OpenAI 宣布在调和分析、复杂性理论和量子场论各取得一项科学发现
OpenAI 联合创始人 Greg Brockman 在 X 上宣布三项科学发现，分别位于数学（调和分析）、计算机科学（复杂性理论）和物理（量子场论），并称 AI 开始帮助人类加深对宇宙的理解。推文附有 OpenAI 关于与学术社区共同推进科学理解的页面链接，未在推文中给出具体成果细节。
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。
703 条收录动态，更新于 03:33
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27日
星期二，2 条SimpleLoRIF 用梯度定位微调数据中的安全退化样本并发布 SafeTulu
研究团队提出 SimpleLoRIF，一种可扩展的梯度嵌入方法，用于识别微调数据中梯度与不安全行为对齐的样本；该方法简化了低秩归因方法，并把反向传播限制在最后四个 transformer 块，可对百万量级样本的数据集做嵌入。
10月26日
星期一，9 条ARC Prize 2026 ARC-AGI-3 最高分更新
新 ARC Prize 2026 - ARC-AGI-3 最高分 71.48%，由 Yi-Chia Chen @ Fields Model 取得 Yi-Chia 从 67% > 71% 跃升，并重新夺回第一名 比赛还剩 1 周
LG AI Research 在 ICML 2026 提出 LOAM：用 LLM 设计强化学习的观察与动作模型
LG AI Research 在 ICML 2026 发表 LOAM，让大语言模型根据任务目标、机器人结构和变量含义生成观察模型与动作模型（均为 Python 函数），在不改动强化学习算法的前提下重构环境与智能体之间的接口。
Sakana AI公布AI主权三大支柱与Sawara预训练项目
Sakana AI在东京 symposium 上由 CEO David Ha 公布支撑“AI主权”的三大支柱：用AI智能体开发下一代预训练模型、面向日语与商业场景的事后学习技术 Sakana Namazu、不依赖单一模型实现前沿性能的编排技术 Sakana Fugu。
DEEPSEA 评测大模型东南亚语言能力
大语言模型对东南亚语言的理解程度如何？今天上午 10:30，欢迎到 #EMNLP2026 Google 展台（#D5）参加 Shubham Mittal 的现场演示，了解 DEEPSEA——一个用于评估大语言模型在 12 种东南亚语言上表现的基准。阅读论文：https://arxiv.org/pdf/2610.26155v1
Greg Brockman 转发评论：OpenAI 数学论文在技术上超出人类想象但可被理解
Greg Brockman 在 X 上引用 @scottnarmstrong 的评论并摘出其中一句，称 OpenAI 这篇论文在技术层面令人难以置信，可能超出人类能想到的范围，但并未超出人类理解。被引评论认为该构造与凸积分关系更大，其用流体不稳定性让流动自身产生振荡、由 Reynolds 应力形成坍缩光滑涡旋的做法在文献中无先例，并称已有多个 PDE 专家组大致理解该论文，预计很快会有解读。该评论同时批评称这一结果并不令人意外的说法站不住脚。
引用Scott Armstrong@scottnarmstrongSince I'm now blocked by bluey from replying to this thread, I answer here by quote tweet the openAI construction has more to do with convex integration than anything else. In convex integration, the oscillations are typically built by hand and the iteration procedure creates wild weak solutions. The non-uniqueness construction of Albritton–Brué–Colombo used an unstable vortex to split solutions apart. The Córdoba–Martínez-Zoroa singularities amplify vorticity across scales by strain. In the openAI paper, a fluid instability is clever made so that the flow itself generates the oscillations: they grow by drawing energy from the background shear. The Reynolds stress then becomes the force that creates the collapsing smooth vortex. Using a physical instability to create the stress in this way has no precedent, and it is what produces a smooth force rather than a merely rough one. Some on these ideas are in the literature (e.g. Leibovich-Stewartson 1983) but the way they are combined is definitely insane and definitely nowhere in the literature previously. I also don't know of anyone suggesting that convex integration would play a role in the creation of a blow-up solution like this. On a technical level, the paper is unbelievable, maybe beyond what a human could have come up with but not beyond human understanding: there are several different groups of pde experts working on understanding it who say that they more or less understand now. I expect digestions soon td;lr: anyone saying that this OAI result is unsurprising is bullshitting sorry!
预训练数据的词汇印记：UCE 如何预测零样本基准准确率
研究提出词级一元交叉熵（UCE）这一与分词器无关、无需模型的指标，衡量预训练语料与基准目标的词汇对齐程度。在覆盖 10 个零样本基准、4 个预训练语料和 3 种模型规模的受控从头预训练中，UCE 越低（对齐越高）的语料在各基准上零样本准确率越高。文档级筛选训练文档与提示级路由到领域最对齐的 drafter 均带来与机制预测一致的准确率与吞吐提升。
The Trinity：面向多模态智能体的能力驱动递归自我改进框架
研究者提出 The Trinity 递归自我改进框架，通过 Creator、Explorer、Evolver 三个角色将世界生成与 Harness 演化耦合，并把任务树重组为分层能力树。
EmbodiedLab 发布具身智能体基准：在模拟实验室中通过操作仪器获取知识
研究团队提出 EmbodiedLab 基准，要求机器人在物理模拟实验室中自行选择实验步骤、通过相机读取仪器，以获取关于系统的知识，而非仅改变物体状态。基准覆盖 5 个学科的 30 个实验和 14 种实验装置平台，每个实例重新采样系统参数，评分依据实验过程中记录的读数与任务要求的物理状态，且每个实验均经验证可解。
Thinking-in-Bets：在测试阶段让智能体先记录主张以减少迎合式修改
研究提出 Thinking-in-Bets，一种免训练方法：智能体在读取用户反馈前，先私下记录主要主张、支撑检查与置信度，被质疑时据此保留已验证的工作、只复查不确定部分。
10月25日
星期日，1 条EleutherAI 论文追踪预训练中的潜意识学习：偏好可跨模型蒸馏传递
EleutherAI 在 SOAR 项目下发布论文《Tracing Subliminal Learning Through Pretraining》，研究学生模型如何通过语义上无关的训练数据习得教师模型的偏好。
10月26日
星期一，2 条NVIDIA 发布 AW-0 机器人模型，统一生成技能代码、视频预测与动作
alphaXiv 介绍 NVIDIA 新模型 AW-0，它把生成可复用技能程序、预测未来视频帧和输出机器人动作三项能力放在同一个模型中联合生成，让基于代码的规划指导物理执行。
Hugging Face 发布 14.8B 开放 DNA 语言模型 Carbon-X，可直接用英文对话解读 DNA
Hugging Face 联合中关村学院与 TIGEM/那不勒斯费德里科二世大学发布 Carbon-X，这是一个 14.8B 参数、Apache 2.0 开放权重的 DNA 语言模型，可在对话中读取原始 DNA 并用英文作答，用于判断突变良性或致病、标记调控区、物种分类和碱基预测。
10月25日
星期日，9 条字节 Seed 提出 Recycler 架构：回收隐藏状态实现无额外解码开销的隐式推理
字节 Seed 提出 Recycler，把上一 token 的顶层隐藏状态经轻量适配器与当前 token 嵌入相加后送入下一步，在保留离散 token 路径的同时增加一条连续反馈通路，自回归解码开销与标准 Transformer 大致相同。
斯坦福与 UC Berkeley 团队提出 TokenGate：Token 门控注意力让长上下文预填充最高提速 11.3 倍
斯坦福与 UC Berkeley 的研究者提出 TokenGate，用 Token 门控注意力机制让长上下文预填充最高提速 11.3 倍。该工作以预印本形式公开，具体样本与基准细节尚未在可见正文中给出。
《科学》（20261022出版）一周论文导读：无线催化装置治糖胖病、多智能体AI框架加速药物发现
《科学》第394卷6822期导读涵盖多项研究：一种无线供电植入装置可将葡萄糖催化转化为葡萄糖酸盐经肾脏排泄，在小鼠实验中恢复正常血糖并去除部分多余热量负荷；"虚拟生物技术公司"多智能体AI框架由首席科学官智能体统一调度。
Pinal模型登《自然》：输入功能文字描述即可生成候选蛋白质序列
香港科技大学（广州）、西湖大学与中国科学院深圳先进技术研究院等团队合作提出蛋白质设计模型Pinal，相关研究发表于《自然》。模型以自然语言功能描述为输入，先生成蛋白质三维结构再设计氨基酸序列，训练数据含17亿组蛋白质—文本配对、覆盖约1.35亿条序列，参数规模160亿。
入选理由研究者可据此了解文字到功能蛋白的闭环如何做实验验证，以及模型在定量性质指定上的边界。
DynaFlow 提出自由形式多智能体编排框架，在六项基准上超过最强基线 10.90 个百分点
DynaFlow 将自由形式的可执行工作流合成纳入主智能体的动作空间，由主智能体自行决定何时协作，并生成按顺序或并行调度子智能体、进行结构化信息交换与验证的任务程序。
ParetoRSI-Gym：评估 AI 智能体能否跨多领域改进语言模型
研究者提出 ParetoRSI-Gym，让智能体在数学、代码、金融、医学、科学五个领域内自行搜索并筛选数据、训练模型、读取各领域结果并迭代，除数据外其余条件固定，并用各领域的泛化基准区分能力提升与对优化分数的过拟合。
50 余位专家构建 Continual Learning Exam 基准，评测 LLM 智能体的长程持续学习
研究团队推出 Continual Learning Exam（CLE）基准，由 50 余位领域专家构建 120 个人工撰写任务，每个任务分五级阶梯共 600 级，覆盖 12 个职业领域的 89 个专业角色，智能体须逐级通过才能解锁下一级。
h1 用简单智能体循环在 Lean 4 中刷新形式化定理证明基准并解决 8 个开放问题
研究团队提出 h1，一个给模型提供 Lean 4 高效接口、依靠验证器反馈与自我反思持续尝试的简单 harness，不预设分解或搜索结构。
入选理由对做形式化证明的研究者来说，这篇给出了一个反直觉的对照结果：简单智能体循环加高效 Lean 接口，可能比人工设计的分解与搜索流程更划算。
AutoTavern：LLM 研究智能体 20 天自主构建《炉石传说》酒馆战棋 AI 并登上实时天梯
南京大学与上海 AI 实验室的 Changlian Ma、Limin Wang 提出 AutoTavern，由多个专职 LLM 研究智能体通过带类型的共享研究记忆和五道验证门协作，在 20 天内注册约 1 万次实验、交付 23 个 TavernAgent 版本，并构建出复现《炉石传说》酒馆战棋 36.6.3 版本全部 978 个游戏对象的模拟器 TavernGym。
10月24日
星期六，7 条OpenBMB 发布 EC²-Bench 研究：端云协作策略随端侧能力翻转
OpenBMB 发布关于长程智能体执行中端云协作的系统研究，用 EC²-Bench 在 128 个可执行任务上评测四种协作策略，同时衡量任务完成度、资源成本与隐私暴露。
《自然》（20261022出版）一周论文导读：时间晶化、20 K 增韧合金与字节级语言模型
《自然》第658卷8137期导读收录三项研究：机电超材料中观测到波粗化并形成时间晶体；IV–V族体心立方难熔合金在20 K下屈服强度与断裂韧性呈平台、无明显韧脆转变；字节化方法可将现有子词模型改造为字节级大语言模型，性能接近子词模型并擅长字符级推理。
论文提出 softmax 与交叉熵数值修复方案
一篇论文指出 softmax 和交叉熵存在数值缺陷，会使极小梯度错误地舍入为零或本应消失却保持非零，进而引发损失突增并干扰知识蒸馏。作者提出简单修复，在小规模 grokking 基准上消除了 Slingshot 损失尖峰，某设置下测试准确率从 94.3% 提升至 100%，且无需更高数值精度即可防止蒸馏中学生模型偏离教师模型。
用逐层随机特征模型模拟深度神经网络训练损失尖峰
该论文用简单二次模型说明重尾数据与噪声梯度即可触发 LLM 训练中的损失尖峰，无需依赖复杂神经网络行为。在一个 1.3B Transformer 上，其模拟可在 CPU 上每层仅用 5 秒识别易出现尖峰的训练配置。
基于蛋白质语言模型的 KaML-ESM 预测蛋白质电离态与 pKa
美国马里兰大学药学院团队在 Nature Communications 发表 KaML-ESM，用 ESM 蛋白质语言模型构建序列神经网络，在 GAINES 增强的 PKAD-3r 数据集上训练，预测 Asp/Glu/His/Cys/Tyr/Lys 残基电离常数。
研究显示朴素 RAW-RAG 在长对话记忆评测中多数优于复杂 Agentic Memory
一项预印本研究比较了仅对原始对话历史做稠密检索加重排的 RAW-RAG 与复杂 agentic memory 系统，在 LoCoMo、LongMemEval、MEME、MemoryAgentBench 的 7 组基准与模型组合中有 6 组排名第一，比最强对比系统高 0.13–5.53 分。
引用elvis@omarsar0RAG is so back! This work shows that plain RAG over raw chat history beats complex agentic memory systems on most long-term memory benchmarks. (bookmark it) They tested Raw-RAG, which is just dense retrieval plus reranking over the raw conversation, feeding a reader LLM. Across LoCoMo, LongMemEval, MEME and MemoryAgentBench, it ranks first in six of seven benchmark and model settings, ahead of the strongest agentic memory system by 0.13 to 5.53 points. Ingestion on BEAM-1M takes 0.3 hours, against 3.2 to 27 hours for systems like Mem0, MemOS and Memora. Why does it hold up? Raw history keeps more of the evidence a question needs, including the relations and dependency paths behind an answer. Rewriting history into memory entries tends to drop those important bits. Even with complete access to the transformed memory stores, models answer less accurately than with raw evidence. Before adding a memory layer to your agent, at least run this baseline on your own data. https://arxiv.org/abs/2610.30755 Chat with Paper: https://academy.dair.ai/papers/is-complex-agentic-memory-always-needed-naive-rag-is-stronger-than-we-thought-2610.30755
智能体团队用千亿Token攻千禧年数学难题
上个月，一个大型智能体团队使用了超过1000亿个Token来解决Navier-Stokes千禧年大奖难题。现在我们正用类似方法进行红队测试，以发现并修复基础设施漏洞。
引用Eric Wallace@Eric_Wallace_To make sure our frontier models don't cause another HuggingFace incident, we built an offline world that they use during training. It provides everything that the models need in a fully cached, indexed, or synthetic manner. We then built a huge team of our most cyber-capable models and told them to collaborate to find zero-days in this containment infrastructure. While they didn't find a path to the internet that wouldn't be caught by our CoT monitors, they did find ways to escape popular VMs, exploit our network infrastructure, and even ways to communicate with other agents running in separate VMs by using hardware side channels. We used this to dramatically harden our infra, and we also upstreamed a ton of patches to open-sources packages.