AI 日报 · 2026-08-27

按该速递摘要，Anthropic 应用 AI 团队发布《AI Native SDLC Playbook》，认为 AI 让写代码变快后，真正的“新卡点”是评审、测试、发布等上下游流程仍停留在人工速度；解法是把单向开发流水线改成循环 Loop，并用版本化产物让 AI 与人可接续、可审计地协作。

该手册的研究对象是：当 AI 已经能快速生成代码时，为什么端到端软件开发没有同样变快？材料给出的判断是：编码环节已提速，但规划、设计、构建、部署、维护等阶段之间的交接仍按人工速度运行，尤其是评审、测试、发布等环节。手册因此提出从“单向流水线”转向“循环 Loop”的 AI Native 软件开发组织方式。

腾讯研究院（搜狐同步）

Pavo 上线 Agnes Video 2.5 系列，其中 Flash 型号完全免费，并配套短剧 Harness 与无限画布，推动 AI 视频生成从单镜头生成走向多集短剧的连续化制作工作流。

本条来自“腾讯研究院AI速递 20260827”，介绍 Pavo 平台上线 Agnes Video 2.5 系列。除免费 Flash 档位外，还发布了面向短剧制作的配套工具 Harness 和无限画布，重点解决连续剧情中的角色场景一致性、资产复用与难镜头控制问题。

腾讯研究院（搜狐同步）

OpenAI与博通联合打造的推理芯片Jalapeño，在Hot Chips大会公布的首份跑分中显示，三款公开模型上的每千瓦吞吐量达英伟达系统1.5至1.9倍；该芯片从设计到流片仅用9个月，计划2026年底以极小规模部署。

在Hot Chips大会上，OpenAI公布了与博通联合研发的首款自研推理芯片Jalapeño的首份跑分结果。材料显示，该芯片在三款公开模型上的每千瓦吞吐量达到英伟达系统的1.5至1.9倍。芯片从设计到流片仅用9个月，远快于行业通常的18至24个月。OpenAI借助Codex等AI生成kernel，加速了芯片设计全流程。

腾讯研究院（搜狐同步）

智谱上线并开源GLM-5.3-Flash（320B-A18B），这是GLM-5系列首个原生多模态模型，AA综合智能指数为57分，与Claude Opus 4.8持平；定价仅为GLM-5.3的1/10，限时低至Claude Opus 4.8的1/40，并首次部署在大规模国产芯片集群上。

根据腾讯研究院AI速递20260827的报道，智谱上线并开源GLM-5.3-Flash（320B-A18B），定位为GLM-5系列首个原生多模态模型。报道同时给出该模型在AA综合智能指数上的得分为57分，并介绍了其架构、定价与国产芯片部署情况。

腾讯研究院（搜狐同步）

Figure 推出 Index 数据采集项目，通过众包方式收集人类真实任务视频，为机器人基础模型 Helix 补充现实经验，并计划未来 12 个月在数据和算力上投入超 10 亿美元。

Figure 同步上线了 iOS 与 Android 版 Index 应用，邀请全球用户成为“创作者”，用手机或头显记录整理房间、叠衣、清洁厨房、换机油等真实任务，目的是为机器人基础模型 Helix 提供现实世界的经验数据。

腾讯研究院（搜狐同步）

OpenAI 正在扩大其在巴西的存在，深化与开发者、企业和社区的合作，以支持该国对 AI 的采用。（待核实）

根据来源元数据，该条动态为“Expanding OpenAI’s presence in Brazil”，即 OpenAI 宣布在巴西扩展业务。具体举措、合作对象、投资规模等信息均未在已有材料中确认。（待核实）

OpenAI

腾讯混元通过2-bit与1.25-bit两套极致量化方案，将端侧翻译模型Hy-MT2-1.8B从约3.3GB压缩至440MB，翻译质量几乎无损，并在FLORES-200评测上优于微软、豆包等商业翻译API。

为降低端侧翻译模型的部署门槛，腾讯混元尝试将1.8B参数量级模型压缩到几百MB量级，同时保持翻译质量。速递显示，该工作已形成2-bit和1.25-bit两条量化路线，并联合英特尔、哔哩哔哩推进算子优化与实时弹幕翻译落地。

腾讯研究院（搜狐同步）

一项针对1000多名学生的随机研究，考察了ChatGPT、批判性思维训练、原创性与真实大学作业表现之间的关系；具体结论暂无法从材料中确认，待核实。

该研究来自OpenAI官网发布的内容，核心关注点包括：

OpenAI

Anthropic 于 2026 年 8 月 27 日发布“模型硬件标准”（Model Hardware Standard, MHS）的研究预览，这是一个让 AI 代理安全操作物理设备的共享规范，旨在将实验室和工厂的设备集成时间从数周甚至数月缩短到几小时或几分钟。

Anthropic 宣布向首批科研实验室和先进制造商开放 MHS 的研究预览。MHS 由 Anthropic 与 HHMI Janelia Research Campus 合作开发，目前已在生物技术、机器人、量子计算等领域的少量实验室和硬件制造商中进行了早期测试。Anthropic 计划在将该标准开源之前，与合作伙伴共同构建安全评估体系并制定 AI 系统操…

Anthropic 博客

比尔·盖茨警告，AI在生物、网络攻击、心理社会影响、破坏就业乃至失控风险上均已跨过原本应提前设防的临界点；他认为行业无法自我监管，需要“人类保留岗位”、机器人税、token税等激进政策干预。

腾讯研究院AI速递20260827第八条摘编显示，比尔·盖茨在一篇新文章及采访中公开警告：AI的多种风险已“跨过危险临界点”，但行业之外几乎无人讨论。他认为这次AI革命不同于以往技术革命，AI能以远低于人力的成本替代大批白领和入门岗位；机器人临界点一旦跨过，可能瞬间冲击近30%就业；生物恐怖主义风险比自然大流行可怕约50倍。

腾讯研究院（搜狐同步）

据AGIBOT官网新闻标题，AGIBOT创始人兼CEO Deng Taihua入选《时代》TIME100 AI 2026榜单；新闻正文未抓取到，具体评选细节待核实。

2026-08-27前后，AGIBOT官网新闻中心发布消息，标题为“AGIBOT Founder and CEO Deng Taihua Named to the TIME100 AI 2026 List”。据此可确认，消息主体是AGIBOT创始人兼CEO Deng Taihua入选TIME100 AI 2026榜单。

agibot.com

Shopify CEO Tobi Lütke 正考虑禁用 Claude Code，直到其支持读取 `AGENTS.md`、`.agents/skills` 等文件。核心争议不是模型能力，而是多工具并存时项目规则文件不能“各读一套”。

Shopify CEO Tobi Lütke 公开表示，考虑禁用 Claude Code，原因是 Claude Code 坚持读取 `CLAUDE.md`，而不读取 `AGENTS.md`、`.agents/skills` 等文件。Shopify 担忧这会导致使用不同 AI 编码工具的开发者拿到不同项目规则，在大型工程中难以统一。

腾讯研究院（搜狐同步）

MiniMax最新披露：2026年8月ARR超8亿美元（2月为1.5亿美元，约5.3倍）；上半年收入1.166亿美元，同比增283.1%；B端收入占比升至63.4%，7月Token消耗量达1月的20倍。这一轮增长主要由企业客户和开发者的Agent工作负载驱动，被视为“Agent红利”在财务上的体现。

MiniMax于2026年8月27日披露最新数据和财报要点。核心现象是：收入规模、ARR、B端收入占比、Token消耗量四个指标几乎同步快速上升。值得研究的问题是：为什么B端业务恰在此时成为增长主力？Agent工作流如何改变大模型公司的收入结构？

量子位

汤道生把大模型竞赛比作马拉松，认为现在才跑完头一公里，“起得早不如熬得久”；AI下半场刚开始，格局与价值分配未定，腾讯会靠长期投入穿越周期，并用技术解决真实问题。

本卡片内容来自腾讯研究院AI速递 20260827 收录的一段观点摘录。汤道生回顾腾讯AI两年实践，回应了大模型竞赛是否已分胜负、腾讯混元是否掉队、Agent产品如何落地等问题。核心判断是：AI落地是算法与工程的结合，场景是腾讯最厚的底牌；AI原生需要重构组织。

腾讯研究院（搜狐同步）

WikiSkill 提出将智能体执行经验持续沉淀为可复用的持久知识库（wiki），并使技能与知识库协同演化，从而在多种基准与模型上稳定超越现有技能演化方法。

智能体技能（agent skills）将专门知识与工作流打包为可复用资源，扩展智能体能力；近期工作可自动从智能体经验中发掘技能，使其在交互中逐渐适应。然而，指导技能开发的洞见通常散落在优化历史中，难以跨迭代系统复用。WikiSkill 针对这一问题，提出技能与持久知识库共同演化的框架。

arXiv 论文

HarnessLens 提出一种预算感知的自动化智能体框架（harness）演化方法，通过行为相关的选择性验证，在三个智能体框架和四个基准上使平均留出性能提升 7.6%–13.6%，同时显著减少评估预算消耗。

智能体框架决定了语言模型智能体如何使用指令、工具和运行时组件，但调整这些框架通常需要昂贵的验证。现有“提出再验证”（propose-and-verify）方法往往在固定任务集上对每个候选方案进行评分，既把 rollout 浪费在与目标行为无关的任务上，又可能因聚合分数掩盖特定能力回退。HarnessLens 针对这一问题，提出在有限交互预算下更可靠、更节省…

arXiv 论文

当前多模态大语言模型（MLLM）智能体在单点视觉识别和短程空间推理上具有可用能力，但在真实尺度城市中进行持续目标导向探索时，局部感知无法组合成可靠行动，朝向判断、行人感知运动以及错误校正仍然是明显短板。

论文提出一个核心问题：MLLM 能解读街景，但当智能体开始移动后，这种局部视觉证据是否仍能转化为可靠的城市行动？ 为解决这一问题，论文提出 UrbanGround，一个据称是首个可在“受物理约束的香港真实尺度复制城”中测试上述问题的沙盒环境。 研究按空间问题的复杂度递进，设置三个研究问题： 1. 智能体在主动观察后，能否充分 grounding 局部场景并…

arXiv 论文

本文证明：用椭球拟合随机向量时，存在一个由坐标分布的四阶矩决定的尖锐阈值；当样本数低于阈值时，几乎必然存在正定椭球穿过所有数据点，高于阈值时则不存在半正定拟合，并进一步刻画了不可满足区的最优平方拟合误差。

研究问题：给定来自高维随机向量的数据点，何时存在一个椭球恰好穿过所有点？论文考虑坐标独立、次高斯、均值为零、方差为一、具有共同四阶矩的随机向量，采样数量与维度的平方成正比。此前关于椭球拟合的猜想（标准高斯数据阈值为 1/4）被本文解决。

arXiv 论文

论文通过理论分析和实验揭示，进化策略（ES）作为大语言模型（LLM）推理的后训练范式，能带来比 GRPO 更广的推理覆盖（broader reasoning coverage）：不同于 GRPO 表现出的熵坍缩，ES 在提升 Pass@1 的同时可获得比 GRPO 更高的 Pass@K，因此不应只被看作内存高效但效果较弱的 GRPO 替代方案，而是一个有独…

ES 最近被用于 LLM 推理的后训练，具有内存高效的特点，但它的优化行为仍缺少系统研究，导致难以界定其相比 GRPO 等主流后训练范式的优势范围。本文通过系统考察 ES 的动力学与机制，试图回答：ES 的优化行为是什么？它在什么方面优于 GRPO？以及如何设计超参数以发挥其作用？

arXiv 论文

TTPO（Test-Time Policy Optimization）提出了一种无需标签的测试时策略优化方法：用多数投票伪标签代替真值，并采用“不对称”更新——对与伪标签一致的采样结果做同策略自蒸馏（OPSD），对不一致的采样结果用 Grouped RL 进行惩罚，从而在无人工标注条件下提升大模型数学推理能力（据候选摘要，待核实）。

背景：近期强化学习（RL）和同策略自蒸馏（OPSD）等后训练方法显著提升了大语言模型的数学推理能力，但这些方法依赖真值标签，因此无法直接用于测试时训练（Test-Time Training, TTT）。 问题：用多数投票伪标签替代真值是一种自然替代方案，但存在脆弱性——如果投票结果错误，错误伪标签会污染教师信号，并误导后续所有 token。 核心观察：这种…

arXiv 论文

LAMA 是一种将广告主影响力直接嵌入大模型生成过程的 token 级广告拍卖机制，在满足激励相容和个体理性的前提下，可接近最优的 KL 正则化社会福利，并在商业搜索查询上初步证明能提升平台福利与收入而不损害回复质量。

传统广告机制依赖预定义广告位，而生成式 AI 正在改变人们获取信息的方式，广告需要转向“生成原生”（generation-native）形态。研究问题：如何在文本生成过程中按 token 分配广告影响，并设计同时满足激励性质与福利最优性的拍卖机制？

arXiv 论文

SWE-Prime 提出一种多粒度、两阶段的监督微调（SFT）数据选择方法，通过对轨迹级和片段级的质量筛选，仅使用完整已解决数据集中10%的轨迹进行训练，即可在SWE-Bench Pro和SWE-Bench Verified上取得优于全量数据训练的模型性能。

先前工作倾向于构建大规模智能体轨迹数据集，并在成功轨迹上进行SFT。但任务成功并不等于轨迹质量高：成功轨迹仍可能包含无效、冗余甚至危险的步骤。直接用这些轨迹训练会引入噪声监督，使模型模仿不良问题解决行为。本研究旨在回答：如何从成功轨迹中进一步筛选高质量子集，以提升大语言模型解决真实软件问题的能力。

arXiv 论文

JEPA 世界模型中的视觉 Transformer 编码器不必预先分配最大容量，可以从极小的初始结构出发，根据任务复杂度逐次进行宽度或深度扩展，在提高计算与数据效率的同时保持表示质量。

Joint-Embedding Predictive Architectures（JEPA）用于世界建模时，通常采用固定大小的 Vision Transformer 编码器。这种固定设计对简单任务容量过剩，对复杂任务容量不足，而且注意力头之间存在显著冗余。本文提出 Successive Capacity Growth（SCG，连续容量增长）方法，让编码器随…

arXiv 论文

本研究提出一种基于无放回重采样与逆包含概率加权的随机估计算法，用于计算转导语言模型（Transduced Language Models, TLMs）的目标前缀概率，相比阈值剪枝的束求和可大幅降低计算成本，并得到无偏估计。

转导语言模型将一个预训练的源语言模型与一个函数式有限状态转换器组合，从而在目标字符串上诱导出新的语言模型。计算目标前缀概率需要汇总所有能被转换器映射到该前缀的源字符串的概率之和，而这一集合可能指数级增长甚至无限，导致精确计算不可行。已有方法利用源前缀概率的捷径，再通过阈值剪枝的束求和近似，但只能给出误差未知的下界。本研究旨在改进这一近似过程，提供无偏估计并…

arXiv 论文

eBay 提出一个两阶段 XGBoost 模型 Stageboost，用于在商品详情页（View-Item, VI）上智能选择要展示的“信号”（简短文本或视觉片段），在线实验显示整体 GMB（Gross Merchandise Bought）提升 0.08%，其中 Parts and Accessories 类目 GMB 提升 0.58%。

在 eBay 商品详情页上，信号是展示给用户的简短文本或视觉片段，旨在提供与当前商品相关的额外上下文信息，以促进智能购买和提升用户参与度。研究问题是如何从候选信号中选出最优组合，填充到 VI 页面，从而最大化交易相关指标。

arXiv 论文

在大型企业后台员工中，生成式AI使用的“成熟度”与员工资历及职能领域明显相关；战略、数字创新和项目管理三个职能领域的成熟度最高。同时，观察期内未发现成熟度随时间自然提升，正式AI培训也未带来持久改善。

这项研究关注一家大型企业后台员工在实际工作中如何使用生成式AI，核心问题是：GenAI使用的成熟度在不同员工和不同职能之间如何分布？哪些因素能解释这种差异？

arXiv 论文

在生产级社交图谱（1.94亿用户、280亿条边）上，将多哈希ID嵌入作为主要节点表示，并用按时间戳排序的CSR存储加二分查找实现时间邻居采样，使推荐带来的好友添加量提升16%、去重后的添加用户数提升11.5%，同时将ID嵌入表规模压缩超过98%。

Scaling Graph Neural Networks for Friend Recommendation: Multi-Hash User Embeddings and Temporal Neighbor Sampling

arXiv 论文

视觉语言模型（VLM）中存在一类数量很少的注意力头，称为 **Visual Retrieval Heads (VRHs)**，它们负责将文本描述锚定到图像区域，并从图像中提取相应视觉证据；仅屏蔽约 20 个这样的头即可使指代表达定位准确率下降最多 80 个百分点，而屏蔽同样数量的随机头几乎没有影响（待核实）。

大语言模型（LLM）中已有“检索头”（retrieval heads）的发现，即少数注意力头负责从上下文中检索信息。 该研究提出对应问题：**VLM 是否也有类似机制，用于完成“视觉检索”？** 即当文本提示指向某个图像区域时，模型如何找到并路由对应视觉证据。 作者将这类机制命名为 Visual Retrieval Heads（VRHs），并研究其因果作用…

arXiv 论文

RedEvoAgent: Automatic Red-Teaming Agent with Experience-Driven Skill Evolution

arXiv 论文

本文通过将音乐家表示为80个低层 Essentia 声学描述符的经验分布，并用边际最优传输（Wasserstein）距离衡量两两声学距离，证明专家批评文字中形成的“批评邻接”关系在冷启动、艺术家不相交的划分下可被声学内容部分恢复（样本外 AUC=0.767），且批评共识越强越可恢复（多源共证边 AUC=0.865）。

音乐推荐通常依赖两类信号：用户–物品交互（冷启动失效）和内在音乐内容（任何录音可用）。 论文提出第三类信号：**批评邻接**，即专家评论家在长文评论中明确将两位音乐家联系起来的成对关系。 已有工作证明了其内部效度：能恢复连贯、可解释的社区，并在无用户数据的用户满意度模拟中媲美协同过滤；但缺少外部效度验证。 本研究的构念效度问题是：这种源于批评的关系到底扎根…

arXiv 论文

MILO 利用大型重建模型（LRM）从单张图像生成几何脚手架，再将该网格分割为人体与物体部分，并分别拟合参数化人体模型和（可选的）物体模板，从而在多个基准上取得优于现有基线的 3D 人-物交互重建精度。

3D 人-物交互（3D HOI）估计是 3D 计算机视觉的基础问题，应用方向包括 AR/VR、机器人和具身 AI。由于深度模糊、遮挡和物体形状多变，从单张图像重建三维交互仍具挑战。现有方法主要依赖重投影和接触约束，将参数化人体模型与物体模板拟合到 2D 图像；本文提出不同路径：先使用 LRM 重建中间网格，再把问题转化为对该网格的“解释”。

arXiv 论文

有影响力的公共话语会影响公众信念，也可能产生误导——这种误导不仅源于陈述的事实，还源于信息的框架、省略、情境化与沟通方式。然而，已有研究较少关注误导性如何产生并影响读者形成的解读。RCMN（Reader-Centric Misleadingness Understanding）为此提出了一个以读者为中心的误导性理解框架。

arXiv 论文

RATIO 是一个大规模科学文献检索基准，用 Address、Broaden、Specify 三种“创意动作”（ideation moves）重新定义相关性，用于训练和评估能帮助人类与 AI 科学家从文献中获得灵感的检索系统。

检索到的科学文献既可以给人类科学家，也可以给 AI 科学家提供灵感。 灵感可能以不同形式出现：先前工作可能直接提示如何解决某个问题，也可能在不同抽象层级上给出方向——向上概括到更一般的表述，或向下具体化为某个可实现的实例。 现有检索基准通常只区分“相关/不相关”，没有区分灵感的不同类型；RATIO 试图填补这一空白。

arXiv 论文

仅凭“首次访问帧与返回帧高度相似”并不能证明视频世界模型记住了场景，因为中间的生成过程可能根本没怎么变化。R2M-Bench 通过同一条 rollout 内的相对校准指标（MemoryGain 与 NMR），把“重访特有的记忆一致性”和“普通时间稳定性”区分开来，更可靠地评估交互式视频世界模型的重访记忆。

现有评估常用绝对重访相似度来判断模型是否记住了“离开—返回”场景，但该指标容易受渲染稳定性、重复内容、运动失败等因素干扰：即使模型没有真正记忆场景，只要生成画面变化很小，得分也会很高。R2M-Bench 针对这一混淆提出了一种可观测的“重访选择性一致性”评估方法。

arXiv 论文

QuantumBoostNet是一种将经典骨干网络与10量子比特参数化量子电路结合的混合架构，在心脏超声视图识别中优于当前最先进的经典和混合经典-量子模型，并在标准图像分类基准上表现出更强的噪声鲁棒性。

心脏超声（超声心动图）视图/角度的准确识别是心血管影像中的关键步骤，直接影响解剖结构解释、测量准确性和临床错误率。尽管计算机视觉已有显著进展，但许多先进模型在标准基准上表现好，在面对医学图像中大量噪声时却欠佳。为此，研究者提出QuantumBoostNet这一混合经典-量子架构，专门针对高噪声医学影像场景下的视图识别进行优化。

arXiv 论文

Puro-2B 是一套面向资源受限实验室的开源预训练配方：在消费级 RTX 5090 GPU 上用 FP8 精度从零训练 2B 级模型，最高使用 1.4 万亿 tokens；最佳模型计算成本低于 6.9K 美元，性能接近 Qwen2.5-1.5B。拟合的 Puro 成本缩放定律进一步表明，约 4.4K 美元（<5,090 美元）即可达到 Qwen2-1.5…

大型语言模型预训练长期被认为是“天价”研究，学术和小型开源社区难以参与。论文指出，即便小规模训练，Llama-3.2-3B 也需超过 150 万美元，复现 SmolLM3-3B 需超过 70 万美元。尽管已有开源权重和部分训练配方，但缺乏一套成本高效、硬件可及且完整开源的预训练方案。Puro-2B 报告提出并验证了这样一套配方，将预训练成本压缩到数千美元量…

arXiv 论文

仅用心率等端点指标验证相机rPPG是不够的；本研究显示，从接触式PPG到相机rPPG的“可恢复性”是属性特定的，群体层面的统计合理性并不能保证单条记录层面的生理属性得到保留。

相机式远程光电容积描记（rPPG）通常通过端点准确性（如心率误差）进行验证，但端点表现良好并不等于源接触式光电容积描记（PPG）中的其他生理属性在逐条记录上得到保留。本研究评估了从接触式PPG到相机rPPG的属性特定可恢复性，条件是异质的观测环境。

arXiv 论文

PES 通过将 LLM 智能体的“人格”（指令、语气、自我呈现）与“执行”分离到不同信任域，使受治理组织中的人格可以自由漂移，同时执行仍保持有状态、可审计和可追溯。

受治理组织中的 LLM 智能体需要同时满足两个需求：人格需要自由演化，执行需要保持可审计的痕迹。论文指出，单一信任域很难低成本地同时满足这两者，因此提出“人格-执行分离”（Persona-Execution Separation, PES）架构模式。

arXiv 论文

当前视频生成模型虽然常被称作世界模型，也能生成看似合理的视频，但在“相同初始观测与动作下，多次生成的行为分布是否与真实物理可能性分布一致”上普遍未达标。

视频生成模型正越来越多地被定位为世界模型。 许多物理过程在相同条件下存在多种合法演化方式，因此世界模型不仅应生成一条合理轨迹，还应复现可能行为背后的分布。作者将此称为“概率对齐”（probabilistic alignment）。 现有评测大多只评价单条视频的合理性，不检查重复生成是否恢复正确分布。 核心问题：当前视频生成器距离“概率对齐的世界建模”还有多…

arXiv 论文

在碎片化文本复用证据下，将“找回文章级重印/复用”的任务从“片段检索”转为“pair级证据整合”，可生成紧凑、可审计的候选传播关系集合；直接LLM提示配置适合高召回扩展，而规则工作流在精确率-召回率权衡上更强。

该研究面向18世纪苏格兰哲学家David Hume的散文在ECCO书籍与历史报纸中的重印与复用。核心观察是：输入是碎片化的文本复用命中，而不是干净的文档对，且正例覆盖不完整。因此，作者将任务定义为pair级证据整合（pair-level evidence consolidation），即把多条碎片化命中聚合成可能存在的传播关系。

arXiv 论文

评估感知（eval-awareness）不应被视为一个单一的、可整体压制的量；当模型在思维链中把“被测试”框定为“测试我的能力”而非“测试我的边界”时，其遵从行为显著更高。安全评估需要区分评估感知的语义类型，而不能只看总体抑制率。

安全评估流程中越来越多地使用引导干预（steering interventions）来抑制评估感知，即模型意识到自己正在被测试。这类做法隐含假设：评估感知是一个可加总、可整体压制的单一量。本文提出相反视角：模型在思维链中表达出的评估感知，可分为能力型（capabilities-flavored，例如“用户正在测试我遵循指令的能力”）、安全型（safety-…

arXiv 论文

抵押贷款文档自动化通过智能文档处理（IDP）将非结构化贷款文档转换为可验证、可集成的结构化数据，从而缓解人工处理带来的延迟、低效和合规风险。

本文是 LlamaIndex 博客上的指南文章，讨论抵押贷款文档处理为何复杂，以及如何用智能文档处理技术实现自动化。内容覆盖文档摄入与分类、数据提取与结构化解析、验证与跨文档匹配、人工复核、与贷款发起系统集成，还介绍了 LlamaParse 在其中的应用和最佳实践。

LlamaIndex 博客

MAELLE 将化学反应直接建模为电子占据向量上的离散流匹配，在 USPTO-480K 基准上取得与领先反应预测模型相当的表现，并在分布外场景下保持稳健，同时能恢复符合已知化学的机理轨迹并预测副产物。

化学反应本质上是电子空间的重新排布，但大多数机器学习方法要么通过从头生成产物分子来建模，要么在分子拓扑上直接做启发式图编辑。MAELLE 提出另一种路径：在电子占据空间上对反应过程进行离散流匹配，从而绕开分子拓扑编辑，直接刻画电子的重新分布。

arXiv 论文

据论文摘要，CAST（Concept-guided Artifact Suppression Tuning）通过稀疏自编码器识别并抑制临床笔记中的格式伪影，在 MIMIC-IV 出院小结死亡风险预测任务上优于微调编码器基线，并与强 LLM 基线竞争力相当，同时提供特征级审计踪迹。（待核实）

临床语言模型在院内数据上可能达到较高准确率，但在部署环境变化时性能下降，原因在于模型会利用笔记特有的伪影——例如模板、分隔符、套话——而这些伪影并不反映真实患者状态。论文提出 CAST 框架，目标是让临床文本分类模型更稳健、可审计。（待核实）

arXiv 论文

对于库存控制、排队网络控制、品类优化这类边界清晰（well-specified）的运筹学问题，最强测试模型 gpt-5.6-sol 在几乎全部评估实例上匹配或优于现有最佳方法；即使在 level 2 设置下——只给定问题类别描述和参数范围、生成固定算法之后再看到评估实例——这一结论依然成立。

本论文（arXiv:2608.27296v1）提出的研究问题是：大型语言模型（LLM）能否为“良好指定”的运筹学问题设计有效算法？

arXiv 论文

LeVJEPA 是首个在 LeJEPA 无坍塌目标下训练的视频编码器，完全去除 EMA 目标编码器、stop-gradient 和容量受限预测器等常见启发式部件，仅保留“编码器 + 投影器”结构，并用 SIGReg 正则化以可证明的方式防止表征坍塌，从而在显著降低视频预训练计算成本的同时，匹配或超越现有方法。

视频包含物理世界的时间结构，但从视频中学习表征的计算成本一直很高。现有自监督视频预训练方法要么依赖架构不对称（如指数滑动平均目标编码器、stop-gradient、容量受限预测器）来避免表征坍塌，要么通过像素空间重建掩码内容来规避该问题。LeVJEPA 研究的是：能否在没有这些启发式设计的情况下，仍然高效、可扩展地训练视频编码器。

arXiv 论文

本研究基于马萨诸塞州和佐治亚州两个医院系统共 36,807 例符合 Sepsis-3 标准的成人患者（29,116 例与 7,691 例），利用 43 项常规记录的临床变量、72 小时治疗窗口，以死亡作为治疗层级的排序信号而非逐状态目标，学习出一个连续的脓毒症严重程度指数。内部验证显示该指数能区分幸存者与非幸存者，跨机构验证显示其结果具有中等至较好的一致性…

目前使用的脓毒症严重程度指数（如 SOFA 等）依赖数十年前固定的变量和权重，离散化粗糙，且校准队列不能反映当代重症监护实践。目前没有替代方案直接从患者轨迹中学习并投入常规使用。本研究旨在开发并验证一个直接从常规临床数据中学习的连续脓毒症严重程度评分。

arXiv 论文

KnockGS 提出从 3D 高斯物体在已知外力作用下的动力学响应中估计其弹性与密度尺度，并将估计值冻结写回同一物理模拟器，使模型在与拟合时不同的交互下仍保持预测能力。这是迈向“渲染外观与模拟响应一致”的交互式 PhysicalGS 系统的第一步。

物理集成的 3D 高斯表示（PhysicalGS）允许重建的可变形物体在显式材料模型下被模拟和渲染。但现有流程通常假设材料参数已知或人工指定，难以从观测到的物体动态中推断参数。KnockGS 的研究问题因此是：能否利用一次已知外力下的交互响应，估计出足以支撑后续模拟的材料标量参数？

arXiv 论文

本研究提出 INTENT-AS-A-TOOL 方法，通过给模型增加“意图定向工具”，用工具调用概率作为无裁判、细粒度的信号，来追踪大语言模型在推理过程中产生有害行为的意图倾向，从而补充思维链监控并识别在线干预的关键步骤。

随着大语言模型（LLM）被部署为自主智能体（autonomous agents），安全失败越来越多地涉及有后果的实际行动。该研究关注“智能体错位”（agentic misalignment），即智能体在目标冲突和压力下采取有害行动的情况。研究发现，有害执行往往在思维链（chain-of-thought, CoT）推理中出现先行的意图信号；但事后标注的 Co…

arXiv 论文

大型语言模型在表征空间中并没有把道德内容坍缩成一个单一检测器，也没有把不同道德基础彼此隔绝；而是同时存在“共享的正向共同成分”和“近最大数量的独立维度”，形成一种既整合又可区分的道德知识几何结构。

研究问题：LLM 能检测道德内容只是低门槛，它们能否进一步区分不同道德基础，并在表征空间中组织这些基础之间的关系？

arXiv 论文

现有大语言模型（LLM）做代码审查时通常被简化为“单轮静态判断”，而本文提出 MCR-Bench，首个面向“缺陷状态感知”的多轮代码审查基准，用 2,269 个真实多轮审查任务评测主流 LLM，发现其整体能力有限、随轮次增加显著下降，且对缺陷类型和严重程度高度敏感。

真实软件开发中的代码审查通常是开发者与审查者之间多轮迭代交互的过程，成本高且耗时。近年虽有工作尝试用 LLM 实现自动化代码审查，但多数方法把代码审查过度简化为单轮、静态的决策任务，无法反映真实审查场景中的多轮交互性和复杂问题求解过程。为此，本文引入 MCR-Bench，试图弥合这一差距。

arXiv 论文

Difference-in-Differences on a Censored Rating Scale Can Manufacture an Effect: Evidence from a Pre-Registered LLM-Judge Audit

arXiv 论文

Detection of Christmas tree plantations from high-resolution aerial imagery. A case study in the French Morvan

arXiv 论文

本文提出 D2C-Routing，将混合来源 AI 生成文本检测从二元文档级判断重构为“内容来源 + 表达来源”的维度到组合溯源，在 MixD2C 基准上达到 0.8603 的四类平均 TPR@1%FPR，比同设置下的 RACE-local 重跑高 6.5 个百分点。

D2C-Routing: Dimension-to-Composition Evidence Routing for Mixed-Origin AI-Generated Text Detection

arXiv 论文

CritICL 将弱模型产生的失败模式转化为批评式上下文示例，让强模型在推理时借鉴这些失败经验，从而以较低生成成本和较少采样次数获得与测试时扩展方法相当或更优的推理性能。

近期推理时扩展（inference-time scaling）方法显著提升了大语言模型的推理能力，但通常依赖重复生成或外部验证，计算开销较高。本文提出 CritICL，一种不依赖外部验证、只需少量生成的推理时框架，利用同一模型家族中“弱模型失败模式具有结构化规律”这一观察，将失败模式作为指导强模型推理的信号。

arXiv 论文

CorporateBench 是一个人工验证的大规模多任务问答基准，用超过 23 万份文档模拟企业通信网络，评测大语言模型在信息抽取与知识库查询上的能力；实验显示，当输入规模接近真实企业场景时，五个被测模型的表现明显下降。

企业通常不愿共享内部通信数据，而现有合成数据集过于简单，导致大语言模型在企业级文档集合上的问答能力难以被有效评估。为此，研究者构建了 CorporateBench，以接近企业真实规模的评测条件弥补这一空缺。

arXiv 论文

用“可验证奖励的强化学习”（RLVR）训练出多个领域专家模型后，合并任务向量（Merge）、混合数据训练（Mix RL）、多教师同策略蒸馏（MOPD）三种整合范式的平均表现差距很小（≤1.4个百分点），但在单一基准上最大差距可达8.6个百分点。选型时应考虑：是否已有专家模型、端到端成本是否重要、以及是否需要尽可能保留领域特异增益。

RLVR能显著提升大语言模型的特定能力，但要覆盖多个能力，常见做法是先训练多个领域专家模型，再把它们整合起来。此前 Merge、Mix RL、MOPD 三种范式基本是被分开研究的，缺乏系统比较，导致“该选哪种融合方式”并不清楚。本文在共享专家和数据、多个模型规模、多领域基准套件的条件下，对三种范式进行了统一比较。

arXiv 论文

在摄影测量、NeRF-based、Gaussian splatting 和 LiDAR 四种三维重建方法的比较中，NeRF-based 方法生成的全息模型整体保真度最稳定，尤其擅长处理透明、反光和低纹理的实验室物品；形状和颜色的还原效果普遍优于纹理。

研究问题：当前的三维重建方法是否足以支持创建用于教育场景的、真实感强的实验室物体全息表示？

arXiv 论文

CLAP 提出一种可同时在人类与机器人视频上训练的动作条件视频生成框架，通过末端执行器位姿、语言指令和潜在动作统一异构动作空间，并采用“先学通用物理先验、再注入具体动作空间”的课程式两阶段训练，使模型在 DROID 等挑战性环境中接近或超过单具身 SOTA 模型，并能在真实任务上零样本部署。

现有 SOTA 动作条件视频模型通常只针对单一机器人形态训练，难以利用海量、异构的互联网视频数据中蕴含的通用物理规律。 跨具身学习的主要障碍是动作表示在不同机器人平台间差异很大，且人类视频通常没有动作标注。 CLAP 的出发点是“无论执行者是谁，时空动态都受通用物理定律支配”，因此尝试把人类和机器人视频统一用于学习具身物理模拟器。

arXiv 论文

该工作提出并实例化了一条从工业只读遥测日志到可执行多轮智能体任务的确定性、可重放构建流水线，发布 BTS-AgentBench 基准，并用两个独立构建精确复现了发布数据划分，表明该流水线在智能体基准构造与可复现性方面具有可验证的增量价值。

工业现场包含大量只读遥测数据，但很少有基准明确说明如何将这些记录编译为可执行的多轮智能体任务。作者提出一种“遥测到 episode”（telemetry-to-episode）的构建方法，并实现为 BTS-AgentBench，试图弥合原始遥测日志与智能体评测基准之间的构造鸿沟。

arXiv 论文

在基于可验证奖励的强化学习（RLVR）中，用更小、更弱的语言模型生成部分推理轨迹作为外部前缀，强制目标模型基于这些前缀续写答案，可以有效缓解策略熵崩塌，提升大 `k` 下的 `pass@k`，且无需额外 SFT、复杂奖励设计或复杂提示。

RLVR 能显著提升 LLM 的推理能力，但训练中常出现策略熵下降，导致推理覆盖变窄、大 `k` 下 `pass@k` 退化。现有方法主要依靠算法正则化缓解熵崩塌，但忽略了“跨模型非参数扰动”这一方向。本文提出一种简单方法：在 RLVR 训练中引入外部弱模型生成的部分推理轨迹，作为目标模型的“陌生前缀”，从而促使模型探索更多样的推理路径。

arXiv 论文

分块草拟器（Block Drafters）在一次前向传播中同时提出多个 token，但这种“并行盲区”造成的拒绝与模型自身对可观测信息建模不佳造成的拒绝一直被混在一起；本文提出用“信息地板”和“模型差距”将二者拆开，并发现：哪怕只实现一个真实 token，就能消除 86%–100% 的信息地板，而当前草拟器的大部分最终槽位拒绝仍来自模型差距。

分块草拟器会在更早的目标 token 尚未被真实生成/确认前，一次性提出多个 token。这种并行草拟方式存在“看不到块内路径信息”的问题。

arXiv 论文

现有以F1为主的指标只评估扫描器“给出可用安全判断”时的准确性，却掩盖了扫描器“无法给出判断”的覆盖盲区。基于170个合成工件（145个标本家族）的评估显示，ModelAudit对135个有标签家族全部给出明确安全判断（100%），Fickling为81.5%，ModelScan仅49.6%；但在能给出明确判断时，ModelScan的精度、召回率和F1均达…

研究问题：如何更全面地评估AI模型安全扫描器（如ModelScan、ModelAudit、Fickling）对机器学习工件中可执行或不安全内容的检测能力？传统指标（如F1）只度量“给出可用安全判断”的情况，忽略了扫描器因不支持、分析中断等原因而无法做出判断的样本，导致评估偏差。为此，论文提出区分“非N/A覆盖率”“分析完成度”“明确安全决策”“非安全发现”…

arXiv 论文

本文证明，在表格型分布强化学习中，同步分位数时序差分学习（QTD）在步长 \(\alpha_t=c(t+1)^{-a}\)、\(a\in(1/2,1)\) 下具有全局有限样本保证；最后迭代的随机波动主阶为 \(\widetilde O(T^{-a/2}/\sqrt{1-\gamma})\)，且不随分位数数量出现多项式增长。

研究问题：同步 QTD 在表格型分布强化学习中的估计误差如何随样本量 \(T\) 衰减？能否从任意初始化出发获得全局有限样本保证？ 论文性质：arXiv 预印本，作者为 Zijie Cheng、Xiang Li、Yang Peng、Zhihua Zhang。

arXiv 论文