不改参数改乘积：面向 Transformer 的结合代数层

研究者提出用结合代数中的稀疏交互表替代 Transformer 投影层的普通矩阵乘法，在物理块大小固定时实现矩阵维度上的二次算术复杂度，并给出适配 GPU 执行的形状约束。

DepthBench：衡量残差连接如何提升 Transformer 计算深度

研究者推出 DepthBench，一个在固定模型规模与预训练配方下系统改变宽深比（d_model/n_layer）的受控基准，用于衡量架构深度能否转化为有效计算深度。

CoWindow Attention（CoWA）：让完整因果覆盖成为注意力头集合的集体属性

研究者提出结构化注意力架构 CoWA，将因果历史访问分散到各 KV head：所有 head 共享近对角与 prefix-sink 窗口，互补的长程窗口划分其余历史，其并集实现完整因果覆盖，且无需学习型 router 或 indexer。

SkillDRE：通过执行前与运行时反馈对 Agent 技能进行双阶段红队演化

SkillDRE 是一个全自动框架，通过执行前扫描与运行时防御反馈的双阶段闭环，演化完整的恶意 Agent 技能包。在 SkillsBench 上对四个受害模型评测，平均攻击成功率达 45.28%，超过最强基线 40.3%，且最终提交的技能未触发任何 SkillScan 告警，并基本保留良性任务性能。结果表明，两阶段防御反馈可作为自适应红队的有效学习信号，单独评估任一防御阶段都会遗漏攻击能力。

MALA：让注意力自行分配其计算量的融合注意力原语

研究者提出融合注意力原语 MALA，按归一化贡献分配 post-score 计算，在 8K 匹配工作量下平均遗漏质量仅 0.0188%，接近逐实例参考质量 oracle 的 0.0182%。

Adaptive Consistency Graph：面向长程智能体的自适应一致性图

针对 LLM 智能体在长序列依赖任务中决策漂移的问题，研究者提出 Adaptive Consistency Graph（ACG），将执行证据及其来源增量组织进持久图，并在有限上下文预算下为每次决策构建以需求为中心的临时视图。

GAGAR：面向代码智能体 RL 的分组智能体评分与优势重分配

GAGAR 是一个面向代码智能体强化学习的质量感知信用重分配框架，通过 SFT 训练的智能体评分器在同一工作区内联合检查并排序通过测试的轨迹，对低排名轨迹降权并按比例重缩放优势值以保持总和不变。

神经图像水印中的残差可迁移性研究：CoverLock 防御策略

研究提出残差可迁移性（RT）指标，量化神经图像水印证据在跨图像迁移后的可解码程度，发现架构设计而非训练侧变化是 RT 差异的主因，并识别出两种强化水印证据对载体图像依赖的机制。针对难以重新设计架构的现有水印系统，作者提出即插即用策略 CoverLock，在高 RT 水印系统上实现了优于传统手工防御和基于学习分类器防御的安全—鲁棒性权衡。

研究：MoE 模型合并后的路由漂移不足以诊断路由失效

针对 DeepSeekMoE、OLMoE 和 Qwen3-MoE 的研究发现，MoE 模型合并后大部分专家重分配源于输入偏移而非同层参数变化，源路由差异难以预测恢复源路由带来的下一 token 似然增益。

WaveFront Decoding：面向循环语言模型的无训练自推测解码框架

WaveFront Decoding（WFD）是一种面向循环语言模型的无训练自推测解码框架，利用中间循环输出作为草稿预测、并借助权重共享批量处理不同位置与循环深度的 token 状态。

LT-OPD：用在线策略自蒸馏实现极端视觉 token 压缩

针对多模态大模型在极低视觉 token 预算下性能骤降的问题，研究者提出训练框架 LT-OPD，让仅保留少量视觉 token 的学生模型在自己生成的轨迹上接受冻结全 token 教师模型的分布监督，并引入逐步降低 token 预算的课程。

Stanford 研究发现 AI 基准测试常常测不出它声称测量的东西

Stanford 研究者将在 10 月旧金山 COLM 会议上发表两项研究，用测量科学与心理测量学检验 56 个常用基准，发现基准并不总是测量其声称的能力，声称测同一属性的基准之间也常互相矛盾。研究以 BBQ 偏见基准为例指出其更像在测阅读理解，另一项研究拆解了安全分数在非英语语言中下降的原因，区分模型 guardrails 变弱与翻译后测试本身失真这两种因素。

DAIR.AI@dair_aiAI 评分7070

Qwen 团队发布报告，介绍 Qwen3.8-Omni-Flash，一个原生多模态模型，面向跨文本、音频和视频的长程智能体任务，如视频编辑和长音频视频翻译。模型采用 Qwen3.8-Next 的稀疏 MoE 架构，上下文窗口达一百万 token，并通过协同训练策略在保持文本性能的同时将智能体能力迁移到音频和视频任务。

Arena.ai@arena精选AI 评分6767

Arena 宣布 OpenAI 的 GPT-6 Sol (Max) 进入 Agent Arena，基于 4K+ 真实智能体会话取得 +7.7% 净改进，排名第 6，中位成本 $0.75/task。

DAIR.AI@dair_aiAI 评分7070

Qwen 团队发布 Qwen3.8-Omni-Flash 报告，这是一个原生多模态模型，面向跨文本、音频和视频的长时程智能体任务，如视频编辑和长音频视频翻译。模型沿用 Qwen3.8-Next 的稀疏 MoE 架构，上下文窗口为 100 万 token，并通过协同训练策略在保持文本性能的同时把智能体能力迁移到音频和视频任务。

CESifo 工作论文：数据未显示 AI 冲击应届大学毕业生就业

慕尼黑 CESifo 的 Robert Fairlie 和 Jane Wu 发布工作论文，称没有证据显示应届大学毕业生在绝对或相对水平上出现明显的岗位替代或招聘减少。

Rohan Paul@rohanpaul_aiAI 评分7070

Claude Science 在单个提示词下、数天基本无人监督运行，在平面 N=4 super-Yang-Mills 模型中完成九环散射振幅计算，将此前 SLAC 的 Lance Dixon 等人保持的 8 环纪录推进到 9 环，总成本仅几千美元。

Anthropic@AnthropicAIAI 评分6767

Anthropic 在科学博客称，物理学家 @4gravitons 发起挑战后，Claude 在 Claude Science 中依据单个提示词 largely unsupervised 地运行数天，在平面 N=4 超杨-米尔斯模型中完成九圈散射振幅计算，总成本约几千美元。

Perplexity 用提示词引导自蒸馏让 Computer 智能体从真实错误中学习

Perplexity Research 发布后训练研究，将拒绝采样微调与提示引导自蒸馏（OPSD）结合，用 GLM 5.2 驱动的 Perplexity Computer 真实用户会话（含失败会话）训练模型。

DAIR.AI@dair_aiAI 评分5959

微软论文《Coding Agents are Strong Prompt Optimizers》提出 Coding-Agent Skill Distillation（CASD），让现成编码代理读取完整智能体轨迹日志，自行编写分析代码统计失败模式并将发现写成规则提示词，无需环境访问和验证数据。

研究论文：Coding Agent 在广义任务与运动规划问题上的能力评测

arXiv 论文（https://arxiv.org/abs/2609.30233）研究 coding agent 能否自动合成可跨实例泛化的程序来解决广义任务与运动规划（TAMP）问题。

Rufus-Air：基于 GLM-4.5-Air-Base 的开源 LLM 后训练配方

Rufus-Air 发布了在 GLM-4.5-Air-Base（106B-A12B）上可复现的开源后训练配方，按 SFT、Reasoning RL、Coding RL、Instruction-Following RL、通用 Agent、Coding Agent、Search Agent 和 RLHF 八个阶段串行组织。

PUBG Ally：PUBG 中可语音对话的具身智能体队友

论文介绍 PUBG Ally，一个在 PUBG: BATTLEGROUNDS 中作为语音队友的具身智能体，可感知动态游戏环境并自主行动。语言模型智能体通过受控接口检查游戏信息、理解玩家语音并下发高层动作，交给更快的控制层执行移动、战斗和恢复；团队基于近 39k 场真实玩家共玩对局的数据做迭代训练，并通过模型压缩、上下文压缩、安全训练和运行时护栏实现低延迟端侧部署与玩家沟通安全。

利用预训练扩散模型和多模态条件增强摄影测量数字表面模型

该研究提出一种改进的 Stable Diffusion 3 架构，通过同时以摄影测量 DSM 和 Pléiades 卫星图像作为条件，对垂直配准的数字表面模型进行细化。实验表明，这种多模态条件方法能显著提升高程精度，在法国城市测试中，密集城区的 RMSE 从 6.00 米降至 3.45 米（上下文城市）及 2.76 米（留出城市）。

TRACE：流式视频理解的时序审计与条件感知评估框架

论文提出 TRACE 基准，旨在解决现有流式视频理解评估中忽略证据时效性、历史维护及响应触发机制的问题。该框架通过统一因果协议控制信息可用性，并多维报告答案质量、及时性、负载等指标。在 1240 条记录上的实验显示，相似的 QA 准确率可能掩盖系统在完成度、生成负载及主动响应行为（如误报、漏报）上的巨大差异，强调应将性能视为执行条件下的系统行为而非单一分数。

ZooWork-ShopRanker：面向电商场景的偏好对齐重排序模型发布

ZooWork团队发布ShopRanker系列电商重排序模型（0.6B/4B/8B），通过多LLM裁判生成偏好标签进行训练，并推出包含约1万条真实流量数据的ShopRank-Bench基准。实验显示该系列模型在电商检索任务上显著优于现有开源基线及未对齐版本，且小参数模型表现突出。目前模型与基准已开源。

G^2PTQ：用广义梯度补偿改进 LLM 训练后量化

论文提出 G^2PTQ，一个在全局监督、逐块优化目标下同时整合一阶与二阶信息的统一 PTQ 框架，通过在量化每个 Transformer 块前刷新梯度与 Hessian 估计，避免以往全局方法的估计过时问题。

MOPD-Router：多教师在线蒸馏中的令牌级路由新框架

针对多教师在线蒸馏（MOPD）中依赖提示词级领域标签进行硬路由的局限，研究者提出 MOPD-Router 框架。该框架无需领域标签或独立路由模型，即可在每个令牌级别对全教师池的监督信号进行路由。其中提出的 ExpertAlign 指标通过评估教师纠正是否体现其专业化能力来加权信号。实验显示，ExpertAlign 在无标签和有标签数据的四种设置下均取得最佳性能，相比均值聚合提升显著，证明了令牌级路由能有效利用跨域互补监督。

Softmax 重参数化：面向输出头量化的后训练方法

研究者提出 softmax 重参数化，一种在量化前选取功能等价输出头的后训练方法，通过从每个输出行减去词汇行均值的标量倍数，并按验证 KL 分别为 RTN、激活加权 MSE 和 full-Hessian GPTQ 选择系数。

Duplex-MPE：全双工对话中多方交互的基准测试

Duplex-MPE 基准发布，用于评估全双工语音助手在多人共享对话中何时应答、保持沉默或停止说话，包含 2000 个由三到四名人类说话者与一名助手构成的场景，同一请求分显式与隐式指代配对。

ARGUS：基于语言模型的气候政策因果评估审计框架

研究提出 ARGUS，一种结构化语言模型流水线，用于审计气候政策差分法（DID）研究中的识别假设证据。ARGUS 依据十一维假设-含义-证据准则进行评估，并在无法检索相关证据时选择弃权。在注入缺陷的基准测试中，ARGUS 检测到 73% 的植入缺陷，显著高于关键词基线的 18%。在经济学论文评估中，约 40% 的维度因缺乏可检索证据而弃权。该工具旨在为专家审查提供风险定位报告，而非直接裁定因果主张。代码与数据已开源。

提出连续深度批处理技术，实现循环语言模型的高效自适应推理

针对循环语言模型（Looped LMs）中不同 token 循环次数不同导致无法使用标准批处理系统的问题，研究者提出了“连续深度批处理”（CDB）方法。该方法通过在循环步骤间动态构建新批次、管理 KV 缓存及预测退出时机，实现了高效的深度自适应推理。实验表明，全循环架构最适合此方法，CDB 可实现高达 99% 的预估最大加速比。

DAIR.AI@dair_aiAI 评分5151

Google DeepMind 发布 XYEval 论文，在 tau2-bench、SWE-bench、Terminal-Bench、HLE 和 MCP-Atlas 任务中加入一条自信但误导的用户建议，任务与正确解法不变。

MIT McGovern Institute 开发从文本评估自杀风险的词表工具并发表于 Journal of Psychopathology and Clinical Science

MIT McGovern Institute 研究团队开发了基于自杀风险词表的语言处理工具，可从危机求助文本中预测自杀风险，成果发表于 Journal of Psychopathology and Clinical Science。

Rohan Paul@rohanpaul_aiAI 评分5353

Stanford 与 Together AI 的论文提出 Self-Organizing Agent Teams（SAT），让固定智能体团队从过往协作中学习可复用的角色分工与流程，而非辩论后投票。

Anthropic Project Swap 实验：201 名员工让 Claude 智能体替人换书交易

Anthropic 开展 Project Swap 实验，让 201 名员工携带一本书，其 Claude 智能体在数字交易大厅代表他们谈判换书。5 分钟聊天后，Claude 构建的图书排序与本人自评排序在 61% 的书对上一致；市场效率为 0.55（最优 0.89），其中 85% 的差距来自智能体对参与者偏好的理解不足，而非谈判表现。

FRI 中期报告：顶尖 AI 专家大幅低估领域进展速度

Forecasting Research Institute 的中期报告显示，专家和超级预测员系统性低估了 AI 进展。AI 在 2025 年 7 月达到 IMO 金牌水平，比专家预测中位数提前五年；病毒学基准、网络安全基准和 Anthropic 约 1000 亿美元年化收入等指标也远超预测，如专家对 2026 年底 AI 公司最高 ARR 的中位数预测仅 200 亿美元。

DAIR.AI@dair_aiAI 评分5151

论文介绍 JEV-as-a-Judge，发现多数评测可用廉价裁判，仅把不确定判定交给前沿模型。在 510 个保留偏好对上，级联接受 JEV 置信判定、其余上升至 GPT-6 Astra，保留 GPT-6 约 99% 的准确率，费用约为其 57%。

elvis@omarsar0AI 评分5252

北京大学、Google 和 HKUST 等机构的论文 Harness-Zero 研究 agent harness 蒸馏，通过 agent-as-harness 在训练时用优化后的 harness 纠正学生模型在目标动作空间的响应，生成训练示范后微调。

Rohan Paul@rohanpaul_aiAI 评分5252

论文《Defense-as-Skill: Evolving Runtime Guard Skill for Skill-Augmented Agents》提出恶意技能可能在安装时看似安全、执行任务时才显现危险，因此 Agent 需要运行时检查而非仅靠安装前扫描。