跳到正文
只看论文
10月14日周三
  3. Cohere Labs：官方研究博客71

    Cohere Labs 研究：编码 Agent 团队扩编的经验，以 30% 成本逼近前沿效果

    Cohere Labs 在 ProgramBench 200 个任务上系统测试编码 Agent 团队的设计选择，发现团队优于单个 Agent 但成本高 4 到 7 倍。

    推荐理由：Cohere Labs 用受控实验拆解多智能体团队的设计选择，指出只在规划阶段派便宜的 worker 就能以五分之一成本逼近全强模型团队。

10月13日周二
  1. Apple Machine Learning Research48

    Apple 研究：双语预训练混合数据优于超参数搜索，低资源语言预训练新发现

    Apple 研究团队在 150M 到 1.43B 四种模型规模、约 1000 次预训练实验中对比发现，混入高资源语言数据比超参数调优更有效，且优势随模型增大而扩大。混合数据带来的提升相当于 2–3 倍目标语言独有数据（验证损失）和 2–13 倍（下游任务准确率）。团队建议优先调整混合比例，并通过 μP 从小代理模型迁移超参数。

  6. IT之家·人工智能64

    Anthropic 实验：小型 AI 模型数月后或在物联网设备上实现自我复制

    Anthropic 于当地时间周一发布实验结果称，再过数月小型 AI 模型或将具备在商用物联网设备上自我复制的能力。实验发现参数量 300 亿以下的小模型可完成复制流程中的多项步骤，但难以独立跑完整链路；在移除部分安全校验的简化环境下，GLM-5.2 及更强模型能实现端到端完整自我复制。

  8. Anthropic：Research77

    Anthropic 强化针对蒸馏攻击的防御， reasoning token 提取量下降 10 到 100 倍

    Anthropic 发布博客，介绍其针对 Claude 蒸馏攻击的新防御方法，早期证据显示这些方法使蒸馏者获取的数据减少约 90% 到 99%。

    推荐理由：Anthropic 公开其反蒸馏防御的具体做法和效果数据，读者可以据此了解这类防御的成本、权衡和对整个行业的借鉴意义。

  10. Apple Machine Learning Research44

    约翰霍普金斯大学提出 SELFCOMPACT：让语言模型智能体自主决定何时压缩上下文

    约翰霍普金斯大学提出 SELFCOMPACT，让模型自身决定何时及如何压缩上下文，无需微调或外部监督。该方法结合压缩工具与轻量级评分规则，在六项基准、七个模型上匹配或超越固定间隔摘要，数学任务最高提升 18.1 分，智能体搜索提升 5–9 分，每题成本降低 30–70%。

  11. Apple Machine Learning Research40

    苹果研究：LLM 做机器翻译质量标注，人类与模型都面临挑战

    苹果研究团队评估了 LLM 在 MQM 和 ESA 两种机器翻译质量标注方案下与人类标注者的一致性，测试覆盖 70 个语言对的长上下文测试集及 WMT23、WMT25 公开数据。结果显示，LLM 在某些任务上与人类的一致性超过人类标注者之间的一致性，但在多数标注方案、语言对和领域下仍不可靠。人类在细粒度 MQM 标注和低资源语言对上尤为吃力，LLM 则难以处理细微错误、错误语言变体和错误跨度标注。

  13. Anthropic：Research76

    Anthropic 研究：小型 AI 模型可能接近在 IoT 设备上自主复制

    Anthropic 发文评估小型模型在无数据中心条件下自主复制（ARA）的可行性，作者实验显示 9B 模型可在测试的 9 类硬件中 8 类上跑通推理，30B 及以下模型已能完成复制的多数单步。

    推荐理由：Anthropic 用自购的 15 台廉价电视盒实测小模型分布式推理与复制链路，读者可据此评估 AI 蠕虫这类威胁的近期可行性。

  17. Amazon Science61

    AWS 提出 priming 方法，可将预训练 Transformer 改造成混合状态空间架构

    AWS 团队发布论文《Priming: Hybrid state space models from pre-trained Transformers》，提出 priming 方法，复用预训练 Transformer 权重构建混合架构，将预训练成本降低逾 99%，全流程消耗不足源模型 0.5% 的 token 预算。

    推荐理由：AWS 团队提出 priming 方法，把预训练 Transformer 改造成混合架构的预训练成本降低逾 99%，并开源了 8B 和 32B 模型与代码。

  20. Microsoft Research 博客49

    微软 StudentSim：用个性化学生模拟器在真实学习者之前评估 AI 辅导

    微软研究院提出 StudentSim，一种从公开去标识化学习记录训练个性化 AI 学生模拟器的研究系统，可在真实学习者测试前评估和改进 AI 辅导工具。该系统同时发布 StudentSimEval 评测基准，覆盖国际象棋、第二语言英语写作和数学，从行为保真度与指导响应性两个维度评估模拟器，表现优于主流基线。StudentSim 并非产品，不部署于课堂，也不用于替代教师。

10月12日周一
  1. Rohan Paul50

    NVIDIA 论文提出，相比逐步打分，只在首个让测试通过的决定性编辑处评估 base 模型更能预测其智能体后训练潜力。方法回放成功智能体轨迹并在每次编辑后重跑测试，检查 base 模型是否会写出该编辑、在失败编辑中选中它并写出可通过的实现。模型写出该编辑的概率排序与十个模型后训练后的 SWE-bench Verified 得分相关性达 0.964，且只需基准的成功轨迹和测试即可运行。

10月11日周日
  2. Rohan Paul46

    清华论文构建 AAArena，用清华年度机器人竞赛的 12 款游戏和 1920 个存档人类程序作为对手，测试编码智能体能否在模型权重不变的情况下通过读规则、选对手、研究回放来改写游戏 bot。在全部 3 款测试游戏中，详细回放反馈均优于仅胜负信号；有回放时 Pacman bot 排名第 1，无回放仅第 11。但比赛预算增至 3 倍，4 个卡住的 bot 仍无一升至第 1。

  3. Rohan Paul45

    亚马逊新论文提出用 LLM 充当"研究世界模型"，在实验开跑前预测训练改动的收益。基于 9 个设置、2653 条真实实验记录测试，同设置历史记录将预测与实际结果的平均排名相关性从 0.506 提升至 0.774（5 个设置）；在 OLMo3-100M 上，低推理强度加记录得 0.892，最高推理强度无记录仅 0.648。作者建议研究智能体记录包括失败在内的每次实验，并喂给选下次运行的模型。

  6. Rohan Paul53

    WUJI 的 20 关节机器手 WUJI Hand 2 在物理仿真中训练转笔策略并成功迁移到实机，在 IROS 2026 现场展示，还配有一款可实时控制该手的传感手套。

    引用WUJI@wuji_global

    Pen spinning on WUJI Hand 2, from simulation training to real-world execution. We use motion-reference tracking and reinforcement learning to bring a simulation-trained policy to the physical hand. Code and setup guides are open source for developers and researchers to build on. Code: http://github.com/wuji-technology/wuji-mjlab

  8. Rohan Paul46

    商汤 SenseNova 团队推出 SenseNova-RoboRSI，在 GPT-6 Astra 模型权重不变的前提下，将 RoboDojo 平均分从基线 28.97 提升至 56.83，任务成功率 50.83%，并在 LIBERO-PRO（94.50%）和 RoboCasa（64.60）上取得高分。

    引用SenseTime@SenseTime_AI

    🤖 𝗘𝘃𝗲𝗿𝘆 𝗿𝗼𝗯𝗼𝘁 𝘁𝗮𝘀𝗸 𝗳𝗮𝗶𝗹𝘂𝗿𝗲 𝗰𝗮𝗻 𝗯𝗲𝗰𝗼𝗺𝗲 𝗮 𝗹𝗲𝘀𝘀𝗼𝗻 𝗳𝗼𝗿 𝘁𝗵𝗲 𝗻𝗲𝘅𝘁 𝗶𝘁𝗲𝗿𝗮𝘁𝗶𝗼𝗻. 𝗦𝗲𝗻𝘀𝗲𝗡𝗼𝘃𝗮-𝗥𝗼𝗯𝗼𝗥𝗦𝗜 uses 𝗥𝗦𝗜 to evolve 𝗮𝗴𝗲𝗻𝘁 𝗵𝗮𝗿𝗻𝗲𝘀𝘀𝗲𝘀 through physical task feedback, without updating model parameters. ▶ 𝗥𝗼𝗯𝗼𝗗𝗼𝗷𝗼: 56.83 avg. score, 50.83% success rate, +𝟮𝟳.𝟴𝟲 𝗽𝗼𝗶𝗻𝘁𝘀 𝘃𝘀. 𝘁𝗵𝗲 𝗚𝗣𝗧-𝟲 𝗔𝘀𝘁𝗿𝗮 𝗯𝗮𝘀𝗲𝗹𝗶𝗻𝗲 (𝟮𝟴.𝟵𝟳) ▶ 𝗥𝗦𝗜 𝗹𝗼𝗼𝗽: Execute → Diagnose → Improve → Validate → Inherit ▶ 𝗘𝘅𝗽𝗹𝗼𝗿𝗲𝗱 𝗮𝗻𝗱 𝘃𝗮𝗹𝗶𝗱𝗮𝘁𝗲𝗱: Multi-point EEF prediction and Planning + Feedback Subagents This achievement reflects the collective efforts of our joint team. RoboRSI will be 𝗼𝗽𝗲𝗻-𝘀𝗼𝘂𝗿𝗰𝗲𝗱 𝘀𝗼𝗼𝗻 at https://github.com/OpenSenseNova/SenseNova-RoboRSI. A comprehensive 𝘁𝗲𝗰𝗵𝗻𝗶𝗰𝗮𝗹 𝗿𝗲𝗽𝗼𝗿𝘁 detailing our methods and findings is also on the way. Stay tuned!

10月10日周六