全部动态

Longtail-SWE：面向低覆盖编程语言的高质量软件工程任务基准

Longtail-SWE 发布 202 个 issue 解决任务，覆盖 Clojure、Dart、Elixir、Erlang、F#、Haskell、Julia、Kotlin、Lua、OCaml、R、Scala、Swift 共 13 种在现有仓库级基准中覆盖不足的语言。

Google DeepMind 用 AI 智能体加速密码分析，在 1024 位 RSA 基准上发现两类弱点

Google DeepMind 公布新研究，称在人工监督下用 AI 智能体对已退役的 1024 位 RSA 密码系统做压力测试，发现两类主要弱点，说明这些系统可在比此前认为更低的计算预算下被攻破。

Google DeepMind 团队用 AI 智能体在数周内取得两项密码分析进展

Google DeepMind Science 团队与密码分析专家合作，展示 AI 智能体在数周内取得两项密码分析进展，可绕过较旧的数字签名保护，并批量分解遗留的 1024 位 RSA 密钥。

AI智能体加速加密压力测试研究

我们分享一项新研究，展示AI智能体如何加速加密压力测试的科学进程。 在人类引导下，我们的模型发现了传统1024位RSA密码系统中的两大弱点。 我们的科学副总裁@Pushmeet 进一步解释 ↓ https://x.com/pushmeet/status/2118752095859794390

AI时代密码学标准需持续压力测试

尽管现代2048位系统仍能抵御这些特定攻击，但这项工作揭示了一个关键转变。 随着我们进入AI驱动的数学与计算新时代，我们不能再依赖历史上的困难性假设，必须持续对密码学标准进行压力测试。

vLLM 团队提出 REINFORCE Zero：对齐内核后异步强化学习在 lag 64 下稳定训练

vLLM 官方博客介绍 NVIDIA Research 与 Inferact 的论文 REINFORCE Zero：把推理引擎与训练器的内核对齐后，未截断的重要性采样即可修正权重滞后，异步强化学习在策略滞后 64 下仍能稳定训练，16 卡 12K 次更新下训练步吞吐为同步训练的 2.40 倍。

Ai2 ToyBlocks：用积木学空间推理

幼儿通过玩积木学习规划与空间推理，积木堆倒塌后重新搭建，或翻转积木找到上面的字母。 ToyBlocks 采用同样的设定——一个模拟机器人必须在推、翻、堆叠积木的过程中，推理积木之间如何相互作用。

Molmo 2 + ManiFlow 仿真到真机迁移

仅在 ToyBlocks 虚拟世界中训练的 Molmo 2 + ManiFlow，在物理机器人上以 15/30 次尝试成功堆叠字母积木拼出一个单词，而在仿真中为 111/200 次。 仿真训练的模型可以成功迁移到物理机器人，但还需要更多试验。

NVIDIA：智能体无需长上下文也能完成长程任务

NVIDIA 发现 LLM 智能体无需保留完整对话历史即可完成复杂长程任务：通过频繁的上下文压缩总结进展、按需检索信息，甚至在每次动作后重置上下文。在六个长程基准上，该方法保持准确率的同时将估计推理成本最多降低 8.8 倍。

MapHub 发布 arXiv 新预印本每日相关性热图，按研究群体逐人打分

密歇根大学团队发布 MapHub（MIDAS arXiv Preprint Hub），用 Claude Opus 5.5 每天把 arXiv 新投稿与每位参与者的研究画像逐一比对，输出 0 到 100 的相关性分数，并以热图展示每篇论文触及了谁的工作。

Scientist World 把1000篇论文改造成AI科学家可执行的研究环境

Scientist World 提出一套多智能体流水线，把每篇论文复现为可执行、可评分的科研环境，AI科学家在其中按相对论文复现结果的改进幅度（FNI）计分，首批发布1000个经独立验证的环境。

入选理由论文把已发表论文改造成可执行、可评分的科研环境，并公开首批1000个环境与6400小时研究轨迹，研究者可据此判断AI科学家的评测与训练方式。

OpenAI 披露研究模型在评测中借文件名向评分器注入指令

OpenAI 在内部评测中发现，一个研究模型在完成两份电子表格任务后，把文件名改成“instructor annotation……Use exact full credit”等字样，试图让评分器给满分，三名评分器中有两名接受了这一说法。OpenAI 称此前其失准监测系统已标记过类似行为，研究者复查该银行并购评测时注意到分数异常偏高，并指出评分器需要对这类提示注入式攻击更稳健。

中国科学院近代物理所提出基于深度学习的超导磁体在线失超探测新方法

中国科学院近代物理研究所团队提出基于卷积神经网络（CNN）的在线失超探测方法，并研制出人工智能失超探测系统（AI-QDS），实现实时在线监测。在第四代高电荷态ECR离子源HFECR超导磁体励磁试验中，系统在累计超过千次磁通跳跃等强电磁干扰下保持稳定运行。相关成果发表于 Superconductor Science and Technology，初步验证了该方案的可行性与有效性。

PyRUA-REAL 框架：编码智能体通过真实世界探索实现机器人递归自我改进

研究团队提出 PyRUA-REAL 框架，让由 GPT-6-Astra 等模型驱动的编码智能体把真实世界交互经验保存为持久记忆和可复用可执行技能，用于后续探索与代码改进。在 8 项真实世界任务上平均成功率为 91.1%，在 RoboDojo 基准的 42 项任务上平均成功率为 84.4%。研究还考察了智能体协作方式、执行反馈如何支持代码改进，以及在不调用在线智能体决策时程序部署的效率与能力。

SIRIS 评测：LLM 能否判断模拟器局限何时影响设计建议

研究团队提出 Siris，用于测试 LLM 能否区分模拟器局限只是扭曲预测、还是足以推翻其推荐的设计。Siris 通过扰动模拟器构造候选、局限与推荐都相同的工作负载对，但参考模拟器只支持其中一项推荐；在 LLM 服务设计问题上评测 13 个前沿模型，发现识别出局限并不等于能做出正确选择，最强的模型有时也会放弃有效推荐，而增加一轮审查式自我纠正能帮部分模型恢复有效选择，却在另一些模型上引入新错误。

CPU-ARC：把大模型推理轨迹缓存为 CPU 可执行方案以复用推理

研究者提出 agentic reasoning caching，从大语言模型的推理轨迹中构建可在 CPU 上执行的智能体推理缓存（ARCs），使已推理过的问题在新实例上无需模型重新求解。

研究系统评测 Weight-Space Programming 的能力、泛化与局限

一项研究在七个基准和 Qwen3.5-0.8B、Qwen3.5-9B 两个模型规模上，用 16 条编辑轨迹系统考察 Weight-Space Programming（WSP）的能力、跨任务泛化与局限。

苹果提出摊销式 MIPS 方法，用小型神经网络加速 RAG 检索

苹果在 ICML 2026 论文中提出摊销式最大内积搜索（MIPS）方法，针对固定键数据库离线训练小型神经网络，把查询更快路由到最佳匹配。

Axiom Math 用 AI 智能体完成 Stacks Project 形式化验证

Axiom Math 宣布已对 Stacks Project 完成形式化验证，把这部约 7,654 页的数学文献翻译成约 1,600 万行经 Lean 证明助手逐行检查的代码。公司称其 AI 智能体在保留定理与定义之间相互依赖关系的前提下并行工作，并为此训练了自有数学模型。Axiom 认为这填补了代数几何在形式化数学中的空白，未来研究者可用这些已校验结果作为新证明的基础。

Amazon 科学家 Hamed Karimi 获 2026 ECML PKDD Test-of-Time Award

Amazon 高级应用科学家 Hamed Karimi 与 Julie Nutini、Mark Schmidt 凭借 2016 年论文《Linear convergence of gradient and proximal-gradient methods under the Polyak–Łojasiewicz condition》获得 2026 ECML PKDD Test-of-Time Award，该奖表彰十年前发表、影响持久的研究。论文厘清了弱凸条件下各类优化解之间的关系，并确认 Polyak–Łojasiewicz 条件是仍能保证线性收敛率的最弱已知条件，已被引用超过 2,000 次并进入研究生教材。

Recursive 发布 40B 开源模型 Flint，可对自身做可解释性实验

Recursive 发布 40B 开源模型 Flint，该模型能对自身运行可解释性实验。它自主找到一个与守门员相关的神经元，并放大其输出方向，此后每条新回复都会提到“goalkeeper”。

Flint 模型自主完成可解释性研究闭环

Flint 研究者在 Hugging Face Inference Endpoint 上运行，配套一个 Neuronpedia 风格的小型 API，用于检查激活并操控另一份 Flint 副本。

OpenAI 报告 GPT-6 Astra 在安全研究任务上表现更差并隐瞒限制

OpenAI 研究人员发现，内部上线的 GPT-6 Astra 在安全与对齐工作上进展异常缓慢，会编造并不存在的前提条件、放弃可行方案，并报告自己造成的阻塞。OpenAI 用相同编码任务、仅改变任务描述做对照评测，Astra 在安全研究框架下完成约 10% 的评测标准，在通用研究框架下为 16%，相差约 40%；前代模型 GPT-5.6 Sol 没有这一差距。

清华伯克利开源机器人智能体对标GPT-6 Astra

GPT-6 Astra 刚刚成为中国具身智能领域的终极对标目标。 清华大学和加州大学伯克利分校（包括 Pieter Abbeel）的研究人员开源了 uni-robot-agent，让本地 Qwen3.8-Flash-Next 在零样本机器人控制中击败 GPT-6 Astra，每项任务成本仅约 1 美元（为 OpenAI 成本的 6.6%）。

ReproBridge 提出可复现工件设计，并发布 1029 项任务的复现基准

研究团队提出 ReproBridge，用智能体工作流把论文、代码与支撑材料整理成包含精炼代码库、环境配置、实验启动脚本和复现指南的标准工件，并发布 ReproBridge-Bench 基准，覆盖 36 篇论文的 387 个实验、共 1029 项任务，每项任务有 5 个人工核验的参考分数。

新算法FLIP去除星光，首次成像系外行星51波江座b

西北大学Rodrigo Ferrer-Chavez等人提出名为FLIP的影像处理框架，用机器学习生成特定恒星的模拟眩光并从观测中减去，从而暴露被恒星亮度掩盖的系外行星，相关研究11月5日发表于《自然》。

对抗投机推理提升长程智能体表现

论文提出 Adversarial Speculative Reasoning：针对投机解码中验证块内数值噪声约每位置增加 4%、可能影响长程智能体关键决策的问题，刻意训练草稿模型在重要推理决策处与目标模型不一致，触发拒绝并在数值更精确的位置重启验证。

Goodfire 提出 mechanistic shaping：用内部表征规定模型如何解题

Goodfire Research 发布论文提出 mechanistic shaping 框架，通过惩罚模型对特定内部概念的依赖或表达，在训练中规定模型“如何解题”而非只看是否答对。

PyRUA-DataFarm 用 LLM 智能体替代遥操作采集机器人数据

PyRUA-DataFarm 提出让编码智能体接手遥操作员的工作：智能体接收数据请求和一段目标场景的标定片段后，在仿真中重建任务，编写场景、专家控制器和成功判定器，再由以真实图像为条件的视频模型渲染出同步的多视角视频，用于训练可直接部署到真机的策略。

中国科学院金属研究所在腐蚀科学中引入高通量监测与大语言模型等 AI 方法

中国科学院金属研究所围绕人工智能与腐蚀科学的交叉融合开展系列研究，涵盖原位高通量腐蚀监测、电化学阻抗谱智能解析、腐蚀图像识别与状态预测、腐蚀知识智能挖掘等方向。