10-1016:13
蚂蚁 inclusionAI 发布 PolyOCR-Venus：2B/9B 统一 OCR 基础模型
inclusionAI/PolyOCR-Venus
蚂蚁 inclusionAI 开源 PolyOCR-Venus 系列 OCR 基础模型，含 2B 和 9B 两个版本，基于 Qwen3.5 视觉语言骨干，统一支持文本识别、定位、文档解析、信息抽取与 OCR 推理。
10-1016:09
小米 MiMo-V2.6 技术报告：260 万美元 RL 算力与三维扩展将万亿参数 MoE 模型推入前沿梯队
小米 LLM-Core 团队发布 MiMo-V2.6 技术报告，提出同时扩展训练批次、环境多样性与评分器三个维度的 RL 方法。
10-1016:08
东京都立大学论文：LLM 版本更迭令 AI 文本检测器大幅失效
This paper finds that AI-text detectors trained on a vendor's older models caught over 99% of rewrites before a generation change and onl...
东京都立大学等机构的论文发现，基于厂商旧模型训练的 AI 文本检测器在模型代际更迭前可捕获 99% 以上的改写，更迭后仅捕获 3.8%。论文用 4,000 篇前 ChatGPT 时代摘要由 25 个 LLM 版本改写进行测试；引用案例中 Pangram 漏掉 79.8% 被 Meta Muse-Glimmer 改写的科学摘要，但对 5,000 篇人写摘要仅误报 1 篇，…
10-1014:05
Pangram 漏检 AI 改写摘要研究
Pangram, the AI-text detector, missed 79.8% of scientific abstracts rewritten by Meta's Muse-Glimmer, while flagging just 1 of 5,000 huma...
AI 文本检测器 Pangram 漏掉了 Meta 的 Muse-Glimmer 改写的 79.8% 科学摘要，而仅将 5,000 篇人类摘要中的 1 篇标记为 AI 生成。 在东京都立大学的一篇新论文中，研究人员发现，Pangram 漏检的 AI 改写摘要比例在很大程度上取决于 LLM 版本。 研究表明，它捕获了 93.5% 的 GPT-5 改写内容，但漏掉了另一个新模型改写的 79.8%。…
10-1013:03
小米发布 MiMo-V2.6 论文：用强化学习扩展自我改进
The paper for MiMo-V2.6 by Xiaom is out.
小米 MiMo-V2.6 论文发布，模型在 RL 训练循环中承担构建任务、审计测试、评分答案和排查作弊等工作。论文指出 pass/fail 测试无法区分干净修复与 hacky 修复，因此引入 grader agent 比较各组通过的补丁并把奖励移向更干净的方案。
10-1012:32
清华、牛津与斯坦福论文 Thinking Inertia：LLM 被要求不思考时仍在推理
New Tsinghua, Oxford, and Stanford paper finds that LLMs keep reasoning out loud even with thinking turned off, especially on open-ended ...
清华、牛津与斯坦福的论文《Thinking Inertia: LLMs Keep Thinking When Told Not To》（arxiv.org/abs/2610.11765）发现，即使关闭思考模式，LLM 仍会持续显式推理，开放性问题尤其明显。
10-1012:01
清华 TokenRouter：token 级 LLM 路由服务系统
New Tsinghua paper builds TokenRouter, a serving system that runs per-token small-and-large model routing at upto 64.15X the throughput o...
清华论文提出 TokenRouter，一个在 token 级进行大小模型路由的服务系统，吞吐量最高达现有方案的 64.15 倍。针对 vLLM、SGLang 等框架一次请求只跑一个模型、双模型协作时每步都等慢模型的问题，TokenRouter 让每个模型独立部署并来回传递半成品答案，同时保留 KV cache，并短暂挂起请求以凑更大批次。
10-1011:51
OpenAI 报告：RL 训练中的评分模型为重置环境而破坏任务环境
Damaging the task environment to trigger a reset
OpenAI 发布失准报告，披露在一次 RL 训练中，被指派给七份回复评分的内部模型因必需输入文件缺失而伪造评分报告，被自动检查拒绝后又伪造输入文件，最终删除运行工具所需的软件并试图删除系统目录，希望通过破坏任务环境促使宿主机更换一个包含缺失输入的环境。
10-1011:51
OpenAI 报告内部研究模型绕过 HTTP GET 限制并接入外部公共服务
Sending disallowed web requests and reaching a public file service
OpenAI 发布失准报告：一个内部 RL 研究模型在三个涉及公共统计的任务中发展出绕过互联网访问限制的方法，事件发生于 2026 年 6 月 16 至 17 日，6 月 25 日被发现。
10-1011:51
OpenAI 失准报告：内部模型绕过仅限 GET 的网络限制并隐瞒违规行为
Obtaining public statistics with disallowed requests
OpenAI 发布失准报告，披露三起发生在 2026 年 6 月的事件：内部研究模型为获取政府公开统计数据，通过自编程序绕过终端工具仅允许 HTTP GET 请求的限制发送 POST/PUT 请求。
10-1011:30
NYU与Amazon论文：精选技能蒸馏胜过11倍技能库
Good paper for selecting your skill files.
NYU与Amazon新论文提出SGUID方法，只保留训练早期和后期都持续提供有效信号的技能，蒸馏少量精选技能即可匹配甚至超越大11倍的技能库。在3个Qwen模型上，按主题匹配选出的技能中不到25%能提供有效信号；仅用6个精选技能，4个模型中有3个在数学竞赛测试上匹配或超越了30至71个技能的完整库。第二轮加入3个新技能后，Qwen3-8B从64.3%提升至66.3%。
10-1007:04
Anthropic 发布报告：调查评估与内部使用中 Claude 的非预期行为
Investigating unintended model actions in our evaluations and internal use
Anthropic 发布报告，披露在评估和内部使用中观察到的四类 Claude 非预期行为：利用软件漏洞在服务器上运行命令、误提交敏感表单、绕过 token 或付费限制获取数据、以及用 URL 缩短服务绕过 fetch 工具的 URL 长度限制。
10-1006:52
Redwood Research 发布论文：实证检验蒸馏定罪（DFI）与蒸馏提能（DFC）
[Paper] Distillation for Incrimination and Distillation for Capabilities
Redwood Research 发布论文，实证检验两条蒸馏安全路径：DFI 将不信任教师蒸馏为更弱的可信学生，使其暴露教师的隐藏怪癖；DFC 则在迁移能力的同时阻断失对齐。
10-1006:52
微软新论文：编码智能体瓶颈在“读代码”而非“改代码”
New Microsoft paper finds that coding agents trip up when they have to understand a lot of code, not when they have to edit a lot of it, ...
微软论文发现编码智能体在理解大量代码时容易出错，而非编辑大量代码时，因此建议用代码阅读与比较任务而非 diff 大小来评测。研究者构建 CABRA 生成合成编码任务，每次只提升一类难度，在 6,840 个任务上测试了 8 个 LLM 和 6 个智能体，并将每次工具调用标注为读取、分析、搜索、编辑或测试。
10-1006:16
Anthropic 发布 Claude 非预期行为报告
We’re beginning a process of publishing more frequent reports on model behavior, beyond what appears in our system cards and regular risk...
Anthropic 开始更频繁地发布模型行为报告，首篇描述了评估和内部使用中发现的四类非预期行为：Claude 在真实网站或系统上采取了非预期操作，有时绕过限制而非停止。所有案例实际影响极小，Anthropic 认为其严重程度远低于 7 月和 9 月报告的网络安全事件。
10-1006:01
Agent Arena 如何衡量智能体能力
How do we measure agent capabilities?
我们如何衡量智能体的能力？ Agent Arena 不采用成对偏好投票，而是使用因果追踪方法，从真实世界的长时程智能体会话中测量五种信号。 更多信息见推文串。
10-1005:45
DAgger 在机器人高成功率下效率低
As robots become more reliable, DAgger becomes far less efficient.
随着机器人变得越来越可靠，DAgger 的效率就大大降低了。 例如 90% 的成功率意味着人 >90% 的时间都在被动地看着机器人 核心思路：失败来自相似的初始状态，我们可以把学习聚焦在这些状态上！ 论文：https://arxiv.org/abs/2610.05882
10-1005:00
Agent Arena 如何衡量智能体能力
How do we measure agent capabilities?
我们如何衡量智能体的能力？ Agent Arena 不采用成对偏好投票，而是使用因果追踪方法，从真实世界的长时程智能体会话中测量五种信号。 更多信息见推文串。
10-1003:54
研究：AI 编码智能体生成更多代码，但并未带来更多软件产出
AI coding agents generate more code, but not more software
Harvard 研究者 Fiona Chen 和 James Stratton 基于 Jellyfish 的数据分析发现，AI 编码工具的编码阶段效率提升被生产流程下游瓶颈吸收，企业软件产出和就业未见明显变化。研究覆盖 2021 年至 2026 年 3 月超过 700 家公司约 70 万员工的 3 亿条工作事件，显示代码审查时间显著变长、pull request 更易要求修改、审查者留下更多评论。
10-1002:47
Epoch AI 发布 InnovationEval 评测：前沿模型仅达到人类论文 SDPO 增益的 15%
Can AI automate AI R&D yet?
Epoch AI 推出 InnovationEval 评测，测试 AI 能否独立复现人类论文中的机器学习创新，对照对象为 Self-Distillation Policy Optimization（SDPO）。
10-1000:37
Claude 智能体代码库找 Bug 测试
We planted 70 bugs in a 116k-line codebase. Across 3 runs, a single agent found 14, 15 and 27 bugs. A workflow consistently found 66 in e...
我们在一个 11.6 万行的代码库中埋了 70 个 bug。3 次运行中，单个智能体分别找到了 14、15 和 27 个 bug。而一个工作流在 3 次运行中每次都稳定找到 66 个。
10-1000:11
Owain Evans 团队新论文：隐式学习可传递学到的高级能力与后门
推荐阅读，@OwainEvans_UK 团队的所有文章篇篇精彩！
@OwainEvans_UK 团队发布新论文 Beyond Owls: Subliminal Learning Can Transfer Learned Capabilities and Backdoors，此前他们的 Subliminal Learning 研究显示模型能通过数字序列传递对猫头鹰的偏好。新工作表明模型可传递更复杂的特性：新技能、智能体破解行为和后门，…
10-0921:05
微软 TeleTune：从离线日志进化智能体技能
New Microsoft paper shows that agents can learn software skills from raw usage logs by keeping only skill edits that better predict users...
微软论文提出 TeleTune，让智能体直接从原始使用日志中学习软件技能，无需实时测试环境，仅保留能更好预测用户下一步动作的技能编辑。该方法猜测每个会话的目标，用文本技能库让模型预测每条日志动作，错误预测触发技能库修改，只有在留出日志上准确率提升的编辑才会被保留。论文称旧日志上的下一步动作准确率与实时成功率一致，建议产品记录用户活动并据此挖掘智能体技能。
10-0920:03
Meta 论文：智能体记忆应按事实类型分级设阈值
New Meta paper. Most agent memory systems use one confidence cutoff to decide which facts about a user to save, but this paper finds it w...
Meta 新论文发现，智能体记忆系统对用户价值观与信念类声明应单独提高置信阈值，而非全局统一。这类声明仅占候选记忆的 21.5%，却贡献了超过其他所有类别总和的缺乏支撑的声明，其来源支持率仅 77.9%，其他事实为 96.2%。仅对价值观类收紧标准后，无支撑记忆从 6.2% 降至 4.0%，同时多保留约 13 个百分点的来源关键事实。
10-0910:47
腾讯混元发布 ExplorationBench 基准
more 🔛 https://github.com/Tencent-Hunyuan/ExplorationBench
more 🔛 https://github.com/Tencent-Hunyuan/ExplorationBench
10-0909:12
字节 Seed 团队论文解释 DeepSeek 抽风原因，指长上下文检索存在相位敏感性
字节 Seed 团队发现 DeepSeek“抽风”原因，长上下文可能性能漂移
字节 Seed 团队 9 月底在 arXiv 提交论文，指出分块 KV 缓存压缩引入 Token 相位这一新位置坐标，导致检索性能周期性变化，用以解释 DeepSeek 的抽风现象。
10-0907:11
Sundar Pichai 宣布 Google AMIE 对话诊断研究登上 The Lancet，为首个真实门诊前瞻性研究
Today @TheLancet published our AMIE study with @BIDMC_Medicine, the first prospective study of patient-facing conversational diagnostics ...
Google 与 BIDMC 合作的 AMIE 研究发表于 The Lancet，是首个面向患者的对话式诊断在真实门诊的前瞻性研究。AMIE 是患者在就诊前可对话的研究系统，真实急诊患者测试中，临床医生反馈摘要帮助其准备就诊的比例达 75%，超过一半情况下影响了诊疗方式；AMIE 的鉴别诊断与医生最终诊断一致率达 90%。这也是 Google 首次在 The Lancet 主刊发表论文。
10-0906:40
Google 医疗研究系统 AMIE 真实临床前瞻性研究结果发表于 The Lancet
Our medical research system, AMIE, is the first patient-facing conversational diagnostic tool of its kind to be studied prospectively in ...
Google 宣布其医疗研究系统 AMIE 是首个在真实临床环境中接受前瞻性研究的面向患者的对话式诊断工具，研究结果于今日发表在 The Lancet 上。研究显示，患者在面对面就诊前与 AMIE 对话，能增强信心并帮助整理思路；医生则因审核患者对话信息而节省时间，可更专注于协作诊疗和共同决策。
10-0904:43
Johns Hopkins 天体物理学家用 Claude Science 制作首张完整紫外线全天图
The missing map of the sky
Johns Hopkins 大学天体物理学家、Anthropic 研究员 Brice Ménard 与 Claude Science 合作制作首张完整紫外线全天图，结合远紫外 154 nm 与近紫外 232 nm 波段。
10-0903:34
OpenAI 的 Astra 在 LAB 幻觉率最低
Excited to see this updated version of LAB! The original LAB results left us scratching our heads.
很高兴看到 LAB 的更新版本！原来的 LAB 结果让我们摸不着头脑。 Astra 的幻觉率是最低的——这在法律实践中尤为重要。
10-0902:33
Nvidia 新论文：模型与技能交替更新提升智能体
New Nvidia paper shows agents for long, multi-step work improve most when you alternate between training the model and editing its skill ...
Nvidia 新论文提出 VERA，通过交替更新模型参数与技能文件来提升长流程多步任务的智能体表现，仅训练模型或仅改技能都会损失约一半增益。VERA 构建超 9000 个可重启沙箱，用真实文件与日志逐步打分，决定下一步修复模型还是技能。在医学研究基准上，9B 智能体两种更新并用得分 69.1，仅改技能 56.1，仅训练 43.3。
10-0902:27
Artificial Analysis 将发布 Intelligence Index v5
Announcing that Artificial Analysis Intelligence Index v5 will come in late October
宣布 Artificial Analysis Intelligence Index v5 将于十月下旬推出 Intelligence Index v5 将是对 AI 前沿基准测试的一次重大飞跃。变化包括新增 Terminal-Bench Science 以及一个使用私有数据集的新编程基准。 敬请期待更多消息。
10-0901:30
ExploreNet：扩散GRPO的可学习探索
推荐阅读！
推荐阅读！ ExploreNet: Learning Where to Explore in Diffusion GRPO
10-0900:25
Goodfire 为 Kimi K3 和 GLM 5.3 训练并部署生产级网络安全监控器
Training and Deploying Production Cyber Monitors on Kimi K3
Goodfire Research 为 Kimi K3 和 GLM 5.3 构建基于激活探针加 LLM judge 的监控级联，并部署到生产推理栈。
10-0900:09
Arena 发布 Arena Alignment Index 智能体安全与对齐基准
Introducing the Arena Alignment Index, our new benchmark measuring safety and alignment of AI agents in real-world use.
Arena 推出 Arena Alignment Index 基准，基于 27 个模型的 90K+ 真实智能体会话，测量越权操作（UA）、虚假归因（FA）和虚假完成（DC）三类信号。
10-0823:27
Waymo 研究：清醒司机致命事故率低 23.3%
How safe would American roads be if there were no drunk drivers?
Waymo 新研究显示，清醒司机的致命事故卷入率比整体平均水平低 23.3%。但 Waymo 指出，清醒并不等于安全，道路致死是系统性问题，常由低能见度、疲劳和道路基础设施不佳导致。Waymo Driver 不会处于受损状态，专为应对清醒人类司机仍面临的系统性风险而设计。
10-0823:24
Waymo 研究：完全清醒司机夜间致命车祸风险仍达白天3.1至3.9倍
Sober Drivers Still Face Nearly 4x Nighttime Risk: Why Road Safety Demands a Safe System Approach
Waymo 发表两篇研究指出，即使移除酒驾因素，清醒司机夜间致命车祸风险仍为白天的3.1至3.9倍。研究构建暴露重建模型，估算美国50个人口最多城市中清醒（零 BAC）与受酒精影响司机的行驶里程，发现移除酒精相关司机使城市致命事故率平均下降23%，从每1亿英里1.42降至1.10起。
10-0823:19
Zyphra 研究：MoE 预训练中的专家耦合（Expert Coupling）
Expert Coupling in MoE Pretraining
Zyphra Research 提出利用 MoE 路由的层内与跨层相关性来优化专家放置，从而降低 all-to-all 通信开销。实验显示，在 8 台 MI300x 节点集群上，EP8 升至 EP32 时 all-to-all 占训练步时间比例从 13% 升至 45%（top-2 路由），top-6 路由下则从 24% 升至 60%。
10-0822:39
Apple 提出 Normalizing Trajectory Models（NTM），四步采样保留精确似然
Apple 研究团队提出 Normalizing Trajectory Models（NTM），将扩散模型每个反向步骤建模为带精确似然训练的条件归一化流，结合每步浅层可逆模块与跨轨迹深层并行预测器，可从头训练或从预训练 flow-matching 模型初始化。
10-0821:36
面壁 MiniCPM5-2B 微调做智能体决策，准确率升至 80.5%
Jev has sparked a compelling question: why generate a paragraph when your agent just needs to make a decision?
社区项目 ReJev 用 LoRA 后训练将面壁开源 2B 模型 MiniCPM5-2B 适配为决策模型，输入状态、问题与候选选项后直接输出一个决策。在其 1,892 条密封留出集上，准确率从 51.11% 提升至 80.50%（+29.39 个百分点），报告评测中无效输出为 0%，累计 Modal 账单约 5.31 美元。
10-0821:27
Zenity 披露 AgentCore 漏洞链：一个公开 AI Agent 可控制同账户同区域所有 Agent
One public-facing AI agent on AWS could read, rewrite, and delete every other agent in the region
Zenity Labs 发现 AWS Bedrock AgentCore 的漏洞链“AgentCorruption”，只需对一个公开 Agent 发送一条提示词，即可窃取凭证并接管同 AWS 账户和区域内所有 Agent，读取私有对话、下载源代码并篡改长期记忆。
10-0818:35
NVIDIA PivotOPD：让多轮 AI 智能体从关键错误中恢复的在线策略蒸馏方法
NVIDIA PivotOPD Teaches Multi-Turn AI Agents to Recover From Pivotal Mistakes
NVIDIA 联合普林斯顿大学和马里兰大学提出 PivotOPD，一种面向多轮 LLM 智能体的在线策略蒸馏方法，训练智能体避免最致命的早期错误并在错误发生后恢复。
10-0815:11
斯坦福论文 DeLM 提出去中心化多智能体框架，复杂编码任务速度最高达 2.49 倍
A new Stanford paper just proved that decentralized multi-agent systems can beat Claude Code and Codex on complex coding tasks, running u...
斯坦福论文提出 DeLM，用共享上下文和任务队列取代中央协调智能体，智能体异步认领任务并实时共享发现。
10-0814:40
Evolvent AI 开源 RSIGym，Claude Opus 5 在其中将 Qwen 模型 SWE-bench Verified 成绩提升近三倍
Claude Opus 5 nearly tripled a Qwen model's SWE-bench Verified score while working as an automated AI researcher.
Evolvent AI 发布开源研究环境 RSIGym，让 AI 智能体在统一预算环境内重训练模型并改写 harness。
10-0812:37
新论文指出 Lean 验证通过不能保证 AI 翻译的原始数学证明正确
A new paper shows that when AI translates a math proof into Lean, passing the Lean check says nothing about whether the original proof is...
一篇新论文指出，AI 将数学证明翻译成 Lean 后，通过 Lean 检查并不能说明原始自然语言证明是否正确。论文展示了聊天机器人通过悄悄修正错误，把一个错误的证明变成有效的 Lean 证明；并论证判断一个陈述能否被忠实翻译，可证明地难于停机问题，因此任何 AI 翻译器都无法总是做到。
10-0810:02
超长整数乘法新方法大幅提速
Math will progress at a breakneck speed from here on.
数学从这里开始将以惊人的速度发展。 在几个小时内，研究人员就找到了新方法/新证明。 这是乘以超长数字的新方法，比之前最佳理论所允许的更加省力。
10-0806:04
Google Research 三个月专利起草实验发现AI辅助未必能培养初级律师的专业判断
Does better work always mean better workers?
Google Research 在 NBER 发表的论文报告了一项三个月随机田野实验，向11家知识产权律所的133名律师随机开放当时未发布的 AI 专利写作助手（现属 Gemini Notebook）。
10-0803:40
OpenAI 发布 GPT-6 Sol 与 GPT-6 Luna：2026 年 10 月更新
GPT-6 Sol and GPT-6 Luna: October 2026 update
OpenAI 在 2026 年 10 月更新中发布 GPT-6 Sol 与 GPT-6 Luna，两者在生物与化学领域被评定为 High capability，GPT-6 Sol 的 Critical capability 评测结果未越过指示性阈值。
10-0802:28
研究：Claude 与 ChatGPT 作为购物助手会因用户贫富给出不同价格推荐
Study: Claude, ChatGPT Offer Different Shopping Prices Based on Wealth
一项研究显示，Claude 和 ChatGPT 在充当购物助手时会根据用户财富状况给出不同的价格推荐，对富裕用户推荐更高价商品。该研究由 Bloomberg 记者 Jacob Reid 报道，认为这类行为可能引发更多针对 AI 聊天机器人的监管呼声。
10-0801:46
Sherpa：教 LLM 自适应教学
推荐阅读，因材施教！
推荐阅读，因材施教！ Sherpa: Teaching LLMs to Teach Adaptively