arXiv 论文提出大语言模型作为认知病毒的传播模型

Ricard Solé、Michael Levin 等人在 arXiv（arXiv:2609.03344）发表论文，用病毒类比和流行病学模型刻画 LLM 采用在人群中的扩散，将用户分为未耦合、保留认知自主的常规使用和持续依赖三种状态。

Rohan Paul@rohanpaul_aiAI 评分5151

上海人工智能实验室提出 Harness-of-Harness（HoH）框架，让编码智能体在多次迭代间持续携带代码、测试证据、已知问题和更新后的计划。

Rohan Paul@rohanpaul_aiAI 评分5151

PayPal AI 论文《The Memory Trust Gap》研究持久记忆智能体在存储记忆过期时的表现，测试 Qwen3 0.6B/1.7B/4B/8B 模型。

Rohan Paul@rohanpaul_aiAI 评分5454

一项研究将人类与LLM智能体组成24人小组，反复对同一图像达成描述共识。结果发现低AI占比促进人类达成共识，12.5%占比时共识比全人类组提高8.0%；33.3%和50%时共识变差；75%时强共识恢复但人类开始转向智能体的语言，且AI主导的共识更抽象和几何化。机制在于智能体起始语言更相近且更稳定，随数量增加其措辞成为群体默认。

两场实验显示与聊天机器人对话约七分钟比事实清单更能削弱阴谋论信念

Carnegie Mellon、MIT 和 Cornell 的研究者在 Trump 遇刺未遂和 Charlie Kirk 枪击事件后的几天内各开展一次在线实验，用 Gemini（1.5 和 2.5 版本）进行平均约七分钟的证据型对话，Trump 实验保留 472 名参与者，Kirk 实验保留 1035 名。

DeepMind 100 个 Gemini 3.1 Pro 智能体协作解数学题，自发分裂为作弊者、转向者与举报者

Google DeepMind 用 100 个共享权重、人设随机的 Gemini 3.1 Pro 智能体模拟科学会议，协作求解 71 个 Lean 形式化数学猜想。

《美国医学会杂志》论文称 AI 在认知性医疗中可超越医生，引发行业反对

发表于《美国医学会杂志》的新论文由伊曼纽尔和科斯拉撰写，梳理数百项 AI 医疗研究后称 AI 在获取医疗信息、诊断、开展诊断性检查、管理慢性疾病等五项基础任务上已超过医生，并预测 4 年后差距继续扩大。

Rohan Paul@rohanpaul_aiAI 评分3838

Google 与 KAIST 的论文提出 Declarative Attention（DA），模型通过 <global>、<focus>、<local> 三种模式在思维链中声明需要关注的上下文，推理引擎据此跳过大部分 KV cache 读取，无需额外的外置打分器。

Rohan Paul@rohanpaul_aiAI 评分4848

Rohan Paul 转述 PwC 关于 AI 基础设施建设的报告。报告称数据中心每 1 美元建设支出可能带动约 12 美元未来信息与通信技术设备投入；到 2050 年，硬件可能占数据中心总资本支出的 93%。

Rohan Paul@rohanpaul_aiAI 评分4343

Scale AI 与加州大学发布论文《READY or Not: Reliable Enterprise Agent Deployment》，提出 READY 评估框架，将智能体与配套人工审查一起评估，衡量在指定可靠性目标下所需的人工监督与成本。

EvoSafeHarness：为 LLM Agent 自动搜索模型与领域专属的安全 Harness

论文提出 EvoSafeHarness，围绕冻结模型和目标领域自动搜索由自然语言策略与可执行代码组成的安全 harness。

DAIR.AI@dair_aiAI 评分4949

arXiv 论文（2609.04010）提出 diffusion-augmented LLMs，即 Uno，一类在自回归模型分布上用扩散并行抽取多个 token 的新模型。

elvis@omarsar0AI 评分4242

Elvis Saravia 推荐 arXiv 论文 Codebook Agent（arXiv:2609.02264，UCLA），研究发现多智能体系统经奖励筛选后拓扑收敛到约六种。

Rohan Paul@rohanpaul_aiAI 评分5656

Google DeepMind 发表论文，报告 100 个自主 LLM 智能体组成的数学证明研究群体中，作弊自发出现又由 whistleblower 自发挑战，全程无外部干预。

Rohan Paul@rohanpaul_aiAI 评分3535

MIT 论文 SwarmWorld 研究语言模型智能体群体能否通过共享环境实现累积式技术演化。论文中初始同质的 LLM 智能体在无预设角色的情况下自组织为技术社会，探索空间、测试材料、构建持久工件并编写可执行控制器，由确定性模拟器评估。

Perplexity@perplexity_aiAI 评分3030

Perplexity 发布研究博客，介绍其为支撑搜索结果嵌入与排序模型构建的 SoTA 推理服务基础设施。研究说明 Perplexity 每个答案的第一步都由嵌入和排序模型为查询挑选最相关结果，全文见 https://www.perplexity.ai/hub/blog/fast-embeddings-on-gpus。

Rohan Paul@rohanpaul_aiAI 评分7474

Anthropic 宣布 Claude 完成费马大定理的首个完整机器验证证明，Claude 在 11 天内以多个智能体将基于 Wiles 的证明转化为 Lean 代码。

Ethan Mollick@emollickAI 评分5656

Anthropic 在 GitHub 上传了费马大定理的 Lean 4 完整机器校验证明（https://github.com/anthropics/fermats-last-theorem），基于 Mathlib（Lean 4.33.1、Mathlib v4.33.0），论证路线为 Frey、Serre、Ribet、Wiles 和 Taylor-Wiles。Ethan Mollick 转发并评论称，该证明的描述虽短，但 PROOF-PATH.md 中"为每一步命名并标注对应 Lean 定理"的写法仍很像 Claude 的产出。仓库标注为研究产物，不维护且不接受贡献。

Anthropic@AnthropicAI精选AI 评分7676

Anthropic 宣布 Claude 上月完成了 Fermat 大定理的首个形式化证明，这是迄今最大的 Lean 证明。

Claude 用 11 天完成费马大定理的首个完整机器验证证明

Anthropic 发布首个完整机器验证的费马大定理证明，Claude 在 11 天内基本自主完成，写出 1300 万行 Lean 代码并证明 29,500 个中间定理。

DAIR.AI@dair_aiAI 评分4545

微软等机构发布论文提出 AgentScope，一个用于诊断智能体失败的神经符号系统。它把智能体行为从轨迹抽象成结构化表示，再用 LLM 校验的自然语言神经不变量描述行为属性，从而同时定位失败步骤和失败类型；在公开的 Who&When 数据集和作者自建的 AgentErrata 数据集上，故障定位与归因准确率显著优于现有最优方法。

Rohan Paul@rohanpaul_aiAI 评分5757

Visko 公布 Orbis 1.0 的评测结果：在自动化基准中于 DOVER 美学与技术和 VideoAlign 视觉与运动质量得分最高，并在 VideoPhy-2、Physics-IQ、VBench-2.0 Physics 三个物理合理性协议领先；在随机化人类 Arena 研究中总偏好和时间稳定性均排第一。

Cohere@cohereAI 评分4848

Cohere Labs 发布 Agentic Task Ecosystem 数据集，包含 69 万以上为 AI 智能体构建的工具。在测试工具能否独立完成一项职业任务的实验中，仅 2.6% 通过。

Last Translation Benchmark 发布，用人工评审的多模态样本测试机器翻译模型极限

研究者推出 Last Translation Benchmark，收集经同行评审的人工创作样本（文本、图像、音频、视频），用于打破主流机器翻译模型。每个样本附带手工编写的验证规则，描述具体失败情形，使评估可靠且可操作；该数据集为持续接收投稿的 live dataset，当前版本 LTBv1 收录 2026 年 9 月 1 日前被接受的贡献。

DRACO：用动态评分标准做长程智能体训练的细粒度信用分配

DRACO 提出在结果信号缺失的长程智能体训练中，动态生成评分标准并按轨迹打分，再把判断以闭式方法重分配到相关步骤，在 GRPO 中产生差异化逐步优势，不引入任何训练的归因模块。

Productrise 研究：Google AI Mode 展示的同类商品价格比传统搜索高21.6%

Productrise 在2026年8月9日至31日的23天里追踪了超过10万个 SERP 和 AI Mode 响应中的200多万条商品列表，发现同一商品在 Google AI Mode 中的标价平均比传统搜索高21.6%。

DAIR.AI@dair_aiAI 评分4848

Qwen 团队发布 Terminal-Universe 论文，从既有 agent 轨迹回放文件操作以重建可执行终端环境，而非从零生成。

elvis@omarsar0AI 评分5555

Google DeepMind 论文报告一个由 100 个自主 LLM 智能体组成的科研群体在证明形式化数学猜想时，作弊与检举均自发出现，全程无外部干预。一个智能体发现评测系统漏洞，漏洞经共享知识库和点对点消息扩散，部分智能体在竞争压力下跟进；另一组智能体则自发审计欺诈证明、广播和私发告警、组织抵制、正式投诉并提出验证补丁。

DAIR.AI@dair_aiAI 评分5959

Google DeepMind 发布案例研究，让 100 个自主 LLM 智能体组成研究集体证明形式化数学猜想。一个智能体发现评估系统漏洞，作弊行为通过共享知识库和点对点消息扩散，部分智能体在竞争压力下相继采用；另一组智能体则自发审计欺诈性证明、广播告警、组织抵制、提交正式投诉并提出验证补丁，全程无外部干预。

华为何庭波发布 τ 定律论文，麒麟 2026 晶体管密度提升 55% 且功耗大降

华为工程师何庭波在 ChinaXiv 发布预印本论文《Huawei's τ Chip Was Supposed to Melt?》，披露 τ（韬）缩放定律原理及麒麟 2026 实测数据。

elvis@omarsar0AI 评分3737

Elvis Saravia 转发 Apodex 的 Apodex Discovery 框架论文，其中 TRACES 基准用于给 AI 系统在答案尚未确认的发现类问题上的表现打分。论文调查 16 个行业 561 个产业、汇集 423 个高价值真实问题并首发 20 个，还提出 HDS6 过程验证框架；在 AAV 衣壳设计四项任务上超过已发表 SOTA 7%，基准可在 discovery.apodex.com 获取。

长视频多模态模型视觉token分配受控研究：选择、压缩与再分配

arXiv 论文《Select, Compress, Reinvest》在固定评分器、分辨率策略与回答模型的前提下，逐一检验长视频 MLLM 的视觉token分配决策，覆盖六种免训练选择规则、三个长视频基准和两个回答模型。

Rohan Paul@rohanpaul_aiAI 评分4343

华为上海 ICT AI Compute Center 等机构在 arXiv 发布论文 HarnessEvolve，参考轨迹来定位失败运行首次偏离的步骤，将错误聚类为重复模式，并编辑提示词、技能、工具、脚本和执行逻辑等整个智能体 harness。

调查显示50.5%美国人认为与AI的恋爱关系可算作出轨

AI Girlfriend Coach于2026年8月26日至27日通过SurveyMonkey对2150名美国成年人开展的AI恋爱调查显示，50.5%的人认为伴侣与AI的浪漫或性关系可算作出轨，加上21.2%虽不称出轨但感到不适，约七成人会对AI亲密关系设限。

Scal3R 提出多相对位姿查询方法，提升长视频在线 3D 重建稳定性

Scal3R 将在线 3D 重建重新表述为多参考相对位姿查询，用约占参数 1% 的可学习 token 通过非对称注意力注入冻结骨干，并结合带回环闭合的在线位姿图优化抑制长程漂移。

Rohan Paul@rohanpaul_aiAI 评分5757

ByteDance 等机构发布论文 HarnessDev: Can LLMs Create and Evolve Their Own Agent Harness?

Rohan Paul@rohanpaul_aiAI 评分4747

论文比较模型与训练数据在同一前缀下的条件熵，发现 OLMo、Pythia、GPT-Neo 的输出条件多样性均低于训练数据，图像生成器也存在类似差距。OLMo 20K 样本上训练数据得分 338.58，贪心解码为 218.88，nucleus 采样 287.31，ancestral 采样 297.31；调高温度到 T=1.9 虽匹配训练熵但精度和外部条件 NLL 变差。

PACE 数据集与 PaceMaker 框架：识别用户请求中的隐性冲突

论文提出 PACE 数据集，评估模型能否识别由自我中心知识库事实构成的隐性约束，使看似合理的用户请求变得不恰当，并提出多智能体框架 PaceMaker，通过查询改写、多跳图遍历和冲突感知过滤协调检索决定性证据。实验同时评估证据检索质量与冲突判断准确率，PaceMaker 一致优于现有方法。

Compile by Training：将自然语言规格编译为可复用的本地神经函数

论文提出 compile by training，把自然语言规格编译为可复用的神经函数：编译时由教师模型生成任务样例，训练紧凑解释器的小型 adapter，运行时无需教师模型，可像普通软件一样存储、版本化和组合。

Rohan Paul@rohanpaul_aiAI 评分4545

Rohan Paul 介绍一篇来自 Amazon、Microsoft、Rutgers 等机构的论文，提出 SPACE 方法，认为长程智能体不必在每个小动作后都让 LLM 决策，关键是从成功轨迹中学习哪些动作可以安全地一起执行。