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。
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。
435 条收录动态，更新于 00:00
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26日
星期一，2 条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，11 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。
一周热闻回顾：求是杰出科学家奖揭晓、国产医用重离子加速器首台示范装置建成
2026年度“求是杰出科学家奖”数学与物理领域获奖名单公布，王国祯、王虹、贾金锋、叶军4人入选。基于中国科学院近代物理研究所SIMM系统的新一代医用重离子加速器首台示范装置在广东惠州建成，已进入设备检测阶段，预计2026年底开展临床试验。一份未经同行评审的论文指出，美国STEM领域约30%的博士学位论文含AI生成文本，使用AI撰写论文的博士毕业生更可能进入工业界而非学术界。
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。
NBER研究：约30%美国STEM博士论文摘要含AI生成文本，使用者更少留在学术界
美国国家经济研究局（NBER）一份未经同行评审的论文用AI检测服务Pangram分析了2019年1月至2026年5月美国大学超过22.6万名STEM博士毕业生的学位论文摘要，发现含AI生成文本的摘要比例从2023年的1.7%升至2025年的18.8%，2026年前5个月已达29.4%，数学和计算机科学最高，为36%。
alphaXiv 开放直接发布论文，无需 arXiv 背书
alphaXiv 宣布作者可绕过 arXiv 等待期，直接在其平台发布论文，特点是速度快、不需要 endorsement（背书），并依靠评论、收藏和关注研究者等社区机制帮助论文触达目标读者。该发布方式与 arXiv 不互斥，论文之后上传到 arXiv 时，平台可在后台合并两个 alphaXiv 链接。官方给出了一篇直接发布于 alphaXiv 的示例论文。
引用Tanishq Mathew Abraham, Ph.D.@iScienceLuvrthe arxiv holds are insane, one of our papers has been on hold for like 1.5 weeks at that point we might as well just upload it on our own website instead of arxiv 🤷♂️
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。
Memory Tax：拆解智能体记忆的净价值
一项跨多个基准与模型骨干的大规模评估发现，许多专用记忆系统在不少情况下不如朴素 RAG，净价值为负。研究以 RAG 为参照，把记忆的净价值拆为收益（memory benefit）与损耗（memory tax），后者源于记忆过程对原始信息的重组可能删除或遮蔽证据。作者表示将开源代码与结果。
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
星期六，9 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。
AlphaIdeaBench 发布：在资源约束下评测科研构思智能体并对齐同行评审
研究团队提出 AlphaIdeaBench，用 100 个构思任务（50 个 NeurIPS、ICML、ICLR 2023–2025 研讨会征稿与 50 个综述中作者自述的开放问题）在统一资源预算和 JSON 提案格式下评测科研构思智能体，并按有效性、新颖性、可行性 12 个维度打分。
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。
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
Coral Discovery：为自主科研智能体引入方向板以分工认知劳动
Coral AI Labs 与多所高校的研究者提出 Coral Discovery，在 MIT CORAL 的多智能体自主科研框架上加入方向板：验证器按程序 diff 给每次尝试标注方向与方法，方向板按方向统计收益、为少尝试方向加探索奖励并估算新方向价值，智能体先完成自己的方向再参考方向板。
AutoTavern 让 LLM 研究智能体自主构建炉石酒馆战棋 AI，天梯评分升至约 15000
研究团队提出 AutoTavern，由多个专用 LLM 研究智能体共享类型化研究记忆、每条主张经过验证关卡，并用实时对局闭环改进模拟器、对手与策略。
PatEx-Gym 框架发布：用智能体做专利审查中的现有技术检索与新颖性评估
研究团队提出 PatEx-Gym，用于开发和评估专利审查智能体，包含 1K 个真实审查任务、超过 1M 件专利与 52K 篇科学论文的检索语料，以及支持迭代检索、文档查阅、推理和审查意见书（OA）生成的运行环境。
10月23日
星期五，1 条Ai2 发布 LitPivot：围绕文献动态组织证据，辅助科研构思修订
Ai2 与宾夕法尼亚大学合作发布 LitPivot，该系统用 Asta Paper Finder 检索的论文，把研究提案拆成问题、贡献和评估方案三部分，围绕正在编辑的部分组织文献、给出带原文摘录的批评和可接受或拒绝的修改建议。
入选理由Ai2 把文献检索与科研构思的修订过程绑定，研究者可据此判断这类工具能否介入早期选题。
10月24日
星期六，1 条Ai2 与宾大推出 LitPivot：按研究构思的组成部分组织文献并给出修订建议
Ai2 与宾夕法尼亚大学合作推出 LitPivot，把研究提案拆成问题、贡献和评估方案三部分，围绕正在编辑的部分组织经 Asta Paper Finder 检索到的论文，给出附文献摘录的批评和可接受、编辑或拒绝的修订建议。
10月23日
星期五，3 条OpenAI 联合 PerturbAI 与斯克里普斯研究所用数千个 AI 智能体分析小鼠脑细胞图谱
OpenAI 联合 PerturbAI 和斯克里普斯研究所利用数千个 AI 智能体分析覆盖整个小鼠大脑的 CRISPR 图谱，32 分钟完成数百万个脑细胞数据的分析，团队估计人类研究人员完成同等工作需数月到一年。
H-CDLM：分层连续扩散语言模型提升文本生成
H-CDLM 通过联合去噪 token 与其粗粒度语义聚类，让高层信息引导 token 重建，缓解连续扩散语言模型难以从噪声表示恢复精确 token 的问题。应用于 CoBit 后，在 LM1B 上文本生成质量提升 33%、OpenWebText 上提升 29%，GSM8K 数学准确率从 25.4% 升至 27.4%，且去噪步数减半。
腾讯混元与港科大（广州）提出 Poseidon 流水线，从科学代码库构建 97,659 个智能体训练环境
香港科技大学（广州）与腾讯混元团队提出 Poseidon，一个从科学代码库自动生成可验证训练环境的流水线，并据此构建 Pearl 数据集，包含来自 7,110 个公开仓库、覆盖 10 个学科的 97,659 个环境。
10月22日
星期四，1 条清华与智谱提出 RIDAR：自动检测自主科研智能体的科研诚信违规并实时干预
清华大学与智谱 AI 的研究者提出 RIDAR 框架，用于检测自主科研智能体在科研全流程中的科研诚信违规（RIV），并在运行中给出反馈纠正。团队先构建覆盖科研构思、文献综述、实验、论文写作四个阶段共 14 类违规的 RIVT 分类，其事后检测模块 RIDAR-Post-hoc 在 60 条专家标注轨迹的 RIV-Gold 基准上取得 85.2% 的实例级 F1。
10月23日
星期五，2 条FLAWS 基准：用 713 组论文错误对评测大模型能否定位论文错误
卡内基梅隆大学等机构的研究者提出 FLAWS 基准，包含 713 组论文与错误配对，用于评测大模型能否识别并定位论文中会推翻核心结论的错误。基准从 2025 年 ICML 录用论文出发，用 Gemini 2.5 Pro 和 GPT 5 插入错误并经多步过滤，再让模型在编译后的 PDF 中按重要性排序输出至多 10 段候选错误文本。
更多元数据反而误导：LLM 生成博物馆描述中的字段级接地问题
一项基于 TimeTravel 基准的两阶段研究分析了 10,250 件历史文化藏品，考察元数据数量、字段类型、图像可得性与地域记录差异如何影响 LLM 生成博物馆描述。控制字段探针实验显示，字段数量本身不能解释生成行为：语境类字段更易被省略，内容类字段更易被写入但虚构风险更高，图像既能支持视觉接地也会增加无依据解读。研究据此主张按字段与陈述级别评估接地，而非只看输入覆盖率或参考相似度。