AnyGoal：世界模型在专家轨迹之外的泛化基准
研究者提出 AnyGoal，一个由常用世界模型环境构建的目标偏移任务变体基准及开源库，用于检验世界模型能否把熟悉的状态与动作因子重组为有效动力学。每个任务中单个状态因子和动作仍在训练支持范围内，但其组合在专家轨迹中出现不足。在多个环境和世界模型家族上，当前模型在这类重组下持续失败。
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。
500 条收录动态，更新于 19:17
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19日
星期一，4 条AdaExploreBench 发布：评测 LLM 智能体在演化环境中的主动探索与测试时适应
研究团队提出 AdaExploreBench，用隐藏规则和隐式规则漂移来评测 LLM 智能体能否主动取证、推断环境规则，并在性能下降时察觉旧知识失效并重新探索。在八个主流 LLM 上的实验显示，GPT-6 Sol 的校准准确率仅为 61.9%；当提供充分证据或移除规则漂移后，平均表现提升接近 10%。作者据此指出，当前智能体在证据可得时能有效推理，但难以主动获取正确证据并识别已有证据何时失效。
MIRA：面向可控图文报告的深度研究智能体
斯坦福大学、香港科技大学、京东等机构的研究者提出 MIRA，一个面向可控图文报告生成的多模态深度研究智能体，把用户对报告粒度、图文构成和证据溯源的要求写成生成契约，串起证据收集、报告提交、反馈修订和最终交付四个阶段。
OpenSaC 开源 Python 库发布，让深度研究智能体以代码组织检索
中国人民大学与新加坡国立大学的研究者发布开源 Python 库 OpenSaC 及配套 Search as Code skill，让 Codex、Claude Code 等编码智能体用 Python 程序组合搜索、内容抓取、重排和模型调用，并保留来源供检查复用。
10月18日
星期日，1 条NeuroAct：面向 EEG 分析与解码的双环自主研究代理框架
同济大学等机构的研究者提出 NeuroAct，一个面向 EEG 分析与解码的自主研究代理框架，内环由协调者调度研究、开发、审稿三种角色，依据信号结构、表征、预测器行为和训练动态的证据选择分析与干预，外环把结果提炼为带任务与模型条件的可检验建议并在后续任务中验证修订。
10月20日
星期二，1 条谷歌AI智能体在湿实验室完成设计到纠错的闭环测试
谷歌官方技术博客介绍其AI智能体自主湿实验室建设进展，团队让智能系统在液体处理机器人上完成设计分子、安排实验、读取结果、调整下一轮方案的闭环测试。团队搭建的VERID框架基于开源机器人控制框架，为工作台建立持续更新的数字孪生，记录机械臂位置、孔内液量、试剂种类和枪头库存等状态，并在确认无撞针、空吸、容器不匹配等问题后才下发指令。
10月19日
星期一，1 条四个 Gemini 4 Argon 智能体自主通关《我的世界》击败末影龙，耗时 27 小时
谷歌研究人员在论文中称，四个 Gemini 4 Argon 智能体在随机生成世界中完全自主通关《我的世界》，27 小时击败末影龙。智能体仅通过游戏内聊天框协调，全程发送 229 条消息、运行 2783 个程序、死亡 605 次，消耗 13.5 亿个输入 Token，按普通用户标准成本约 1,620 美元。
10月20日
星期二，5 条MIT课程MAS.S62：Harness与多Agent演化
MIT课程MAS.S62「How to AI an AI」的Lecture 4-5聚焦Harness演化与多Agent演化，讲义将Harness拆为Context、Control、Action、Evaluation、Evolution五个组件。
引用meng shao@shao__menghttps://x.com/i/article/2112152891670896640
多学科 AI 研究者团队自主发现线性注意力架构
研究团队构建了一支由不同学科背景的持久化 AI 研究者组成的团队，成员各自保留私有研究历史、共享实验证据，并通过自适应分配获得研究机会，用于搜索线性注意力架构。
研究追踪七个开源 RL 训练框架：1598 篇方法论文中仅 37 篇被纳入
一项预印本研究追踪七个开源强化学习后训练框架的提交历史，并将其与 2025 年 1 月至 2026 年 6 月间筛选的 6939 篇 arXiv 论文关联，发现提出通用 RL 训练方法的 1598 篇论文中只有 37 篇进入至少一个框架。
面向智能体的缓存工程：AKV 服务引擎与 drop/repos 缓存操作
研究提出“缓存工程”方案，让 LLM 智能体直接控制活跃 KV 缓存，通过 drop 将选定缓存排除出后续注意力、用 repos 调整保留键的位置编码，无需修改轨迹或重新预填充。
Agent4Sci 测试前沿智能体能否在 11 个领域的科学 ML 基准上超越已发表最优模型
研究团队提出 Agent4Sci，一个覆盖 11 个领域、20 个科学 ML 基准的长程测试平台，用来衡量当前前沿智能体能否在真实条件下改进已发表的最优模型。结果显示，前沿智能体在每个基准上都取得提升，Claude Opus 平均相对改进 10.4%，且没有运行被标记为学术不端；但这些提升几乎都来自 ML 工程技巧，而非研究层面的洞察。
10月19日
星期一，6 条Import AI 477：我告诉 IMF，奇点已经开始
Import AI 作者在曼谷 IMF 会议上发表 Per Jacobsson 讲座，称今年已获得令人信服的证据表明奇点已经开始，呼吁经济学家、银行家和政策制定者预期未来的剧烈快速变化。他以 Anthropic 内部研究人员产出的代码量约为公司前四年近 10 倍为例，说明 AI 已在软件开发等领域增强并自动化人类劳动。演讲重点讨论人类如何通过远见与克制共享 AI 带来的科学进步收益。
Google Research 发布 Harness² 框架，让智能体在冻结模型上改进自身 harness
Google Research 发布 Harness² 框架，让智能体围绕冻结模型改进自身 harness，流程包括基线轨迹记录、Editor 智能体起草两版候选修改、Composer 智能体对比合并有效修改、Reflector 智能体把经验写入文件并存入组件库。
MIT CSAIL 把 Claude Opus 4.7 放上虚拟荒岛 30 小时，智能体自发探索并“玩耍”
MIT CSAIL 研究者将 Claude Opus 4.7 的副本（代号 Eko）反复单独放在基于 Roblox 的虚拟荒岛上 30 小时，不指定任务，智能体自行设定目标、用方块拼出星座、自创篮球和“地板是岩浆”等游戏，还给自己定下抛接 50 次的纪录又因规则不严而取消重来。
TreeOPSD：长程智能体强化学习新方法
推荐阅读！ TreeOPSD： 面向长程智能体强化学习的树感知后验蒸馏
引用Dr. Cheems Wang 🏡@AlbertW24045555(1/5) New preprint: TreeOPSD, critic-free RL for long-horizon LLM agents 🌳 Long-horizon agents receive a single outcome reward after many turns, and each rollout batch feeds several sequential mini-batch updates while the policy drifts from the one that sampled it. TreeOPSD backs terminal rewards up a rollout tree and splits each update into two steps: construct a target for every turn, then match the current policy to it with forward KL. This leads to: • closed-form, bounded turn targets that commute with tree backup, so shared prefixes are trained once with no loss of credit • the exact tree policy gradient on the first mini-batch, and updates that stop at the target and reverse after overshoot • consistent gains over GRPO, GSPO and a matched tree baseline, largest on the longest-horizon tasks On Deep Research, TreeOPSD lifts Qwen3-30B-A3B-Thinking-2507 from 16.23 (GRPO) to 21.20 average accuracy. Title: Tree-Aware Posterior Distillation for Long-Horizon Agentic Reinforcement Learning Paper: https://arxiv.org/pdf/2610.23181 Together with @TencentHunyuan #LLM #RLVR #AIAgents
当传统机制性方法失效时，神经科学该怎么办
神经科学家发现，皮层与纹状体等通用型回路因高度递归、任务多样，无法像视网膜或鸟鸣回路那样被拆解为顺序前馈的机制解释，实时记录或操控活动时模块化图景随即消失。作者据此提出，面对这类复杂分布式系统，研究者或需接受其复杂性，并重新界定神经科学中"理解"的含义。
Open-Science 追踪 AI 递归自我改进路线
作者用开源 AI 科研工作台 Open-Science 建立 RSI 项目，梳理从 Reflexion、STaR、SPIN 到 DGM、AlphaEvolve、Hyperagents 的自我改进路线。
10月18日
星期日，4 条新基准 Taste-Bench 测智能体长期决策品味，最强模型仅 59.7%
研究者提出 Taste-Bench，用 502 道二选一题考察智能体在决策分叉处能否选出更优路径，即所谓“taste”。14 个模型中最高的 GPT-5.6 Sol 平均 59.7%，GPT-5.5 为 59.5%，其余明显更低；当关键线索只在后续轨迹中出现时，平均准确率降到 21%，接近随机猜测。
一周热闻回顾：李仁科教授辞世、CCF青年科技奖揭晓与“未来数学计划”启动
2026年10月18日一周热闻回顾：多伦多大学终身荣誉教授李仁科10月10日在西安出席学术会议期间辞世，享年65岁；清华大学朱军、甘霖等6人获2026年度“CCF青年科技奖”。励建书与王坚10月14日在第六届智能计算创新论坛上共同启动“未来数学计划”，聚焦AI与数学双向赋能。
励建书院士：AI赋能之下需要更多一流数学家
在第六届智能计算创新论坛上，中国科学院院士励建书提出，AI赋能下数学研究范式可能改变，单纯为发表论文的研究价值将大幅下降，对顶尖数学家的需求会大大增加。他倡导启动“未来数学计划”，建立完全开放、不依赖单一公司的“AI+数学”创新共同体。他还指出Math for AI的数学基础研究仍滞后，AI目前主要靠工程师推动。
首届滇池国际复杂科学会议在昆明举行，昆明国际复杂科学中心揭牌
10月15日至17日，首届滇池国际复杂科学会议——宇称不守恒定律发现70周年前沿物理会议在昆明举行，纪念李政道、杨振宁1956年在《物理评论》发表相关论文。会议期间，由昆明市人民政府与上海交通大学共建的昆明国际复杂科学中心揭牌，聚焦复杂科学基础交叉研究与AI for Science产业应用研究。
10月19日
星期一，5 条OpenDS-World 发布：在真实开放网络评测深度检索智能体
研究团队提出 OpenDS 任务并构建 OpenDS-World 基准，包含 200 项跨模态、跨文件格式且需交互访问的检索任务，经人工核验确保证据有效与答案唯一。
GRSE：面向演化多智能体团队的分组相对技能归因方法
GRSE（Group-Relative Skill Evolution）通过在同一技能库下多次执行同一问题并对比结果，为智能体—技能对分配行为归因，并结构化诊断失败。
VerifierBench 发布：222 项任务评测 LLM 智能体生成可执行验证器的能力
研究团队提出 VerifierBench，用来自六个智能体基准的 222 项任务和 4,993 个隐藏测试用例，评测智能体能否根据任务指令与环境写出可执行验证器，要求其接受所有有效解并拒绝无效解。
谁主导？模型能力与任务条件下的 AI-人类协作
研究用共享控制迷宫考察 GPT 5.6 Sol、Command A+、Qwen 3.8 27B 和 Command R 与人类的分工：智能体决定每回合自己行动还是交给人类，人类最短路径优势分三种条件设置。四个模型中，单独能力更强者表现出选择性、依路线决定的人类介入——人类无优势时几乎全部自己行动，人类路线更短时约 80% 的初始决策交给人类；单独能力明显较弱的 Command R 无此选择性。
斯坦福 HAI 用 MedHELM、PhysicianBench 与 HealthAdminBench 测量医疗 AI 实际能做什么
斯坦福 HAI 团队介绍其三年构建的医疗 AI 评测体系：MedHELM 覆盖 5 大类、22 子类、121 项临床任务，PhysicianBench 在电子病历沙盒中测试 100 项长流程临床任务，HealthAdminBench 用 4 个模拟系统测试 135 项行政任务。
10月18日
星期日，3 条我国首个全国产十万卡 AI 超集群真机亮相，曙光 8000 走超算智算融合路线
我国首个全国产十万卡 AI 超集群在深圳 2026 全国高性能计算学术大会上以真机亮相，并将发布十大重要应用成果。该系统名为曙光 8000，走“超算和智算原生融合”路线，同一套底座既能跑最高精度科学计算，也能跑大模型训练和推理。其算力可支撑数字孪生大脑乃至模拟百亿光年宇宙演化，目前正支持新材料、创新药、人工智能等 26 个领域 300 多种计算任务。
Épi 自主研究智能体产出 120 项纪录结果并给出 Tuza 猜想新证明
研究团队发布技术报告，介绍跨会话持续运行的自主研究智能体 Épi，它结合分层记忆、版本化分支和独立评审，在固定验证规则下产出 120 项纪录结果，包括 20 项数值界纪录和 100 项构造纪录，其中 n-queens 常数区间收窄约 84 倍，四次 Feigenbaum 吸引子维数的严格区间收窄超过 360 万倍。
入选理由作者团队公开了可核查的构造与证书，研究者能据此判断自主研究智能体在数学与算法设计上已能产出何种可检验结果。
HybridResearcher-4B：让 4B 小模型跨数据库与网页做混合深度研究
研究团队提出 HybridResearcher 训练框架，并训练出 4B 模型 HybridResearcher-4B，用于在一条推理链中同时调用结构化数据库（text-to-SQL）与非结构化网页检索。