论文：AI 论文、技术方法与基准测试第 24 页
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
- AI 摘要arXiv cs.AI
HGM-Dual 提出面向规划智能体的谱系感知 harness 优化框架
论文提出 HGM-Dual，用于在冻结或闭源 LLM 上优化智能体的提示、工具与工作流。作者指出，Darwin–Gödel Machine、Huxley–Gödel Machine 等递归自我改进方法主要面向编程任务，而规划任务需要智能体输出满足相互约束的工具调用序列，开放式自我修改会反复尝试无效改动并消耗大量评估预算。HGM-Dual 把智能体演化记录为谱系感知上下文，标明每个祖先改了什么、哪些行为改善或退化、哪些修改无效；同时引入错误条件下的双路径子代生成，为每个父代生成一个保留开放探索的通用子代，以及针对最可能导致约束违反的组件的专用子代。在案例准确率上，它相对最强基线最高提升 14.45%，并以少 2 至 4 倍的评估预算达到 HGM 变体的最终表现。
- AI 摘要arXiv cs.AI
论文提出行为定位法，用少量轨迹位置监督软提示
这篇论文关注工具调用智能体的技能注入问题：长文本技能描述会推高计算开销，软提示虽紧凑，但用整条成功轨迹训练会带来多余的行为改变。作者发现文本技能的作用集中在少数轨迹位置上，于是提出 Behavioral Localization：对比带技能与不带技能的冻结智能体，挑出既提高成功 token 概率、又明显改变下一 token 分布的位置，用这些位置监督一段短软提示。在 SpreadsheetBench 上，以冻结的 Qwen3.6-35B-A3B 智能体测试，前 10% 轨迹位置覆盖了 96.12% 的正向技能增益；共享提示设置下成功率从全轨迹的 30.36% 升至 36.79%，任务特定条件下用前 10% 定位位置达到 57.38%，高于完整文本技能与 on-policy OPCD 基线。
- AI 摘要arXiv cs.AI
研究：文档转换丢失颜色与高亮线索，智能体F1从0.690跌至0.150
一篇 arXiv 论文指出，企业智能体处理 Word 或 PDF 时，主流转换工具会丢掉作者通过排版传递的含义，尤其是颜色和高亮，导致智能体给出错误答案却看不出信息缺失。作者用 76 份真实政策文档构建任务，以文件自身的 OOXML 属性做确定性匹配评分。忽略格式的转换使 micro F1 从 0.690 降至 docling 的 0.150 和纯文本的 0.075，该差距在两家厂商的六个回答模型上复现。逐项剔除分析把损失定位到高亮（+0.302）和颜色（+0.262），粗体、斜体、等宽、删除线影响接近零。在 6,460 份文档中，32.8% 带有刻意的颜色或高亮，10.3% 落在义务条款上。
- AI 摘要arXiv cs.AI
arXiv 论文：用驻点约束改进机器学习交换关联泛函
一篇提交至 arXiv 的论文指出，经验交换关联泛函在固定轨道上拟合、却以自洽方式使用，导致能量变好时密度往往变差。作者提出用训练所得泛函在精确密度 Kohn-Sham 轨道上的 Brillouin 残差作为约束，该量在一阶上同时控制自洽密度偏移与拟合能量和自洽能量之间的差距，且训练时无需自洽场求解。用 6 个能量与 11 个 CCSD 密度训练的神经常规 meta-GGA，在未见分子的原子化能与密度两项上均超过 SCAN。
- AI 摘要arXiv cs.AI
GuideEvolve 自进化智能体框架发布，优化迭代次数减半
GuideEvolve 是一个自进化智能体框架，结合专家评估驱动的进化流程与三项自主调控机制（合称 3Ts：快慢思考、回溯、自主终止）。在 MGSM 与 MMLU 两个基准上，其准确率分别为 89.8% 和 89.1%，对照 Gödel Agent 为 90.6% 和 87.9%；波动幅度降低 25% 至 59%。框架的进化成功率达到 100%，基线为 82%；所需优化迭代从基线的 30 次降至 15.1 次和 13.4 次，约减少一半，作者称这有助于生产部署的稳定性。
- AI 摘要arXiv cs.AI
Code Comprehensor 用分层文档与跨模态检索理解大型代码库
针对大型代码库难以理解、也难以整体交给大模型的问题，作者提出 Code Comprehensor 混合检索-推理框架，由三部分组成：代码依赖调用图；用代码感知大模型沿调用图生成分层文档的 CodeScribe；以及在 CodeScribe 输出上训练的 CLIP 式双编码器 CodeContrast，用于学习对齐的文本-代码嵌入。CodeContrast 可快速检索语义相关的代码上下文邻域，作为基于 MCP 的 LLM 编排器回答领域问题的依据。在 OpenCV 与一个 500 万行私有代码库上的评测显示，CodeScribe 生成的监督信号明显提升文本到代码的检索准确率；更丰富的文本监督（分层文档、父/兄弟节点上下文、LLM 生成的合成问题）在两个代码库上均带来稳定增益。用 RAGAS 做 LLM-as-a-judge 评测，输出忠实度超过 90%。论文被第 42 届 ICSME 接收。
- AI 摘要arXiv cs.AI
论文提出 Agent Behavior Map：不跑环境即可定位智能体行为
一篇投稿 arXiv 的论文提出 Agent Behavior Map，用共享参考轨迹上的中心化动作对数似然来表示 LLM 与 harness 的组合，无需让目标智能体在新环境中实际执行。作者推导了坐标距离平方与轨迹 KL 之间的误差界，并在八个交叉评分模型上验证：这些距离与直接测得的轨迹 KL 在排序上一致。在 100 个 LLM 和四个环境中，基于 ALFWorld 的坐标可支持性能预测并识别行为相似性；在 ALFWorld 中，控制成功率与模型规模后，这种相似性仍然存在，且跨模型家族成立。作为扩展，harness 组件的位移近似可组合，精度随组件和环境不同而变化。
- AI 摘要arXiv cs.AI
研究用稀疏自编码器把AI文本检测器改造成可解释分类器
一篇 arXiv 论文提出将微调神经检测器转为基于人类可读概念的分类器：直接在检测器残差流上训练稀疏自编码器（SAE），为每个 SAE 特征分配自动解释标签，只保留描述通过全局保真度阈值的特征，再在这些可解释特征上训练轻量分类器。作者称 SAE 找回了对应 AI 生成文本高度具体、有预测力的语言「破绽」的潜在概念；基于这些特征的分类器不仅可解释，在分布外文本上的表现也强于神经与文体计量学方案。
- AI 摘要arXiv cs.AI
研究者发布电信告警风暴生成器，每条告警自带精确根因
电信告警根因分析长期受限于运营商日志无法共享，公开的多是告警类型间的因果图或固定场景集。这篇论文不提供数据集，而是给出一个生成器：它运行在 Internet Topology Zoo 的真实骨干拓扑上，生成时即记录每条告警的精确根因与传播路径，无需额外标注。所有输出字段绑定 NORIA-O、RFC 8632、RFC 8345 或 TMF642 中的术语，出现未知术语则运行失败。作者附带固定配置、划分、评分器与九个基线。一条简单规则——对最早发出严重告警的设备排序——在三个骨干网、五个随机种子上取得 0.650 的 top-1，15 次运行中赢下 13 次，优于作者自己的时序方法（0.575）；在真实运营商告警上该规则同样达到 0.773。
- AI 摘要Anthropic：Research（发表成果 · 网页）
Anthropic 用 Claude 为 123 个开源库完成汇编级形式化验证
Anthropic 与 Theorem 合作，用 Claude 在 RISC-V 汇编层面对 100 多个真实开源软件库的安全属性做形式化证明，材料给出的具体数量是 123 个库。团队称这是首次把 AI 形式化验证大规模用于生产软件的汇编代码。写证明过程中，Claude 还找出了一些历经数万亿次测试运行仍未被发现的缺陷。Anthropic 认为，随着模型能力提升，形式化验证有望成为安全开发流程的常规环节。
- AI 摘要METR：Blog（网页） 等 2 家
METR 与 Redwood 对 OpenAI 内部监控系统开展红队测试
METR 与 Redwood Research 各派一名员工，于 7 月 21 日至 8 月 11 日对 OpenAI 内部失准监控系统进行为期三周的高权限压力测试，产出 61 页内部报告，交给 OpenAI 研究人员与安全团队。测试重点在于估算被监控的智能体推理流量占比，以及智能体能否在原理上关闭或绕过监控。两人可访问 OpenAI 内部代码库、监控提示词与配置、内部文档，并访谈约十余名研究人员与工程师。测试针对 7 月 21 日及之前的系统版本，未评估当时正在进行的改动。
- AI 摘要Microsoft Research 博客（RSS）
微软研究院与合作者证明 31 年历史的 KLS 猜想
微软研究院的研究者与合作者用新数学思路结合人类主导的 AI 研究流程，解决了高维几何与概率论中的 Kannan-Lovász-Simonovits（KLS）猜想，该问题已悬置 31 年。结果给出对数凹分布的一条普适几何原则：简单的平坦切割能在固定倍数内捕捉其最窄瓶颈，且与维度无关。该结论对统计学、优化、算法与计算机科学均有意义。过程中 AI 系统探索数学可能性，研究者负责评估、剪枝与调整方向；随后多位独立研究者验证了该工作，并完成机器可检验的形式化验证。
- AI 摘要Wiz：Research（安全研究）
Wiz Research 披露 PHP 核心多个严重漏洞，前沿 AI 模型降低…
Wiz Research 在 PHP 核心引擎中发现多个内存安全漏洞，包括内存泄露与无需认证的远程代码执行，影响范围不依赖上层应用。过去十年发布的每个 PHP 版本都至少受其中一个漏洞影响，最早可追溯到 5.4 版本。相关漏洞被归入两个 CVE，严重程度最高达 CVSS 9.2。这些缺陷存在已超过十年，但过去要证明其可利用性需要极其复杂的步骤链；前沿 AI 模型显著降低了这一门槛。PHP 已于 2026 年 10 月 21 日发布修复补丁，研究方建议尽快升级。
- AI 摘要量子位
千诀科技发布预测式世界模型Polibrain，已适配多种机器人形态
清华系具身智能公司千诀科技在2026物理AI与世界模型大会上发布预测式世界模型Polibrain。该模型不生成完整未来画面，而是在任务相关的潜在表征空间中预测状态变化，聚焦影响行动的关键信息，并将感知、状态理解、行动预测、决策、执行与反馈串成持续决策闭环。目前已在四足、人形、轮式、双臂等形态上开展适配，探索陪伴服务、餐饮服务、物品整理及精细操作等任务。千诀称其2025年与清华团队在ICML发表的隐变量可辨识性等研究，比LeCun团队相近工作早约一年。
- AI 摘要arXiv cs.AI
新模型可同时生成视频与任意骨架的3D运动
一篇 arXiv 论文提出把 3D 运动与视频联合生成的模型：给定任意骨架（rig），模型同时产出视频、对应的 3D 运动以及把该运动对齐到场景的相机参数。与只处理人体骨架、或从生成的 2D 姿态图三角化出 3D 的做法不同，该工作把 3D 运动放在独立模型中，通过少量 cross-attention 层与预训练视频模型相连，使运动模型可先用纯运动数据学习骨架运动。模型还学习在视频帧中定位各关节，从而恢复相机并把运动放回 3D 场景。训练数据由生成式视频编辑器把动画 3D 资产放入匹配场景，再配合人与机器人视频，共约 20 万对。
- AI 摘要arXiv cs.AI
GBClaw：面向晶界研究的智能体 AI 框架发布
arXiv 刊出 GBClaw，一个用于研究一般晶界结构与变形的智能体 AI 框架。该框架把大语言模型接入由编排器、专用智能体、领域工具、仿真接口和分层记忆组成的模块化架构，通过动态重规划和迭代式工作流改进，把系统化仿真与有针对性的机理分析衔接起来。作者将其用于镍中 14 个一般非对称倾斜晶界，刻画界面缺陷结构并识别出多种变形模式；对比有无二次晶界错配位错的晶界滑移后发现剪切强度差异明显，后续计算把异常高的剪切抗力追溯到亚稳晶界结构。
- AI 摘要arXiv cs.AI
UniWALM：把视频、动作、语言放进同一骨干的机器人控制模型
UniWALM 将视频、动作与语言三种模态放进同一个混合 Transformer 骨干，每种模态既作为条件输入，也作为监督目标，各模态的扩散头同步去噪，一次解码同时输出子任务、文本记忆与动作，无需独立的规划阶段；生成的文本在下一步被重新读取，形成以语言为记忆的闭环。作者另提出 Flow Matching with Correction 训练目标，让模型学会从受扰动的动作轨迹中恢复，且不增加推理开销。在 MolmoSpaces 组合式抓放任务上，它优于同骨干基线 FastWAM；在 RMBench 依赖记忆的子集上达到 34.5%，未使用预训练语言或推理模型，仅用单张锚点帧就超过配备关键帧的 Mem-0（28.5%）。真实 Find-the-Item 任务中，生成文本记忆把成功率从 11.1% 提升到 61.1%，而现有 VLA 方法不超过 33.3%。
- AI 摘要arXiv cs.AI
Industrial ReMEmbR 将时空记忆扩展到机器人车队
这篇论文提出 IndustrialRemembr，把 NVIDIA ReMEmbR 的时空记忆能力扩展到仓库机器人车队。系统只在需要时才生成场景描述，从而降低服务端算力开销。每台机器人用 NVIDIA Jetson 运行 Cosmos-Embed1 生成检索嵌入、Cosmos3-Edge 生成视觉 token、Wan2.2 VAE 生成重建潜变量，原始摄像头画面不上传。编码模型还用于检测图像块中的人物并将其置零，以支持符合 GDPR 的 PII 抽象。Cosmos3-Edge 在视觉-语言边界被拆分，视觉编码器留在机器人端，语言解码器放在本地服务器；Nemotron 智能体按内容、位置和时间检索记忆，并用缓存的视觉 token 查询解码器。该设计免去写入时生成描述，缓存的 token 解码在全部 450 次测试解码中复现了未拆分模型的输出。
- AI 摘要arXiv cs.AI
MindView 多视角空间智能基准发布，含 1500 个样本、7 项任务
研究团队提出 MindView，用于评测生成式多视角空间智能：样本 1500 个，来自 3 个室内数据集的 513 个场景，任务分为几何主导与语义主导两类，共 7 项。对 11 个生成模型的评测显示整体提升空间较大；在扩展上下文设置下，这 11 个模型的总体得分均下降。团队用 MindView 训练集微调 BAGEL，总体得分提升 24.3 分，7 项任务全部上涨，并在 3 个未训练的空间理解基准上得分更高。另提出免训练的空间证据选择方法 MindCue，可扭转扩展上下文下的得分下降。
- AI 摘要arXiv cs.AI
论文提出 AMTP：按上下文动态选择多 token 预测的推测长度
这篇论文关注多 token 预测（MTP）中推测长度（horizon）的选取问题：草稿越长，被接受时节省的计算越多，但一旦被拒绝，被丢弃的后缀就会浪费算力。由于 MTP 的所有头在同一次前向中触发，推测长度必须在起草前固定，无法像自回归起草那样逐 token 停止。作者把长度选择建模为在线控制问题，提出 AMTP：一个无需重训、不改动验证器的轻量控制器，借助接受存活率预测草稿能走多远，并选择每秒期望 token 数最高的长度。在基于 Llama-3.1-8B-Instruct、Medusa 头、Meta MTP 模型与 Qwen3-4B-Inst-2507-MTP 的五个草稿-目标组合上，于 AIME 2025 与 GSM8K 评测，解码最高提速 4.1 倍，10 个设置中 8 个不劣于固定窗口，吞吐最高提升 10%。