外观
AI 导读艾伦AI与宾夕法尼亚大学合作开发了LitPivot系统，帮助研究人员在早期研究阶段根据文献动态调整研究方向。该系统将研究提案分解为问题、贡献和评估三个部分，围绕正在编辑的部分组织相关文献，并提供基于文献支持的批判和建议。在17名研究人员的实验中，使用LitPivot开发的研究想法被认为比使用文本编辑器和AI聊天工具开发的想法更基于文献，参与者也认为其修订后的想法更具创新性和实用性。
AI 选稿理由LitPivot通过动态文献关联和批判性建议，显著提升了早期研究想法的文献基础和创新性，适用于各学科研究人员的早期研究阶段。
AI 导读研究提出RIDAR框架，用于自动检测和干预研究完整性违规(RIV)。首先引入包含14种RIV类型的RIVT分类法，RIDAR-post-hoc在RIV-Gold基准上达到85.2% F1性能，在RIV-Wild数据集中检测到99.7%轨迹中的3,964个RIV实例。RIDAR-runtime动态检测和纠正RIV，使任务完成时剩余RIV减少36.8%。研究团队将开源代码和数据。
AI 选稿理由RIDAR框架提供了首个全面的研究完整性违规检测与干预系统，通过分类法、后检测和运行时干预三层架构，显著减少了自主研究代理中的研究完整性违规问题。
AI 导读研究团队提出FilmFlow框架，可将自然语言指令或参考视频转化为动态3D环境中的可执行相机轨迹。该系统由导演智能体和三个专业智能体（解释器、侦察员、评论员）组成，支持空间推理、时间协调和视觉构图。研究团队还创建了CinemaBench基准数据集，包含150个Blender场景和750个文本指导任务，FilmFlow在基准测试中表现最佳并获用户最高偏好。
AI 选稿理由FilmFlow提供了将自然语言或视频参考转化为3D电影摄影轨迹的完整框架，并创建了专用基准数据集，适用于影视制作和虚拟内容创作领域。
AI 导读研究团队提出SCOPE方法，将LLM代理的策略编译为可执行程序，由小型模型、确定性提取器和组合代码执行。该方法通过对抗生成反例优化程序，在真实世界策略任务基准测试中取得最高平均准确率，且预测结果更稳定、可解释性强。
AI 选稿理由SCOPE实现了可靠、可解释且高效的策略执行，适用于生产环境中的LLM代理策略管理。
AI 导读研究团队提出视频中心深度研究报告生成任务，给定视频和用户请求，智能体可识别研究问题、检索外部多模态证据并生成交互式报告。该任务包含50个中英文任务，覆盖19个现实子类别，共6414项评估标准。测试显示最佳系统得分为63.3分，当前智能体仍需提升内容覆盖度、跨模态因果逻辑分析能力和引用准确性。
AI 选稿理由新增视频中心深度研究报告生成基准OmniDR-Bench，包含50个中英文任务和6414项评估标准，为视频内容研究提供标准化评估框架。
AI 导读研究提出Raw-RAG方法，使用密集检索和重排序对原始历史记录进行检索，为阅读LLM提供证据。在LoCoMo、LongMemEval等七个基准测试中，Raw-RAG在六种设置下排名第一，超越最强智能体记忆系统0.13-5.53分。证据分析表明，原始历史检索能覆盖更多必要证据，即使转换后的记忆存储也无法完全替代原始信息的重要性。
AI 选稿理由研究证明朴素RAG方法在长期对话理解任务中表现优于复杂智能体记忆系统，挑战了记忆复杂性的必要性。
AI 导读研究团队推出AgentVQA基准，从23个数据集中精选1000个真实世界代理场景，涵盖Web代理、机器人、第一人称视频、游戏和空间规划五个领域。测试显示，22个模型中最佳准确率仅为58.5%，主要错误源于无法准确定位UI元素、解释运动、跟踪状态变化和推断3D空间关系，而非任务理解或逻辑推理问题。
AI 选稿理由AgentVQA提供了首个跨领域代理视觉理解离线基准，解决了在线评估成本高、难以扩展的问题，为模型比较提供可靠依据。
AI 导读研究团队提出AnyGameRenderer，一种视频到视频的生成渲染器，可将AI编程代理生成的简单游戏（如灰色块状、几何图形）转换为高质量视觉效果，同时保持布局、相机和每个实体的位置与时间不变。该模型通过LoRA微调MiniMax-H3 ref2va（33B参数）实现，支持多种游戏类型输入，并在实体级基准测试中，时间匹配率从50.9%提升至62.9%，漏检计数变化从34.7%降至21.3%。
AI 选稿理由AnyGameRenderer解决了AI生成游戏视觉效果差的问题，通过实体一致渲染技术提升游戏质量，适用于多种游戏类型，并提供了新的实体级评估基准。
AI 导读研究团队推出FrontierCS 2基准测试，包含48个开放性任务，评估LLM代理对计算机科学前沿研发的贡献。该基准将代理置于研究环境中，继承工作仓库并随时提交补丁，最终在13个领域评估表现。测试了12个代理，Claude Opus 5.5表现最佳，通过58%的运行，但16个任务无任何运行通过。
AI 选稿理由FrontierCS 2是首个将LLM代理置于真实研究环境中的计算机科学研发基准，覆盖13个领域，为评估AI在科研中的能力提供了新标准。
AI 导读研究人员推出了Quant-Arena，这是一个针对真实A股市场数据的端到端量化研究基准和排行榜。模型构建特征和股票评分代码，仅对2022-2023年数据进行反馈，并在2024年对策略进行评估。GPT-6 Astra在该基准测试中得分最高，但没有模型在2024年击败等权重市场。
AI 选稿理由Quant-Arena基准测试为LLM在量化交易研究中的应用提供了新的评估标准。
AI 导读研究团队提出ToM2Vec方法，通过固定数量的连续推理标记在丰富潜在空间中学习形成抽象心智理论。这些标记在训练时从合作伙伴的实际思想中获取监督，在测试时作为智能体思想和行动的条件器。在协作、竞争和混合动机环境中的测试显示，ToM2Vec在多智能体交互和协作方面持续优于基线和竞争性训练模型，且潜在推理至关重要，当推理以文本表达时性能下降。
AI 选稿理由ToM2Vec通过连续推理标记解决了大语言模型智能体在不确定环境下形成准确心智理论的挑战，在多种环境中提升了多智能体协作能力。
AI 导读研究者提出了一种名为SERA（自我进化机器人代理）的方法，通过一个可编辑的约束来组织高级视觉语言动作（VLA）模型，以保持任务上下文并通过执行经验改进规划。在RoboMME测试中，SERA实现了51.38%的成功率，而未进行自我进化的版本为44.38%。这表明，具有代理规划的机器人操作是一个有前景的方向。
AI 选稿理由SERA方法在机器人操作任务中实现了显著的成功率提升，为历史依赖的机器人操作提供了新的思路。
AI 导读研究团队推出AW-0框架，将代码规划、未来视频预测和机器人动作控制整合为三个耦合的生成流，在统一transformer架构中实现。通过代码专家生成参数化技能程序，视频和动作专家生成视觉状态和低级指令。在RoboTwin 2.0和双臂操作任务中，该模型在任务性能、语言遵循、语义推理和鲁棒性上超越VLA和WAM基线。
AI 选稿理由AW-0首次将代码规划与视频动作预测整合为统一框架，实现了技能的复用和物理动态预测的结合，在机器人操作任务中展现出显著性能提升。
AI 导读研究团队提出DeepEvolve系统，通过持续交互动态变化的环境并内化经验实现递归自改进(RSI)。该系统在FutureX排行榜连续三周排名第一，评分提升高达195%；在合成评估中超越最强基线10.7 Bradley-Terry点。结果表明，与开放环境共同进化是AI系统自我改进的基础。
AI 选稿理由DeepEvolve实现了递归自改进智能体系统，在真实世界预测任务中连续三周排名第一，评分提升195%，为AI从静态模型训练向经验驱动进化提供了新范式。
AI 导读研究者提出 SpatialBrain 框架，在保持视觉语言主干不变的前提下，积累“何时直接观察、何时重建或换参考系”的推理经验。3DFusionMemory 将当前场景观测融合为可查询的空间关系，空间技能库提供可复用工具流程，空间认知把任务条件与使用经验关联起来；完成轨迹被抽象为过程记录并在任务块间整合。在五个空间推理基准上，四个优于同一主干的直接回答，一个持平。
AI 选稿理由它把可复用的推理经验与场景证据分开记忆，在冻结主干下于五个空间推理基准中的四个取得提升，实验范围为五项基准与组件对比。
AI 导读论文将多模态具身智能体定义为把多模态任务推理与物理动作结合、并依据反馈修正决策的系统，提出按功能划分的PAPAV五能力框架：感知状态、预判动作效果、规划可行路径、通过接口或身体执行、验证结果。作者比较了电脑使用智能体、多模态智能体与机器人系统，并指出物理约束——从部分可观测到结果难验证——使可预先固定的选择更少、纠错空间更小。在64个基准中，显式评估集中在“执行”，仅5个评估“预判”、3个评估“验证”。
AI 选稿理由论文提出统一的五能力框架，并用64个基准的统计指出预判与验证能力在评测中严重缺位，为具身智能体的评估设计提供了可复用的分析框架。
AI 导读论文提出Harness Scaling，不再只用固定harness训练Agent，而是构建因子化harness空间，选覆盖均衡的小训练子集，组织跨harness训练。在多基准、不同模型规模和RL算法下，对未见白盒配置的泛化稳定提升；经结构化白盒变化训练的模型也能迁移到未见的外部黑盒harness，优于用单一复杂黑盒harness训练的模型。
AI 选稿理由论文给出一种可操作的Agent RL训练方法：通过有组织的harness多样性提升跨执行配置泛化，并在多基准、多模型规模和多种RL算法下验证；实验结论限于所测白盒与黑盒harness范围。
AI 导读论文提出以记忆为中心的持续学习（MCCL），主张记忆应以能否改善未来行动来评判，而非只看检索准确率。框架包含三部分：按存储基质、资产形态和管理策略划分的三轴分类及内外双循环生命周期；衡量干扰下保持、变化适应与任务迁移的评估协议；以及刻画性能随经验、存储和算力扩展的记忆扩展框架。
AI 选稿理由提出代理记忆应从被动检索转向持续学习，并给出分类、评估协议与记忆扩展框架，属方法论贡献，尚无实验数字。
AI 导读针对微短剧脚本生成中情节多样性和长程叙事连贯性的挑战，研究提出DraMaze多智能体管道，通过类型记忆引导的进化树搜索和变异探索多样化因果路径，并构建反向叙事依赖树组织历史记忆。实验表明，在60k词60集脚本中，DraMaze将因果模式重复率降低32.1%，逻辑得分达82.5，超越最佳基线8.5分。
AI 选稿理由DraMaze通过多智能体管道和未来感知记忆机制，显著提升了微短剧脚本生成的多样性和逻辑连贯性，为长篇叙事内容创作提供了新方法。
AI 导读研究团队提出HiSTEVE，一种分层VLA代理，通过能力感知代理框架结合长程自主与原生界面控制。该代理在Minecraft中实现85.0%的MineStudio Bench得分和37.4%的OpenHA平均成功率，能像人类玩家一样从零开始制作铁镐。
AI 选稿理由HiSTEVE通过分层架构和特定技术解决了开放世界游戏中长程自主与原生界面控制的整合问题，在Minecraft基准测试中达到最先进性能。
AI 导读研究人员开发了一种名为DirCast的单流媒体视频语言模型，能够实时进行电子竞技直播的导演和解说。该模型通过分析所有摄像机的低分辨率画面，决定何时切换镜头，并在高分辨率下读取选定镜头的内容进行解说。DirCast在导演和解说方面均优于基于规则的导演和GPT-5等模型，解说能力在Proact-VL协议下与GPT-4o相比胜出29.2%。
AI 选稿理由DirCast模型在电子竞技直播导演和解说方面展现出优于现有技术的性能。
AI 导读研究团队开发了解释性管道，发现视觉-语言-动作(VLA)模型将任务指令编码为绝对坐标程序，导致对物体位置变化的脆弱性。通过激活注入实验，模型在99.6%的案例中执行源任务的轨迹，即使面对不同场景。研究还发现不同架构对指令的权重分配差异，以及目标选择与动作生成的分离机制。团队发布了Action Atlas交互平台，包含520+训练SAEs、79个识别概念及UR10e实验结果。
AI 选稿理由提供了视觉-语言-动作模型的内部工作机制解释，揭示了其脆弱性的根本原因，并开源了可复用的分析工具与数据集。
AI 导读论文提出HarnessAdapt-RL，在强化学习训练编码Agent时同步调整模型策略与执行框架（harness），不再固定框架只更新策略。冻结教师为具体任务生成机制级技能，另一教师按跨任务共性问题演化工具与hooks，仅保留不降低通过率或可训练率的改动。9B基座模型在SWE-bench Verified、Multilingual、Pro上pass@1较GRPO分别提高9.8、12.6、6.4个百分点，也优于配OpenHands人工框架的GRPO。
AI 选稿理由给出把Agent执行框架纳入强化学习训练的具体方法，并在SWE-bench三个设置上量化对比GRPO与人工框架，属可复用的Agent训练研究。
AI 导读针对RLVR奖励稀疏、长程任务难以分配信用的问题，作者提出Self-Credit：先让策略模型在 rollout 中生成带引用的摘要，标出关键证据所在轮次；再用同一提示下成功与失败轨迹的组内一致性重缩放这些引用，削弱错误信用、强化关键动作，并据此调整引用轮次的优势值。在BrowseComp-Plus上，Qwen3 8B与32B分别比基座高37.0和36.2分，比最强智能体RL基线高8.5和5.6分；GAIA与xBench-DeepSearch分别再高4.9和4.7分。
AI 选稿理由提出无需额外标注的信用分配方法，在Qwen3 8B/32B上给出BrowseComp-Plus、GAIA、xBench-DepSearch的具体提升幅度，适用于长程工具型智能体RL训练研究。
AI 导读微软研究院Xinzhi Zhang与合作者证明了1995年提出的Kannan-Lovász-Simonovits（KLS）猜想：对对数凹分布，最佳平坦切割与任意形状切割的差距总被一个与维度无关的常数界定。研究者用AI智能体探索了约100条候选路径，由人筛选方向，最终通过递归细化与误差有界性论证完成证明；同日另有两组独立证明与Lean 4形式化验证发布。
AI 选稿理由解决了高维几何与概率论31年核心公开问题，把此前随维度缓慢增长的界收紧为维度无关常数，使大量依赖该猜想假设的结果可无条件陈述；同时提供了人指导AI做数学研究的可复用流程对照。
AI 导读论文提出Agent S4，让接口设计本身成为Agent能力：元智能体在无成功标签的合成任务轨迹上构建并修订接口仓库，再用种群式进化按验证任务表现筛选。在OSWorld V2上，搭配Qwen3.8-27B的Agent S4取得21.3%二元得分，是同模型固定接口的3.8倍，超过GPT-5.5（13.0%）和Claude Opus 4.8（20.6%），成本约为后两者的4.3%和1.5%；ScienceBoard成功率从41.4%升至58.6%。代码已开源。
AI 选稿理由提出从任务经验自动进化Agent接口的方法，在OSWorld V2和ScienceBoard上以约1/4至1/15成本超过GPT-5.5与Claude Opus 4.8，为计算机使用Agent提供接口自进化的开源方案。
AI 导读Matrix-Game 4.0将游戏执行与画面生成分离：轻量游戏引擎维护世界状态并执行交互规则，多模态编码Agent把玩家想法转为游戏代码和动态场景描述，基于自回归视频模型的渲染器再把低多边形代理画面转为高保真视觉。单张RTX5090实现480p、60FPS，按键到显示延迟112ms；单步生成稳态83FPS，峰值显存18.2GiB，RTX5080和RTX5070Ti上分别为67FPS和58FPS。代码、模型权重和低多边形游戏资产已开源。
AI 选稿理由给出可玩游戏世界的执行—渲染分离架构，并在单卡上实测延迟、帧率与显存，同时开源代码、权重和资产，为实时视频生成与游戏交互结合提供可复现基线。
AI 导读研究提出 S-Agent 2.0，为现成通用编码代理配备命令行感知工具包，并通过持久场景记忆让模型把工具读到的几何数据转成空间结论。开源底座 Qwen3.8-27B 接入后，MMSI-Bench 和 ReVSI 分别比无工具版本提升 13.9 和 20.5 分，达到 66.5 和 82.3，超过同底座的 SpatialClaw；接 Gemini-3.8-Flash 时同样领先。该方案可运行在 Codex、Claude Code 等代理框架上。
AI 选稿理由给出空间推理代理的工具接口与记忆设计，并在两个基准上按开源/闭源底座分别报告相对无工具与 SpatialClaw 的具体分数变化，属于可复用的研究方法进展。
AI 导读研究者提出 RiseHarness 框架，在模型权重不变的前提下迭代改进智能体的 harness。它聚焦同一配置下时成时败的任务，把成功轨迹与运行时监控的内部 harness 跟踪结合分析，再借 Harness Handbook 定位共享机制中的反复问题，检索其他 harness 的实现并适配，经行为检查与重复评估后以有效版本进入下一轮。论文评测了任务成功率与可靠性，并做了消融与未见基准迁移测试。
AI 选稿理由提出不改变权重的 harness 自改进方法，针对长程终端智能体跨次运行的不稳定，给出可复用的失败分析与跨框架机制迁移流程。
AI 导读研究者提出MMEnterprise-Bench基准，包含1,613个基于模拟协作项目动态多模态记录的问题，分为证据推理、冲突消解、不可回答三类。评测10个开源与专有多模态大模型发现，最强模型在跨源或时间冲突、证据跨多图时仍表现不佳；提高检索预算或换更大检索器只提升证据召回，未稳定提升答案准确率。
AI 选稿理由为企业多模态Agent提供可复用的评测基准与实证发现：检索召回提升未稳定转化为答案准确率，适用于评估动态记录问答系统。
AI 导读研究团队推出TARSphere，一个面向具身机器人的全栈框架，可在物理模拟器中运行机器人策略，并使用事件驱动的有限状态机更新任务状态。该框架通过冻结的多模态大语言模型(MLLM)实现多级可执行技能，并构建了包含360个跨30个室内场景的TARSphere-Bench基准测试。评估显示通用模型在特定任务上优于专用具身模型，但任务更新和人机交互仍是挑战。
AI 选稿理由TARSphere提供了评估具身机器人在动态环境中长时程任务的新框架，通过MLLM实现多级技能执行，并首次系统评估了8个MLLM在感知鲁棒性、适应性、人机协调等方面的表现。
AI 导读SplatLab是一个针对3D高斯溅射(3DGS)的自主研究系统，能够复现已发表论文、提出扩展方案、训练模型并撰写论文。该系统在Mip-NeRF 360和LLFF数据集上，其生成的论文在PSNR指标上比复现目标高出+0.18至+3.78dB，其中在天文摄影星云渲染上提升3.78dB，且此前无3DGS方法能处理此类任务。研究周期从数月研究生工作缩短至数天自主计算完成。
AI 选稿理由SplatLab实现了3DGS研究全流程自动化，在PSNR指标上显著超越复现目标，将研究周期从数月缩短至数天，并首次实现天文摄影星云渲染的3DGS方法。
AI 导读研究指出，现代LLM代理可以从可访问的文档中检索信息，并泄露敏感结论。通过30个合成案例，发现GPT-5.6-Sol模型在模拟中有7.08%的答案泄露了禁止组合，在真实环境中泄露率更高。研究强调了在敏感数据环境中对代理推断和披露的更强控制。
AI 选稿理由揭示了代理型LLM系统中敏感数据泄露的风险，强调了需要更强的控制措施。
AI 导读研究团队提出FRED框架，通过自蒸馏方法改进World Action Models(WAMs)中未来视频表示的质量。该框架利用真实未来观测作为目标，从噪声中预测未来表示，并结合历史观测提供时间上下文。在多样化实际操作场景中，FRED在长时程和跨域任务上显著优于现有WAMs，将人类到机器人的技能转移成功率从19.4%提升至50.0%。
AI 选稿理由FRED框架通过自蒸馏方法显著提升了机器人未来视频表示质量，在长时程和跨域任务上实现零样本泛化，并大幅提高人类到机器人的技能转移成功率。
AI 导读研究探讨了递归自改进(RSI)在物理AI中的应用，分析了如何通过物理经验强化改进机制，并总结了现有研究的评估原则和未来研究方向。研究指出，物理环境中的RSI需要处理部分观察、高成本试验和不可逆后果等挑战，现有研究主要集中在操作领域，支持行为改进、后续学习和程序改进，但尚未完全隔离递归带来的增益。
AI 选稿理由该研究系统分析了递归自改进在物理AI中的实现路径和挑战，为机器人学习领域提供了评估原则和研究方向。
AI 导读Sharp等人研究了AI智能体获取机会不平等及其质量和数量差异的影响，构建了识别潜在不平等来源的概念框架，并提出研究议程以应对由此产生的社会挑战。
AI 选稿理由该研究首次系统分析了AI智能体分配不平等问题，为制定更公平的AI治理政策提供了理论基础。
AI 导读研究团队推出MemT-1.0，一种将内存作为基础模型内在能力的新架构，采用Gated DeltaNet-2和Mixture-of-Storage技术。该模型家族包含MemT-1.0-Nano和MemT-1.0-Flash，在128K token历史长度下实现1.86倍推理加速和66倍存储减少，同时保持通用能力并提升智能体任务成功率。
AI 选稿理由MemT-1.0通过内存原生架构解决了长上下文处理的效率和存储瓶颈，为需要长期记忆的AI应用提供了实用解决方案。
AI 导读针对大型语言模型（LLM）代理在未知和动态环境中需要主动探索、理解和适应环境动态的问题，研究人员提出了AdaExploreBench，一个用于评估主动探索和测试时自适应能力的基准。实验表明，主动和自适应的探索仍然具有挑战性，当前LLM代理在获取正确证据和识别先前获取的证据不再有效方面存在瓶颈。
AI 选稿理由解决了LLM代理在动态环境中主动获取证据和适应环境变化的瓶颈，有助于提升LLM代理在复杂环境中的表现。
AI 导读本文提出了一种名为Vision-Language-Delta-Action（VLDA）的新范式，通过紧凑的Delta变量捕捉潜在的世界状态变化，作为视觉语言理解和动作生成之间的接口。VLDA通过统一目标学习Delta，包括局部过渡滤波器（LT-Filter）和全局过渡锚点（GT-Anchor），以改善长期一致性、鲁棒性和泛化能力。
AI 选稿理由VLDA通过紧凑的Delta变量捕捉潜在的世界状态变化，作为视觉语言理解和动作生成之间的接口，从而提高了机器人操作的长期一致性、鲁棒性和泛化能力。
AI 导读现代文本到图像（T2I）系统使用大规模语言预训练进行文本条件图像生成。本文提出Halcyon，一种早期融合的多模态自回归模型，完全从零开始在GPIC数据集上预训练，该数据集包含100M图像-文本对。Halcyon-0.52B在预训练计算量上比LlamaGen-XL/8少18.2倍，性能优于后者。Halcyon-1.6B在预训练计算量上比JiT-T2I-XXL/8++少275倍，性能也优于后者。控制实验表明，仅文本预训练不会提高T2I生成。Halcyon通过替换caption dropout为I2T监督，在不增加预训练预算的情况下，也能保持有竞争力的T2I生成质量。研究表明，强大的T2I系统可以在没有互联网规模语言预训练的情况下从头开始训练。代码和模型可在https://cs.stanford.edu/~keshik/halcyon获取。
AI 选稿理由展示了无需大规模语言预训练即可训练强大的文本到图像生成系统，降低了预训练计算需求。