全部动态

面向科学 AI 的可观测量特定有效性检验：受控近似与干预响应

研究提出"可观测量特定有效性记录"，把近似与其参考模型、误差度量、容差、参数域及变换或干预绑定，用于科学 AI 的可核查验证。在 16 次重复神经网络拟合中，施加量纲齐性使能量尺度迁移误差从 52.3% 降至 0.0768%，同时满足 gap 与响应容差的中位比例从 0 升至 100%。

利用大语言模型增强学术论文摘要与全文中的知识实体关系抽取

一项 arXiv 预印本研究系统比较了闭源 LLM 的 CoT 提示、LoRA 微调的开源 LLM、LLM 增强小模型（SLM）等多种策略在学术论文知识实体关系抽取（KERE）上的表现，并新增 SLM 增强开源 LLM、闭源 LLM 增强开源 LLM 两种策略。

研究比较五种 LLM 论文评审范式：排序相关性与录用决策质量出现分离

中国人民大学与安特卫普大学的研究者在 232 篇分层抽样的 ICLR 2025 投稿上比较了五种 LLM 评审范式（Direct、Anchor、Group Rating、Elo、Swiss tournament）、三种输入形式和三个模型，并在全部 11,513 篇有评分的投稿上复现。

Retrieve-then-Disambiguate：从文献中检索并消歧审稿人候选的开源算法

密歇根州立大学的研究者提出开源算法 Retrieve-then-Disambiguate，把审稿人发现表述为检索问题：先按标题摘要相似度检索相关论文，再对作者姓名做消歧，最后按领域相似度排序候选身份，不依赖预定义候选池。

研究提出评估作者消歧可信度的可复现方法，在 30 所机构对比 OpenAlex 与 Dimensions

一篇 arXiv 预印本提出用四项测试估算科研信息源接入机构 CRIS 的整理成本，其中两项只用公开数据，两项对照机构自有已核对记录。

智元联合清华、无问芯穹发布 CEL 群体经验学习：96 台真机实现机器人教机器人

智元携手清华大学、无问芯穹发布群体经验学习范式 CEL，让机器人以同伴的真实作业轨迹为经验来源，在插花、叠衣、手机充电、凳子组装、手机包装五项真实任务上训练的策略全部超过 6 名人类远程操作员平均水平，最高领先 16.7 个百分点。

SpecPilot 用自主智能体循环为推测解码发现算法与系统优化

SpecPilot 是一个自主智能体循环，针对每种部署自动发现推测解码的算法与系统优化，每轮由成本模型定位当前系统与上限之间的最大差距，并行智能体探索方向并整合成功方案，同时用 token forcing 对照原始系统检查输出以检测 reward hacking。

Recursa 发布可递归自我改进的基础模型系统

研究团队提出 Recursa，一个无需人类专家或更强教师模型、靠自身经验适应新领域的基础模型系统。它用知识库存储领域技能、技能适用时机、过往任务记忆与反思，先从领域材料引导构建知识库，再通过递归自我改进，由并行学习器执行任务并合成局部改进，经校验后合并进知识库。

LeCun 与 Balestriero 用数学论证柏拉图表征假说并给出更优训练路径

alphaXiv 介绍 Yann LeCun 与 Randall Balestriero 的一项工作，从数学上表明在一定条件下，两个完全独立训练的 JEPA 可以学到基本相同的世界表征，一个从同一场景的不同图像学习，另一个从该场景的不同描述学习，全程不使用图像文本配对。

视频世界模型的潜在预测误差何时能支持物理意外判断？

一项评估框架在 IntPhys2、Physion++ 和 Kubric 上检验视频世界模型的预测误差能否代表物理意外，发现 V-JEPA2 仅暴露有限的"可能/不可能事件"信息。

Simjecture 框架：语言模型智能体以反例驱动完成 Z-pinch 辐射能超额研究

西安交通大学团队提出开源框架 Simjecture，让语言模型智能体围绕人类设定的物理猜想做反例搜索与前瞻性假设修正，并以计算物理作为可执行检验平台。

入选理由作者团队公开了 Simjecture 框架与完整研究记录，研究者可据此判断反例驱动的智能体研究在计算物理中能承担到哪一步。

Simjecture 框架以反例驱动智能体研究 Z-pinch 辐射能超额问题

作者提出开源框架 Simjecture，让语言模型智能体围绕人类设定的物理猜想，以反例驱动的证伪和假设修正推进研究，并用计算物理作为可执行测试环境。团队用该框架开展 82.6 小时研究，考察 Z-pinch 中辐射能超过内爆壳动能这一长期问题，结果显示更强的相干螺旋形变会提高电阻转换、降低辐射并增加滞留能量，更宽的尾随等离子体分布则推迟后段辐射峰值并弥补早期辐射热计亏损。

BioAgent-DF 审计生物医学研究智能体的决策溯源：结论不变但证据路径可能已变

作者提出 BioAgent-DF，用配对参考值与候选值在原坐标上还原或移植，审计生物医学研究智能体在工具数值被静默污染后读了哪些文献、引了哪些句子。在 SciFact 的八个批次中，Qwen3.5-4B 在三个捕获–论断组合上出现可重复的引用变化，Gemma 3 4B IT 在四个组合上出现可重复的阅读与引用变化，共涉及两个论断，而完整还原可恢复参考证据集且结论不变。

智能体计算机图形学研究进展：统一分类框架与智能体文献分析系统

一篇报告提出面向计算机图形学各类任务的智能体系统统一分类框架，并开发了一个智能体文献系统，可辅助研究者大规模分析已有和新发表的论文。报告据此梳理了该领域的新兴研究趋势，并讨论了跨图形任务协调智能体与工具、设计人机协作接口与表示、维持长程规划与迭代改进、可靠评估交互式图形系统等开放挑战。该报告发布在 Hugging Face Daily Papers，原文未说明是否经过同行评审。

StreamDuo：面向未见游戏的双智能体实时解说系统

StreamDuo 将可训练解说智能体与冻结的科研智能体配对，后者实时读取所玩游戏 wiki，解说遇到无法命名的内容时发送当前帧，约两秒后取回条目。仅在 Baldur's Gate 3 上训练、在十款未见游戏测试，实体召回率从 Proact-VL 的 0.082 升至 0.116，源游戏泄漏从 9.9% 降至 1.0%，时序与 LLM 评判的解说质量均为流式模型最佳。

混合架构中循环层抢先学会检索，BLD 冻结训练法改善注意力层

论文发现混合架构中循环层学习检索更快，抑制了注意力层掌握同一能力，为此提出 Better Layer Division（BLD）：训练早期暂时冻结循环层，迫使注意力层先学会检索，再让两部分共同训练。在 180M-1B 参数模型上 BLD 一致提升检索表现，750M 模型 RULER 准确率从 26.53% 升至 32.82%，长上下文困惑度从 12.68 降至 8.08。

DCRM：面向科研智能体的决策中心模型与 RD-Bench 基准

作者提出决策中心研究（DCR）框架，把科研智能体在证据取舍、下一步行动和研究方向上的选择定义为基于显式 Research State 的类型化预测，共 24 种决策类型，其中 10 种在 2000 条规则生成案例构成的 RD-Bench 中实例化。

面向长周期科研智能体的动作构建：阅读集框架评估实验设计的信息价值

研究团队提出阅读集（reading-set）框架，用于评估科研智能体动作指令所隐含的实验设计，并按统一成本规则对每种设计做预算门控。在 30 个合成状态上，完整设计请求相对动作名称基线在两个模型家族中分别将可负担效率提升 465.98% 和 327.91%。作者自建的 60 个场景、240 个候选动作数据集显示，场景级信息每成本指标与 18 名人类参与者判断的平均场景内相关系数为 0.733。

循环Transformer：仅循环中间层效果更优

论文比较不同循环架构发现，仅循环Transformer中间层优于反复循环整个模型；Huginn式设计（在独立输入输出层之间放置循环层）整体表现更好，尤其在推理任务上。8B参数下Huginn MoE在10项基准中8项超过Ouro，存储参数比算力匹配的32B前馈MoE少75%，GSM8K准确率83.6%对80.8%。

Claude Sonnet 5 自主选定基因疗法并完成小鼠脑部注射

据 Exin Therapeutics 联合创始人、牛津大学博士生 Gabriel Ocana-Santero 在 X 上描述，团队给 Claude Sonnet 5 一份包含 19 种候选基因疗法的清单、一个癫痫小鼠模型和一台带摄像头的定制电动手术装置，唯一指令是减少小鼠的癫痫发作；该智能体自行选定了药物、脑区和立体定位坐标，并完成注射。

StreamDuo：面向未见游戏的实时解说员与研究智能体

StreamDuo 将可训练解说员与读取所玩游戏 wiki 的冻结研究智能体配对，让模型为训练中从未见过的游戏做实时解说。仅在 Baldur's Gate 3 上训练后，它在十个未见游戏上把实体召回率从 Proact-VL 的 0.082 提升到 0.116，并将源游戏泄漏从 9.9% 降至 1.0%。在流式模型中，它的解说时机最佳，生动度与整体质量评分也最高。

研究者用 JEPA 证明并改进柏拉图表征假说

研究者提出柏拉图表征定理，证明在不同模态上分别训练的联合嵌入预测架构（JEPA）在正样本对为同一场景的两个观测时，学到的表征仅相差一个旋转。作者进一步指出下一词预测相当于使用劣质视角的 JEPA，这解释了语言模型为何只能靠规模与视觉对齐。

研究重析AI科研智能体论文：无来源数字多为错配而非编造

一项针对 Into the Unknown 基准的重分析发现，AI 科研智能体论文中不受支持的数字多数并非凭空编造，而是取自智能体自己的结果文件却对应了错误的实验、指标或运行。

Meta 等机构提出 AutoBenchmark 与 HackBench，研究自主科研代理与人类协同

Meta FAIR 等机构的研究者在 arXiv 预印本中提出 AutoBenchmark，让自主科研代理从任务说明出发端到端构建基准，并用求解器轨迹和 LLM 评审两类反馈迭代修订。

让 AI 自己提出研究问题：自主科研代理连续完成五次从选题到修订论文

作者 Ko Fujimura 报告一套由通用编程代理、约 7300 词指令文档和两个技能（研究问题构思、同行评审）组成的自主科研系统，在笔记本电脑本地计算、无人类研究输入的情况下连续完成五次运行，从提出研究问题走到经 AI 评审并修订的可重算论文。

超越通过测试：LLM 生成代码质量提升技术的系统综述与受控复评

一项 arXiv 预印本对 628 项原始研究（2021 年 7 月至 2026 年 10 月）做了系统综述，并按同等算力预算对十种提升 LLM 生成代码质量的技术做受控复评，覆盖正确性、可维护性、效率与安全四类基准。

研究：检索到的文献如何影响大语言模型的科研构思

一项 arXiv 预印本研究在统一生成协议下比较五种文献检索策略与无文献基线，覆盖 15 个机器学习主题、十个开放权重模型和 45,000 条研究想法。结果显示，相对无文献基线，五种检索策略使同一组论文生成的想法多样性下降 5.6%–17.9%，而把不同论文集生成的想法合并后，多数策略使多样性提升 10.2%–18.1%；对想法质量与新颖性的平均影响较小且随主题变化。

rTaste 研究：六个前沿模型能否判断哪些实验值得做

作者让六个前沿模型以单人或团队形式，从七篇近期 NLP 论文出发各提出五个最小可行实验（MVE），并预测结果、排序；独立执行器把 415 个 MVE 全部跑完，再由三个模型审计。

UnderSpec-DR 框架评估查询欠明确对深度研究代理的影响

得克萨斯农工大学等机构的研究者提出 UnderSpec-DR 框架，系统评估用户查询欠明确如何影响深度研究代理的最终答案质量与中间检索行为。

ExpDis 将 RLVR 的探索与优化解耦

论文提出 Exploration-Distillation（ExpDis），把 RLVR 训练拆成两个模型：探索者因找到新颖解法获得奖励，学生模型只从探索者已验证正确的解法中学习，再继续标准 RL。在三个模型上，相同算力预算下 ExpDis 在数学推理上优于标准 DAPO，准确率与解法多样性均提升，甚至超过训练步数多 4 倍的 DAPO。