腾讯混元与港科大（广州）提出 Poseidon 流水线，从科学代码库构建 97,659 个智能体训练环境
香港科技大学（广州）与腾讯混元团队提出 Poseidon，一个从科学代码库自动生成可验证训练环境的流水线，并据此构建 Pearl 数据集，包含来自 7,110 个公开仓库、覆盖 10 个学科的 97,659 个环境。
全部动态
按时间排列的全部内容。默认只显示通过双重评分的入选条目；切换到“全部收录”可以检索所有抓到的资料。
281 条收录动态，更新于 17:06
全部收录包含没有通过评分的资料，标题以常规字体显示并标为“未入选”，只供检索，不写入选理由。
10月23日
星期五，1 条10月22日
星期四，1 条OmniDR-Bench：面向视频中心深度研究报告的智能体基准
研究提出视频中心深度研究报告生成任务，并发布 OmniDR-Bench 基准，含 50 个中英文任务、覆盖 19 个真实子类，共 6,414 条评分标准。评测采用 Omni Atomic Rubric Trees（Omni-ARTs），从视听依据、多模态证据使用和交互呈现三维度打分。18 种智能体配置中最佳系统仅得 63.3 分（满分 100），代码与数据已公开。
10月23日
星期五，7 条更多元数据反而误导：LLM 生成博物馆描述中的字段级接地问题
一项基于 TimeTravel 基准的两阶段研究分析了 10,250 件历史文化藏品，考察元数据数量、字段类型、图像可得性与地域记录差异如何影响 LLM 生成博物馆描述。控制字段探针实验显示，字段数量本身不能解释生成行为：语境类字段更易被省略，内容类字段更易被写入但虚构风险更高，图像既能支持视觉接地也会增加无依据解读。研究据此主张按字段与陈述级别评估接地，而非只看输入覆盖率或参考相似度。
SkyRL 把 GLM-5.3-Flash 训练上下文做到 100 万 token，称相对 Megatron 基线提升 64 倍
SkyRL 团队称在 B200（约 178 GiB）上通过四类系统优化，把 GLM-5.3-Flash 的单序列训练长度做到 100 万 token，峰值约 144.5 GiB，约为开箱 Megatron 基线的 64 倍。
引用avi basnet@avigyabasnetSuper excited to share some of the work I’ve been doing on supporting 1M token context training on SkyRL for GLM 5.3 Flash, 64x higher than the out of the box Megatron baseline! 🚀 This work was done in collaboration with the amazing folks at @LilaSciences! 🤩 Getting there took key algorithmic and systems optimizations in four main areas: 1) DeepSeek Sparse Attention: run DSA on a sparse kernel; chunk and shard its quadratic indexer. 2) Activation recompute and offloading: recompute activations in backward and offload saved inputs to CPU. 3) Context parallelism: split each sequence across GPUs, with new CP support for KDA and a fix for DSA. 4) Avoiding unnecessary precision upcasts: keep FP32 copies out of memory and off the network. For more details on our implementations and our results, check out our full technical blog here: https://blog.skyrl.ai/blog/1m-context-glm-5-3-flash! This work benefited from the contributions of many people along the way. Big thanks to @pcmoritz, @erictang000, @sumanthrh, @CyrusHakha, @richliaw from @anyscalecompute and Keith Truongcao, Tushar Khot, Vivek Subramanian, Semih Kara from Lila Sciences for all the help and guidance!
MIT 研究：13 个 Eko 智能体在虚拟荒岛无任务探索 30 小时后自发"玩耍"
MIT 研究团队将 13 个基于 Claude Opus 4.7 的 Eko 智能体无任务地放在模拟荒岛上 30 小时，它们自发创造挑战并表现出玩耍特征，相关论文已发布在 arXiv 预印本平台。
PyTorch Conference North America 2026：共同加速开放智能
PyTorch Conference North America 2026 于 10 月 20–21 日在圣何塞举行，吸引 3,500+ 名参会者，聚焦 PyTorch、vLLM、DeepSpeed、Ray、Helion 和 Safetensors 等 PyTorch Foundation 项目。
RSIHub 发布可组合框架，统一构建与比较智能体进化方法
RSIHub 是一个开源框架，用于在共享基础设施上构建、比较和扩展智能体进化方法，由框架提供执行、评估、恢复和血缘记录，研究者只需关注进化策略。
前沿 VLM 智能体能否胜任机器人通用任务？Embodied Agent Arena 实证评测
研究团队提出 Embodied Agent Arena，在 Geometry、Spatial Reasoning、Affordance、Task Planning 和 Manipulation 五个维度评测十个 VLM 智能体，1000 个用例整合 32 个已有来源与自建的 168 例 GeoProbe 基准（覆盖相机、运动、深度与尺度估计）。
多模态大模型（MLLM）的检索头是否随模态扩展：一项跨 18 个检查点的分析
研究以音视频配对输入考察多模态大模型的检索头机制，在 18 个语言、视觉语言与全模态检查点上发现检索头在新模态下仍保持稀疏，且跨模态大量共享，全模态模型基本保留其骨干网络的检索头。
10月21日
星期三，1 条DeepEvolve 以未来事件预测为环境实现智能体递归自我改进
研究团队提出 DeepEvolve，一个以未来事件预测为任务环境的可持续演化智能体系统，智能体与动态变化的环境持续交互，并把每次预测背后的推理轨迹转化为能力。
10月23日
星期五，1 条FrontierCS 2：计算机科研基准发布
严重推荐！ FrontierCS 2：计算机科学研发基准
引用Wenhao Chai@wenhaocha1Today we are launching FrontierCS 2, the most frontier benchmark for AI agents in computer science R&D. We built 48 tasks from published papers across 13 areas of CS, refining each one with experts in its field. Excited to co-launch FrontierCS 2 with @kaggle @GoogleDeepMind
10月21日
星期三，1 条CulturalRiddles：覆盖 62 种文化的谜语基准发布
CulturalRiddles 是一个由人类通过社区参与式创作、覆盖 62 种文化（45 个国家、51 种语言）的原创文化谜语基准，用于评估大语言模型对多元文化的理解与应用。研究用自动评测和大规模人工评估测试了 28 种 LLM 配置，前沿模型在部分文化群体中准确率最高仅 22%。全部材料已公开，并开放贡献流程以扩展语言与文化覆盖范围。
10月22日
星期四，3 条清华与 Z.ai 提出 RIDAR：自动检测自主科研智能体的科研诚信违规并实时干预
清华大学与 Z.ai 团队提出 RIDAR 框架，用于检测自主科研智能体在选题、文献综述、实验和论文写作中的科研诚信违规（RIV），并给出覆盖全生命周期的 14 类违规分类 RIVT。
TokenGate 可学习剪枝让长上下文 Prefill 提速约 11 倍
斯坦福与伯克利研究者提出可插拔模块 TokenGate，插在现有 LLM 浅层，学习只把重要的 top-K token 传给上层，实现长上下文“跳读”。论文自报无精度损失时首 token 时间快 1.4–11.3 倍、峰值显存降 1.5–3.4 倍，相对最强免训练剪枝最高约 6.4 倍更快、2 倍更省显存。训练成本接近 LoRA，无需从零预训练。
引用Liana@lianapatel_Introducing ✨Token-Gated Language Models✨ for up to 11x faster prefill by learning to skim context, conditionally forwarding only tokens that matter. Akin to the shift from dense models to MoEs, the next frontier of efficient LLMs is conditional computation over a new scaling axis: context tokens🧵👇
Cohere 发布 CulturalRiddles 文化基准
大语言模型在数学和科学上越来越强。但令人意外的是，许多模型连一个简单的谜语都解不开。 @Cohere_Labs 的 CulturalRiddles 是一个新基准，将文化作为交织的、切身经历来测量。秉持开放科学精神，它由一支意想不到的团队打造。
10月21日
星期三，3 条SpatialBrain：从经验中生长的空间智能框架
SpatialBrain 框架在保持视觉语言主干固定的前提下，通过 3DFusionMemory、Spatial Skill Library 和 Spatial Cognition 积累"如何推理"的经验，而非迁移场景坐标或参考答案。在五个空间推理基准上，它在其中四个上优于同一主干的直接作答，第五个持平。
Sarvam AI 介绍面向企业智能体的知识织构构建方法
Sarvam AI 发文介绍其为企业智能体构建的知识织构，把组织文档一次性解析为可导航的知识树，并叠加可按数据库方式查询的领域本体，让智能体在回答时能引用原文段落、表格行和来源页。
多模态具身智能体：从计算机使用到机器人使用的统一能力视角框架 PAPAV
研究者提出 PAPAV 能力中心框架，将多模态具身智能体（MMEA）拆解为感知状态、预判动作效果、规划可行路径、通过接口或本体执行、验证结果五项功能，并据此比较 MMEA 与多模态智能体及机器人系统。在 64 个基准中，显式评估集中在“执行”一项，仅 5 个评估“预判”、3 个评估“验证”，后两者多被任务成功率掩盖。
10月22日
星期四，12 条Frontiers in Science：靶向 GPCR 网络或可延缓衰老
研究人员在 Frontiers in Science 发表论文提出，靶向 G 蛋白偶联受体（GPCR）信号网络的疗法有望同时干预多种衰老相关疾病。作者认为，AI、系统生物学与精准医学的进展可支持基于个体衰老生物标志物的个性化治疗，并与代谢疗法、再生医学等长寿策略互补。该方案目前仍属研究构想，尚待验证。
技术主权能否让高等教育摆脱 Big Tech 依赖？
在 Inside Higher Ed 美国高校峰会上，多位校长称 AI 令人“困惑”“混乱”但也意味着“机会”，有校长表示尚无政策指引，并主张不同时押注单一 AI 平台。
研究对比Wikipedia与Grokipedia引用来源：AI生成百科更少引用学术与新闻来源
加州大学戴维斯分校研究团队对1000对同主题的Wikipedia与Grokipedia词条、近60万条引用实例做八类来源分类，发现Grokipedia对学术与新闻来源的引用比例更低，对用户生成内容、NGO与智库来源的引用更多。
超越来源归属：LLM 构建的学术知识图谱中的作者身份与可比性决策
针对 LLM 抽取并核验后进入知识图谱的论断，PaRAGraph Casebook 用四个可复跑案例展示：同一地名在不同文献分类方案中的归属与层级差异，无法靠核对引文或检索冲突值发现。平台现将记录地址（地名在各来源方案中的位置、名称指单位而非地点的判定、地址来源）作为可比性一个维度的决策对象存储，使工作分类可随新来源修订，而每条比较到证据的路径保持固定。
阿里团队发布 SciTaste-Bench：六学科评估大语言模型判断论文科研品味的基准
阿里巴巴团队等提出 SciTaste-Bench，一个覆盖物理、数学、化学、生物、医学、金融六个学科的金标准基准，用于评估大语言模型判断论文科学价值与潜力的能力，创新性只是其七个评估维度之一。
CIDOC CRM 元素周期表：可测试的文档如何推动人文领域科研本体采用
博洛尼亚大学与哈佛大学 I Tatti 的 Remo Grillo 发布 CIDOC CRM Periodic Table，将 CIDOC CRM 7.1.3、CRMsci 3.2、CRMdig 5.0 和 CRMinf 1.2.1 的 131 个类与 480 条属性条目渲染为单页可导航界面。
面向合金合成研究的开源数据基础设施：第一阶段——成分筛选与文献交叉比对
一位材料科学研究者独立开发了面向单一合金合成实验室的开源数据基础设施第一阶段，包含成分与合成记录的关系型数据库模式、成分/质量计算器、VEC、原子尺寸失配与混合焓三项筛选指标及熔点/沸点合成可行性检查。
MultiphaseHUB：面向多相数据证据化元数据整理与任务感知压缩的社区基础设施
美国多所高校研究者提出 MultiphaseHUB，一个用于组织、发现和复用多相输运数据的社区基础设施与集成框架，将外部托管数据集与模态专属元数据、论文、分析工具及复用边界关联。框架含两部分：LLM 辅助的元数据抽取与从图表提取定量值的智能体文献分析，以及按下游分析所需物理量引导的模态专属科学数据压缩。研究以公开多相数据集作示例，并给出跨设施协调、多模态对齐与任务感知检索等路线图。
米哈游联合清华北大等高校开源 GameScaling 系列游戏模型，覆盖 0.8B 至 27B 参数
米哈游崩坏 AI 研发团队联合清华大学、北京大学等机构开源 GameScaling 系列游戏模型，共 8 个检查点，覆盖 0.8B、2B、9B、27B 四种参数规模，每种分 S1、S3 两个版本。
宇树科技王兴兴：GPT-6 零训练即可控制机器人，宇树正开发"宇树预演"自进化系统
宇树科技创始人王兴兴在 2026 世界物理 AI 大会上透露，宇树测试显示 GPT-6 在完全零训练情况下已能直接控制机器人完成画画、清洗画笔、下围棋等任务。宇树 G1 目前是全球最畅销的人形机器人，累计下线约 1 万至 2 万台。宇树正在开发"宇树预演"物理 AI 机器人自进化系统，让 AI 模型自行搜集论文、写代码、在仿真环境训练并到真实环境测试，由 AI 打分反馈形成自循环。
Perplexity 与 NVIDIA 提出 JOLT 自蒸馏训练法
Perplexity 与 NVIDIA AI 提出后训练方法 JOLT，让同一模型同时充当教师与学生，并训练教师依据自身尝试的奖励学习、惩罚偏离学生行为的漂移。在 MATH 基准上，JOLT 以少 6.5 倍的训练 token 达到与 GRPO 相当的准确率；JOLT+ 额外给学生模型结果奖励，在数学、编程、终端任务和工具使用基准上明显优于 GRPO。
引用Perplexity@perplexity_aiNew research: We developed JOLT, a post-training method where one model acts as both teacher and student, with the teacher trained to give feedback the student can use. On MATH, it matched GRPO's accuracy with 6.5x fewer training tokens. https://www.perplexity.ai/hub/blog/a-good-teacher-meets-the-student-where-they-are
Gemini 4 Argon 将考古档案转为3D遗址
走进千年遗址：看 Gemini 4 Argon 如何将零散的考古记录转化为可探索的 3D 数字遗产遗址。 我们将查科峡谷的原始 LiDAR 扫描数据和档案资料输入 @Antigravity，使用 Argon 和 Blender MCP 构建了 3D 模型 🏛️
