LatentStream：面向流式视频理解的渐进式潜在记忆演化框架

论文提出 LatentStream，将流式视频记忆从 store-and-retrieve 转向 retrieve-and-internalize，用潜在工作记忆内化历史证据以支持严格因果与有限内存下的推理。框架包含分层流式记忆、分层潜在记忆演化和置信度引导的潜在记忆优化三个组件，并在现有在线与离线视频基准上取得新的 SOTA 结果。

Puffin-World 提出原生 3D 世界状态的统一多模态世界模型并开源

Puffin-World 是一个统一多模态架构，不依赖外部离线模块即可实现物理理解、空间模拟和 3D 世界生成与重建。该框架联合建模物理（重力场与纬度）、几何（深度）和外观（图像）三种原生世界状态，并引入统一 Omni-Camera 表示与跨未来帧传播物理动态的策略，在单一生成过程中同时合成未来视图并重建底层几何。

大模型 On-Policy Distillation 再思考 II：一条训练样本就够了

研究探讨 on-policy distillation（OPD）中训练数据的作用，发现仅用 1 条 query 训练即可持续提升数百步并恢复全量数据 OPD 的大部分增益。

Random Attention 提出随机驱逐 KV cache 以提升长推理效率

Salesforce AI Research 提出 Random Attention，不对缓存 token 打分，而是保留提示词并在每个注意力头内均匀随机驱逐，在四个模型、六个推理任务上匹配最强先验驱逐方法，vLLM 部署下吞吐量高出 32-43%。

WorldReward 提出面向相机条件世界模型的 VLM 奖励建模方法

WorldReward 是一个基于 VLM 的成对偏好奖励模型，为相机条件世界模型统一评估动作一致性与视觉质量。方法将视频分解为动作对齐的块并投票聚合，配套发布人工标注的 WorldReward-Bench，在三个维度上分别超过 GPT-5.5 约 3.42、1.45 和 3.56 个百分点，用于 HY-WorldPlay 1.5 的 RL 后训练可同时提升动作执行与视觉质量。

FlashRender：基于相机控制视频 MeanFlow 的少步生成渲染框架

论文提出 FlashRender，一个少步生成渲染框架，可在数秒内沿目标相机轨迹重新渲染源视频。方法引入 RETA 将源视频隐表示与冻结视觉几何模型的目标视频特征对齐，实现采样步数一致的相机控制，再用 MeanFlow 目标微调并结合 on-policy flow map 蒸馏。实验显示其在视频质量和几何一致性上匹配多步基线，采样成本降低 25 倍，并在分布外目标相机轨迹下具备更强的相机可控性。

Armature 分析 16,893 次会话：Claude Code、Codex 和 Cursor 如何选择第三方工具

Armature 通过 16,893 次实验会话分析 Claude Code、Codex 和 Cursor 在真实代码库任务中选择哪些第三方工具，经筛选保留 5,292 个有效会话，覆盖 51 个代码库和 18 个行业。

Minima 论文解释 Gated DeltaNet 为何能在 NVFP4 W4A4 4-bit 量化下保持性能

Minima 对 Qwen3.8-27B（48 层 GDN、16 层注意力）的全部 496 个线性层（含 GDN）应用 NVFP4 W4A4 量化，在 MMLU-Pro。

LLaDA-Image 发布：用完全开放的训练配方构建强图像生成模型

LLaDA-Image 是一个统一框架，包含从零训练的 6B Diffusion Transformer 和基于 LLaDA2.0-Mini 扩散语言模型骨干的冻结视觉语言理解模块。

Terminal-Universe：把智能体轨迹转化为可扩展的终端环境

Terminal-Universe 框架通过回放轨迹中的文件操作恢复原工作区，并借助补全智能体补齐缺失文件，将现有智能体轨迹重建为可复用、可执行的环境，在广度（跨代码库查询）和深度（多轮会话）两个方向合成新任务。

Principia 基准：通过成对物体的关系不变量评测视频模型的物理推理

论文提出 Principia 基准，用 529 个真实场景中的配对物体关系不变量评测视频生成模型和 VLM 的牛顿物理一致性，覆盖重力、摩擦、转动惯量等 8 种现象。

Environment Evolution：为终端 Agent 提供持续学习信号的环境进化方法

论文提出环境进化方法，通过 off-policy 地递进增加环境难度并按代调度，为终端 Agent 训练提供持续学习信号。

Editable Visual Design 论文提出基于 Coding Agent 的可编辑视觉设计新范式

论文提出 Editable Visual Design 范式，由 Coding Agent 驱动，将 VLM 作为理解需求、规划任务和审美判断的创意大脑，将图像生成模型作为按需合成独立视觉素材的视觉世界模拟器。

CORE 论文提出用重排器蒸馏改进多模态嵌入的组合推理

论文提出 CORE，通过合成五个组合匹配级别的候选列表和 Rank-KL 目标，把多模态模型作为重排器时的组合判断蒸馏进嵌入模型。

DAIR.AI@dair_aiAI 评分6767

DAIR.AI 介绍 arXiv 论文 Trace as State（https://arxiv.org/abs/2609.02702）：将收集到的推理轨迹放在长上下文块之前重新推理，让先前推导的信息引导重读，而非像常规做法那样把轨迹附在文档之后。

Rohan Paul@rohanpaul_aiAI 评分4444

斯坦福等机构的论文 Prefix Sliding for efficient test-time scaling 提出，推理时只保留任务前缀和最近 token 的滑动窗口、丢弃中间推理 token，无需重训即可让推理提速约 3 倍。

AK@_akhaliqAI 评分2626

论文 Repo-To-Skill 研究如何将 GitHub 仓库蒸馏（Distilling）为 AI4AI Skills。论文链接：https://huggingface.co/papers/2609.02749。

AK@_akhaliqAI 评分2424

HarnessDev 是一个将评测单位从任务输出转为可执行基础设施的基准，分 Creation 和 Evolution 两阶段，覆盖六个创建 LLM、四个领域和五个下游基准共 2,207 个实例。结果显示自建 harness 在代码及搜索研究任务上仍落后成熟人工方案，进化带来的提升不稳定且跨模型迁移有限，论文见 https://huggingface.co/papers/2609.01437。

AK@_akhaliqAI 评分2525

论文 CoGR 训练 LLM 在查询侧和物品侧同时生成紧凑关键词，通过倒排索引直接匹配，并用 GRPO 交替优化两侧生成器。在内部 APP Marketplace 数据集和公开 WANS 基准上，CoGR 相比最强基线分别提升 F_1 10.9% 和 36.1%。论文链接：https://huggingface.co/papers/2609.00638

Rohan Paul@rohanpaul_aiAI 评分4242

Microsoft 与加州大学圣地亚哥分校的论文指出，模型在 SFT 后可能看起来更好，但因 SFT 会抹掉 RL 需要发现的罕见正确行为，反而是更差的 RL 起点。

Epoch AI 分析华为 AI 芯片路线图，判断 2030 年前难以追上 Nvidia

Epoch AI 报告估计华为 2026 年将生产约 150 万颗 Ascend 芯片，折合 88 万 H100e，不足 Nvidia 算力产出的 4%，芯片性能落后 Nvidia 三到四年，单芯片纸面差距明年扩至约 17.5 倍。

Epoch AI 估算最大 AI 数据中心 IT 功率约每 10 个月翻倍

Epoch AI 基于 Frontier Data Centers 数据集（308 条里程碑、86 座设施）估算，自 2024 年年中以来最大在运数据中心的 IT 功率以每年 2.3 倍增长，90% 置信区间对应约 10 个月翻倍。

大模型交易智能体六个月生产环境实测：两套系统、750万次模型调用记录

论文记录了两套同源系统中共 750 万次单模型调用、约 30 万次链上操作的自主交易智能体生产环境测量，覆盖 21 天 Base memecoin 市场（DX Terminal Pro，3,505 个用户金库）和 Hyperliquid 永续合约（DXAP，500 至 599 个智能体）。

τ^τ-Bench：面向端到端真实智能体构建的评测环境

论文提出 τ^τ-Bench（hyper-tau-bench），把构建一个完整客服智能体设为评测任务：开发者智能体获得真实业务记录、提出需求的客户、生产 API、待继承的代码库以及服务成本与模型限制，交付的智能体用留出的模拟用户部署评分。

《应用认知心理学》研究显示过度依赖 ChatGPT 可能降低独立思考能力

法国巴黎 ISC 商学院研究人员 Zeineb Farhat 在《应用认知心理学》发表小型研究，采访 45 名每天使用 ChatGPT 的 18 至 25 岁用户，发现过度依赖可能与独立思考能力下降、自我怀疑增加和社交孤立相关，并将其与认知卸载联系起来。

DAIR.AI@dair_aiAI 评分4747

论文《Act More, Decide Less》提出 SPACE，从成功轨迹归纳两级程序化技能，用子技能边界作为块边界监督，再经混合 on/off-policy 优化与 chunk-aware credit assignment 蒸馏出 primitive-chunk 策略。

DAIR.AI@dair_aiAI 评分4646

KAIST AI 与 Google DeepMind 等发布论文《Language Models Can Control Their Own Attention》。

elvis@omarsar0AI 评分4545

KAIST AI 与 Google DeepMind 等发布论文《Language Models Can Control Their Own Attention》。

Epoch AI@EpochAIResearchAI 评分6464

Epoch AI 实测 GPT-6 Astra 创下 ECI 新纪录 169 分，高于此前最佳 163 分，但仍在其对推理时代 ECI 趋势的不确定性范围内。Astra 还在 Epoch 的数学、持续学习和游戏谜题基准上创下新纪录，在长程编码基准 MirrorCode 上排名介于 Opus 4.7 和 Fable 5 之间；测试基于 OpenAI 提供的预发布访问权限。

Noam Brown@polynoamialAI 评分6666

OpenAI 发布仓库 PrimeGaps186（https://github.com/openai/PrimeGaps186），其中 GPT-6-Astra 的 Lean 形式化证明了存在无穷多对间隔不超过 186 的相邻素数。Noam Brown 表示在 GPT-6 Astra 的所有用途中最期待科学发现，称 OpenAI 尚未在数学和科学上把该模型推向极限。仓库说明指出 Lean 结果仍依赖三个明确输入公理，被引用的数学估计和数值计算尚未转化为这些输入的 Lean 证明。

Google Research 研究跨人群多基因风险评分迁移学习，提出跨人群 GWAS 训练指南

Google Research 用 UK Biobank 约数十万欧洲样本与 Biobank Japan 近 20 万日本样本，在 8 项临床性状上评估多基因风险评分（PRS）的跨人群迁移效果。结果显示，目标人群样本达 15k 以上时，目标人群专属模型优于混合欧洲数据训练；遗传相关性高的性状可继续受益于欧洲数据至 25-40k+ 样本，而 HDL、LDL、血糖等高度人群特异性性状受益明显更小。

Rohan Paul@rohanpaul_aiAI 评分4646

Apodex 发布 TRACES，一个针对答案未必已知的困难科学问题的 AI 基准，配套技术报告由首席科学家 @profshengwang 牵头。报告由 10 名 STEM 博士历时两个月、调研 561 个行业后整理出 423 个高价值真实问题，覆盖生物医学、临床转化和前沿模型工程。

Google 与 HHMI Janelia 发布完整雄性果蝇大脑连接组图谱

Google Research 与 HHMI Janelia、MRC 分子生物学实验室及剑桥大学等合作，在 Cell 发表雄性果蝇大脑和中枢神经系统的完整连接组图谱，包含超过 166,000 个神经元和 1.25 亿个突触连接，是目前按神经元数量计最大的大脑图谱。

DAIR.AI@dair_aiAI 评分4646

BAAI 等机构发布论文 Repo-To-Skill，提出技能驱动的研究智能体 DisCo。任务无关蒸馏将 1,000 个广泛使用的 ML 仓库压缩为 AREX-Skill Library，包含 5,000 多个已验证技能，按 20 个领域和 178 个能力族组织；任务导向蒸馏则按具体任务生成所需技能。

elvis@omarsar0AI 评分7171

Meta 发布论文 CORAL，一个 LLM 原生 agent harness，通过闭环观察运行信号、回溯过往决策记忆并调用数值优化器等工具，在固定变更预算内持续重配线上推荐系统，策略无需参数更新即随循环迭代改进。

DAIR.AI@dair_aiAI 评分6060

Meta 发布论文 CORAL（arXiv:2609.02730），提出一个 LLM 原生智能体框架，以闭环方式持续优化在线上服务数十亿用户的生产级推荐系统。每轮循环中智能体观察运行信号、基于过往决策记忆推理，并调用包括数值优化器在内的工具，所有改动被限制在固定操作预算内，策略无需参数更新即在上下文中改进。

Debias-SparseGPT：面向大语言模型的偏见感知剪枝方法

论文提出 Debias-SparseGPT，一种后训练剪枝方法，利用人口统计对比输入上的二阶项进行表征去偏。在 25%、50% 和 2:4 结构化稀疏度下，该方法相比 SparseGPT 持续降低剪枝引入的偏见，同时保持模型困惑度和零样本准确率；在限制最严格的 2:4 结构化稀疏模式下，用长上下文、内容丰富的示例扩充校准集可进一步提升下游性能和公平性。

Qwen@Alibaba_QwenAI 评分5858

通义千问（Qwen）发布 E-Commerce Bench，用于评测 Agent 在长周期自主商业运营中的表现。智能体以 ¥100,000 启动资金在线上商店运营 365 天，处理采购、谈判、定价、促销、库存和现金流，市场由真实电商数据驱动。

Qwen 联合淘宝天猫集团发布 E-Commerce Bench：评测模型长时程电商经营能力

Qwen 与淘宝天猫集团合作发布 E-Commerce Bench，让模型以 ¥100,000 初始资金在模拟市场经营网店 365 天，覆盖 6,886 个商品、576 家供应商和 60 个品类。

LLAMIA 论文提出语言与非语言智能体协作的潜在状态内化方法并发布 LLAMIA-Bench

论文研究 LLM 与非语言智能体（如棋类引擎）的协作，发布包含六个国际象棋协作任务的 LLAMIA-Bench，并提出将子智能体连续表征直接投影到 LLM token 流的潜在状态内化方法。