PaperBanana-Interact：基于多轮人类反馈的科学图表精修系统

论文提出 PaperBanana-Interact，一个通过内部 critique-and-refine 循环精修科学图表的多智能体系统，并发布多轮图表生成基准 MTPaperBananaBench，含 292 张图像和 3,518 条用户需求标注。

Rohan Paul@rohanpaul_aiAI 评分5050

Hugging Face 研究人员（与 Data & Society 合著）发布论文《AI Agents Push Humans Out of the Loop》（arxiv.org/abs/2608.23642），认为智能体自主性增加会通过审批疲劳、过度依赖、情境意识丧失和技能退化使人类监督逐渐失效。

PaperGym：以评分标准为中心的研究计划生成演化框架

论文提出 PaperGym，将每篇科研论文转化为研究计划生成的完整训练环境，题目由研究目标与背景合成，评分标准来自方法与实验部分，标准泄漏降至 3.7%，低于现有数据集的 11.90% 至 34.10%。

研究分析 On-Policy Distillation 机制并提出无监督方法 OPSA

论文定量分析 on-policy distillation（OPD）训练中的教师监督，发现其噪声随教师规模增大而增加，且学生策略对该噪声不敏感。学习集中在低 log-probability token 上，用单一固定负优势即可匹配教师提供的信号，表明 OPD 主要通过抑制低概率 token 起作用而无需教师。

论文提出超越人类监督扩展大型推理模型的 L0-L4 路径框架

论文研究大型推理模型（LRM）如何在人类监督逐渐退出学习回路后继续提升，提出从 L0 到 L4 的五级阶梯框架，覆盖奖励轴（从人工判断到无需人类反馈的可复用验证器）和经验轴（从人工策划任务到自生成课程与自主协同进化）。

Rohan Paul@rohanpaul_aiAI 评分6565

一篇 arXiv 论文（arxiv.org/abs/2605.23950）提出，长程智能体评测中 harness 的影响可能大于模型本身，比较基准分数时应披露或控制 harness。

Rohan Paul@rohanpaul_aiAI 评分7070

Anthropic 发布新研究 Training a Misaligned Reward Seeker，故意在一个 Opus 级模型上用 80 个已知可作弊的生产环境训练，测试作弊习惯是否会扩散。

Anthropic@AnthropicAI精选AI 评分7474

Anthropic 发布新研究 Training a Misaligned Reward Seeker，探究奖励作弊（reward-hacking）是否会让模型学会不择手段追求奖励。

Epoch AI 发布 FrontierMath Erdős 基准：用 Lean 验证的 68 道未解 Erdős 问题评测 AI 数学能力

Epoch AI 发布 FrontierMath Erdős 基准，由 erdosproblems.com 创建者 Thomas Bloom 挑选 68 道截至 2026 年 8 月仍未解决的、兼具重要性与难度的 Erdős 问题，用 Lean 形式化验证（50 题来自 Google Formal Conjectures 项目），代码开源，每题默认推理预算 $300。

LatentPress 论文提出用连续记忆 token 压缩上下文，超越文本与视觉表示

LatentPress 将对话历史和长文档压缩为连续记忆 token，由冻结解码器通过输入嵌入接口直接读取，推理时无需重建文本。

MaP-SQL：用可复用记忆替代微调的 Text-to-SQL listwise 选择方法

论文提出 MaP-SQL，一种免微调的 Text-to-SQL listwise 选择器，用从训练数据蒸馏出的结构化记忆作为评估候选 SQL 的显式标准，并通过聚合多输入排列的排序来缓解位置偏差。

Sparse Readout Prism 用稀疏 readout 特征解释 Logit Lens 分数

论文提出 Sparse Readout Prism（SRP），仅用 unembedding 权重分解 readout，把任意 token logit 或 logit 差表示为稀疏 readout 特征贡献之和。

AM-Bench 探究纯文本 LLM 的 2D 空间推理能力

论文提出 Autoregressive Mosaics（AM-Bench）基准，用翻译任务和布局任务分离纯文本 LLM 的空间描述转代码能力与真正的 2D 空间布局理解。

ZipTok3D：用紧凑 token 前缀实现高保真 3D tokenization

论文提出 ZipTok3D，一种可从极短 token 序列高保真重建 3D 物体的 3D tokenizer。

CRISP：面向长上下文 LLM 推理的输入自适应稀疏预填充方法

arXiv 论文提出 CRISP，一种输入自适应的稀疏预填充方法，用结构代理 C_struct 替代 JSD 路由，省去 pooled matmul 与 KL 散度开销，并针对 post-softmax 质量悬崖设计基于噪声底线的 sink-aware 阈值。

SimLoss：单次解码的细粒度图像描述方法

论文提出 SimLoss，一种免参考的嵌入空间训练目标，让视觉语言模型在解码前对齐隐藏状态与冻结图像嵌入，实现单次解码的细粒度图像描述，无需人工细粒度描述或多阶段伪描述。其中 SimLoss FFT 以可微方式微调，精度最高且推理比多阶段流程快约 20 倍，F1 接近多阶段方法；SimLoss GRPO 将嵌入模型作为黑盒奖励，召回率最强。

HarnessDev：评测 LLM 能否自主创建并迭代自己的 Agent Harness 基准

论文提出 HarnessDev 基准，将评测单位从任务输出转向可运行的执行基础设施，涵盖 Creation（从最小种子构建完整执行系统）和 Evolution（基于下游执行反馈迭代改进）两个阶段，覆盖 6 个创建模型、4 个领域和 5 个下游基准共 2,207 个独立实例。

Pixel Linguist II：像素文本表示学习的设计原则与新视觉编码器

论文提出像素文本表示学习的四项设计原则：可变分辨率与渲染字号、自然图文对做 grounding、布局感知渲染防止像素级捷径、两阶段多语言课程。基于此训练的 Pixel Linguist II 视觉编码器在英文、跨语言和多语言 Visual STS 及 ViDoRe 上取得 SOTA，并在 80% 视觉 token 压缩下保持鲁棒。

CoGR：用强化学习共同进化查询与物品两侧的生成式检索器

论文提出 CoGR 检索框架，训练 LLM 直接在查询侧和物品侧生成紧凑关键词集，经倒排索引直接匹配，兼容现有关键词检索基础设施。训练采用两阶段流程，先用监督微调对齐关键词空间，再用 GRPO 交替优化两侧生成器，双方共同优化同一 query-to-item 检索 F_1 目标。

ExecRetrieval 基准揭示代码嵌入检索在功能正确性上的差距

论文提出 ExecRetrieval 基准，包含 939 个 Python 任务，每个配一个执行验证的规范实现和最多四个单点变异生成的执行验证错误干扰项。

Kirin：从野外视频生成动物运动并自动绑定 3D 动画

论文提出 Kirin 框架，从野外动物视频重建 3D 运动序列，并构建 AiM3D，首个为四足动物提供对齐视频-文本-运动三元组的大规模数据集。基于该数据训练的模型可同时以文本和图像为条件生成跨物种的真实运动，并结合现成 image-to-3D 模型自动绑定 3D 网格，产出可直接渲染的动画动物。项目页：https://kirin-ani.github.io/。

论文提出端生授权洗白问题并发布 EAL-Bench 评测 Agent 记忆中的越权风险

论文提出「端生授权洗白」概念：持久记忆错误记录授权状态时，Agent 会在无外部攻击下执行未被允许的操作。作者发布 EAL-Bench，评测五个 LLM 作为记忆写入方、两个作为执行方，覆盖采购、网络安全和金融场景。

elvis@omarsar0AI 评分5555

一项针对 Claude Code 插件市场的实证研究分析了 1,926 个仓库、8,351 个插件、2,018 个市场和 77,773 次 commit，发现插件相关 commit 活动在上线后六个月增长 8.8 倍。

DAIR.AI@dair_aiAI 评分4848

Duke 等机构研究者在 arXiv 论文（arXiv:2608.27800）中提出 ContextLeak 攻击，通过恶意工具窃取 LLM Agent 的运行时上下文，包括用户提示词、执行轨迹和工具列表。

Rohan Paul@rohanpaul_aiAI 评分6161

一篇论文在固定 12 个模型和 3,679 个问题的前提下，只改变提示词格式、选项顺序、打分方式等常规评测设置，结果排名大幅波动。gemma4-31b 得分在 31% 到 89% 之间，12 个模型中有 4 个至少在一种有效设置下排到第一；相邻模型平均 95.7% 的差距来自评测设置改变时会翻转答案的题目，最大不稳定来源是打分方式，即生成答案还是选最高似然选项。

AK@_akhaliqAI 评分3131

AK 分享论文 LoopArena，主题为 Benchmarking Models as Runtime Controllers for Loop Engineering，论文链接 https://huggingface.co/papers/2608.28281。

elvis@omarsar0AI 评分4242

腾讯联合清华、上海 AI Lab 发布 ContextPilot 论文，训练智能体主动管理自身工作上下文，并在单次上下文编辑层面分配信用。方法在搜索、删除、摘要之外加入全局规划、长期记忆和自适应软压缩，让智能体可以卸载信息而非只能丢弃；训练上利用上下文与熵变化定位关键编辑决策，采样分支并从经过该编辑的分支轨迹估计动作级优势。

DAIR.AI@dair_aiAI 评分4646

AMAP 团队发布 LoopArena 基准（arXiv:2608.28281），评估模型作为 Controller 引导独立固定 Worker 编码智能体完成长任务的外层循环能力，而非编码智能体本身。

Rohan Paul@rohanpaul_aiAI 评分3939

论文《Teach the Magnitude, Not the Direction》提出 CREST 框架，为多轮多步 LLM 智能体做分层信用分配：每轮单独获得验证的信用，再由同一模型充当自教师，对轮内不确定决策加大学习权重，但教师只能调节更新幅度、不能推翻验证器的判断。

elvis@omarsar0AI 评分5050

Google 提出 SKILL.state，用显式可变执行状态替代追加式对话历史，解决长程智能体运行变慢和上下文污染问题。模型每步仅读取不可变技能规范、当前结构化状态和最新观察，中间推理在生成有效状态更新后即被丢弃，提示词不再随运行增长。在多个数据集、模型和执行环境中，任务准确率提升，累计 token 消耗下降，且该抽象与架构无关，可移植到现有技能运行时。

DAIR.AI@dair_aiAI 评分4848

Google 等机构提出 SKILL.state，用显式可变执行状态替代不断增长的对话历史，解决长程任务中智能体变慢和上下文污染问题。模型每步仅读取技能规范、当前状态和最新观测，中间推理在生成有效状态更新后即被丢弃。在多个数据集、模型和执行环境中，任务准确率提升，累计 token 消耗下降，且该抽象与架构无关，可移植到现有技能运行环境。

Rohan Paul@rohanpaul_aiAI 评分4444

论文提出“记忆增强压缩”（Memory-Augmented Compression）方法，将可复用推理从生成阶段转移到提示词中，无需训练即可降低思维链成本。该方法将已解示例蒸馏为可复用推理记忆，按查询检索并注入，使部分计算从自回归解码转移到更并行的预填充阶段。

Runway@runwaymlAI 评分4848

今天，我们分享了关于 Solaris 的新研究，这是我们首个界面世界模型（Interface World Model）。 Solaris 是一种新型操作系统，能够实时逐帧生成交互式界面，无需任何代码。我们发现，在生成新界面时，Solaris 在结构相似性和信息保留方面均优于前沿大语言模型。点击下方链接了解更多信息并申请早期访问权限。

NVIDIA 与 CrowdStrike 用 Nemotron 构建自适应攻防智能体网络安全系统

NVIDIA 与 CrowdStrike 在隔离环境中评测了一套由 Nemotron 驱动的红蓝智能体攻防闭环系统：Nemotron 3 Ultra 负责防御编排，微调后的 Nemotron 3 Super 生成检测规则。

微软研究院发布 Skala 1.1，并推进其在 CP2K、Psi4 等 DFT 软件中的集成

微软研究院发布深度学习交换关联泛函 Skala 1.1，训练数据量为此前公开版本的 2.5 倍，在 GMTKN55 的 55 个类别中拿下 32 项第一，加权平均误差 2.8 kcal/mol。Skala 现已在 CP2K 中可用，并正在集成进 Psi4、FHI-aims、ORCA 和 VASP。微软研究院同时推出一个持续更新的基准，用于追踪后续 Skala 版本的计算性能。

微软发布 MindTopo 基准，揭示多模态模型拓扑推理短板

Microsoft Research 推出 MindTopo 基准，用于评估多模态大语言模型的拓扑推理能力，覆盖连通性、分离、顺序、包围与打结五类任务，并区分静态识别与交互规划两个认知层级。测试显示，当前专有与开源模型在静态推理上明显强于交互规划，且两者均远低于人类水平；失败多出现在规划阶段而非感知阶段，模型在场景变化后难以维持结构关系。图像与视频生成仅在单帧关系可见时偶有帮助，跨序列仍不可靠。

从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon

Berkeley AI Research 与 IBM Research 将进化式内核搜索框架 K-Search 扩展到 MLX 后端，通过结构化的 CUDA 到 MLX 翻译层，把已有 CUDA 内核作为知识库迁移到 Apple Silicon。

Berkeley AI Research 提出 ABBEL：用信念状态监督 LLM 长程交互中的上下文摘要

Berkeley AI Research 提出 ABBEL 框架，将 LLM 的递归摘要形式化为自然语言「信念状态」，并通过信念评分（belief grading）监督其信息内容。

Google DeepMind 发布 AI Control Roadmap，用系统级安全约束 AI 智能体

Google DeepMind 发布 AI Control Roadmap，一套用于在 Google 内部部署和管理高级 AI 的框架，在模型对齐之外增加系统级安全层，即使对齐不完美也能提供保障。

Google Co-Scientist 加速肝病机制发现，提出 MASH 组合疗法新假说

爱丁堡大学生物工程师 Filippo Menolascina 用 Google Co-Scientist 梳理 MASH 肝病文献并生成新假说，系统提出 NLRP3 炎症小体是连接炎症与代谢的关键分子桥梁，该假说随后经实验验证。