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。

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。

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。