arXiv 论文揭示提示身份标签会导致多智能体 LLM 系统合作退化

arXiv 论文（arXiv:2609.35928）发现，多智能体 LLM 系统中当各智能体知晓彼此的模型家族时，群体会按标签分裂为派系，即任务本身并不奖励的 factionalism 现象。

Apple 研究提出 LIPPAX 算法，改进联邦变分不等式的收敛速率

Apple 研究团队针对联邦随机变分不等式（VI）优化，证明经典 Local Extra SGD 在更精细分析下可获得更紧的收敛保证，并指出其存在客户端漂移过大的固有缺陷。

NavHarness：面向终身具身导航的训练无关框架

NavHarness 是一个面向终身具身导航的训练无关框架，将记忆处理纳入导航循环，通过多轮智能体会话调用地图、任务记录与房屋知识并对照观测修正。

RegLLM：面向受监管智能体 AI 有限自主性的诊断测试框架

研究者提出 RegLLM 诊断框架，用于评估受监管智能体工作流中的有限自主性，监测引用有效性、来源依据、schema 合规、升级正确性、宪法对齐和不安全动作率六项可信度信号。

FAR：面向世界模型的自适应多线索情景记忆召回框架

研究者提出 Future-Aware Recall（FAR），一个从未来感知预测监督中学习情景记忆召回的框架，通过负扩散预测损失近似条件对数似然来衡量记忆的预测效用，并训练一个推理时对未来盲的检索器。该检索器能学习各线索的相关性，自动决定每个查询该信任时间、姿态、视觉、音频中的哪些线索。在三种互补设置下，FAR 即使使用相同检索线索也优于手工设计的召回方法。

Sakana AI 与东京大学提出 SAIL：用测试时扩展提升 VLM 机器人轨迹生成可靠性

Sakana AI 与东京大学合作提出 SAIL（Scaling In-Context Imitation Learning），通过测试时扩展让 VLM 更可靠地生成机器人轨迹，该工作将在 IROS2026 展示。

DataMagic：通过声明式多智能体编排创作数据视频

DataMagic 提出一种从原始表格数据自动生成数据视频的声明式多智能体编排方法。其 DVSpec 规范统一图表、旁白与动画并保证数据溯源，配合“先生成后编排”策略优化叙事连贯性。在 109 个真实样本上，DataMagic 将质量分数从 GPT-5 的 2.13/5 提升至 3.89（+83%），执行成功率超 95%，并将创作耗时降低 79.7%。

AK@_akhaliqAI 评分2222

ProgramDistill 从交互式 Web 应用，到可验证、参考引导的 SWE 任务 论文：https://huggingface.co/papers/2609.18805

当用户改变主意：LLM 智能体意图漂移的测量与修复

研究提出 IntentFlux 基准，将可验证任务转为带受控意图变更的多轮对话，在 627 个案例的校准中，随着对话包含更多被取代和撤回的信息，平均任务得分从 0.476 降至 0.384。

BiasReducer：面向奖励模型的自适应偏见缓解框架

BiasReducer 通过只编辑奖励模型的线性奖励头，自动识别并削弱模型对长度、自信度等表层属性的依赖，无需重新训练。在五个奖励模型上，BiasReducer-M 将三项基准平均提升 8.3、18.0 和 6.9 个百分点，优于两个基于训练的基线。该增益可迁移至下游，减少冗余冗长与谄媚，同时保持相当的评判质量。

LANTERN：从语言模型内部表征中挖掘隐藏数学知识

LANTERN 通过预训练模型激活上的分类器对候选关系排序，结合分阶段过滤、假设生成、可执行验证与分析检查，在 OEIS 的 10,000 个高频序列中排名 5000 万对，产出 62 条此前无交叉引用的已验证关系。

CUA-SWE：当 Computer-Use Agent 遇上可视化软件工程

研究者推出 CUA-SWE，一个面向"计算机使用+软件工程"的 benchmark、环境与评测流水线，覆盖四个软件工程领域，要求智能体在同一任务内改代码与配置、执行命令、操作运行中的软件并查看视觉反馈。每个任务配有确定性的专属测试，用于验证软件是否满足需求并保持既定行为。该工作评测前沿智能体如何结合源码级执行与应用截图、图形交互，产出经过验证的软件改动。

Anthropic@AnthropicAI精选AI 评分6565

Anthropic 发文称，Claude 在收到单个九圈问题提示词后，在 Claude Science 中基本无人监督地运行数天，用 Dixon 等人的方法完成求解，总成本几千美元，突破了此前八圈的纪录（平面 N=4 超杨-米尔斯简化模型）。物理学家 Lance Dixon 独立验证了结果，von Hippel 为该博客撰写了经历回顾。

DMM：通过迭代意图去噪实现多智能体路径规划的联合动作优化

DMM（Decentralized Master-Mind）提出用离散的迭代意图精炼替代一次性动作采样，解决多智能体路径规划中局部有效动作重组为不兼容联合动作的问题。该方法受扩散模型去噪启发，通过通信轮次耦合智能体选择，并用模仿学习预训练、MICPO 强化学习优化。在 1,600 个 MovingAI 任务上，DMM 经 MICPO 微调后解决 1,598 个，覆盖率最高，且可扩展至超百万智能体。

RWTD：用奖励加权传输蒸馏对齐一步生成模型

研究提出奖励加权传输蒸馏（RWTD），一种仅需生成样本和标量奖励评估的一步生成模型后训练方法，通过混合当前与参考分布的自适应目标，经特征空间最优传输与不动点回归实现。该方法将一步 SANA Sprint 1.6B 的 GenEval 分数从 0.73 提升至 0.80，偏好对齐实验显示其具备跨奖励泛化能力，能兼顾改进与组合能力保留。

Peter McCrory@PeterMcCroryAI 评分3434

新研究：Project Swap 为了观察智能体被投放到市场中时哪些行得通、哪些会出问题，我们用 Claude 搭建了一个小型以物易物经济。 它让我们提前一窥未来经济——以及要让智能体运行的市场变得高效、安全且公平，还需克服哪些挑战。

Google 发布 AI 视频联合导演研究，多智能体框架实现分钟级连贯长视频生成

Google Research 发布 AI video co-director 研究，基于 Gemini 和 Veo 构建统一多智能体框架，包含 Co-Director（COLM 2026）、CANVAS（EMNLP 2026）、A²RD 和 VQQA 四个框架，将长视频生成转化为全局优化与世界状态跟踪问题，自动完成多模型提示、镜头衔接和闭环视觉精修。

Tencent Hy@TencentHunyuanAI 评分3535

腾讯混元新研究将经典临界批次规模理论扩展到在线 LLM 强化学习，发现通过重新调整学习率，可在一定批次规模范围内保持每响应学习效果。在固定硬件上，扩大批次规模使 PPO 生成阶段吞吐量最高提升 2.29×，最佳 GRPO 配置以少 29% 的时间达到相同验证目标。

Apple 用潜空间蒸馏压缩流式神经音频编码器，2.8 倍压缩下 WER 仅升 1.9%

Apple 研究团队提出潜空间蒸馏方法压缩流式神经音频编码器（tokenizer），以教师模型量化前的逐帧潜表示为监督目标，仅训练学生编码器做回归，并用单层仿射层吸收师生宽度差异。在 2.8 倍压缩下，六组师生配对中有五组无需微调即保持在教师 1.9% 相对 WER 以内，并比同容量独立训练编码器相对提升 3.9%。该方法同时适用于独立预训练和与语言模型联合训练的 tokenizer。

Apple 提出半监督联邦 ASR 实用方案：在线伪标签配合服务端更新稳定化

Apple 研究团队提出半监督联邦 ASR 训练方案，通过在线伪标签教师与服务端标注数据锚定更新两条耦合设计轴，解决伪标签误差跨序列、跨轮次累积导致的训练发散问题。该方案在 11 组对比中 9 组优于此前最强方法，域内平均提升 20.8%、跨域提升 10.0%，缩小了与全监督联邦学习的差距。

Anthropic@AnthropicAIAI 评分6363

Anthropic 宣布 Claude 在噬菌体 DNA 中发现一个此前未知的酶系统，其基因旁有一段类似 CRISPR 的重复 DNA 阵列。已知少数共享其特征的系统都能切割、复制和粘贴 DNA，但该系统的功能及能否用于医学尚需进一步研究。详情见 https://www.anthropic.com/news/claude-discovers-novel-enzyme-system

Microsoft Research@MSFTResearchAI 评分3131

机器人正变得越来越智能，但它们的硬件如何跟上这种发展？微软研究院的新发现表明，将 AI 推理移出机器人本体，可以提升任务成功率、提高效率，并支持更先进的物理 AI 工作负载。https://msft.it/6014agepg

Anthropic Project Swap 实验：Claude 智能体在交易市场代用户换书的表现

Anthropic 让 201 名员工的 Claude 智能体在六个办公室的去中心化交易楼层代用户交换书籍。5 分钟 intake 对话后，Claude 对书对的排序与本人一致率达 61%，市场效率 0.55（最优 0.89），其中 85% 的差距来自偏好表征不准而非谈判；重跑显示模型选择比指令更影响谈判结果，Opus 楼层效率 0.88 高于 Haiku 的 0.75。

Apple 提出 probe guidance：用冻结内部状态引导流匹配模型

Apple 研究团队提出 probe guidance，利用现有扩散模型冻结的内部状态构建引导信号，无需在推理时增加额外前向计算。该方法在连续扩散语言模型的无条件生成上刷新 SOTA，应用于 1.7B 扩散语言模型时持续提升多项选择题基准表现。研究还发现，autoguidance 中的弱模型必须来自训练的低熵区域。

Perplexity@perplexity_aiAI 评分3939

新研究：我们通过提示引导的自蒸馏，对一个 Computer 模型进行后训练，让它从自身错误中学习。 在一次线上 A/B 测试中，较晚训练的 checkpoint 相比早期 checkpoint 将工具调用失败率降低了 21.2%。

Anthropic：Claude 发现类似 CRISPR 的新型酶系统 ART

Anthropic 成立生命科学研究组和实验室，宣布 Claude 智能体在约 950 个智能体、21 小时、2.1 亿 token 的搜索后，自主发现一种与 DNA 重复序列相关的新型酶系统，命名为 array-associated reverse transcriptases（ART）。

Microsoft Research@MSFTResearchAI 评分3434

定制分子正在推动医学、材料和农业的进步，但生产这些分子既缓慢又昂贵。一篇新的 Nature 论文重点介绍了 RetroChimera，这是一个预测模型，有助于加速化学合成，帮助研究人员探索广泛的分子。: https://msft.it/6012a5Ogy

微软开源逆合成模型 RetroChimera，成果登上 Nature

微软研究院在 Nature 发表逆合成预测模型 RetroChimera，并开源其实现与权重。该模型融合 Transformer 模型 R-SMILES 2 与基于 GNN 的 NeuralLoc，通过学习式集成对两者预测重排序，在盲测中化学家更偏好其单步反应预测。

Google Research 推出 MilleMiglia：面向中段物流的真实实例生成器

Google Research 发布 MilleMiglia，一个用 C++ 编写的实例生成器，用于为中段物流配送问题生成真实且保护隐私的基准数据，源码与文档已在 GitHub 公开。

MiniMax (official)@MiniMax_AIAI 评分3434

Nunchux AI 与 MIT、CMU、UC Berkeley、斯坦福及 NVIDIA 研究者合作推出 VC-Attention，为 MiniMax-H3 带来免训练低比特注意力加速，在 B200 上比 FlashAttention-4 快 1.6×、B300 上快 1.5×，保真度优于 SageAttention2。

Anthropic：Claude 四周内将 30 多个开源生物分子模型平均加速约 4 倍并开源代码

Anthropic 发布研究结果，Claude 在近四周内优化 30 多个开源生物分子模型（覆盖结构预测、蛋白质设计、基因组学等），平均加速约 4 倍，在输出完全一致时约 2 倍，并开源全部优化代码。

Google Research 提出 Retrieve-for-Train：用 RL 编译扩散模型绕过推理瓶颈

Google Research 提出 Retrieve-for-Train 框架，通过离线强化学习发现奖励对齐的查询扇出并编译为监督信号，再蒸馏进一个 53.9M 参数的扩散检索器，实现单次非自回归的查询扇出，无需推理时的 CoT 思考 token。该方法基于 Gemma3-4B 和 Qwen3-4B 微调，旨在解决零样本 LLM 在数据库感知查询分解中的复述坍缩与自回归延迟瓶颈。

Google 发布 AI & Economy ATLAS 新洞察，数据显示近半受访科学家每天使用 AI

Google 发布 AI & Economy ATLAS 新数据可视化开放入口，并联合 Google DeepMind 和 MIT FutureTech 发表基于 ATLAS 数据的新研究，分析 2600 个专用 AI 模型并调研 600 多位美英科学家。

Microsoft Research@MSFTResearchAI 评分2424

探讨编码智能体在大规模场景下的表现；评估在PET/CT扫描中寻找淋巴瘤病灶的AI模型；理解AI聊天机器人依赖；以及推进大规模决策系统。深入了解最新一期Research Focus：https://msft.it/6016abyrY

Sakana AI 提出 PC-ALM：无需反向传播训练 1000 层网络

Sakana AI 提出 PC-ALM，一种仅靠局部动力学、无需反向传播即可训练 1000 层神经网络的局部学习替代方案。该方法将预测编码推广为使用增广拉格朗日，引入对偶神经元（拉格朗日乘子）参与层内动力学，使每层成为 PI 反馈控制系统以最小化局部预测误差。PC-ALM 能将信号传播到近乎任意深度，在标准预测编码难以学习的深层窄网络中尤其有效，并可能为神经形态硬件上的深度学习提供参考。

英国王立協会特集号解读世界模型最前沿与 AI 未来，Sakana AI 的 David Ha 参与卷首文章

英国王立協会《Philosophical Transactions of the Royal Society A》发布特集号「World Models in Natural and Artificial Intelligence」，Sakana AI CEO 的 David Ha 作为卷首文章共著者参与。

Google Research 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集

Google Research 提出 ToolGrad，一种“答案优先”的工具调用数据集生成范式：先生成真实工具调用链，再反向标注用户提示词，只需一步 LLM 调用。

Runway 详解实时视频生成研究：从 Gen-4.5 后训练到流式输出

Runway 分享其实时视频生成研究的整体思路，目标是把视频模型从整段生成转向优化首帧时间和随提示流式输出。方法上基于 Gen-4.5 等基础模型做后训练，先将架构改为时间因果、逐帧自回归生成，再通过两阶段分布匹配蒸馏（先 off-policy 后 on-policy）把每帧压缩到几步推理，配合渐增序列长度课程减少误差累积，同时针对并发会话构建推理服务栈。

Google AI@GoogleAIAI 评分3939

哦，原来这就是我们绘制出雄性果蝇全部166,000个神经元的原因。来看看这项大型社区合作成果，展示这些微小果蝇大脑究竟有多大能力 🪰🧵

Anthropic 红队发布 AI 模型战术情报定位与常规武器能力评测报告

Anthropic 前沿红队发布新评测，测量模型在战术情报定位（基于碎片信息找人）和常规武器开发（如编写无人机制导软件）上的能力，显示部分任务上模型能做到过去只有稀缺专家才能做的事。