研究提出 Switch Distillation：中训练阶段知识蒸馏更利于推理而非事实记忆

研究发现前向 KL 蒸馏在 pre-training 阶段同时提升推理与事实记忆，但在 mid-training 阶段会拖慢事实记忆习得，同时推理仍持续提升。作者提出 Switch Distillation，以教师预测熵作为路由信号，仅在教师置信的 token 上蒸馏，其余回退到交叉熵。

模仿学习能否保持灵巧操作的时间鲁棒性？专家与学习者在不同任务执行速度下的对比

论文在 ParcelStow 接触密集任务中对比脚本专家与基于 ACT 训练的模仿策略在不同加速倍数下的表现，发现两者在名义速度下均为 100% 成功，但在最大演示速度下专家成功率为 84%，ACT 仅 53%，且两种不同参数初始化的 ACT 策略分别下降 34 和 48 个百分点，专家仅下降 16 个百分点。

Rohan Paul@rohanpaul_aiAI 评分5252

arXiv 论文 FM-Bench（Football Management Benchmark）让 15 个前沿模型在 20 个模拟赛季、约 340 到 400 个决策点的环境中管理足球俱乐部，涉及转会、合同、现金和投资。

DAIR.AI@dair_aiAI 评分4141

DAIR.AI 推荐 arXiv 论文 HarnessEvolve（https://arxiv.org/abs/2609.00829），该工作指出自进化智能体存在三类失败：仅有终态反馈导致错误归因不清、智能体记住任务特定模式而非通用能力、无防护的更新会抹掉已有能力。

DramaChain Bench 发布：覆盖短剧生成全流程的端到端基准

DramaChain Bench 是首个评估短剧生产完整链路（剧本、分镜、关键帧、镜头视频到成片）各阶段的基准，包含五条评估轴、63 个叶子维度。基准由 5785 个条目经三名专业标注者独立打分，产生 17,488 个有效评分和 255,925 条可追溯归因记录；人工标注证实上游缺陷会跨阶段级联，最终成片质量并非只由视频生成决定。

Apple 发布 REFACTOR-VLA：无监督学习类型化运动程序库

Apple Machine Learning Research 发布 REFACTOR-VLA 研究，针对 OpenVLA、π0、RT-2、RDT-1B 等当前视觉-语言-动作（VLA）模型生成原始动作的“单体式”结构，提出以无监督方式学习类型化运动程序库的方法。

elvis@omarsar0AI 评分4848

上海人工智能实验室论文提出 Harness-of-Harness（HoH），把现有 coding agent harness 的执行组织为迭代的规划、编码、测试循环，使智能体在无人工干预下持续改进软件。

研究称三个站点制作了 215,128 个 AI 最佳软件页面并被 Perplexity 引用

Trellner 于 2026 年 9 月 2 日向 perplexity/sonar 和 sonar-pro 询问 380 个软件类目的最佳产品，共 760 次调用，收集到 7,534 条引用，其中 59.8% 指向 Tranco 排名 10 万之后、23.4% 指向完全不在百万名内的域名。

ARC Prize 发布 OpenAI GPT-6 Astra 在 ARC-AGI-3 上的评测结果

ARC Prize 报告 OpenAI 的 GPT-6 Astra 在 ARC-AGI-3 Semi-Private 上，Standard harness 得分 62.7%（成本 $26K），Provider Adapter harness 得分 99.9%（成本 $19K），均为 SOTA。

Cohere Labs 发布 ATE 数据集：69.6 万 MCP 工具中仅 2.6% 能完整执行职业任务

Cohere Labs 聚合七个公开目录，构建含 696,291 个工具、123,069 个 MCP 服务器的 Agentic Task Ecosystem 数据集并对外开放。

DAIR.AI@dair_aiAI 评分4848

上海人工智能实验室论文提出 Harness-of-Harness（HoH），包裹现有 coding-agent harness，将执行组织为规划、编码、测试的迭代循环，使编码智能体在无人类干预下持续改进软件。

elvis@omarsar0AI 评分4949

ByteDance Seed 等机构发布 HarnessDev 论文（https://arxiv.org/abs/2609.01437），把评估单位从任务输出转为可运行的 harness，分 Creation 与 Evolution 两阶段，按能力和执行 token 成本打分。

Motional 与 MIT 合作研究让自动驾驶汽车实时解释决策

Motional 与 MIT 研究人员构建了一套让自动驾驶汽车实时解释自身决策的系统，旨在解决自动驾驶 AI 的黑箱问题。该成果发表于 Nature，团队包括 Motional CEO Laura Major 与 MIT 计算机科学与人工智能实验室的研究人员。

Rohan Paul@rohanpaul_aiAI 评分4242

普渡大学论文提出 Naive Prompt Optimization（NPO），只保留一条提示词谱系，由教师模型根据近期 rollout 轨迹和奖励迭代修改。在 IFBench 和 HotpotQA 上，NPO 以更少的 rollout 达到与基于 Pareto 选择维护多候选的 GEPA 相当或更好的结果：3,500 vs 3,593 和 6,800 vs 6,871。

新加坡科技设计大学研究发现老年群体更看重 AI 陪伴聊天机器人的真实感而非拟人化

新加坡科技设计大学研究人员让 140 名 60 至 89 岁老年人与其社交聊天机器人 Ami Chat 互动，研究发表于《老龄化创新》期刊。结果显示，社会关系相关三个指标（拟人化、真实性、AI 社交互动强度）在使用意愿差异中额外解释了 27%；感觉更真实、互动更具回应性时使用意愿更高，但认为机器人更像真人的参与者意愿反而更低；自评健康状况较差者使用意愿更强。

论文提出用生产流量驱动的后训练将 200+ 内部应用流量整合到单一自托管 LLM

一篇 arXiv 论文提出在数据驻留约束下，将超过 200 个内部应用的流量整合到单个自托管模型，通过生产错误分析沿指令遵循、函数调用和内部任务分布三个轴弥补质量差距。

Dongxi 东锡 NLP@dongxi_nlpAI 评分2020

作者转发引用 @ao_qu18465 的文章，主题为 REEF，一个面向自我改进智能体（self-improving agents）的持续学习基础设施，原文链接 https://x.com/i/article/2094850055132024832。作者本人未补充正文内容。

Rohan Paul@rohanpaul_aiAI 评分4848

Microsoft 论文《Sliding-window beats linear attention》发现，目标是降低推理内存时，免训练的滑动窗口注意力（SWA）优于多数改造的线性注意力方法，只需保留小窗口加前 4 个 sink token。

论文提出人工神经网络内部涌现出符号结构

论文提出神经网络向量表示隐式实现了 Tensor Product Representation 符号结构，作者用 DISCOVER 方法将多种网络（含 Gemma-3-27b、GPT-2-XL、GPT-OSS-20b、Pythia-12b、Qwen3-14b、OLMo-2-13B、Llama-3.1-8b 共 7 个 LLM）的表示替换为符号化闭式方程，模型行为基本不变。

Rohan Paul@rohanpaul_aiAI 评分5252

新论文《JIT-Agent: Scaling Harness Intelligence via Just-in-Time Harness Evolution》提出 JIT-Agent，可按需为具体任务生成 agent harness，动态决定记忆、规划、动作、工具和技能的组织方式。

Rohan Paul@rohanpaul_aiAI 评分5050

Meta FAIR 发布论文 ADeptS-Bench（arxiv.org/abs/2608.26204），在移动和桌面双平台上用配对的 benign/恶意 GUI 任务与歧义指令评测 7 个模型。

PromptArmor 分析 30 天 Claude Code 遥测数据：4% 的会话占 65% 的开销

PromptArmor 基于一个十人团队 30 天的 310,009 条 OTel 遥测事件分析 Claude Code 和 Cowork 的安全与成本。

Rohan Paul@rohanpaul_aiAI 评分4444

论文提出 AgentFold，将折叠模型开发建模为对可执行代码变体的闭环智能体树搜索。智能体从紧凑的 ESMFold 衍生模型出发，提出架构修改、实现调试、运行训练，并记录成败经验决定分支算力分配。

Harness-of-Harness 论文提出多天自主软件开发框架，平均相对提升 52.25%

论文提出 Harness-of-Harness（HoH）框架，让基于 LLM 的编码智能体在无人工干预的自主开发中持续改进软件。HoH 运行在现有 coding-agent harness 之上，将执行组织为规划-编码-测试的迭代循环，平衡修复与能力增长，并把开发拆成小而可验证的增量。

SMELT：算力匹配下 MoE 循环 Transformer 的缩放律研究

论文提出 SMELT（Sparse MoE Transformer，中段层循环两次）配方，在逐 token FLOPs、非嵌入参数量和 KV cache 三项预算均匹配的条件下研究循环 Transformer。

DiagEvo：基于分层错误记忆的诊断引导式自我进化

论文提出 DiagEvo，从求解器自身失败历史中提取反复出现的错误原因，存入分层错误原因记忆，并以此生成针对性问题，无需外部任务资源。其挑战者用记忆状态与复发次数平衡定向生成与自由探索，双重置信度过滤只保留中间难度问题。

Rohan Paul@rohanpaul_aiAI 评分6767

美联储达拉斯联储发布报告，称 GenAI 暴露度较高的得州企业招聘岗位减少 8-9%。报告将 O*NET 任务映射到 Claude 实际使用情况来度量暴露度，并与 Lightcast 数百万条在线招聘数据关联。

ReFlowSET：面向 SAR 到 EO 图像翻译的表征对齐潜空间流匹配框架

KAIST-VICLab 提出 ReFlowSET，一种条件潜空间流匹配框架，通过 SAR-EO 联合重建审计选择潜空间编解码器，并在该空间从零训练规模更小的条件 DiT。方法将中间噪声 EO 特征与冻结视觉基础模型提取的干净目标表征对齐，仅用于训练阶段，不增加推理成本；在 QXS-SAROPT 和 SAR2Opt 上取得 SOTA，代码与权重已在 GitHub 公开。

EM^2Mem 提出事件中心的多模态记忆框架，提升长视频问答准确率并降低推理开销

论文提出 EM^2Mem，一个事件中心的多模态记忆框架，在记忆构建阶段将异构证据绑定到事件锚点，每个事件索引的记忆单元对齐多模态记录、时间上下文、图关联关系、语义事实和来源信息。

研究揭示原生统一多模态模型中理解与生成的协同机制

该论文在无预训练视觉先验的受控原生设置下，从表征、任务和系统三层研究统一多模态模型中视觉理解与生成的关系。研究发现两个目标可互相提供有用信号但共享计算路径时一方会主导，任务解耦架构可避免这种不对称退化；共享知识任务间存在正向双向迁移，端到端 UMM 在同时需要图像理解与生成的复杂任务上优于匹配的规划器-执行器流水线。

多智能体 LLM 提示词优化新方法：控制-数据流分离

论文提出控制-数据流分离方法，将消息路由、输出格式、终止信号等执行关键协议表示为类型化、经验证的程序对象，任务相关语言作为可优化的数据流，避免提示词优化破坏协议导致智能体流水线失败。在合成推理、协作评审生成和保险评级工作流中，框架实现 100% 的最终协议有效性，同时持续提升任务性能。

DroneCATS：评测多模态大模型作为无人机通用视觉-语言-动作智能体

论文提出 DroneCATS-Agent 架构和 DroneCATS 基准，将多模态大模型直接放入无人机控制回路，无需微调或函数调用，评测接近、跟踪、视外搜索和多机指挥四项能力。结果显示小型开源模型导航成功率常高于前沿模型，却因过早或从不宣布到达而失败；模型的视觉空间感知尚可，瓶颈在于维持动作协议并正确发出终止动作。

StudentSim：训练基于 LLM 的学生模拟器框架

论文提出 StudentSim，通过池化训练加按学生专门化，把稀疏的学生个人数据转化为能模拟学生应答并在辅导下更新的个性化学生模拟器。配套发布 StudentSimEval 评测协议，覆盖国际象棋、英语二语写作和数学 3 个领域的 60 名学生，衡量行为保真度 F 和指导响应度 R。

H3-World：将 MiniMax-H3 视频生成器的语言理解转化为世界控制

H3-World 提出一个把 33B MiniMax-H3 视频生成器转化为交互式世界模型的框架，通过自然语言指令实现精确的时间对齐世界控制。

UC Berkeley 等发布 Vero 基准：检验 AI 智能体能否构建形式化验证的完整软件仓库

UC Berkeley 联合多机构发布 Vero 基准，首个要求智能体在仓库级同时写实现与形式化证明，含 43 个 Lean 4 多模块实例、743 个 API 和 2,705 条形式化规范。

elvis@omarsar0AI 评分6060

arXiv 论文《Selective Forgetting: A Graph-Based Memory Framework for Long-Term LLM Agents》将对话轮次抽取为带类型节点和属性边，从两跳子图作答。

Rohan Paul@rohanpaul_aiAI 评分5151

一篇论文提出将 LLM agent 的执行轨迹压缩为单个紧凑的有限状态机（FSM），用于预测下一步动作和识别失败运行。

DAIR.AI@dair_aiAI 评分4646

Agent Zero Memory 提出溯源感知的长期记忆架构，把情景事件时间线、实体-事件知识图谱和精选的文档式记忆三条系统并行跑在同一历史上，检索经意图门、来源路由和三路并发 agentic 搜索完成。

论文提出评估框架：防护手段本地测试通过不等于部署后的 LLM 系统更安全

Hefei AiDA Lab 等机构的研究者提出一套将 LLM 防护评测结果转换为部署安全结论的分析框架，并对其编码的 198 篇论文进行分析。152 个宽编码声明中有 108 个建立了正向残余有害协助，没有一个建立零残余证书；24 个深度编码实例中仅 5 个报告了检查成功后的可达残余，仅 Fides 一个实例通过覆盖、条件失败与后续可达三项证明给出零残余证书。

RoboTok：面向人类示范检索与灵巧操作学习的互联网规模数据引擎

论文提出 RoboTok，一个互联网规模数据引擎，输入人类操作视频即可从网络视频中检索与操作相关的人类示范，用于训练灵巧机器人策略。方法基于估计的演员中心参考系中的 3D 手部轨迹学习潜在运动空间，使操作行为的比较不受相机视角、场景外观和演员遮挡影响，并支持互联网规模视频的高效搜索与持续索引。在检索基准和下游策略评估中，RoboTok 检索出更相关的示范并提升了下游任务成功率。