VTR-Bench：视频生成中视觉文本渲染能力的系统评测基准

VTR-Bench 提出一套系统评测基准，专门评估视频生成模型的视觉文本渲染能力，包含 300 个覆盖广告、科学视频等五类场景的提示词，并开发了与人工对齐的自动化评测流程。

OneStreamer：统一流式视频交互中的感知、记忆与主动响应

OneStreamer提出通过共享的主动生成过程，联合学习查询无关的证据记录与任务响应，其主动分层字幕记忆（PHCM）生成带时间锚定的局部细节字幕与已完成事件摘要，在不回溯历史视觉特征的情况下提供可复用的事实上下文。

更少 token、更高成功率：GPT-6 Astra 机器人智能体以 65% 更少 token 实现 14% 成功率提升

研究团队提出交互式代码执行框架 PyRUA-Lean，将反馈驱动的基元组合与选择性观察相结合，减少视觉语言模型（VLM）智能体控制机器人时的 token 开销。

视频大模型时序推理为何在输出层“褪色”：TAI 方法无需训练即可增强时序表征

视频大语言模型（VideoLLMs）的时序推理能力在中间层达到峰值，却随层数加深逐渐衰减至输出层，导致反转帧序后预测结果往往不变。研究者据此提出 Temporal Activation Injection（TAI），在峰值层提取时序表征并注入后续层，无需训练即可在三个 VideoLLM 和四个基准上稳定提升时序推理，且对非时序任务影响极小。该研究已被 NeurIPS 2026 接收。

Rohan Paul@rohanpaul_aiAI 评分4747

ScienceBuddy 将用户对 AI 智能体的修正转化为评分测试任务，交替重写提示词与技能、重训模型。在生物学任务上，仅提示词与技能调整使 4B 模型准确率从 31.1% 升至 51.1%；重训将 4 次内解决问题比例从 48.3% 提至 67.8%。两者结合将科学智能体准确率从 42.2% 提升至 73.3%。

AgSpec：突破检索式推测解码在编码智能体流水线中的极限

AgSpec 框架为编码智能体流水线补齐检索式推测解码缺失的语料库与草稿长度策略，从会话、工作区和全局语料检索，并按智能体离线画像设定草稿长度上限、在线自适应调整。在两个仓库级多智能体编码基准上，AgSpec 在多数设置下优于五种检索式草稿器及 EAGLE-3，批大小 1 和 16 时生成吞吐量较自回归解码分别提升最高 4.37 倍和 4.76 倍。

Omni-Embed-Mini：通过密集蒸馏绑定多模态而不遗忘文本

Omni-Embed-Mini 以 0.9B 参数将文本、语音、音频、图像、视频和富文本文档映射到统一余弦空间，且不更新任何文本侧参数。其核心思路是无需独立嵌入模型作为教师，直接以冻结骨干网络对密集级联标题的嵌入作为目标，配合 Matryoshka SigLIP 对比损失与在线混合难负例挖掘器完成对齐。

elvis@omarsar0AI 评分4545

一篇关于智能体强化学习信用分配的论文提出 ProVer 方法：由 LLM 裁判对比成功与失败轨迹并定位关键片段，再采样该片段前后的续接，以成功率变化作为该步优势。相比 GRPO，ProVer 在 ALFWorld、WebShop 和 SearchQA 上对 Qwen3.5-2B 相对提升 9.91%，对 Qwen3.5-4B 提升 7.12%，且裁判模型更小时依然有效。

KaliBench：面向 Kali Linux 网络安全工具调用的细粒度基准，支持免运行时可验证奖励

KaliBench 是一个面向 Kali Linux 上自然语言到 CLI 命令转换的细粒度基准与数据集，包含 8,504 对查询-命令，覆盖 1,642 个工具、23 个能力维度和 5 个安全阶段。

InterEvolve：人形机器人移动操作中奖励程序的测试时进化

InterEvolve 提出一种测试时进化方法，让人形机器人控制器无需重新训练即可通过重编程现有技能解决新任务。它用 LLM 智能体在上下文中修订奖励程序结构，并由数值优化器调整常数，在并行仿真中验证候选程序。实验表明，InterEvolve 进化出的程序释放了 FB 模型未被充分利用的移动操作能力，进化技能可在物理 Unitree G1 上自主运行。

SILSA：用滑动窗口切片隐变量实现拓扑保持的高分辨率 3D 生成

SILSA 是一个拓扑感知的 3D 生成框架，用沿三个坐标轴的固定重叠切片隐变量替代昂贵的体素 token，实现单阶段 rectified-flow 生成。它通过 Slice VAE 与 Volumetric Anchor Lattice 协调多轴切片流，并引入切片级拓扑监督对齐 Betti 转变。

World Observer：面向持久世界建模的 actor-observer 联合生成

World Observer 通过联合生成一个 actor 视角与一个或多个全景 observer，让离开 actor 视野的物体在 observer 中持续演化，从而在重新进入视野时保留其状态与动态。

InFlowOp：无标签的流内多智能体工作流优化方法

研究者提出 InFlowOp，用一套无标签成本为多智能体工作流的每个决策定价，在任务分解粒度与智能体分配上双向求解，并在执行中按同一成本以最低代价修正故障。同时发布 Braid 基准，其任务需多智能体协作才能完成。在多个领域与骨干模型上，InFlowOp 较单智能体基线最高提升 +11.97%，流内优化带来 +9.64%。

Argo-Bench：评估数据智能体在企业级工作流中的表现

Argo-Bench 是一个包含 210 个数据科学与分析任务的评估框架，模拟纽约市外卖平台，导出为 235 张表、75 亿行的 ERP 仓库，智能体需先重建事实再执行封禁欺诈账号、分配骑手激励预算等操作，评分依据模拟器中的后果。14 个前沿与开源模型中最强者在仅 34.8% 的任务上得分达 95 以上，平均 59.5 分。

ROWBench：视频模型能否渲染出程序所指定的内容？

PROWBench 是一个评估视频模型对程序指定世界事件还原保真度的基准，包含 170 个程序化构建的片段和 600 段代理视频，记录实体状态与带时间戳事件（含镜头视野外事件）作为可重放世界记录。

ActiveSaddler：面向 Agent Harness 优化的自动化课程学习

ActiveSaddler 将 Agent harness 优化中"用哪些训练场景产生反馈"这一被忽视的维度建模为非平稳 bandit 的自动化课程学习问题，把反复出现的失败抽象为可复用的失败模式臂，动态估计其学习潜力并平衡已知弱点与未知场景的探索。

PoS：用显式信念状态增强长时程 LLM 智能体

研究者提出推理时框架 PoS，为 LLM 智能体构建并持续维护显式信念状态作为决策上下文，每个信念结合当前世界状态估计与未解决的任务需求。PoS 通过一致性校验和任务进度监控检测“Belief Trapping”，并按陷阱模式与未满足需求类型进行恢复。在四个覆盖执行与诊断的基准上，PoS 在三种 LLM 主干下均取得最高整体表现，消融实验验证了一致性校验与恢复机制的作用。

RPTune：面向 LLM 商品目录搜索的学习式上下文整理

RPTune 是一个端到端框架，将学习式目录整理与 LLM 后训练结合，用自动生成的目录监督信号提升商品搜索。其编码器-重组器整理器依据下游 LLM 反馈对商品排序和剪枝，整理后的目录再通过上下文相对奖励改进后训练。在 7 个真实商家的评测中，上下文整理带来最高 31.4 个百分点的准确率提升，后训练平均再提升 10.3 个百分点。

OmniSeek：面向多轮音视频推理的原生工具集成框架

OmniSeek 是一个将 Omni-LLM 转变为具备原生工具调用能力的多轮推理智能体的框架，能动态决定看或听以及对应的时间窗口，将检索到的音视频片段回填上下文以支持后续推理。

后训练中的锐化税：预训练 LLM 配轻量推理框架即可胜任智能体任务

研究发现，预训练 LLM 搭配轻量推理框架即可作为智能体使用，其 pass@1 准确率虽远低于后训练版本，但在充足测试时预算下 pass@K 解题覆盖率常反超后训练模型。

4Director：用刚性 3D 几何控制视频世界模型

4Director 是一个以显式 4D 场景表示为条件的视频世界模型，将每个物体从输入图像重建为规范网格，并按每帧一个刚性变换驱动其运动。它把受控场景渲染为深度视频，再通过 Motion Adapter 合成视角一致的外观、光照与非刚性动态。团队构建了含 20,774 个片段的 RealCOD-Rigid 数据集，并提出 IG-IoU 指标，实验显示其在视觉质量与相机、物体控制上均优于此前方法。

AI 伦理研究：DeepSeek V4-Flash 对男女一视同仁，Claude Sonnet 4.6 与 GPT-5.5 却区别对待

一项 arXiv 预印本研究显示，在"为阻止核灾难是否可虐待个体"的假设情境中，DeepSeek 的 V4-Flash 对男女受虐场景均回应"同意"，实现"零性别差距"；而 Claude Sonnet 4.6 与 GPT-5.5 对女性受虐"强烈反对"、对男性受虐却"中等程度同意"。论文作者认为，这种差异可能源于训练数据中的社会刻板印象或对齐过程中对特定价值观的强化。

elvis@omarsar0AI 评分4848

AgentWorld 将 3 到 20 个不同角色的 LLM 智能体放入游戏沙盒，执行 50+ 轮的长程任务，智能体无法看到彼此内部状态，只能通过消息和共享计划协调。Gemini 3 Flash 任务成功率最高，为 52.0%；协调类任务最难，成功率仅 12%，常见失败包括沟通中断、角色混淆和共享计划丢失。论文显示，多智能体团队中不到三分之一的行动真正有助于完成任务。

通过扩展与蒸馏文本嵌入提升扩散语言模型的可扩散性

研究通过将嵌入模型从 T5 扩展到 T5Gemma-1 再到 T5Gemma-2，发现更强的嵌入模型能显著提升扩散语言模型的生成性能，但 T5Gemma-2 的嵌入过于判别性，导致连续扩散采样失败。

AutoGUIWorld：用图像生成器作为 GUI 智能体的视觉世界模型

AutoGUIWorld 是一个数据生成框架，结合图像生成器的视觉先验与规划器的任务知识，无需部署或运行软件环境即可合成 GUI 交互轨迹。它从操作系统上下文、视觉外观和界面状态的结构化规格中采样初始场景，生成 79,266 条覆盖 Ubuntu、Windows、macOS 和 Chrome 的空间标注步级训练样本。

FloWright：用工作流优化工作流，小模型性能提升最高 7.41%

针对多智能体工作流训练只优化生成器、其余智能体固定的问题，研究者提出 FloWright，通过分层、结构感知的奖励范式让一个角色自我进化、两个及以上角色协同进化，无需额外模型、标签或执行。

HC-DLM：分层连续扩散语言模型

研究者提出分层连续扩散语言模型（HC-DLM），将离散 token 生成与连续隐变量轨迹耦合在单一去噪过程中，训练目标由 token 似然的变分下界推导而来。该模型以隐变量作为唯一持久生成状态，每步从中读出 token 并反馈作为下一步隐变量更新的脚手架。在 Sudoku、Countdown 和 LM1B 上，同等模型规模下 HC-DLM 在谜题准确率和生成困惑度上均优于离散与连续扩散基线。

arXiv 论文提出 Context Language Models，让模型原生管理自身上下文

Rulin Shao 等人在 arXiv:2609.37725 提出 Context Language Models（CLMs），把上下文当作文件、由模型自由更新，从而原生管理自身上下文，并可自然扩展到多智能体共享文件式上下文。

AI 系统以 16 块 GPU 击败史上最强 Stratego 选手

来自 CMU、MIT、NYU 和 Stanford 的团队开发 AI 系统Ataraxos，以 15 胜 1 负 4 平击败公认史上最强 Stratego 选手 Pim Niemeijer，训练仅用 16 块 GPU 和几千美元。Stratego 是隐藏信息量大且时间跨度长的非完全信息游戏，此前连 DeepMind 也没能造出稳定战胜顶尖人类的机器。

elvis@omarsar0AI 评分5858

Meta 及合作机构发布 Context Language Models（CLMs）论文，把上下文作为文件让模型用 Bash 自由读写编辑，自行决定保留、重写或删除内容。

Ataraxos 击败 Stratego 史上最强人类选手，算力成本不到 DeepNash 的 1/500

Ataraxos AI 以 85% 的有效胜率击败四届世界冠军 Niemeijer，结束人类在 Stratego 上对 AI 的优势。

Apple 提出 RLTL;DR：通过内化自生成反馈实现自我提升

Apple 研究团队提出 RLTL;DR，让策略在每次失败后根据验证器输出自行撰写一条 TL;DR 式反馈，并将上下文中的洞察反向传播以内化“任务→洞察”映射。

Apple 与 EPFL 研究：强模型做自主 ML 工程时复杂 harness 不占优势

Apple 与 EPFL 研究者发表论文，比较开源 SOTA MLE agent harness 与最小 harness 的单会话 coding agent。在相同时间预算和同一前沿 LLM 骨干下，复杂 harness 并无优势，性能主要取决于模型骨干；大规模消融实验显示多层机制在 coding agent 场景中变得冗余。

AK@_akhaliqAI 评分2929

LongLive-Plug 面向视频生成的一次性通用蒸馏 paper: https://huggingface.co/papers/2609.38154

AK@_akhaliqAI 评分1818

Omni-IO Skills 让你的智能体全能原生 论文：https://huggingface.co/papers/2609.31847

AK@_akhaliqAI 评分2525

LEGO-Anything 面向 3D 场景重建的编码智能体 论文：https://huggingface.co/papers/2609.36380

dex@dexhorthyAI 评分4444

给基准测试爱好者们：一个很酷的新数据集，面向 SRE 类型的工作

Peter McCrory@PeterMcCroryAI 评分2727

如今机器人能完成哪些工作？这可能对未来数年的经济结构意味着什么？ @rclegateyang 和 Maxim Massenkoff 的新研究今日发布，探讨了这些问题。

微软研究院用机器学习预测电网空间天气风险，覆盖美国 66,935 座变电站

微软研究院实习生开发了一套端到端机器学习流水线，结合太阳风观测、AE 与 Dst 指数预报、地质电导率和电网数据，为美国本土 66,935 座变电站生成 30-60 分钟前的局地空间天气风险估计。

Google DeepMind 发表 SynthIDBio 研究，为 AI 设计的蛋白质添加水印

Google DeepMind 发表研究，提出 SynthIDBio 蛋白质水印技术，可在 ProteinMPNN 逐个选择氨基酸的过程中嵌入水印，且不影响蛋白功能，实验中水标记蛋白仍能结合目标。