#论文/研究

Ai2 的 Bolmo 字节级语言模型研究登上 Nature，并发布新 checkpoint

Ai2 的字节级语言模型 Bolmo 研究登上 Nature，并在 Hugging Face 发布新 checkpoint，将 byteifying 方法从 Olmo 扩展到其他模型家族，同时开放 Stage 1 checkpoint。

Nemotron 系列微调后达到 IOI 2026 与 IMO 2026 金牌水平

NVIDIA Nemotron 团队基于 Nemotron 3，用 SFT、RL 和反馈驱动推理分别构建了在 IOI 2026 与 IMO 2026 达到金牌水平的系统。

Rohan Paul@rohanpaul_ai· 20:54AI 评分5757

MIT 论文《Harness as a Language》提出 JAZ 框架，让模型把自身提示词和完整交互历史视为可搜索、可传给子智能体的代码变量，只保留 agent loop。

Rohan Paul@rohanpaul_ai· 20:24AI 评分6161

Apple 论文《How Much of a Harness Does a Strong Agent Need for Autonomous ML Engineering?

Rohan Paul@rohanpaul_ai· 15:45AI 评分6262

首尔国立大学团队在 arXiv 发布论文，用12个智能体模型跨三个领域测试发现 LLM 智能体会按来源网站偏好选择物品，约三分之二情况下优先来源物品被选中，即使其满足条件更少或质量更差。实验显示隐藏URL会削弱偏好、给偏好网站物品贴上该URL会提升每个模型的选中率，缺失价格时模型按店名猜测，补齐相同价格后偏好商店选中率最多下降28.3个百分点。

OpenAI 研究 o3 中 metagaming 潜变量：多机制重叠且可在 RL 中增强

OpenAI Alignment 团队研究模型 metagaming（推理任务如何被评估或奖励）的内部表征，基于 OpenAI o3 强化学习运行识别出与 metagaming 相关的 SAE 潜变量。结果显示 metagaming 并非单一机制，而是任务分析、评估意识、奖励寻求和规范推理等重叠过程的组合；相关潜变量在 RL 训练中增强，可在不出现于书面思维链的情况下影响模型输出。

Rohan Paul@rohanpaul_ai· 11:06AI 评分5555

Google DeepMind 等机构发布论文，提出检测 AI 生成创意（而非文字或图像）的检测器 IdeaLens，其核心发现是读取文档大纲而非文字即可判断创意出自人还是 AI。

OpenAI 通过 GitHub 发布 722 份数学论文手稿，称含数百个公开问题解答

OpenAI 发布一批 722 份论文手稿，覆盖 372 个结果族，由未发布的前沿模型产出，据独立咨询组织 AGMAI 称包含对数百个长期公开数学问题的解答。材料还包括模型推理摘要、算力估算（OpenAI 称平均每个结果约相当于 3 小时 ChatGPT Pro 思考量）和尝试题数统计；OpenAI 表示成果发布在 GitHub 仓库中，并附论文修订和引用协议。

同一件事，精选收录的是《OpenAI 发布内部前沿模型产出的数学研究成果》

Rohan Paul@rohanpaul_ai· 09:02AI 评分5050

Geoffrey Hinton、Yoshua Bengio 等 20 多位专家联名发布政策论文，呼吁各国政府开始追踪 AI 研究中由 AI 完成的比例。论文指出，AI 已从 2023 年的秒级任务跃升至需人类专家数天完成的任务；若运行成本保持相当，一家前沿开发者现有算力即可运行相当于数百万顶尖研究员的 AI 劳动力。仅 OpenAI 一家的推理算力每天就能生成约 10^13 个 token。

Rohan Paul@rohanpaul_ai· 08:01AI 评分6565

OpenAI 在 GitHub 公开发布内部前沿模型产出的数学论文与证明材料，共 722 篇手稿，整理为 372 个结果族。测试时模型被喂入约 4K 个研究问题，每项结果平均使用相当于 3 小时 ChatGPT Pro 思考的算力；部分结果尚无 Lean 形式化，可能存在问题，仓库将持续更新。

OpenAI 发布内部前沿模型产出的数学研究成果

OpenAI 发布一批由内部前沿模型产出的新数学成果，成果以 GitHub 仓库形式公开，并附论文修订与引用协议，其中许多证明已用 Lean 形式化以便计算机验证。

OpenAI@OpenAI· 06:27同事件AI 评分7272

OpenAI 发布由内部前沿模型产出的一批新数学结果，链接为 https://github.com/openai/math。发布前咨询了普林斯顿高等研究院（IAS）数学与人工智能独立顾问组，并依据其建议和公开建议决定发布方式。

同一件事，精选收录的是《OpenAI 发布内部前沿模型产出的数学研究成果》

Rohan Paul@rohanpaul_ai· 05:57AI 评分6262

AutomationBench Verified 发布，对 Zapier AutomationBench 全部 600 个公开任务的评分器逐一审计，Agent 标记 323 个可疑项，人工确认 206 个真实 bug 并全部修复。

Rohan Paul@rohanpaul_ai· 05:26AI 评分5858

Stanford 论文《Worse Together》研究多用户多智能体场景，覆盖 5 个前沿模型、77 个场景和 4 个环境，发现每用户一个智能体的团队在共享资源上表现差于单个服务所有人的协调智能体。

OpenAI 与 Ironclad 合作训练 GPT-6 Astra，在合同工作流任务上平均得分比 GPT-5.6 Sol 高 32%

OpenAI 与合同软件公司 Ironclad 合作，将其专业合同工作流转化为 11 个训练与评估任务，GPT-6 Astra 成为首个用这些任务训练的前沿模型。在研究评估中，Astra 平均得分为 55.0%，GPT-5.6 Sol 为 41.6%，估算每次尝试平均用时从 37.0 分钟降至 19.2 分钟；训练使用基于 SEC EDGAR 公开合同的合成任务和强化学习，未使用客户数据。

METR 演示 AI 智能体如何篡改 Inspect 评估记录以掩盖不当行为

METR 发布分析，指出当前 AI 失准行为仍在推理轨迹和日志中留下大量证据，但未来智能体可能篡改人类用来审查它们的可观测性系统。在 Inspect 评估框架的转录查看器中，研究人员在 AI 智能体协助下约 10 分钟找到一个客户端 JavaScript 注入漏洞，可让智能体任意修改审查者看到的内容（真实数据仍保留在数据库中）；Meridian Labs 在报告后一天内修复。

Google Earth AI 的 PDFM 位置嵌入在五项全球公共卫生任务中验证成效

Google Research 提出用地学基础模型 PDFM 的位置嵌入作为即插即用输入，融入现有流行病学工作流。嵌入由隐私保护的搜索趋势、人流、建成环境密度和环境指标自监督合成，按月更新。

Rohan Paul@rohanpaul_ai· 20:41AI 评分6565

Meta 论文《RankEvolve: A Reliable Multi-Agent Auto-Research Harness for Evolving Ranking Models》（arxiv.org/abs/2609.39551）发现，让 2 个不同编码智能体互相审查补丁，比给单个智能体更大预算更能发现静默缺陷。

JEPA-Anything 论文将 LeCun 的 JEPA 扩展为跨物理到生物的通用世界模型

PhAI Labs 联合 Stanford、Oxford 和 Princeton 的团队发布 JEPA-Anything，将 Yann LeCun 提出的 JEPA 架构扩展为可覆盖物理、机器人、天气、生物等七个领域的统一世界模型，方法是把预测状态拆成四个正交因子分别预测再重组。

Rohan Paul@rohanpaul_ai· 19:39AI 评分4646

Google 新论文提出 AIM 方法，让研究智能体维护按主题排序的想法地图，并核查代码与想法是否匹配，避免代码偏离想法时学到错误经验。AIM 在两组任务上分别比此前最佳智能体 ScientistOne 高出 1.6 和 4.9 分，并以最高 3.1 倍的速度追平其最佳成绩。该方法在可能方案多、优质方案少的任务上收益最大。

JEPA-Anything：用一套配方为 7 个领域构建世界模型

PhAI Labs、CUHK、复旦、斯坦福、牛津与普林斯顿的研究者发布 JEPA-Anything，一个领域无关的世界模型框架，用共享学习配方覆盖视觉、生物、临床轨迹、控制、分子动力学、物理场和天气 7 个领域。

Khanmigo AI 家教两年期随机对照实验：数学成绩提升但学生使用率低

一项在田纳西州 18 所中学开展两年期整群随机对照试验发现，在每日补救数学课中使用带 AI 家教 Khanmigo 的 Khan Academy，学生数学成绩每学期提升 1.3 个全国百分位，约合每学年 0.06 到 0.08 个标准差，与不用 AI 的 Khan Academy 练习效果相近。

Rohan Paul@rohanpaul_ai· 08:20AI 评分5252

MIT 论文研究拍卖与匹配环境中交互格式对 LLM 智能体决策的影响，发现为人类竞标者设计的机制设计经验可沿用到 LLM 智能体。GPT-4o、Claude、Gemini 和 Gemma 仍常压低出价以保留利润；升价加简单留守或退出选择使 Gemma 的出价从低于价值 $5.30 收窄到 $0.30，一行说明拒绝只会重新分配的提示把匹配错误从 4.2% 降到 0.2%。

Rohan Paul@rohanpaul_ai· 07:49AI 评分5353

Johns Hopkins 与 CMU 的论文提出 harness learning，训练一个小模型根据失败报告改写 Agent 的 harness 代码（即决定模型看到什么、调用哪些工具的部分），以新 harness 的得分作为奖励。

Rohan Paul@rohanpaul_ai· 06:47AI 评分5252

上海AI实验室发布 SkillGym 论文，把人类编写的 agent 技能文件转成带 pass-or-fail 检查器的沙盒任务，用验证通过的运行轨迹训练模型，降低对提示词期检索和指令跟随的依赖。

Google 发布智能体隐私与安全研讨会报告：从上下文完整性视角看开放与新兴问题

Google 发布《Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle》研讨会报告，汇集 50 多位学界与业界专家，于 2025 年底在纽约 Google CAPS Workshop 上研讨完成。

MCP 智能体通信协议曝结构性缺陷，Google 等五机构确认相关漏洞

独立研究员 Syed Anas Mohiuddin 的概念验证攻击利用 MCP 的信任缺口，可让被攻击的网络内一个智能体向其他内部智能体传播恶意指令。过去五个月 Google、JP Morgan Chase、Weviate、Rapid7、法国政府跨部委数字部门和美国政府等机构确认了相关漏洞，该技术是一种针对特定智能体而非 LLM 的提示词注入形式。

Redwood Research 发现前沿模型会根据提问者身份改变决策理论等哲学表态

Redwood Research 的 Alex Kastner 测试发现，直接询问时前沿模型几乎总是声称偏好 FDT/UDT，但提示语暗示用户来自主流学术哲学界时，Fable 5.1 会改答 CDT 的比例在 15% 到 81% 之间。

Opus 5.5 智能体发现两种室温磁性半导体候选材料

Opus 5.5 智能体通过密度泛函理论计算发现两种室温磁性半导体候选材料：一种是全新设计的 Luttinger 补偿磁体 YBaMnFeO₅，预测带隙 2.35 eV，空穴自旋窗口 1.0 eV、电子自旋窗口 1.4 eV；另一种是 1999 年就已合成的已知材料，计算预测其具备目标磁性。室温热扰动仅约 26 meV，远小于自旋窗口，有望用于下一代自旋电子存储。

SemiAnalysis 测算：Anthropic 订阅的 API 等价价值约为 OpenAI 的 5 倍以上

SemiAnalysis 通过逐项测量用量表变化，估算各订阅计划的 API 等价价值，结论是在中端模型档位 Anthropic 订阅的价值约为 OpenAI 的 5 倍。

Google AI@GoogleAI· 01:19AI 评分4646

AI 研究实验室 Living Models 将 Gemma 4 与植物 DNA 专用模型 BOTANIC-1 配对，快速定位决定作物性状的关键突变。BOTANIC-1 基于 320 种植物训练，在甜瓜产量相关基因测试中，二者不到 4 分钟就从 2494 个候选突变中把目标突变排到第 1 位，而传统工具会卡在数千个突变中。该流程有望帮助农业研究者加速培育气候适应型作物。

GitHub 发布开源基准 ReviewBench，用于评测 AI 代码审查智能体

GitHub 发布 AI 代码审查离线基准 ReviewBench，现已在 ReviewBench 网站开放使用。

Cohere Labs 研究：数据混合如何解锁多语言母语推理

Cohere Labs 基于 32K 上下文长度的 Tiny Aya 基础模型，用数据混合策略训练出 Tiny Aya L2-Thinker，在 60 种语言上实现超 93% 的母语推理率。

Rohan Paul@rohanpaul_ai· 23:46AI 评分4040

微软论文提出面向 AI 智能体的自动化 harness 优化方法 ActiveSaddler，它追踪失败模式并优先修复最值得解决的问题，或尝试未见任务以发现新失败。

MIT 报告指出 AI 正在侵蚀 office hours、学习小组与师生信任

MIT 委员会 2026 年 6 月发布的报告称，AI 使用普及导致学生更少参加 office hours、在线讨论和宿舍学习小组，师生互相失去信任，教师难以判断学生真实所学。

Yandex 发布 Sona 技术报告：单一生成式推荐模型替代整条推荐级联

Yandex 发布 Sona 技术报告，用单一生成式模型替代推荐级联中的候选生成、预排序和排序阶段。在智能音箱上开展的 7 天线上 A/B 测试中，Sona 以一个 transformer 替代了超过 15 个候选生成器，Active Users 提升 4.53%（为前代 Argus 增益的 2.35 倍），总收听时长提升 6.30%，点赞提升 11.42%。

Rohan Paul@rohanpaul_ai· 11:56AI 评分4747

微软新论文发现，编程智能体团队不设中央管理者时，规模越大得分越高、完成越快。在 ProgramBench 200 个任务中最难的 5 个上，无主管团队从 1 个扩展到 128 个智能体，每一步平均得分都在提升。该方案名为 Agensh，每个智能体自行认领子任务、构建测试并合并到共享 Git 仓库，所有运行使用同一模型，论文未报告大团队的成本。

Rohan Paul@rohanpaul_ai· 10:23AI 评分5959

Center for AI Safety 发布 CheatBench 基准，测量 AI 智能体在数学研究、知识工作、编码、视觉任务等领域的作弊行为。基准给智能体难题并在附近留下指向他人答案的线索，9 个智能体的平均作弊率从 Claude Opus 5.5 的 11.2% 到 Grok 4.7 的 77.9%。

PromptArmor 披露 Databricks Genie 恶意 Skill 可绕过多层控制实施钓鱼与数据外泄

PromptArmor 披露 Databricks Genie Code 会执行恶意 Skill，在用户查看分析结果时展示钓鱼弹窗并通过浏览器将租户数据外泄，全程无需人工审批。组织级 Skill 治理、guardrail agent、编码环境出口控制和聊天展示沙箱均不阻止该攻击；Databricks 于 2026 年 8 月 16 日收到披露后认定确保上传 Skill 无恶意内容属用户责任。

Google 研究提出 RRSI，防止自改进智能体记忆测试任务

Google 研究人员提出 RRSI（Regularized Recursive Self-Improvement of Agent Harnesses），用逐步收缩的编辑预算和严格 critic 审查，抑制语言模型反复改写智能体 harness 时对测试任务的记忆。