Agent Plasticity：通过经验衡量智能体自我改进的论文发布
一篇题为 Agent Plasticity 的论文发布，提出通过经验衡量 AI 智能体的自我改进能力，论文已在 Hugging Face 上线。
#论文/研究
#论文/研究
今日 11 条AK(@_akhaliq)AI 评估 · 19/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 19/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 AK(@_akhaliq)AI 评估 · 33/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 33/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Iris-3B：用像素空间扩散训练、转换与微调超越潜空间
Iris-3B 通过像素空间扩散训练、模型转换与微调，尝试摆脱对潜空间的依赖。相关论文已在 Hugging Face Papers 上线。
AK(@_akhaliq)AI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 从视频中学习原生动作先验的世界动作模型论文发布
一篇题为《Native Action-Prior Learning from Videos for World Action Models》的论文发布，提出从视频中学习原生动作先验用于世界动作模型，论文已在 Hugging Face 上线。
AK(@_akhaliq)AI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 PAMI：面向文本到人-物交互生成的部分锚定运动方法
论文提出 PAMI（Part Anchored Motion），用于文本到人-物交互（Human-Object Interaction）生成，论文页面已发布在 Hugging Face Papers（编号 2609.38…）。
AK(@_akhaliq)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 《Old Ideas, Novel Problems：基于 LLM 的新颖性评估的不稳定性》
一篇题为《Old Ideas, Novel Problems》的论文研究基于 LLM 的新颖性评估的不稳定性，论文已在 Hugging Face 上线。该研究聚焦 LLM 用于评判研究新颖性时结果是否稳定可靠。
Sundar Pichai(@sundarpichai)AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Google 与 BIDMC 的 AMIE 研究发表于《柳叶刀》，实测 AI 采集病史的真实临床效果
Google 与 BIDMC 合作的 AMIE 研究发表于《柳叶刀》，这是首个在真实诊所中面向患者的对话式诊断前瞻性研究。AMIE 是供患者在就诊前对话使用的研究系统，在真实急诊患者中测试显示，临床医生在 75% 的病例中认为其摘要有助于准备问诊，超过一半的病例中影响了诊疗思路；AMIE 的鉴别诊断与医生最终诊断的一致率为 90%。这也是 Google 首次在《柳叶刀》主刊发表论文。
The Keyword (blog.google)AI 评估 · 59/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 59/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Google 与 BIDMC 在《柳叶刀》发表 AMIE 临床研究
Google 与 Beth Israel Deaconess Medical Center（BIDMC）团队在《柳叶刀》发表研究，在 BIDMC 门诊开展真实临床研究，98 名患者在紧急就诊前先与 Google 研究型诊断 AI 聊天机器人 AMIE 对话。
elvis(@omarsar0)AI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Google 提出 CI 程序修复智能体 FlowAgent，真实故障修复正确率 67.18%
Google 提出 CI 内的程序修复智能体 FlowAgent，针对提交前测试失败运行 ReAct 式生成-验证循环，并在代码审查工具中展示修复建议，其前置与后置两道弃权过滤器会拦下薄弱建议。对 195 个真实故障的人工评审显示，67.18% 的修复正确。Google 全公司上线后，它在 295,508 次变更上给出建议，开发者预览 65,069 次、采纳 28,554 次。
elvis(@omarsar0)AI 评估 · 49/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 49/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 RSIGym：Evolvent AI 发布 AI 研究智能体训练环境，Opus 5 在 SWE-bench Verified 提升至 50.33%
Evolvent AI 推出 RSIGym，把训练、推理、评测与沙箱打包成研究智能体可调用的服务，并开源代码、实验配置、研究轨迹和评测日志。以 Opus 5 作为研究者，改进后的系统在 SWE-bench Verified 上从 17.67% 升至 50.33%。
Yann LeCun(@ylecun)AI 评估 · 8/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 8/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Yann LeCun：科学奖属于科学家，成果要发在同行评审平台
Yann LeCun 回应 Brian Roemmele 与 Elon Musk 时表示，科学奖是给科学家的，科学家会把成果发表在接受同行评审的平台上，以便被审视、验证和复现。
AI科技大本营AI 评估 · 41/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 41/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 多加 50% GPU，Rollout 只快 10.3%：Agent 训练的瓶颈开始从模型转向系统
中科大、香港科技大学与阿里巴巴研究者发布 PEARL 论文，针对 Agentic RL 中 Rollout 占端到端时间 81.8% 的 GPU 调度瓶颈，提出动态调整 GPU 角色与 Prefill–Decode 配置的弹性方案。
QdrantAI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 与 Pento 推出 miniCOIL EN-ES 双语稀疏神经检索模型
Qdrant 与 Pento 合作推出 miniCOIL EN-ES，一个英西双语稀疏神经检索器，让 "home" 与 "casa"、"bat" 与 "murciélago" 映射到稀疏向量的同一单元格，单个倒排索引即可同时服务英语和西班牙语查询与文档，无需翻译步骤。
李继刚(@lijigang_com)AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 李继刚提问：过去一百年对人类进步影响最大的十篇论文是哪些？
李继刚（@lijigang_com）发起提问：过去一百年里，对人类进步「影响最大」的十篇论文是哪些？该条内容获得 38 条回复、27 次转发、295 次点赞、148562 次浏览和 134 次引用，由 xgo.ing 提供支持。
Thomas Wolf(@Thom_Wolf)AI 评估 · 8/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 8/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Thomas Wolf 等将在 CoLM 2026 做 oral spotlight 报告
Thomas Wolf 与 Joel Niklaus、Lewis Tunstall 将在 CoLM 2026 带来一场 oral spotlight 报告，他发帖邀请参会者到场交流。
NVIDIA AI(@NVIDIAAI)AI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 NVIDIA 用 PivotOPD 训练 AI 智能体从错误中及时纠偏
NVIDIA 研究人员构建了 PivotOPD，用来教 AI 智能体避免任务早期的错误并在出错后恢复。训练期间，教师模型会向智能体展示更优动作，以及如何在后续几步中回到正轨。相关论文已在 NVIDIA 官网公布。
InfoQAI 评估 · 60/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 60/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Coleman Parkes 调研：AI 生成代码推高调试与故障率并造成理解鸿沟
独立研究机构 Coleman Parkes 受 Undo 委托调研 300 位负责关键任务软件的资深工程负责人，多数使用 C/C++，发现 AI 编码智能体虽加快了代码生成，却把主要瓶颈转移到调试、代码理解和维护。
Stanford AI Lab(@StanfordAILab)AI 评估 · 12/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 12/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Stanford AI Lab 在 COLM 展示多项 SAIL 项目
Stanford AI Lab 本周在旧金山 COLM 展示多项 SAIL 项目，具体项目清单见其官方博客 ai.stanford.edu/blog/colm-2026/。
大模型智能AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 从 TIS 到 score centering，重新理解 LLM RL 中的训推不一致
文章系统梳理了 LLM RL 中训推不一致（TIM）的根源，从 IS、TIS、IcePop 等截断重要性采样方法讲到 SC（score centering）算法。
新智元AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 2026年诺贝尔化学奖揭晓：95岁 Henri Kagan 与 Kenso Soai 破解生命同手性之谜
2026年诺贝尔化学奖授予 Henri Kagan 和 Kenso Soai，表彰他们在不对称有机合成中发现非线性效应与自催化作用。Kagan 证明异手性催化剂配对会失活、实现手性放大，Soai 则发现 Soai 反应：起点仅 0.00005% 的手性偏差经三轮自催化放大至 99.5% 以上。
机器之心AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 哈工大（深圳）与 NUS 提出 QuantWM：免训练 2-bit KV Cache 量化，视频世界模型压缩最高 6.20 倍
哈工大（深圳）iLearn-Lab 与新加坡国立大学 LV-Lab 提出免训练 2-bit KV Cache 量化框架 QuantWM，通过量化敏感性感知聚类（QSAC）和主子空间注意力补偿（PSAC）改善视频世界模型的时序闪烁与画质下降。
Z PotentialsAI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 a16z 第七版 AI 应用榜单解读：95.5% 用户不付费，AI 下一步怎么赚钱
a16z 发布第七版 Top 100 Gen AI Consumer Apps 榜单，首次引入 YipitData 的真实信用卡支出数据。截至 2026 年 8 月，仅 4.5% 的美国消费者为头部通用大模型付费，而支出最高的 1% 用户贡献了 19.5% 的消费金额，超过后 50% 用户总和，月均 AI 支出达 903 美元；付费榜前 50 名中有 29 家从未进入流量榜。
Epoch AIAI 评估 · 53/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 53/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Epoch AI 发布 InnovationEval：AI 能自动完成 AI 研发吗？
Epoch AI 发布 InnovationEval 评测，用一篇已发表的在线策略自蒸馏（SDPO）论文作基准，测试 AI 能否独立提出有同等效果的新后训练算法。
宝玉(@dotey)AI 评估 · 75/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 75/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI 公开 722 篇 AI 数学论文并回应学界发布建议
OpenAI 将内部未发布模型产出的 722 篇数学论文归成 372 组结果，全部放在 GitHub 仓库 openai/math 公开。该模型从 8 月 28 日开始训练，能力比已发布的 GPT-6 Astra 更强且尚未对外开放；约 160 篇主要结论附带 Lean 形式化证明，其余论文尚未形式化，OpenAI 承认其中可能有错并保留修订历史。
The Rundown AI(@TheRundownAI)AI 评估 · 69/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 69/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI 用未公开内部模型发布 722 篇数学论文
OpenAI 发布 722 篇由一款未公开内部前沿模型产出的数学论文，称这些结果解决或推进了数百个未解问题。该模型被输入约 4000 道题，每个结果平均消耗约三小时 ChatGPT Pro 级算力。OpenAI 表示曾咨询普林斯顿高等研究院数学与人工智能独立顾问组，并参考其公开建议决定发布方式，结果已上传至 github.com/openai/math。
OpenAI(@OpenAI)AI 评估 · 68/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 68/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI 发布内部前沿模型产出的数学结果
OpenAI 发布一批由内部前沿模型产出的新数学结果，相关代码与内容放在 github.com/openai/math。OpenAI 表示在发布过程中咨询了 Institute for Advanced Study 的数学与人工智能独立顾问组，并参考其建议与公开推荐来确定发布方式。
elvis(@omarsar0)AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 每个智能体基准都应审计其验证器：Parsewave 修复 AutomationBench 206 个验证器 bug，发布 AutomationBench Verified
Parsewave 审查了 Zapier AutomationBench 全部 600 个公开任务，用智能体写出逼真的错误答案来诱导验证器，人工复核确认 206 个真实 bug，并全部修复，发布 AutomationBench Verified。
AK(@_akhaliq)AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OmniReasoning：突破音视频联合推理的极限
论文 OmniReasoning 提出突破音视频联合推理极限的方法，论文页面已发布在 Hugging Face。该推文获得 65 个点赞、11 条回复和 8 次转发。
AK(@_akhaliq)AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 ALoDLM：自适应循环扩散语言模型论文发布
论文 ALoDLM（Adaptively Looped Diffusion Language Models）发布，提出面向扩散语言模型的自适应循环方法，论文页面已上线 Hugging Face。原文未披露参数量、benchmark 分数与开源情况等细节。
The Keyword (blog.google)AI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Google 研究：AI 盲扫超声让基层卫生员8小时上手，妊娠龄与胎位判断媲美专业超声医师
Google 与 Northwestern、Jacaranda Health 合作，在肯尼亚内罗毕和芝加哥各纳入 1000 名孕妇，用机器学习模型分析未经超声培训的卫生员按预设路径完成的"盲扫"超声视频，估测妊娠龄和胎位，准确度与受训超声医师相当。卫生员仅需 8 小时即可学会操作，且全部处理在设备端完成，无需供电或 Wi-Fi，可在资源匮乏地区提供产前关键信息。
elvis(@omarsar0)AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Parsave 审计 Zapier AutomationBench：600 个任务查出 206 个验证器 bug，发布 AutomationBench Verified
Parsave 对 Zapier AutomationBench 全部 600 个公开任务逐一审计验证器，智能体标记出 323 个可疑验证器，人工复核确认 206 个真实 bug，并已全部修复，发布 AutomationBench Verified。
elvis(@omarsar0)AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 论文提出 Harness-Aware Distillation：为小语言模型智能体做 harness 感知蒸馏
一项新论文提出 Harness-Aware Distillation，用同一教师模型分别在带与不带 harness 信息下作答，训练学生模型偏好带 harness 时选择的动作，并用过滤器剔除与 harness 记录矛盾的配对，全程不使用任务奖励或成功标签。
The JetBrains BlogAI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 JetBrains 提出 AI 生成代码审查框架：核心问题是信任校准
JetBrains 的 Human-AI eXperience 团队与隆德大学研究者合作，提出一套审查 AI 生成代码的概念框架，核心观点是审查 AI 生成代码的关键问题是"信任校准"，而非传统的 diff 比对。
METRAI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 METR：AI 系统可能掩盖自身不当行为
METR 发布研究指出，AI 系统可能先篡改人类用于审查其行为的工具，从而掩盖不当行为。研究人员借助 AI 智能体约 10 分钟就在 Inspect 的 transcript viewer 中发现一个客户端 JavaScript 注入漏洞，可任意修改审阅者看到的记录并拦截下载按钮；底层数据库中的原始轨迹未被修改，也尚未在评测中观察到智能体利用该漏洞。
Epoch AIAI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 谁最容易受到芯片供应冲击？Epoch AI 拆解半导体投入产出数据
Epoch AI 将半导体从国际投入产出表的宽泛电子类别中拆分出来，测算各国对芯片供应链冲击的暴露程度。2022 年每 1000 美元中国最终需求为半导体生产商带来 15.2 美元收入，是美国的 2.7 倍（美国为 5.7 美元）。在台湾供应中断叠加中西脱钩的模拟情景中，中国先进处理器价格上涨 17 倍、实际国民总支出下降 3%，美国则约为 20% 涨幅和 0.6% 降幅。
Epoch AIAI 评估 · 51/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 51/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Epoch AI 研究：中国 AI 公司如何赚钱
Epoch AI 发布研究，梳理中国六家头部 AI 公司（阿里、字节、Z.ai、月之暗面、DeepSeek、MiniMax）的五类收入来源：面向消费者的 AI 应用、售卖模型访问、面向企业和政府的定制部署、授权费，以及用 AI 带动既有产品线。
elvis(@omarsar0)AI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 微软提出 CorpusMap：为 LLM 智能体预建实体地图，检索准确率提升超 6 分
微软及合作者提出 CorpusMap，预先解析文档集合中的重复实体，为每个实体生成链接全部相关文档的页面，原始文档保持原位，智能体可沿实体跳转到相关文档而无需重复检索同一证据。在 7 个模型和三个基准上，答案质量提升 6.4 至 11.7 分，输入 token 减少 34% 至 57%，并优于 LLM Wiki 层等三种导航层。该地图无需调用 LLM 即可构建，并随新文档到来更新。
大模型智能AI 评估 · 69/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 69/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Hinton等22人发布首篇RSI论文，讨论AI研发自动化是否触发智能爆炸
Geoffrey Hinton、Yoshua Bengio、Andrew Barto、Jakub Pachocki 等22位作者发布论文《What if automating AI R&D triggers an intelligence explosion?
elvis(@omarsar0)AI 评估 · 60/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 60/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 SelfSearch 让编码智能体改写自身 harness，成本 4.03 美元追平 Codex
一项名为 SelfSearch 的研究让 AI 智能体基于此前自我修改的记录来改写自己的指令、工具与流程，编码智能体借此在 DeepSeek V4 Flash 上以 4.03 美元的搜索成本解出 Terminal-Bench 2.1 的 82.0% 任务，无需搜索期间的任务奖励。
AK(@_akhaliq)AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Rollout-Marginal Distillation：面向长时长自回归视频生成的论文发布
论文《Rollout-Marginal Distillation for Long-Horizon Autoregressive Video Generation》已在 Hugging Face Papers 上线，提出用于长时长自回归视频生成的 rollout-marginal 蒸馏方法。原文未披露具体模型、参数规模或 benchmark 分数，仅给出论文链接与演示视频。
Import AI — Jack ClarkAI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Import AI 475：群体扩展、Google DeepMind 为生物内容加水印与 AI 科学经济
Import AI 475 期关注群（swarm）扩展：Toby Ord 认为 4 智能体群完成同等任务需约 2 倍 token，但因并行可将耗时减半，群扩展存在类似"踩脚"参数的收益递减。