针对多模态智能体长期记忆评估中视觉证据留存与使用不足的问题，本文提出MemEye评估框架。该框架从视觉证据粒度（场景级至像素级）与证据使用方式（单一至演化合成）两个维度构建评估体系，并建立了涵盖8个生活场景任务的新基准。通过对13种记忆方法与4种视觉语言模型的评估，研究发现现有架构在保留细粒度视觉细节及对状态变化进行时序推理方面仍存在困难。结果表明，有效的长期多模态记忆依赖于证据路由、时序跟踪与细节提取能力。

研究提出一种基于Transformer的模型，可将德国政治文本的意识形态投射到连续的左-右光谱上（-1到1）。为筛选最优基础模型，团队构建了四个语料库：联邦议院记录、Wahl-O-Mat内容、33家报纸文章及535,200条议员推文。在13个候选模型中，DeBERTa-large在领域内测试获得最高F1分数（0.844），在推文跨域测试中准确率达0.864；Gemma2-2B在报纸跨域测试中表现最优（平均绝对误差0.172）。研究表明，Transformer模型识别德国新闻政治框架的能力可达民意调查水平，且模型架构与领域训练数据的影响可与模型规模相当。

本文提出实时自回归视频外推网络RAVEN，通过将自生成内容重组为干净历史端点与噪声状态的交织序列，对齐训练与推理时的历史分布，从而提升长序列生成质量。同时，提出一致性模型组相对策略优化方法，将一致性采样步骤重构为条件高斯转移，并直接对其应用在线强化学习，避免了先前方法中的辅助过程。实验表明，RAVEN在多项评估指标上超越近期因果视频蒸馏基线，结合CM-GRPO可进一步获得性能提升。

Berryxia.AI@berryxia

69

Prime Intellect 近期在AI研究自动化领域取得重要进展。他们让Claude Code与Codex智能体完全自主运行于nanoGPT速度挑战的优化器赛道，利用闲置算力完成了近万次实验，消耗约1.4万H200小时。最终，Claude Code将记录提升至2930步，超越了2990步的人类基准。实验显示，智能体在系统整合社区主流优化方法、进行超参数扫描和策略组合方面效率极高，但在要求真正创新的“新颖性检查”环节未能突破基线。该项目将所有实验记录、日志和代码开源，使得AI自主研究从概念转化为可复现的现实。

Prime Intellect: Automating AI research is the next major step in AI We let Claude Code (Opus 4.7) and Codex (GPT 5.5) run autonomously o...

安全研究人员借助Anthropic的AI模型Claude Mythos，在苹果macOS 26.4.1系统中发现并构建了一条权限提升利用链。他们从一个普通本地账户出发，结合两个漏洞，最终获得了最高权限的root shell，并成功绕过了Apple Silicon设备上的内存完整性强制（MIE）硬件安全机制。整个研究过程耗时约5天，运行于启用MIE的Apple M5硬件上。研究人员已向苹果通报此发现，具体漏洞细节因仍在审查中而未公开。

该研究针对多无人机交通监控中因视野重叠导致车辆身份丢失、轨迹断裂的问题，提出一种实时多摄像头多车辆跟踪系统。为解决俯视图下基于外观的重识别方法存在的歧义性与计算成本问题，系统引入了轻量级的拓扑感知时空切换机制。其核心是基于队列的确定性匹配算法，利用几何重叠与虚拟车道离散化来管理身份移交。系统采用基于YOLO11与ByteTrack的高吞吐量并行管道处理并发的4K视频流。实验在复杂城市场景下验证，该系统在连续车流中实现了99.8%的切换成功率，显著优于74.1%的基于外观的重识别基线方法。

为解决将自然语言设计规则转换为可执行DRC脚本过程中成本高、专业门槛高的问题，研究团队提出了Rule2DRC大规模基准测试集。该基准包含1,000个规则到脚本的映射任务及13,921个用于执行评分的芯片布局，并提供基于DRC执行结果的功能正确性评估流程，无需将评估布局作为智能体输入。同时，研究设计了SplitTester测试智能体，它利用执行反馈生成有区分性的测试用例，有效分离先前难以区分的候选脚本，显著提升了该领域中Best-of-N选择策略的性能，为相关研究与开发提供了重要工具。

本文从理论上证明了旋转位置编码在长上下文Transformer模型中的根本缺陷。研究发现，随着上下文长度增加，RoPE的注意力机制会变得不可预测并丧失两大核心特性：局部性偏置和标记相关性一致性，其失效概率趋近0.5，等同于随机。实验进一步证实，当键被移动或替换时，注意力得分可能保持不变，表明其无法有效区分位置与标记。虽然增大RoPE基础参数有助于区分标记，但不可避免地会牺牲位置区分能力，且多层多头架构无法克服这些内在限制。这表明未来可能需要全新的位置编码机制。

本文针对成对排序提示（PRP）框架中LLM生成成对偏好判断时存在的噪声、顺序敏感性和不可传递性问题，指出传统排序算法在这些条件下性能受限。作者将PRP重排问题重构为从噪声成对比较中主动学习的过程，提出主动排序器作为即插即用的替代方案，在调用次数受限场景下显著提升NDCG@10指标。此外，引入随机方向预言机机制，每次比较仅需一次LLM调用，将系统位置偏差转化为零均值噪声，实现无偏聚合排序并降低计算成本。

现有无训练长视频生成方法因历史KV状态功能纠缠，在处理提示切换、场景遗忘与召回等交互式场景时存在瓶颈。为此，本文提出Echo-Forcing框架，包含三个核心机制：分层时间记忆、场景回放帧与差异感知记忆衰减，分别用于解耦和管理历史信息、压缩长期场景、以及自适应遗忘冲突内容。该框架能在有限缓存预算下，支持视频的平滑过渡、硬切与长程召回。在VBench-Long上的评估表明，Echo-Forcing在长视频与交互式视频生成任务中均取得了最佳整体性能。

针对现有过程奖励模型（PRM）仅输出单一奖励分数、无法指示预测可靠性的缺陷，本文提出BetaPRM模型。该模型利用蒙特卡洛继续推演提供的监督信号，通过Beta-二项似然学习Beta信念分布，同时预测每个推理步骤的成功概率及其可靠性。基于这一可靠性信号，进一步引入自适应计算分配策略（ACA）用于PRM引导的最佳N选一推理。ACA能在奖励高且可靠时停止，并在预测不确定的候选方案上投入更多计算资源。实验表明，BetaPRM提升了PRM引导的选择性能；而ACA策略相比固定预算的最佳16选1方案，在提高最终答案准确率的同时，将token使用量最高减少了33.57%。

为解决强化学习应用于代理式大语言模型时成本高、扩展难的问题，我们提出AstraFlow。该系统采用数据流导向的组件化架构，替代了传统以训练器为中心的控制模式，将服务、数据流与训练解耦为自治组件。这使系统能原生支持多策略协同训练，并高效利用弹性、异构的跨区域计算资源。在数学、编程、搜索等多类任务评估中，AstraFlow无需修改系统代码即可运行复杂工作负载。实验表明，在多策略协同训练下，它相比现有框架能达到相当或更好的任务准确率，并将训练速度提升2.7倍。

VideoSeeker是一种新范式，旨在解决大型视觉语言模型在视频实例级时空定位上精度不足、依赖文本提示且感知与推理割裂的问题。该范式通过视觉提示和代理推理，使模型能按需主动感知并检索相关视频片段。研究构建了四阶段全自动数据合成流水线以生成高质量数据，并通过冷启动监督和强化学习内化工具调用与主动感知能力。实验显示，模型在实例级视频理解任务上平均性能提升13.7%，超越GPT-4o等闭源模型，且在通用视频基准上展现可迁移性，相关数据集与代码将开源。

χ-Bench是一个针对医疗运营自动化的基准测试，评估AI智能体在策略密度、多角色协作和多边交互三项关键能力上的表现。测试涵盖授权、用率管理和护理管理三大领域，要求智能体在模拟20个医疗应用、提供87个工具接口的高保真环境中，依据超过1290份文档的操作手册完成任务。结果显示，在30种配置中，最佳智能体仅解决28%的任务，严格标准下成功率不足20%，且全量任务性能骤降至3.8%。这表明AI在处理复杂、不可逆的企业级应用时仍面临显著挑战。

针对多模态大语言模型在多人视频中难以识别交互关系的问题，研究团队提出了GRASP数据集。该数据集包含29万个问答对，源自4.6万个视频共749小时，建立了涵盖注视、指示性手势及其组合推理的16类分类体系。同时发布配套评估基准GRASP-Bench，并提出社会情境奖励学习信号，利用这些细粒度事件引导模型推理交互参与者。实验表明，该方法提升了GRASP-Bench性能，并保持了在相关视频问答基准上的零样本能力。

本研究对8个开源模型系列的27个检查点进行了统一的激活值动态范围测量。研究发现：在相近参数规模下，全局最大激活值跨幅近四个数量级，其中混合专家模型峰值较稠密模型低14.0-23.4倍，且全局最大值多出现在残差流中。激活值大小并非简单的规模缩放产物，而是由模型系列、架构和训练阶段共同决定。研究建议在模型部署前应测量并公开该特性。代码已开源。

针对CLIP在微调时易因分布偏移而鲁棒性下降的问题，本文提出SAE-FT方法。该方法仅作用于视觉表征，利用稀疏自编码器识别预训练模型中的语义特征，并在微调中约束这些特征的变化，从而在防止灾难性遗忘的同时提升可解释性。实验表明，SAE-FT计算高效且透明，在ImageNet及相关分布偏移基准上达到或超越现有最优性能，代码已公开。

现有少步图像生成方法（如一致性流和均值流）虽减少采样步数，但训练不稳定且可扩展性有限。Sphere Encoder虽能快速生成高质量图像，但推理时需在像素与潜在空间反复转换，并在同一架构内联合优化重建与生成目标，导致效率低下和目标冲突。为此，提出一种解耦框架：使用固定预训练图像编码器，并训练一个完全在球面潜在空间中运行的独立去噪模型。该方法消除反复像素操作，提升效率，允许任务独立优化。实验在Animal-Faces、Oxford-Flowers和ImageNet-1K上显示，生成质量和速度均优于Sphere Encoder，并与强少步及多步基线方法性能相当。

针对现有3D数据集存在的视图冗余与标注不一致等问题，本研究提出了COVER视角筛选方法。该方法无需训练，通过将多视角观测投影至等距柱状投影探针，以增量式覆盖评分与深度冲突惩罚，筛选出低冗余的稀疏视角。基于此方法，研究构建了CM-EVS数据集，包含来自1,275个室内场景的36,373帧精选全景帧，每帧提供全视角RGB、度量级深度及校准位姿。该数据集室内部分仅用中位25帧/场景即覆盖所有13种统一房间类型，实现了紧凑而完整的场景覆盖。实验表明，COVER方法优化了覆盖与冲突的权衡，使CM-EVS成为一个稀疏、紧凑、可审计的资源，适用于几何一致的全景3D学习。

本文提出了DexJoCo，一个基于MuJoCo的面向任务的灵巧操作基准与工具包。它包含11项功能导向的任务，用于系统评估工具使用、双手协调、长程执行和推理能力。研究配套开发了低成本数据采集系统，收集了总计1.1K条任务轨迹，并支持领域随机化以检验模型鲁棒性。团队在多种设置下对现代模型进行了基准测试，包括视觉与动力学随机化、多任务训练和动作头适配。大量的实证分析揭示了当前灵巧操作策略的重要发现与普遍局限，为未来灵巧手机器人学习指明了关键挑战。项目页面已公开。

本文提出FashionChameleon，一个用于自回归视频生成的实时交互式人体-服装定制框架。它仅需单服装视频数据训练，通过三项核心技术实现：采用上下文学习的教师模型，在参考与服装图像不匹配时隐式保持运动连贯性；通过流式蒸馏与上下文学习提升生成一致性与效率；引入无需训练的KV缓存重调度机制，支持生成中多服装交互切换。该系统在单GPU上实现23.8 FPS的实时生成，速度比现有基线快30-180倍，并支持交互式定制与长视频一致性外推。

DepthVLM框架通过为大型语言模型主干附加轻量级深度头，并采用统一视觉-文本监督范式与两阶段训练策略，将单一视觉语言模型转化为原生稠密几何预测器。该模型能在单次前向传播中生成全分辨率深度图与语言输出，推理效率更高。实验表明，其性能显著超越现有视觉语言模型和领先的纯视觉模型，并提升了复杂三维空间推理能力。所有代码与模型检查点将公开。

研究指出，基于大语言模型的智能体常因过早利用先验知识而在陌生环境中失败，根源在于缺乏自主探索能力。为此，团队提出了可验证的度量标准“探索检查点覆盖率”，以量化智能体对环境关键要素的发现广度。评估发现，传统任务导向强化学习训练的智能体行为模式狭窄且重复。为解决此问题，研究提出一种交替进行任务执行与探索的训练策略，并设计了相应的可验证奖励。基于此，团队进一步提出“先探索后执行”范式，将信息收集与任务解决解耦。实验结果表明，系统性的探索学习对于构建可泛化、适应现实世界的智能体至关重要。

Flash-GRPO是一种用于视频扩散模型与人类偏好对齐的单步训练框架，解决了现有方法计算成本高和训练不稳定的问题。该方法通过等时分组确保提示词层面的时间一致性，并利用时间梯度校正平衡不同时间步的梯度规模，从而优化策略性能。实验在1.3B至14B参数规模的模型上进行验证，结果显示Flash-GRPO在低计算预算下不仅实现了显著的训练加速，其对齐质量甚至优于全轨迹训练，同时保持了稳定的训练过程和业界领先的对齐性能。

研究提出由LLM智能体自主设计基础模型的双框架。AIRA-Compose通过11个智能体在24小时内探索计算基元，评估百万参数候选架构并外推至更大规模，最终生成AIRAformer和AIRAhybrid两个系列共14个架构。在10亿参数预训练中，这些模型性能持续超越Llama 3.2等基线；下游任务准确率最高提升3.8%，扩展效率最高提升71%。AIRA-Design部署20个智能体编写新型注意力机制与训练脚本，其在长程依赖任务上的表现接近人类最优水平。这表明AI智能体已能自主发现匹配或超越人工设计的架构与优化算法。

针对Marble等生成式系统创建的3D世界存在静态、不可编辑且交互性有限的问题，本文提出WorldAct框架。该框架利用多模态智能体引导场景分解，识别可操作对象，并重建几何对齐的物体级网格以支持交互，同时通过3D修复技术还原背景环境。转化后的场景在保持全局连贯性的前提下，支持物体级编辑、碰撞感知操控以及具身任务执行。实验证明，WorldAct能比原始生成场景实现更丰富的交互，为构建可编辑、可交互的3D世界模型提供了可行方案。

Rohan Paul@rohanpaul_ai

79

Anthropic发布报告分析中美AI竞争。报告认为，若美国及其盟友能持续限制中国获取先进算力与模型输出，可能在2028年前锁定12-24个月的前沿AI领先优势。中国目前并未大幅落后，其正通过漏洞利用、芯片走私及模型蒸馏等方式紧追。报告将算力视为核心瓶颈，指出华为2026年算力或仅为英伟达的4%。报告警告，若中国取得领先，可能强化自动化压制、网络作战和军事AI部署能力，并借助廉价全球AI基础设施扩大影响力。未来前沿模型或成为“数据中心里的天才国度”，为各领域提供超级智力。

Anthropic: We've published a paper that explains our views on AI competition between the US and China. The US and democratic allies...

研究者提出FlowCompile，一个从编译视角优化结构化大语言模型工作流的编译器。它在部署前全局探索工作流设计空间，通过将工作流分解为子智能体、分析其在不同配置下的性能，并利用结构感知代理组合这些结果，以估算工作流级的精度与延迟。该方法一次性生成一组覆盖不同精度-延迟权衡的可复用工作流配置，无需重新训练或在线调整。实验表明，FlowCompile在多种工作流和基准测试中均优于启发式优化与基于路由的基线方法，最高可实现6.4倍加速，其编译产出支持根据运行时偏好灵活部署及下游选择。

elvis@omarsar0

60

一篇立场论文认为，实现通用人工智能（AGI）最可预见的途径是智能体AI系统，而非单纯扩大基础模型规模。作者将“智能体”能力形式化为超越基础模型的几个可分离维度：记忆、推理、工具使用、自我改进和对齐。每个维度都存在自身瓶颈，如长程连贯性、信用分配和安全审计。这些瓶颈无法仅通过增加一个数量级的预训练计算来解决。论文回应了关于AGI路径的争论，即究竟是单一大型模型还是多智能体系统更有效。

研究团队发布了IndicMedDialog平行多轮医疗对话数据集，涵盖英语及九种印度语言。该数据集基于MDDial扩展，利用大语言模型生成合成咨询对话，经翻译、母语者验证及脚本感知后处理流程修正错误。基于此，团队对量化小模型进行参数高效微调，得到IndicMedLM模型，可结合患者预上下文实现个性化症状询问。评估表明，该模型优于零样本多语言基线，系统错误分析和医学专家评估均验证了其临床合理性。