全部动态

TreeOPSD：面向长程智能体强化学习的树感知后验蒸馏框架

TreeOPSD 是一个无需评论家网络、树感知的后验自蒸馏框架，用于长程智能体强化学习，通过将每轮交互视为树节点、从共享前缀分支出备选续写并把终端奖励递归回传为隐式轮级信用。

OfficeTown 提出面向专业组织的生成式模拟框架与 406 项任务基准

研究者提出 OfficeTown，一个面向专业组织的生成式模拟框架：从组织目标与活动的自然语言描述出发，初始化成员分工、委派任务并审阅交付物，产出物与未决事项会持续影响后续工作。

OR-License 基准：评估 LLM 智能体能否胜任真实运筹项目

研究团队提出 OR-License，一个由 10 个工业场景、31 个实例组成的端到端运筹基准，素材来自总额 368 万美元的付费运筹项目，并保留原始需求、输入数据、交付格式与信息边界。

研究揭示检索增强模型为何未使用已获取的证据

Imperial College London 的研究者在 arXiv 预印本中构建了 225 条训练截止后发生变化的时间性事实，覆盖 FDA、金融、体育、人物、SEC 和化学六个领域，评估 GPT-5.6 Luna 的原生网络搜索以及六个开放权重模型配置在固定检索下的表现。

Apertus 1.5 发布：8B 与 70B 模型新增图像音频理解与 262k 上下文

Project Apertus 发布 Apertus 1.5，在 8B 和 70B 两代模型上新增图像与音频理解、可选思考模式，上下文窗口扩至 262,144 tokens，为 1.0 的 4 倍，权重于 7 月 24 日以 Apache 2.0 许可发布在 Hugging Face。

研究：填补科学知识“空洞”更受集体关注，但多数高阶空洞仍未被探索

一项基于高维概念嵌入与持续同伦的研究发现，填补现有思想间“空洞”的科研工作能获得超额集体关注，且这种新颖性回报在发现导向领域最强、设计导向领域最弱。填补空洞后，同一概念组合会被持续研究，其后续研究率是同等未填补空洞的许多倍。但随着知识增长，高阶空洞数量激增而填补比例骤降，多数高阶概念组合仍未被探索。

面向数字知识的通用分类：算法、标识符与首个基准

一项研究提出可拟合的通用分类方案，目标函数为 J = D + 0.005 N，其中 D 为固定相似图上类树的归一化 Dasgupta 成本，N 为按层级计费的期望导航成本（比特）。

TAGHN：面向自动主题标引的文本注意力图重排序方法

针对自动主题标引中词表语义关系被扁平化多标签分类器忽略的问题，研究者提出 TAGHN——在检索候选描述符的文档子图上叠加叙词表邻域，用异构图重排序联合评估候选与文档的相似度及其邻域匹配度。

GRADS：图调控的智能体数据合成框架，实现可控难度的深度搜索任务生成

约翰斯·霍普金斯大学与亚马逊等机构研究者提出 GRADS，一个图引导的智能体数据合成框架，通过维护证据与推理依赖图，在种子选择、证据扩展、问答构建与验证的闭环中实现显式难度控制。

SciΠvot：用 248 例人类纠偏记录评测自主科研智能体的 PI 判断

马里兰大学等机构的研究者发布 SciΠvot，一个基于人类纠偏的 248 例科学判断基准，取材于资深研究者六个月内在 26 个、覆盖六个科学领域的项目上运行 LLM 智能体并反复干预纠正其研究判断的记录。

PremiseCheck：面向人类与 AI 审稿意见的高效事实核查框架

研究团队提出 PremiseCheck 框架，用于核查审稿意见中与论文不符的事实性错误：由 LLM 在不读论文的情况下把每条意见拆成显式前提，再由决策模型对照论文逐条验证，取最低分作为该意见得分。

ReviewPilot：面向系统综述筛查与数据抽取的多智能体系统

佛罗里达国际大学等机构的研究者提出对话式多智能体系统 ReviewPilot，覆盖系统综述的检索、筛查、全文获取、信息抽取与语义归类五个阶段，研究者可通过对话定制纳入排除标准与抽取字段，每条筛查决定附理由、每个抽取值附原文出处，项目记忆保留配置与修订。

上海AI实验室许地生团队用书生-S2 人机协同证明三维Ghys猜想

上海人工智能实验室访问学者、大湾区大学教授许地生团队依托书生科学多模态大模型S2（书生-S2），通过人机协同完成困扰数学界30余年的三维Ghys猜想证明，论文已发布在预印本平台arXiv，形式化代码在GitHub公开。

入选理由材料完整呈现了人机协同证明数学猜想的流程与形式化验证环节，研究者可据此判断大模型在自身领域承担长程推导的可行边界。

Anthropic 用强化学习训练 LLM 对齐审计员

Anthropic 用强化学习训练 LLM 对齐审计员：在训练环境中，策略模型调查系统提示中被植入隐藏行为的目标模型。将 Haiku 4.5 在该环境上微调后，其在审计质量的留出评估上追平 Opus 4.6，并能迁移到不同 scaffold 下更难、经过微调的目标模型。

Leash Bio 发布 Minos 预印本与开放数据集，用 DEL 数据构建智能体科学推理沙盒

Leash Bio 的 Ian Quigley 在 Latent Space 播客中介绍，团队把过去几年积累的 DNA 编码库（DEL）数据转化为数万个 lab-in-the-loop 模拟，供智能体做可验证的科学推理，这一想法已发展为 Minos，并发布预印本、博客和开放数据集。

MPT：让去中心化智能体群体联合学习动作与自组织协调

研究提出基于市场的后训练框架 MPT，让去中心化智能体群体通过出价决定谁参与行动，并据此获得局部训练信号，从而在不设中心协调者的情况下联合学习动作策略与自组织协调。

SciΠvot 基准：用 248 个真实纠错案例评测 AI 科研智能体的科学判断力

研究团队构建了 SciΠvot，一个基于人类纠错记录的 248 案例科学判断基准，素材来自资深研究者六个月内在 26 个项目、六个科学领域中对 LLM 智能体的反复干预。

PhysClosureBench 评测 AI 智能体能否完成有证据支撑的物理研究闭环

研究团队提出 PhysClosureBench，包含 50 项经专家核验、给定研究目标与科学约束的物理任务，覆盖强场、阿秒及邻近物理领域，由智能体自行组织调查并生成、验证证据。

PremiseCheck 提出审稿意见事实核查框架，并发布 ReviewFact 基准

研究团队提出 PremiseCheck 框架，用于核查人类或 AI 撰写的审稿意见是否误述论文内容：先由 LLM 在不读论文的情况下把每条意见改写成明确前提，再由决策模型逐条对照论文核查。

SABER 基准揭示视觉语言模型属性-对象绑定失败，合成文本微调可改善检索

研究团队提出 SABER，一个覆盖全部四种图文模态配对、包含最多十个对象场景的受控基准，用于评测属性-对象绑定；结果显示 CLIP 类双编码器和近期基于 MLLM 的嵌入模型都出现明显绑定失败。

思考如何让推理模型解读“some”与“or”：Entertain, then Cancel

研究在固定模型权重、仅改变思考长度的条件下，考察推理模型对“some”（非全部）和“or”（非两者）等逻辑词日常含义的解读。思考使多数被测开源推理模型和 GPT-5 按逻辑本义解读，取消这些会话含义，而间接回答等依赖上下文的推断则有所改善；推理轨迹显示模型先采纳丰富解读、随后再将其取消。

3DCodeVerse：将 3D 世界作为代码探索

研究团队推出 3DCodeVerse 研究生态，让编程智能体大规模生成可编辑、可验证的 3D 内容，包含 3DCodeVerse-2M 可执行 3D 代码数据集、用于空间推理与自动验证的 3DCodeVerse Harness 多智能体 DAG 框架，以及 3D 编程实践指南。

LLM-Attacker：面向拆分式与分布式 LLM 系统隐私评估的统一红队框架

LLM-Attacker 是一个统一红队框架，用于记录、比较和扩展拆分式与分布式 LLM 系统的隐私评估，兼容攻击可复用已记录消息并保存预测以供独立评分。

ACT3D：用结果奖励让视觉语言模型学会在 3D 环境中主动探索

研究团队提出 ACT3D，让视觉语言模型保持单张图像的原始视觉输入，把 3D 表示当作可交互环境，模型通过移动、转向等动作获取新视角后再作答。方法先做轨迹监督微调，再用以最终答案正确性为主要奖励的强化学习训练，不对访问哪些视角或采取哪些动作提供直接监督。

Lexical Reference Frames：用模型原生语义解读语言模型残差流

研究者提出 Lexical Reference Frames，通过模型自身剩余层读取隐藏状态，使其可按模型原生语义解读。在 SmolLM3-3B 和 OLMo3-7B 中层深度，一阶框架 LexFrame[1] 的相干度达 0.97，而固定方向透镜最高仅 0.30 和 0.35，读取结果与模型输出相差 0.16 nats 以内。

华为等提出 SwarmRSI：让科学智能体群体通过共享研究状态递归自我改进

华为、Leiden University 等机构的研究者提出 SwarmRSI 框架，让科学智能体群体通过演化彼此继承的研究状态（假设、程序与实验证据）实现递归自我改进，代码已在 GitHub 公开。

SwarmRSI 框架让科学智能体群体递归自我改进

作者提出 SwarmRSI 框架，通过 Feedback-Guided Swarm Mutation 和 Complementary Swarm Recombination 两个机制，让科学智能体群体利用彼此的实验反馈修正假设与实现，并把保留的假设和互补程序组件复用到新研究中。

Google 发布地理空间推理智能体技术报告，并开放 Earth AI 早期访问

Google 公布地理空间推理智能体的技术报告，在 CBGB、UnivEARTH 及新发布的 GeoExpertQueries、GeoKTools 四个基准上比较了四种配置，结果显示接入 Earth AI 专用工具后定量空间任务得分明显提升，而开放式问题还需要前置规划。

入选理由Google 公开了地理空间推理智能体的技术报告与两个新基准，并给出 WHO 等机构的早期实测，研究者可据此判断这类地球科学智能体能否接入自己的空间分析流程。

MIT 团队用机器学习后处理将两到六周天气预报准确率提高一倍

MIT 等机构的研究团队开发了一种机器学习后处理层，通过学习历史数据修正现有预报模型的误差，在两周到六周的次季节预报中把黄金标准模型的预测能力提高了一倍，并首次在该时间尺度上超过气候平均值。相关论文发表在 Nature，该方法在 ECMWF 的预报竞赛中获第一名，对极端天气的预测也有统计显著提升。该模型是开源、低成本的附加组件，可搭配任意预报模型使用，肯尼亚气象部门已联系希望用于改进季风预报。

入选理由研究团队用后处理层修正现有预报模型误差，把两周到六周的次季节预报准确率提高一倍，并开源低成本，能源与农业用户可据此评估部署可能。

Euler：面向人类理解的多智能体数学发现系统

作者提出 Euler，一个以共享结构化研究状态为核心的多智能体数学发现系统，记录精确命题与假设、命题间依赖、备选证明路线、失败尝试及每条结论的证据，供研究者和智能体共同使用。