#论文/研究

Rohan Paul@rohanpaul_ai· 02:12AI 评分6161

MIT、斯坦福、纽约大学、普林斯顿联合研究（arXiv:2605.23177）发现，人们预期AI能将简单任务时间缩短约69秒，但实际1237名参与者测试中，AI并未显著减少总完成时间。这种“速度错觉”源于人们能较好预估自己单独耗时，却严重低估AI辅助所需时间。AI在较难任务（如长文本总结或编辑）上确有帮助，但对简单任务作用有限。关键悖论：AI让任务感觉更轻松，即使它并未让任务更快。研究局限性：所用任务均可在5分钟内完成，且参与者为众包工人一次性操作。

NVIDIA HORIZON：免人工干预的硬件设计 AI 智能体框架，Git 工作流驱动，RTL 基准100%通过

NVIDIA Research 推出 HORIZON，一个针对硬件设计的免人工干预 AI 智能体框架。它将硬件设计视为仓库级代码演化，仅需结构化 Markdown 说明（含目标、领域知识、评估器和验收条件）作为输入。自洽智能体循环在隔离的 git worktree 上迭代编辑、调用工具并运行评估器，仅当可执行验收门通过时才提交版本。HORIZON 使用 GPT-5.3 作为固定骨干，保持持久会话以复用提示缓存。在 ChipBench、RTLLM-2.0、Verilog-Eval 及 CVDP（含783个人工编写问题，13个类别）评估中，所有基准套件达到 100% 通过率；首次迭代总体通过率为 47.8%，不同类别收敛速度差异显著（如代码补全需82轮，RTLLM-2.0仅需两轮）。研究团队同时指出，智能体硬件设计问题尚未被彻底解决。

26000名学生研究显示AI隐藏学习成本需两年才显现

一项追踪26000名7-12年级中学生30个月的面板数据研究发现：使用AI后作业分数提升18%，完成时间从64分钟降至45分钟，但闭卷考试分数下降20%，升学考试成绩下降18%至24%，且完全影响约两年才显现。81%长期用户作业完成时间低于50分钟（外包迹象）。社会学科下降27%，STEM下降22%，英语下降17%，语文下降9%。每周使用AI一小时损失约5%，五小时损失30%。早期损失从约25%降至16%但未消失。

Rohan Paul@rohanpaul_ai· 16:41AI 评分4646

新论文"How LLMs See Creativity"测试大语言模型零样本评估图像创造力并输出可解释推理。多数模型与人类评分匹配良好，其中Gemini 3 Flash在两类图像上均领先。但模型存在明显偏见：对精美AI图像评分过高，对粗略草图评分偏低。三个模型展示的推理过程主要涉及所见内容、原创性、视觉质量和最终分数。研究表明视觉创造力评分可规模化，但偏见仍需校准。

Rohan Paul@rohanpaul_ai· 15:41AI 评分4040

一篇新论文提出“热力学智能度量”，将智能定义为系统利用信息和控制使罕见但有效的未来更可能发生的物理过程。现有智能评估只衡量任务完成度，未能解释大脑、大语言模型、控制器等系统的共同本质。论文引入“rare-valid lift”（罕见有效提升）指标：比较系统相对于被动基线产生稀有且有效结果的频率。仅当结果在自然状态下罕见且有效时才计入智能。高提升要求系统能准确识别罕见有效结果，且识别精度高时接近高提升。论文最终将智能视为概率偏移过程。arXiv:2606.20231。

NVIDIA 联合多所大学提出 ASPIRE：自我改进机器人框架，零样本成功率最高提升 77 分

NVIDIA 联合密歇根大学、UIUC、UC Berkeley 等提出 ASPIRE，一个持续学习机器人框架。它通过协调器-执行器架构、闭环执行引擎、技能库和进化搜索，编写并优化机器人控制程序。编程智能体使用 Claude Code（Claude Opus 4.6，1M token 上下文窗口）。在 LIBERO-Pro 上最高比最强基线提升 77 分；Robosuite 双手交接成功率从 20% 提升至 92%；BEHAVIOR-1K 收音机拾取任务从 56% 提升至 88%。利用 LIBERO-90 积累的技能，ASPIRE 在零样本条件下对 LIBERO-Pro Long 任务达到约 31% 成功率，此前方法饱和在 4% 附近。

Rohan Paul@rohanpaul_ai· 14:11AI 评分4242

该论文探讨推理模型在训练后如何提升，指出更好的推理模型更依赖可检查的训练证据而非原始数据规模。推理数据并非简单问答对，有用部分是反馈信号（为何答案、步骤、工具行为或整次尝试的好坏）。核心是将每个训练样本描述为包含任务、模型行为、检查信号和元数据的记录。作者按检查方式分类：基于规则的检查（数学/代码）、环境检查（智能体工具使用）、人类/模型判断。论文指出常见误区：长推理轨迹可能虚假，更难例子对某些模型无用，更大数据集仍可能缺失重要覆盖。关键启示：智能体数据应保留失败动作、重试、恢复、状态差异等混乱信息，因为学习信号常在此处。

我国研制全球首款基于可控存内计算的忆阻器神经动力学芯片

北京大学集成电路学院联合中科院上海微系统所，发布全球首款基于可控存内计算的忆阻器神经动力学芯片，首次将单步运算时延压缩至2.12毫秒。芯片采用40纳米工艺，存内计算阵列与外围电路总面积0.28平方毫米，运行频率50 MHz，单步积分仅需9级流水。在脑皮层重建等任务中较当前GPU提速50至478倍，突破神经动力学实时计算瓶颈。相关成果7月3日发表于《科学》。

Rohan Paul@rohanpaul_ai· 11:41AI 评分4949

ManycoreTech团队的SPEAR论文被ECCV2026接收，将Unreal Engine从视觉模拟器转为可编程机器人训练系统。SPEAR暴露14K个UE函数给Python，以73fps渲染1080p帧，支持脚本化世界、智能体、相机、材质、标签和确定性场景执行。平台基于OpenUSD，形成从真实空间到机器人训练的闭环：数字化→模拟→训练。与Syn-GRPO和WalkerBench共同构成Physical AI的数据、仿真与评估基础设施。

英国 AI 安全研究所：标准基准测试系统性低估 AI 智能体能力

英国 AI 安全研究所（AISI）研究显示，标准基准测试在计算预算有限时会低估 AI 智能体真实能力。在网络安全和软件开发任务中，token 预算从 100 万提升至 1000 万后，模型成功率提升约 25%；数学与学术任务（Humanity's Last Exam）在 500 万 token 预算内提升约 22%。模型消耗 token 量与人类专家完成任务时间呈幂律关系：1 分钟任务对应数千 token，1 小时任务对应数百万，1 周任务对应数十亿。新模型从更大计算预算中获益更多，前沿模型在 5000 万 token 预算下的时间跨度从约 40 分钟（250 万 token）延长至约 4 小时。AISI 建议采用“最小信息预算”方法，在多个计算预算下测试模型，只有当额外计算不再带来能力增长时结果才有意义。

AI 小说洞察：角色刻画较单调、故事多以圆满结局未留悬念

北卡罗来纳大学教堂山分校研究团队利用自动化框架CASPER，从8个维度评估数千个AI生成小说中的角色刻画，发现AI生成的角色往往套路化、依赖刻板印象，故事多以圆满结局收尾，缺乏悬疑和模糊性。研究第一作者、计算机科学研究生Annelise Blay指出，人类作家常留下未解疑问，保留角色神秘性，而模糊性正是故事令人难忘的关键。该研究已发表于ACL Anthology。

Rohan Paul@rohanpaul_ai· 14:39AI 评分4343

新论文提出自我进化智能体架构，解决企业智能体无法从日常杂乱交互中持续改进的问题。当前团队依赖人工检查、修改提示和重新部署，效率低下。论文提出三部分机制：1）以统一格式记录每一步交互；2）通过数据代理清洗、治理、存储并重放真实工作轨迹；3）控制层决定是否更新记忆、技能、提示、工具或模型权重。AREAL2.0展示了窄实现——将在线智能体的LLM调用路由至在线强化学习服务，用真实交互轨迹训练模型更新。作者指出关键缺失并非更聪明的优化器，而是将智能体活动转化为可用学习数据的系统。未来智能体需具备安全、可重放的更新方式而不失控。

Rohan Paul@rohanpaul_ai· 12:39AI 评分6161

一项新研究发现，RL后训练的大部分收益可能仅来自一个Transformer层。论文冻结几乎所有层，每次只训练一层，检查单层能恢复多少完整RL提升（“层贡献”）。在7个模型、3种RL方法和数学、编码、智能体任务中，最佳层通常位于网络中间，早期和后期层贡献很小。实际结果是，仅训练中间层就能超越完整RL训练，例如Qwen3-8B数学准确率达69.1对66.4。

阿里达摩院发布超导材料发现AI智能体Elements Claw

7月3日，阿里达摩院联合中国人民大学、中国科学院大学发布首个超导材料发现AI智能体Elements Claw。该智能体采用“专通融合”架构，基于1.25亿分子/晶体结构预训练的1B参数原子基础模型Elements，判断超导性AUC达0.996，预测临界温度平均误差小于1K。AI仅用28个GPU小时筛选240万晶体结构，预测出6.8万个候选材料，其中4种（Hf₂₁Re₂₅、Zr₄VRe₇、HfZrRe₄、Zr₃ScRe₈）已合成并验证超导性，临界温度最高6.5K。全部240万稳定晶体数据库已开放。

Rohan Paul@rohanpaul_ai· 08:39AI 评分5151

字节跳动Seed推出EdgeBench基准，专门测试AI智能体在12-72小时长时间任务中的学习能力。基准包含134个真实世界任务（涵盖科学、专业知识、软件工程、优化、形式数学、游戏6大类），人类平均耗时57.2小时。智能体在本地工作区快速试错，并接收隐藏裁判的反馈。经过约38000小时智能体运行，发现性能随交互时间精确拟合log-sigmoid曲线，且顶级模型每3个月学习速度翻倍。目前首批51个任务及完整评估框架已开源。

Conformal Thinking：计算预算下推理的风险控制框架

推理大语言模型支持测试时扩展，准确率随 token 预算增加而提升，但预算设定带来风险-精度权衡。Conformal Thinking 框架将预算设定重定义为风险控制问题：在最小化计算量的同时限制错误率。该框架引入上阈值（模型足够自信时停止推理，承担输出错误的风险）和下阈值（提前终止无法解决的实例，承担过早停止的风险）。给定目标风险与验证集后，使用无分布风险控制来最优指定这些停止机制。跨多种推理任务和模型的实验表明，该方法在遵守用户指定风险目标的同时，通过下阈值与集成停止机制实现了计算效率提升。代码已开源。

残差上下文扩散语言模型（Residual Context Diffusion Language Models）

扩散大语言模型（dLLM）可并行解码多个token，但现有分块式dLLM依赖重新掩码机制，仅保留最置信token而丢弃其余，造成计算浪费。本文提出Residual Context Diffusion（RCD）模块，将丢弃token的表示转化为上下文残差并注入下一次去噪步骤，采用解耦两阶段训练绕过内存瓶颈。在长CoT推理（SDAR）和短CoT指令跟随（LLaDA）模型上验证，标准dLLM仅需约10亿token即可高效转换为RCD。RCD在多项基准上以极小额外计算将前沿dLLM精度提升5–10个点，在最具挑战的AIME任务上几乎翻倍基线准确率，等效精度下减少4–5倍去噪步数。

学习扩散语言模型的去掩码策略

研究人员提出使用强化学习训练扩散语言模型（dLLM）的采样策略。该方法将掩码扩散采样形式化为马尔可夫决策过程，以 dLLM 为环境，采用单层 Transformer 策略网络将 token 置信度映射为去掩码决策。实验表明，在半自回归（块）生成中，该策略匹配了最先进的启发式方法，在全扩散设置中则超越后者。

通过可追踪轨迹控制学习结构化推理

大语言模型可涌现推理行为，但复杂推理轨迹在无约束采样中稀疏，标准强化学习难以保证多样性。Ctrl-R框架通过可追踪轨迹控制主动引导rollout，激励探索多样推理模式，并利用重要性采样实现无偏on-policy优化，引入重要性采样权重的幂缩放因子以选择性学习分布外轨迹。实验表明，Ctrl-R在语言和视觉-语言模型的数学推理任务上均取得一致改进。

RL微调VLM的鲁棒性与思维链一致性研究

强化学习（RL）微调被扩展至视觉语言模型（VLM）。研究发现，简单的文本扰动——误导性标题或错误思维链（CoT）——会显著降低模型鲁棒性和置信度，且开源模型衰退更明显。闭源模型呈现类似失败模式，但鲁棒性和推理一致性更强。进一步分析揭示准确性与忠实性的权衡：微调提升基准准确率，但同时侵蚀CoT的可靠性及对上下文变化的鲁棒性；对抗性增强可改善鲁棒性，却无法阻止忠实性漂移。引入忠实性感知奖励能恢复答案与推理的对齐，但与增强结合时训练易崩溃到捷径策略。这些发现强调需联合关注正确性、鲁棒性与视觉推理的忠实性。

苹果提出摊销MIPS方法：用神经网络直接预测最大内积搜索解

苹果机器学习研究团队提出摊销MIPS方法，训练神经网络直接预测最大内积搜索（MIPS）的解。核心思路是将MIPS值函数建模为键集的凸支撑函数，其梯度指向最优键。据此设计两种互补模型：SupportNet（输入凸神经网络拟合支撑函数，用作聚类路由）和KeyNet（向量值网络直接回归最优键，可替换原始查询输入索引流水线）。在BEIR基准文档嵌入实验中，两种模型在FLOPs、探测次数或时钟时间等计算开销指标下均显著提升IVF匹配率。代码已开源。

VideoFlexTok：可变长度粗到细视频分词

VideoFlexTok提出一种可变长度token序列的视频表示方法，采用粗到细结构——首个token捕捉语义和运动等抽象信息，后续token添加精细细节，生成流解码器支持任意token数量的视频重建。相比传统3D网格分词，该结构允许根据下游需求调整token数，在相同预算下编码更长视频。在类别和文本到视频生成任务中，VideoFlexTok以1.1B参数（5.2B的1/5）达到可比生成质量（gFVD和ViCLIP Score）。训练一个处理10秒81帧视频的文本到视频模型仅需672个token，比同等3D网格分词器少8倍。

多智能体团队阻碍专家发挥

在自我组织的多智能体LLM系统中，团队无法有效利用专家成员的专业知识。在多个基准测试中，即使明确告知专家身份，团队表现仍落后于最佳成员（专家智能体）的独立能力，性能损失最高达41.1%。失败主因是未能有效利用专家意见，而非识别专家。对话分析显示，团队倾向于“整合性妥协”——平均化专家与非专家观点，随团队规模增大而加剧，且与表现负相关。这种寻求共识的行为同时提升了对抗恶意智能体的鲁棒性，揭示了协同对齐与专业利用之间的根本性权衡。

Rohan Paul@rohanpaul_ai· 10:05AI 评分6969

该论文指出，MCP服务器设计不同于普通API，因为LLM通过纯语言描述选择工具，过多或模糊的工具会导致混淆。作者归纳了5种实际模式（如暴露数据、运行工作流、保持会话状态、组合服务器、翻译混乱领域API），并警告4个常见错误（大而全工具、模糊描述、不安全外部内容、慢工具应返回job ID）。在54个额外服务器上测试发现，弱模型在可见工具超过10-15个时准确率降至90%以下。良好MCP设计的核心是使工具列表小巧、清晰、安全且稳定。

AISI 研究：智能体评测需计入 test-time compute，固定预算会低估能力

英国 AI Security Institute 发文指出，智能体能力不是单一分数，而是随 test-time compute 变化的曲线，固定预算评测会系统性低估前沿智能体能力，尤其对新模型。

Rohan Paul@rohanpaul_ai· 05:03AI 评分4242

Meta 新论文发现，后训练量化虽能缩小推理模型、降低部署成本，但会导致模型在已得出正确答案后反复自我怀疑，浪费 token。量化在不确定的词选择上引入噪声，使模型更倾向使用“wait”“but”“alternatively”等词重新开启推理。在 5 个推理模型（1.5B-32B）的数学、编程和科学任务上，激进量化使过度思考失败率最高达 52%。通过给 50 个犹豫词施以小惩罚，可剪掉 12%-23% 的推理长度，同时保持甚至提升准确率。

Meta 发布非侵入式脑机接口 Brain2Qwerty v2，词错误率降至 39%

Meta FAIR 团队发布 Brain2Qwerty v2，从非侵入性 MEG 脑信号重建完整句子。九名志愿者输入 22000 句，平均词错误率 39%，最佳参与者 22%。v2 采用异步连续信号窗口，无需击键时间戳。模型使用三个 AI 构建块，包括基于 Qwen3 微调的语言模型将噪声信号转为连贯句子。字符错误率 31%，高于 v1 N-gram 模型的 26%，但词错误率和语义准确率更优。当前与植入式系统（词错误率 <2%）仍有差距，但数据量增加后精度持续提升。

Jim Fan@DrJimFan· 23:22AI 评分7171

继EMPIRE后，Jim Fan团队发布ASPIRE，为机器人构建可自我进化、无限累积的技能库。编码智能体观察仿真和真实机器人的多模态感官轨迹，对控制程序进行进化搜索，将最佳策略蒸馏进不断扩展的库中。ASPIRE无需梯度下降或端到端策略，而是通过传递“技能知识”绕过sim2real和跨本体迁移难题，相比从头训练实现约10倍迁移学习token缩减。已在150+任务和90+技能上验证，计划开源全栈。

理想汽车登台 ISCA 2026，马赫 M100 芯片论文入选

理想汽车近日在 ISCA 2026 发表题为《马赫 M100：面向通用 AI 计算的编排式数据流架构》的演讲，成为自 2020 年该会议工业分区设立以来首家入选的中国车企。马赫 M100 是全球首款基于数据流架构的大算力端侧推理芯片，采用 5nm 车规级工艺，单芯片算力 1280TOPS，算力利用率达 82%；双 SoC、双 MCU、双供电完全冗余架构满足 ASIL-D 最高功能安全等级。该芯片已随全新理想 L9 及 L8 量产上车，全链路自主完成。

Rohan Paul@rohanpaul_ai· 15:32AI 评分6868

一项研究通过分析政策文件、开源模型发布、GitHub活跃度、论文及美国专利发现：美国加强出口管制后，中国开发者在开源大语言模型项目上的活跃度远超美国开发者，美国政策非但未遏制中国AI发展，反而加速了其开源生态建设。Perplexity CEO Aravind Srinivas 补充称，中国建设数据中心速度更快，电力、许可、人力、劳动力、专业知识均不构成障碍。

Greg Brockman@gdb· 14:00AI 评分5656

OpenAI 推出研究级基准 GeneBench-Pro，用于测试 AI 智能体在真实计算生物学中处理复杂、需要高度判断的分析能力。每个问题需要人类专家约 20-40 小时完成。Greg Brockman 表示，GPT-5.6 Sol 在该基准上实现了重大进步。

Anthropic 提出回合平均稀疏自编码器 (Turn-Averaged SAE)

Anthropic 对每个对话回合所有 token 的残差流取平均后训练 SAE，大幅减少需解析的特征数量。实验使用 Qwen-2.5-7B-Instruct 和 LMSYS-Chat-1M 数据集，回合平均特征更关注模型行为的高层特性（如错误答案），每 token SAE 侧重数值推理等细节。Sonnet 4.6 评测显示：回合平均 SAE 在从 10 个回合中唯一识别目标（区分度）为 74%，低于每 token SAE 的 95%；但在全面描述回合（覆盖度）上以 77% 胜出。该方法可外推至训练平均长度 150 倍长的回合。

OpenAI@OpenAI· 01:37AI 评分5858

我们正在引入GeneBench-Pro，一个研究级基准测试，用于衡量一种更难的AI进步：智能体在混乱的生物数据中导航、选择正确分析路径、并做出真实计算研究所需的判断决策的能力。

Jim Fan@DrJimFan· 01:20AI 评分5353

Jim Fan 团队推出 ASPIRE，一种让机器人通过进化搜索自动扩充技能库的持续学习系统。编码智能体观察仿真与真实机器人的多模态感知痕迹，对控制程序进行进化搜索，将最佳知识蒸馏到不断扩展的技能库中，使机器人解决第 100 个任务时不再像第 1 个那样从零开始。ASPIRE 实现约 10 倍“迁移学习 token”的削减，支持 sim2real 及单臂到双臂硬件的跨实体迁移。项目展示了 150+ 任务和 90+ 技能，将开源完整代码栈。

OpenAI 发布 GeneBench-Pro：计算生物学研究级基准测试

OpenAI 发布 GeneBench-Pro，用于评估 AI 智能体在计算生物学中处理模糊性和做出判断性分析的能力。该基准包含 129 个问题，覆盖统计遗传学、群体遗传学等 10 个领域 21 个子领域。每个问题提供真实混乱的数据集和实验背景，要求模型探索数据、选择分析路径并迭代实验。采用合成数据构建，已知完整因果结构。82 个问题已由外部领域专家审核确认其现实性。

Meta 公布 Brain2Qwerty v2 非侵入式脑机接口新研究：AI 从脑磁信号中“读心”，准确率最高达 78%

Meta 推出 Brain2Qwerty v2 非侵入式脑机接口研究，利用脑磁图（MEG）设备记录脑部磁场信号，通过 AI 模型还原自然语言。模型基于 9 名志愿者约 10 小时、22000 句子数据训练，并利用上下文补全噪声信号。实验显示平均单词识别准确率约 61%，最佳受试者达 78%，超半数测试句子错误不超过 1 个单词。目前仍需大型实验室级 MEG 设备，距离实用化有差距。Meta 已在 GitHub 开源训练代码，v2 数据集待论文接收后开放。

Meta 发布自研 Vistara 芯片，复用拆机 DDR4 内存搭配 DDR5 新服务器

Meta 在 ISCA 2026 大会发布自研 Vistara ASIC 方案，通过 CXL 2.0/1.1 规范的 PCIe Gen5 x16 接口将拆机 DDR4 内存桥接到新服务器。每台 MemServer 配备 768GB DDR5 和 256GB DDR4（3:1 配比），单个 ASIC 支持双通道 DDR4 最高 3200 MT/s、最大 256GB。该方案已在数百万台服务器中用于分离式机器学习推理、大数据处理等场景，可将推理服务器数量最多减少 25%，分布式缓存平均延迟降低 29%。

Thinking Machines Lab 用专家标注微调 Qwen3-235B，在金融判断任务上超越前沿模型

Thinking Machines Lab 与 Bridgewater AIA Labs 发布研究，用专家投资者标注的数据微调 Qwen3-235B，在六项金融信息筛选任务上平均准确率从最佳前沿模型的 78.2% 提升至 84.7%，推理成本降低 13.8 倍。

PromptArmor 测试 104 万个 Skills，微软 Copilot Cowork 安全扫描混淆后漏检 99.6%

PromptArmor 从 SkillsMP、Claude Marketplaces、skills.sh、ClawHub、Composio、LobeHub 六个市场收集约 195 万条 Skills。

Together AI 发布九篇 ICML 2026 论文，覆盖从 Agent 到 GPU kernel 的全栈研究

Together AI 为 ICML 2026（7 月 6 日至 11 日，首尔）带来九篇论文，按技术栈从 Agent 到 kernel 分层介绍。