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。
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。
430 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
星期五，4 条前沿 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。
TTME 在科学发现任务上优于测试时训练，算力开销降低逾八成
研究提出测试时记忆演化（TTME），一种即插即用的测试时适配方法，通过持续更新外部记忆、蒸馏经验来指导后续发现，而不更新模型权重。在相同的科学发现框架下仅替换测试时适配方法后，TTME 在全部五个数学任务上优于测试时训练（TTT），FLOPs 降低 82.8-84.6%，运行时间缩短 47.7-58.4%。
10月21日
星期三，3 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。
Quant-Arena：用真实 A 股数据评测 LLM 智能体的量化研究能力
研究团队推出 Quant-Arena，这是一个面向端到端量化研究的基准与公开排行榜，使用真实 A 股数据：模型需自行构建特征与选股代码，仅能获得 2022–2023 年的反馈，并冻结一个策略在封存的 2024 年接受评估。
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
星期四，2 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🧵👇
10月21日
星期三，1 条LASAGNA 框架评估 450 组 RAG 配置：单项技术增益叠加后大幅缩水
研究团队提出开源框架 LASAGNA，用于受控评估 RAG 流程，在八个基准和 5K 至 200K 文档规模的语料上测试了 450 组配置。三项预注册假设的结果显示，三项检索技术单独预测可带来 +47% 提升，组合使用后实际只有 +17%；检索质量与答案忠实度偏好的设计不同，优化其一可能损害另一项；最优组合还会随语料规模变化。
10月22日
星期四，2 条Perplexity 与 NVIDIA 研究人员提出 JOLT：一种师生联合强化学习方法
Perplexity 与 NVIDIA 研究人员提出 JOLT，一种师生联合强化学习方法。现有材料仅包含网页 Cookie 声明，未提供方法细节、实验数据或发布渠道信息。
OpenAI 智能体 32 分钟完成小鼠全脑 CRISPR 图谱分析
OpenAI 与 PerturbAI、Scripps Research 合作，用数千个基于 GPT-Rosalind 的 AI 智能体分析数百万个小鼠细胞的全脑 CRISPR 图谱，每个智能体负责一个基因扰动并检索文献解释细胞反应，整个分析耗时 32 分钟，团队估算人工完成需数月至一年。
10月21日
星期三，4 条面向 AI 智能体的以记忆为中心的持续学习（MCCL）
论文提出 Memory-Centric Continual Learning（MCCL），主张记忆应以能否改进未来行动而非检索命中来评判。MCCL 包含三轴记忆分类法与内外双环生命周期、衡量干扰下保持、变化适应与任务迁移的评估协议，以及刻画智能体性能随经验、存储容量与算力预算变化的记忆扩展框架。
TraceForge：用模型自身风格生成推理轨迹以蒸馏训练数据
TraceForge 提出一种替代方案：不依赖教师模型返回的隐藏推理，而是以上下文和教师答案生成符合学生模型家族风格的推理轨迹，训练分监督与对抗两阶段。独立评审给出的真实性得分为生成轨迹平均 0.68、真实轨迹 0.66、评审从四个候选中选出的轨迹 0.82。
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。
预印本调查：221 篇论文中 230 例本不该出现的蛋白条带
一项由单人完成的预印本调查针对 20 种存在明确基因缺失或突变的细胞系检索 Western blot 实验，在 221 篇论文中找到 230 例本不应出现的蛋白条带。
10月22日
星期四，14 条研究对比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。
西北大学团队学习同行评审清单以降低审稿抽签误差
西北大学团队提出用历史评审语料学习一份可对照论文核查的评审清单，以降低小规模审稿委员会的抽签误差。方法把每条评审拆成原子论断，筛出论文本身可判定的部分，再聚成清单树，用同一论文两位审稿人之间的一致性高于不同论文审稿人的程度来选粒度。
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。
CompLit 基准：文献检索智能体在隐含、累积与无解需求下准确率明显下降
首尔大学、LG AI Research 等机构的研究者提出文献检索基准 CompLit，覆盖 arXiv 全部八个领域，共 870 条单轮查询和 220 段多轮对话，并设置 Standard、Implicit、Cumulative、Unmet 四种评测场景。
FutureLens：学术文本与未来工作引用中的纵向主题模式
FutureLens 对 2012–2022 年 5,655 篇 ACL 论文（其中 4,005 篇含未来工作引用文本）做纵向主题测量研究，比较 NMF 与 LDA 的主题表示可靠性。
Git 记录不了什么：两个 AI 辅助科研仓库中的来源可读性审计
作者审计同一研究者在环境科学领域、分别使用智能体编码助手和 Cursor 的两个仓库（466 与 103 次提交），发现两类 AI 痕迹的可读性正好相反：规则文件类痕迹在当前版本仍可见 85.6% 的提交行，但只记录结论不记录过程；运行笔记类痕迹只可见 21.8%，其余需回溯文件历史才能找回。
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。
Fabrication Severity Stack：用通用 LLM 界面零成本核查虚构引用
作者提出 Fabrication Severity Stack（FSS），按检测难度把虚构引用分为三级：不存在的文献、元数据被篡改、文献真实但内容不支持所引论点；并给出存在性核查、元数据一致性核查、论点支持核查三阶段启发式流程，可在通用 LLM 界面中执行。
面向学位论文的知识图谱构建：综述
一篇系统综述分析了 2021 至 2025 年间 46 项同行评审研究，梳理面向学位论文构建知识图谱的技术、模型与工具。综述发现方法从自然语言处理的实体关系抽取，演进到本体工程、语义网技术，以及知识图谱嵌入、Linked Open Data 和大语言模型驱动的增强。研究指出，现有学术知识图谱工作多集中于期刊论文与引文网络，学位论文因结构异构、元数据不一致而受关注有限。
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。
同行评审应约束评审权威：Hanrui Wang 等提出“权威受限的同行评审”
日本国立情报学研究所的 Hanrui Wang 等人在 arXiv 预印本提出“权威受限的同行评审”，主张在评审不确定性持续存在的前提下，约束单条评审意见进入最终决策的权威，而非仅靠提升评审人或聚合判断。该框架包含批评与权威解耦、独立二次评估、可质疑与可撤销、对缺乏依据影响的问责四项原则，面向大规模计算机科学会议中评审质量不均与评审人分配依赖问题。
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。
腾讯混元推出 WorkForge 框架，从真实工作流构建 16.7K 个可验证智能体训练环境
腾讯混元推出 WorkForge 框架，从真实世界资源为长程工作智能体构建可验证的训练环境，做法是从专家工作流出发搭建真实工作空间、抽取可核查事实，并据此生成任务和程序化与语义双重验证器。
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。