——它负责管理上下文、记忆、工具、权限和运行时控制。现有安全机制通常把护栏视为固定的部署产物，难以及时应对新出现的风险；同时，护栏各组件功能耦合，导致安全责任难以归因，阻碍局部演化。SHE 针对这一问题，提出从 rollout 轨迹中学习动态安全边界，使护栏能够随风险变化而演化。

arXiv 论文

Sci-VBench 是一个专门评估视频生成模型在科学领域中知识理解与因果推理能力的新基准，初步结果显示：当前模型在视觉真实感上进步明显，但在科学正确性与因果动态建模上仍不可靠，且闭源模型与开源模型之间存在显著差距。

现有视频生成评测多侧重表面视觉质量，难以衡量模型是否真正理解科学知识并进行推理。Sci-VBench 提出从自然科学、医疗健康、人文社科与工程四大学科出发，构建需要时间维度丰富、知识驱动和科学推理的视频生成任务，以检验模型能否超越“视觉上合理”的表象输出。

arXiv 论文

RynnValue 是一种开放源码的机器人操作价值基础模型（value foundation model），用“时间距离”（temporal distance）替代偏好或进度作为监督信号，仅靠时间戳即可从大规模异构数据中学习奖励相关能力，并在零样本泛化和真实世界策略提升上超越偏好监督方法。

通用奖励模型正成为扩展机器人学习的瓶颈。现有的奖励/价值模型通常依赖任务内部的锚点，如人类偏好标签或归一化进度，这些信号难以在不同机器人本体和数据源之间干净地迁移。该论文提出，是否可以用一种更通用、可扩展的监督目标来学习价值函数？RynnValue 给出的答案是：时间距离——从当前观测到语言指定目标的“有向代价”（directed cost-to-go），…

arXiv 论文

本文提出一个数据驱动的气候临近预报框架，将短期气候预测与供应链风险建模相结合，为哥伦比亚农业的实时气候风险评估和早期预警提供概念性架构；在受控计算环境中的原型和实验显示，短期降水临近预报可转化为可操作的供应链风险指标。

哥伦比亚气候变率明显，表现为降雨不规律、温度波动和极端事件频发，直接影响农业生产和物流，尤其对时间敏感型作物影响突出。研究问题是：如何利用历史气象观测和农业数据，通过数据驱动的临近预报技术，将气候信息转化为支持供应链韧性决策的风险信号？

arXiv 论文

RA-FinBERT 通过在 FinBERT 的 [CLS] 表征上拼接由 VADER 情感比例和来源元数据构成的四维特征，并以 LoRA 进行参数高效微调，仅新增 1,024 个可训练权重，即在金融新闻标题/描述的三分类情感任务上将测试集准确率从 63.44% 提升至 69.89%，宏 F1 从 0.526 提升至 0.634。

金融情感分析旨在将非结构化金融新闻转化为可支持市场分析与决策的量化信号。已有资源高效型金融 NLP 工作多集中于压缩或适配预训练语言模型，较少关注将上下文表征与轻量级规则特征相结合。本研究提出规则感知 FinBERT（RA-FinBERT），探索在低资源条件下用极少量额外参数融合规则情感信号与来源元数据，能否改善三分类情感预测。

arXiv 论文

CVPD（Contrastive Counterfactual Visual Process Distillation）提出一种完全自包含的多模态大语言模型视觉自蒸馏方法：通过“放大某个区域会改变并锐化模型答案分布，而移除该区域几乎不改变整图行为”的反事实盲区，从模型自身响应中生成密集的逐 token 对比监督，不依赖外部标注、工具或更强模型。论文报告，在…

多模态大语言模型的自我提升通常依赖基于奖励的方法，但奖励只提供粗粒度的标量反馈。 蒸馏可以提供更丰富的密集逐 token 监督，但在视觉领域通常需要外部标注、工具或更强模型构造特权上下文。 本文的研究问题是：能否完全不用这类特权信息，实现密集、同策略、逐 token 的视觉自蒸馏？ CVPD 的回答是：可以。其关键不是引入外部教师，而是利用模型自身在“局部…

arXiv 论文

该研究提出一个隐私保护的合成数据流水线：先用 StyleGAN 生成新颖的硬件布局掩码，再用条件 GAN（Pix2PixHD）把掩码转换为逼真的 SEM 图像；仅用这些合成图像训练的分割模型，可以成功迁移到真实 SEM 图像，并且性能优于只在有限真实数据上训练的基线模型，同时降低了硬件设计 IP 泄露的风险。

硬件保证（hardware assurance）需要借助扫描电子显微镜（SEM）验证纳米级结构，但自动化分析依赖大量高质量图像数据。实际中，SEM 图像采集耗时，且专用硬件设计受知识产权（IP）约束，难以公开或集中共享。该工作试图回答：能否用少量初始示例生成大量视觉真实但又不复制专有布线的合成 SEM 图像，并用这些合成数据训练可部署的分割模型？

arXiv 论文

MMDiff 是一种多模态模型差异分析框架，通过训练多模态稀疏自编码器（SAE），对比基础语言模型与多模态适配模型，把隐藏状态分解为可解释、可因果操作的特征方向，从而发现、审计和控制多模态大模型行为。

多模态大语言模型（MLLMs）虽然具备很强的视觉理解能力，但其内部真正导致这些行为的特征很难被识别、审计或控制。已有的 SAE 可以将隐藏状态分解为可解释的特征方向，但主要用于事后的检查，既不容易区分哪些特征是由多模态训练改变的，也不能直接用于目标控制。

arXiv 论文

本文是 POLIS 研究计划的第一篇论文。POLIS 是一个持续进行中的研究项目，研究多智能体系统的“算法制度”（algorithmic institutions）。 研究问题：AI制度中的哪些部分产生安全？它们如何产生安全？ 作者报告了一个冻结的 5,280-episode 研究套件。 主要的预先指定委托实验覆盖四个模型家族；另有一个针对高冲突场景的诊断…

arXiv 论文

在线策略蒸馏（On-Policy Distillation, OPD）中，学生与教师之间的“令牌失配”（token mismatch）比“令牌一致”（token agreement）更值得关注；论文提出 TIDE 方法，分别处理“学生多余”和“学生缺失”两类失配令牌，在数学推理基准上优于标准 OPD 及近期基线，尤其在教师-学生失配较强时提升显著。

论文揭示了一个 OPD 的失败模式：**退化的一致（degenerate agreement）**。学生可能通过重复性循环（repetitive loops）实现与教师接近完美的令牌级一致，但整体回答在全局上是错误的。因此，作者主张将注意力从“一致”转向“教师-学生失配”，并研究失配令牌如何影响蒸馏更新。

arXiv 论文

本文证明了一致稳定算法的矩不等式可以去掉对数因子，得到在相应范围内与下界匹配的泛化误差上界。

均匀稳定性是控制学习算法泛化误差的经典工具。Bousquet, Klochkov 和 Zhivotovskiy（2020）将这一问题归约为独立随机变量弱相互作用函数之和的矩不等式，但得到的上界含有一个额外的 $\log n$ 因子，并询问该因子能否移除。本文对此给出肯定回答。

arXiv 论文

论文提出 Latent Dynamics Reasoning（LDR），把视频潜在状态的时间演化建模为显式运动学积分：低阶动力学由数值积分完成，模型只回归三阶及以上残差；在 PhyWorld 白盒物理基准上，LDR 的分布内/分布外误差差距比视频扩散基线小 20 倍以上，论文称其为首个能外推所学动态的视频世界模型。

当前领先的视频扩散模型主要拟合像素，而没有显式建模像素或潜在状态如何随时间变迁，因此能生成视觉上合理的帧，但不一定遵守物理规律。LDR 的动机是从纯像素观测中学习世界动力学，并检验其能否外推到训练分布之外。

arXiv 论文

对于一个一般的非负实解析势 \(V\)，当大参数 \(\beta\) 趋于极限时，朗之万扩散 \(dX_t = -\beta\nabla V(X_t)dt + \sqrt{2}dB_t\) 若从 \(V\) 的零集出发，会被限制在零集上；其极限动力学可按局部学习系数及其重数对零集分层来描述，并且该演化强烈偏向更高维（原文亦称“更奇异”）的层。这为“随机梯度…

论文背景是过参数化统计模型与深度学习中的“泛化之谜”，尤其涉及 Watanabe 的奇异学习理论。 研究的具体对象是朗之万扩散 \(dX_t = -\beta\nabla V(X_t)dt + \sqrt{2}dB_t\)，其中 \(V\) 是一般的非负实解析势，\(\beta\) 很大。 在大 \(\beta\) 极限下，若过程从 \(V\) 的零集出发…

arXiv 论文

据论文摘要，Johnson 等人展示了一种自主三杆张拉整体（tensegrity）机器人，能够在遭受极端冲击（包括从 5.7 米高处跌落到沥青路面）后，依然在多种地形上实现稳健移动。该结论仅基于已知元数据，具体实验细节待核实。

研究问题聚焦于：如何让自主机器人在极端冲击下仍保持运动能力？相关成果发表于 Nature Machine Intelligence（2026 年 8 月 10 日在线），作者为 Johnson 等人。摘要显示该研究演示了一种三杆张拉整体机器人，但完整研究背景、问题定义与实验设计尚未获取，待核实。

nature.com

一篇发表在《自然》上的评论文章认为，如果没有强有力的标准和明智的监督，人工智能可能侵蚀高等教育的基础；文中具体监管建议因正文未抓取，待核实。

本文是一篇观点/评论文章，英文标题为 *I caught my students using AI to cheat in an exam — here’s what universities must do to stamp this out*。根据标题及摘要提示，作者疑似从自己发现学生用AI在考试中作弊的亲身经历切入，讨论大学应如何杜绝此类行为。具体论…

nature.com

Nature 于 2026 年 8 月 10 日在线发布了一篇关联网络研讨会的报道，面向招聘经理和求职者，讨论在科学职位申请中如何与何时使用人工智能；具体建议内容待核实。

该材料来自 Nature 的一篇职业类报道（或新闻），标题为 “How and when to use artificial intelligence in your science job application”。其核心议题是：在科学领域的职位申请过程中，AI 工具应被如何使用，以及在哪些环节使用是合适或有效的。文中提到一场网络研讨会（webinar）…

nature.com

GENCO（GEometric Neural Corrective Optimizer）是一个统一神经求解器，可在同一架构和共享网络表示下处理潮流（PF）、最优潮流（OPF）和状态估计（SE）三类稳态电网分析任务；在多个基准和真实电网数据上，它相对经典求解器可实现数十倍加速，并配套开源低代码开发框架 GridFM，为“电网基础模型”提供了具体切入点。

基础模型正在改变商业工作流并提升生产力，但在电力系统分析等工程领域仍基本缺席，原因在于这些领域必须强制执行严格的物理一致性。论文提出 GENCO 和 GridFM 开发框架，目标是为大规模稳态输电网分析提供统一的神经求解方案，并降低电力系统工程师使用神经求解器的进入门槛。

arXiv 论文

思考模式融合（Thinking Mode Fusion, TMF）中，非思考监督比例增大会降低思考模式的准确率；训练调度可以调节这一权衡，且最优调度取决于数据比例。

研究问题：TMF 将“非思考模式”（简洁回答）与“思考模式”（长形式推理）统一在同一大语言模型中，但其训练动态——尤其是两类模式数据的 **比例** 和 **训练调度**——尚未被充分探索。 本文针对数学问题求解，系统研究了思考与非思考模式之间的数据比例和训练调度对模型性能的影响。

arXiv 论文

面向荷兰政府场景的大语言模型评估框架“Grip on LLMs”提出六个评估维度，发现没有任何单一模型在所有维度上表现最优；模型质量越高通常伴随更大的环境与财务成本，而社会偏见与二者基本无关；事实性高并不等于诚实性高。

大语言模型越来越多地被应用于政府机构，但现有评估框架很少同时反映公共行政价值和非英语语言环境的要求。本研究与荷兰一个大型市政组织的领域专家合作，开发了“Grip on LLMs”评估框架。

arXiv 论文

当前文档解析器在通用表格基准上得分很高，但在复杂真实世界表格上明显失效。本文提出诊断基准 TableParseMap 和无需重训练的修正框架 DEC，将冻结解析器的表格 TEDS 平均提升 1.57 点，在大型表格上提升达 5.66 点。

近期文档解析器在 OmniDocBench v1.6 上的表格 TEDS 得分已超过 93，但社区反馈和作者审计发现，这些解析器在复杂真实世界表格上仍持续失败。为量化这一差距，作者引入 TableParseMap：一个包含 916 个真实世界表格的诊断基准，覆盖 5 个挑战场景和 9 种失败类型。被评估的最强解析器在该基准上仅达到 85.03 TEDS，说…

arXiv 论文

FinATOM 提出让因果语言模型通过受限 token 生成直接表达股票收益预测与 ETF 配置决策，而不是为不同任务外接回归、排序或策略头；候选摘要报告该方式在 2023–2025 年 ETF 测试和 FinTexTS 上带来夏普比率改善（完整方法与数字待核实）。

传统金融预测通常依赖任务特定的输出头，导致语言模型与最终被评估的数值对象分离。本文研究的问题是：因果语言模型能否通过受限 token 生成，直接表示“预测”和“配置”两类数值决策？为此，FinATOM 引入统一的、无任务专用头的接口，用于三步股票收益预测和动态五 ETF 配置。

arXiv 论文

在排序型链接预测公平性评估中，人口统计均等（Δ_DP）可能因为没有考虑链接在排序中的位置而掩盖暴露偏差；排名感知的 NDKL 能发现这类偏差，后处理方法 MORAL 能在效用损失较小的情况下降低这些偏差。

公平排序链接预测常用人口统计均等（demographic parity, Δ_DP）作为公平性指标。 Mattos et al. (2025) 认为，Δ_DP 只关注总体比例，忽略了链接在排序中的位置，因此无法识别“某些子群对链接被系统性地排得更靠后”的暴露偏差。 本研究复现了上述主张，并进一步检验其稳健性：在合成同质性设置、类别型敏感属性、额外公平性指标…

arXiv 论文

本文提出一种将能量与动量显式编码进潜状态的能量结构化潜世界模型（ELWM），并借助物理条件神经时间场（PC-NTF）与 Eikonal 方程生成物理一致的导航策略，在运动预测、导航成功率和碰撞率等指标上优于通用潜模型与 Active Neural Time Fields 基线。

物理一致的运动规划要求生成轨迹严格符合真实世界执行动力学。现有潜世界模型虽然可以预测未来表示，但学习到的未来表征无约束，物理规律被隐式吸收而难以复用，导致在开放世界导航中可靠性不足。本文试图回答：如何让潜世界模型显式携带可复用的物理知识，从而在开世界中实现安全、动态可行的运动规划？

arXiv 论文

DSLE 是一个将《黑暗之魂：重制版》全部 22 场 Boss 战封装为 Gymnasium 风格接口的容器化学习环境；当前评测中，专家系统和进化基线仅能稳定击败教程 Boss（峰值胜率 63% 与 43%），PPO/DQN 几乎无学习迹象，其余 Boss 均未被任何方法击败。

该工作介绍“Dark Souls Learning Environment (DSLE)”，目标是为游戏智能体提供更接近真实游戏场景的基准测试环境。DSLE 包含《黑暗之魂：重制版》中全部 22 场 Boss 战，通过 Gymnasium 风格接口暴露给智能体，支持高维视觉输入、实时战斗和稀疏的终局奖励。研究问题聚焦于：现有强化学习方法能否在真实商业游戏、…

arXiv 论文

DistMoE: Private-data Rehearsal-free Routing in Mixture-of-Experts for Distributed Instruction Tuning

arXiv 论文

本研究提出一种基于腕戴式多模态传感器数据的深度学习融合框架，用于检测和分类身体聚焦重复行为（BFRB），在二分类检测中达到F1分数0.985、AUC 0.997，在九分类方案中宏平均F1为0.700、AUC为0.963，优于单模态基线。

身体聚焦重复行为（如拔毛、抠皮）是与强迫症和焦虑障碍相关的强迫性运动行为。这类动作细微且与普通非病理性手势重叠，早期客观检测困难。本研究利用腕戴设备数据，开发并评估多模态深度学习框架，以实现对这些行为的自动检测与分类。

arXiv 论文

Taboo 是一种零提示（zero-prompt）的运行时诊断压力测试，通过动态屏蔽 logit 空间中的高概率候选 token，强制大语言模型偏离其“标准生成路径”，从而评估模型在真实部署约束下的鲁棒性。本结论基于论文摘要元数据，具体机制与数据待核实。

现有大语言模型评估大多在名义条件下进行，基准分数可能造成“能力错觉”：模型只在一条狭窄、高度优化的生成走廊上表现良好。实际部署中，复杂系统提示、安全护栏和结构约束会不断迫使模型偏离这条路径，导致基准分数与部署性能出现分歧。为量化这种“离路径”鲁棒性，论文提出 Decoding-Level Taboo。

arXiv 论文

现有基于置信度的无验证器测试时缩放（VF-TTS）方法在复杂任务上会灾难性失效，因为“全程高置信度”往往对应探索不足和自信的错误；本文提出 Consilience 框架，通过显式建模置信度的时间不对称性——惩罚初始高置信、要求最终高确定性——来挑选更稳健的推理轨迹，并在研究生级数学和自由形式代码生成上超过基线。

测试时缩放（Test-Time Scaling）通常依赖外部验证器（如代码中的编译器/测试用例、机器人中的价值函数）来筛选高质量采样。 但很多实际应用没有高质量验证器，因此无验证器测试时缩放（VF-TTS）受到关注。 其中“基于置信度”的 VF-TTS 方法仅用模型置信度对采样轨迹排序，开销小、对模型内部状态访问少，被视为很有前景。 本文指出现有置信度基方…

arXiv 论文

CEAA 提出一种模块化、面向实现的认知架构，用于在实时交互式 3D 计算系统中部署具备认知能力的具身智能虚拟代理（IVA），旨在弥合高层智能体推理模型与实时具身执行之间的鸿沟。

论文指出，在实时交互式虚拟环境中开发具备认知能力的具身 IVA 仍然困难。现有架构往往偏向两类：一类是受商业游戏引擎约束的低层反应式控制系统；另一类是难以在虚拟世界中落地的高层推理模型。CEAA 尝试提供一个可复用的实现导向模板，作为部署 IVA“大脑”的参考架构。

arXiv 论文

目前的自动化 TTS 评估方法（MOS 预测器与音频大模型裁判）并不能可靠覆盖听者实际感知的多样语言维度：MOS 预测器主要塌缩到声学信号质量，音频大模型裁判则是选择性且依赖提示词的检测，两类方法都难以全面捕捉语言结构性的语音错误。

本文研究问题：自动化 TTS 评估方法（MOS 预测器和 Audio-LLM 裁判）声称反映人类感知，但它们究竟能在多大程度上捕捉听者真实感知的不同语音维度？作者将笼统的“自然度”拆解为一个基于语言学的标注体系，并构建了首个维度级的 TTS 元评估基准。

arXiv 论文

CEAVAD 将视频异常检测的判断单位从“孤立异常概念”改为“可证伪的事件假设”，通过让“危险解释”与“良性解释”在视频证据面前相互竞争，无需目标域训练即可建立推理时的异常决策边界；在三个广泛使用的 VAD 基准上，该方法达到免训练范式下的最优性能。

视频异常检测（Video Anomaly Detection, VAD）要识别并在时间上定位视频中的异常事件。监督方法需要大量目标域标注数据来学习异常决策边界。已有的免训练方法借助预训练模型的语义知识和推理能力来解读视觉内容，但这些能力本身并不直接给出异常判定标准：模型能生成更丰富的异常描述，可能只是“更像危险”，并不等于判定“是否异常”。因此，核心研究问…

arXiv 论文

BDH-CQ 是一种将上下文学习与循环潜在推理结合的新推理模型：推理时输入不断更新模型的循环记忆，模型在高维潜在空间中迭代计算求解，而不把中间推理过程写成文字。论文报告，150M 参数配置在公开 ARC-AGI-1 评测集上达到 29.5% pass@2，每个任务计算成本约 \$0.0007，突破了此前报告的 ARC-AGI-1 成本-准确率帕累托前沿。

研究问题：如何让模型在推理时利用示范进行上下文学习，同时避免显式、口头化的中间推理，从而提升推理效率和成本表现？ 论文提出 BDH-CQ，将推理过程放在高维潜在空间中迭代完成，而不是让模型生成一串推理文字。 除了 ARC-AGI-1 公开评测集，论文还设计了受 ARC 启发的受控干预实验，考察模型从示范中学到了什么、对推断出的变换的应用是否一致，以及哪些概…

arXiv 论文

ArchAgent v2 将智能体自动化设计扩展到了多级数据预取：据候选摘要，它在第4届数据预取锦标赛（DPC4）规则下自动设计出一个三级预取器，IPC性能优于手工设计的冠军方案。因原始正文未抓取，具体数字与实验细节待核实。

智能体人工智能在算法设计自动化方面已有潜力，但要扩展到计算机微架构发现仍面临搜索空间大、硬件预算严格、仿真时间长等挑战。 原版 ArchAgent 曾在竞赛场景中发现单级缓存替换策略，但其方法不能直接扩展到多级预取，因为后者的设计空间和自由度更大。 本工作提出 ArchAgent v2，目标是自动化地搜索多级数据预取策略。

arXiv 论文

本文提出在机器人规划与执行之间加入一个由大语言模型（LLM）驱动的“验证层”（verification layer），用LLM-as-a-Judge集成对规划动作进行“允许性”审查，将计划分为批准、拒绝/重写或升级人工审查，从而提升机器人自主系统的安全性与对抗鲁棒性。

机器人自主性研究多聚焦于“执行”，而较少验证规划模型提出动作的可行性。作者指出，与通用LLM类似，机器人规划模型存在三类风险： 偏向用户指定的目标，可能提出与科学伦理不一致的动作； 无法“记住”先前的安全风险，可能产生不安全行为； 容易受到针对自主生态系统对抗性攻击的影响。

arXiv 论文

作者提出，当前“生成-排序”（generate-and-rank）的自动化研究范式忽视了**稀疏反馈**问题；自动化研究应该像灰盒模糊测试一样，用廉价、密集的认知进展信号来引导下一步实验，并由不受自适应复用污染的最终验证来判定真正发现。

英文标题：Agentic Auto-Research is Fuzz Testing 英文关键词：auto-research; fuzz testing; sparse feedback; generate-and-rank; feedback-directed search; protected validation 来源：arXiv:2608.0985…

arXiv 论文