#推理.

AI 导读P-Zero Research的新基准测试显示，AI模型自主设计和评估实验的能力提升迅速，促使Anthropic联合创始人Jack Clark将自改进AI的预测时间提前至2027年。

AI 选稿理由基于P-Zero Research基准测试结果，自改进AI能力提升速度超出预期，预测时间提前一年。

AI 导读一项对照研究表明，在Claude Code、OpenCode或mini-SWE-agent等编程智能体框架间切换，对任务通过率的影响与重复运行同一设置相差无几。然而，每任务成本可能增加三倍，主要原因是系统提示在每个步骤都会重新发送。

AI 选稿理由该研究揭示了编程智能体框架选择对成本效益的实际影响，为开发者提供了优化资源使用的依据。

AI 导读月之暗面发布Kimi K3.1 Pro，2.8万亿参数模型在Artificial Analysis智能指数中排名第四，得分55，接近Fable 5.1。模型支持百万Token上下文，在代码、3D创作和长程Agent任务中表现优异，计划11月4日开放权重。同时推出Highspeed API，输出速度提升2-3倍，价格翻倍。独立评测显示其在网络安全测试中得分64%，为公开最高。

AI 选稿理由Kimi K3.1 Pro成为首个接近Fable-5.1级性能的开放权重模型，缩小了中美模型差距，并在网络安全领域取得突破性进展。

AI 导读Moonshot AI的Kimi K3.1 Pro在AI分析智能指数上获得55分，比前代产品提升11分，排名第四，仅次于三款Anthropic和Meta模型。如果Moonshot按计划发布权重，开源与专有模型之间的差距将缩小至仅3分。

AI 选稿理由Kimi K3.1 Pro在AI分析智能指数上取得显著进步，缩小了与顶级专有模型的差距，展示了开源模型的发展潜力。

AI 导读AWS发布多轮强化学习(MTRL)技术，通过Amazon SageMaker AI训练模型处理需要多步决策的任务。以Wordle游戏为例，使用GPT-OSS-20B模型，在默认推理能力下将解决率从61%提升至84%，低推理能力下从15%提升至69%，训练成本约339美元。该技术适用于企业内部多步骤任务，如工作流程自动化，无需指定正确路径，只需对最终结果评分。

AI 选稿理由提供了一种新的强化学习方法，通过单次奖励信号训练模型完成多步任务，适用于企业内部特定工作流程的AI能力提升。

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 导读拜耳作物科学在Amazon Bedrock AgentCore上构建了代理式决策引擎(ADE)，通过22个专业代理解决用户问题，80%无需工程师介入。该系统基于现有的连接决策引擎(CDE)，添加自然语言接口，使用LangGraph编排，通过AgentCore Gateway实现工具访问，并采用AWS统一运营支持。

AI 选稿理由拜耳实现了基于Amazon Bedrock AgentCore的代理式决策引擎，解决了复杂农业数据分析中的可解释性问题，提高了问题解决效率。

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Anthropic让Claude生成数学证明来验证现有代码的正确性，为123个开源库生成了约1.8亿行证明代码。在此过程中，该模型发现了多年测试都未能发现的错误。Anthropic的目标是使AI形式验证像标准测试一样成为常规流程。

AI 选稿理由Claude首次实现大规模自动代码形式验证，为123个开源库生成1.8亿行证明代码并发现传统测试遗漏的错误。

AI 导读研究提出一套评估蛋白质-配体结合预测结构化方法的指南，强调透明披露训练数据、代码和程序的重要性，以促进可重复性、重用和独立审查。指南还强调防范数据泄露、采样偏差和设计缺陷，并建议使用共同数据分割、运行间变异性检查和性能基线进行有意义的方法比较。

AI 选稿理由该指南为蛋白质-配体结合预测领域提供了标准化的评估框架，有助于提高研究可重复性和方法比较的可靠性。

AI 导读10月下旬爆发大规模AI加速漏洞披露潮，包括PHP2Shell、GitLab、Node.js等关键软件漏洞，以及LiteLLM密码窃取、Quest Diagnostics数据泄露等事件。Anthropic推出Claude Duet主动代理，MiniMax发布M3.1 Flash模型，DeepSeek V4.1 Flash在CVE发现成本上领先。同时，三星2027年HBM产能售罄，价格预计上涨200%。

AI 选稿理由新增大规模AI加速漏洞披露事件及多家公司模型发布，包含具体漏洞细节和性能数据。

AI 导读研究团队发布IQuest-Q1，一个稀疏专家混合(MoE)代理基础模型，总参数320亿(激活15亿)。通过三阶段训练开发：稳定高效预训练、细粒度中训练和多支架多版本后训练，结合SFT、领域专业RL和MOPD，增强代理编码能力。模型合并不同专家和检查点，缓解参数更新冲突。IQuest-Q1在编码和通用任务中展现能力，已开源支持社区研发。

AI 选稿理由开源320亿参数代理基础模型IQuest-Q1，通过三阶段训练和模型合并技术提升编码与通用任务能力。

AI 导读研究团队提出F2G-Pose框架，通过单次前向预测从RGB-D观测中直接估计物体3D姿态、度量尺寸和相机坐标系下的完整形状。该方法将密集视觉基础特征提升到部分点云，使用DGCNN标记编码局部几何，并通过专家混合Transformer整合物体级结构。在SOPE和ROPE基准上达到最先进精度，姿态推理速度达28 FPS，并在HouseCat6D和HANDAL数据集上展示了强几何性能和真实物体迁移能力。

AI 选稿理由F2G-Pose实现了实时单次前向预测的类别级物体姿态估计，在保持高精度的同时解决了现有方法在可靠性和效率之间的平衡问题。

AI 导读MIT历史本杰明·林德奎斯特教授在《过去与现在》期刊发表论文，追溯AI幻觉的起源至20世纪50年代早期工程师的研究。这些工程师认为，为使机器能像人类一样思考，必须注入一定程度的非理性。早期神经网络通过随机性模拟人类创造力，而现代AI系统已被'打磨'以减少意外输出，但创造力与可预测性之间存在必然权衡。

AI 选稿理由揭示了AI发展历史中创造力与可预测性之间的权衡关系，以及早期工程师对AI系统设计的根本性思考。

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Cola2框架，通过动态文本分段、无辅助损失的负反馈控制压缩率，以及重建与生成监督结合，学习紧凑的潜在表示。在五个下游任务和约2100亿训练 tokens 的实验中验证了核心设计，显示竞争性且未饱和的扩展性。使用3460亿源 tokens 的未收敛检查点，在八项任务上平均达到60.10，超越Llama-3-8B在HellaSwag和StoryCloze的表现，尽管其预训练预算超过后者的43倍。

AI 选稿理由Cola2通过连续-离散自适应和压缩控制，在有限训练资源下实现超越大模型的性能，适用于资源受限的语言生成场景。

AI 导读研究团队提出Verus-Insight框架，将伪影检测系统化为检查规划、证据验证和证据聚合三个互补能力。该模型通过人类锚定的全过程监督和渐进式能力训练，在细粒度伪影分析和AI视频检测方面表现出色，显著提升了人类感知伪影的恢复能力。同时发布Verus-Bench基准，提供细粒度人类标注的感知伪影用于评估检测性能。

AI 选稿理由Verus-Insight通过结构化三阶段能力设计，显著提升了AI生成视频中细粒度伪影检测的准确性和可解释性，适用于视频内容真实性验证领域。

AI 导读微软与Hugging Face联合发布ThinkingBox-Training，通过将数据库终端状态的执行检查转化为奖励信号，对Qwen3.8-27B模型进行50步GRPO微调。结果显示，模型在ThinkingBox-Bench基准测试中的平均成功率从51.70%提升至60.78%，20次尝试全部成功的任务数量从38个增加到107个。该训练方法使用离线策略相对难度选择训练任务，显著提高了代理的可靠性和重复成功率。

AI 选稿理由提供了一种将数据库状态检查转化为强化学习奖励的新方法，显著提升了代理在业务工作流中的可靠性和重复成功率，适用于需要高可靠性的数据库操作场景。

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 导读研究团队在保持训练目标和采样器不变的情况下，将选择性循环应用于均匀扩散语言模型(UDLMs)，显著提高了训练效率。循环UDLMs仅需约0.5万亿token训练量即可达到非循环UDLMs在1万亿token训练量下的验证NLL，在OpenWebText和FineWeb-Edu数据集上分别节省2.8倍和3.3倍训练FLOPs。在匹配NFE预算下，循环UDLMs生成困惑度降低最高达9.8%，且采用非均匀循环计数策略可进一步减少12%的循环次数而不降低准确率。

AI 选稿理由该研究通过循环技术显著提升了扩散语言模型的训练效率，在保持模型性能的同时大幅减少了计算资源需求，适用于大规模语言模型训练优化。

AI 导读Modal CEO Erik Bernhardsson在访谈中解释了公司如何通过聚合客户需求实现弹性计算，并分享了GPU采购策略。Modal沙盒产品已占公司收入三分之一，最初因需求不足差点被关闭，后因代码生成代理和强化学习需求激增而快速增长。公司目前年化收入达10亿美元，估值160亿美元，已创建近30亿个沙盒环境。

AI 选稿理由揭示了AI基础设施提供商如何通过需求聚合解决GPU容量矩形化问题，以及沙盒产品从边缘到核心业务的转变过程。

AI 导读AWS推出SageMaker训练会话API，允许开发者编写自定义训练循环，同时由服务管理GPU基础设施。该API提供forward_backward、optim_step和sample等操作，支持监督微调、强化学习等多种训练方法，并按使用量计费。同时发布训练会话食谱库，包含SFT和RL等可运行示例。

AI 选稿理由提供了一种新的训练范式，让开发者可以专注于算法逻辑而非基础设施管理，同时保持对训练过程的完全控制。

AI 导读AWS宣布SageMaker AI serverless模型定制新增训练会话功能，允许开发者编写和协调训练循环，包括自定义损失函数或奖励信号，同时由平台处理GPU分配、分布式执行、故障恢复和检查点存储。支持SFT、DPO、RLVR、RLAIF或多轮强化学习等技术，可选择LoRA或全参数微调，并提供训练会话食谱和模型定制代理技能。目前支持gpt-oss-20b、gemma-4-31B-it、Qwen3.6-27B和Qwen3.8-27B模型。

AI 选稿理由AWS SageMaker AI训练会话提供基础设施管理下的自定义训练循环控制，支持多种后训练技术和多轮强化学习，降低模型定制门槛。

AI 导读Rescale在AWS上使用AI驱动开发生命周期(AI-DLC)框架，在5天内构建并部署了智能测试分类代理，几周内投入生产。该代理自动分类夜间端到端测试失败，生成结构化修复报告，与人工分类准确率从44%提升至68%，减少了20%的生产部署阻塞时间。

AI 选稿理由Rescale通过AI-DLC框架快速构建并部署了智能测试分类代理，实现了测试失败分类自动化，提高了工程效率。

AI 导读AWS博客介绍了一种基于实际测量的文本转语音(TTS)自动扩缩容配置方法，通过测量单实例最大并发请求数(Q_max)和实际扩容时间(T_total)，替代传统的猜测式配置。该方法使用Kokoro-82M模型在SageMaker实时端点进行测试，通过五步工具链(drift、qmax、ttotal、plan、validate)实现精确的扩缩容策略，解决了传统配置可能导致的资源浪费或服务延迟问题。

AI 选稿理由提供了一种基于实际测量的TTS自动扩缩容配置方法，适用于所有延迟敏感、并发受限的SageMaker实时端点。

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 导读前摩根大通能源衍生品交易员Anekha Sokhal创立Moshi，开发了一个实时处理海量市场数据的推荐引擎，帮助交易员快速获取与投资组合相关的关键信息。该系统整合结构化数据、基本面数据、新闻和替代数据，并通过推荐系统连接相关信息点，类似于Bloomberg、Claude和Netflix的结合体。

AI 导读Anthropic发布Claude Duet主动AI代理，监控应用并自主处理任务；Recursive推出Flint本地编码模型，40亿参数激活仅2.5亿，支持本地高速推理；OpenAI模型将接入Google Cloud，支持企业级代理工作流；Base Labs发布Mammoth-1和Elephant-1决策模型；Anthropic发布Claude Mods可定制人机交互界面；OpenAI与PHP维护者合作修复GPT-5.6发现的安全漏洞；OpenAI开发者上月使用1000万美元token运行AI工作负载；LiteLLM发布v1.107.0版本被植入恶意代码；Monaco推出Agent Matrix平台协调多个AI代理实现收入增长；GUI-Owl 1.5实现2B参数模型在Android手机上操作应用；Anthropic CEO回应AI安全立场。

AI 导读研究团队提出LASAGNA框架，评估RAG技术组合效果。测试450种配置发现：单独有效的检索技术组合后仅实现预期17%提升而非47%；检索质量与答案忠实度优化目标冲突；最佳组合随语料库规模变化。研究强调RAG技术应完整测试而非孤立评估。

AI 选稿理由提供RAG技术组合效果的实证研究，证明孤立优化不可靠，适用于RAG系统设计与评估。

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IBM发布Granite Timeseries Ensemble，集成四种互补架构的时间序列预测模型，提供概率和四分位数预测，无需重新训练或拟合集成权重。在GIFT-Eval基准测试中，集成模型在点预测和概率预测上均优于单个成员模型，为时间序列预测提供了稳健的默认选择。

AI 选稿理由提供了一种无需重新训练即可结合多种时间序列模型预测的新方法，在97种数据配置上验证了其有效性。

AI 导读研究提出LoopRec方法，针对序列推荐系统中不同项目计算需求不均匀的问题，引入轻量级门控机制实现项目级自适应递归。该方法将固定全局深度转化为学习到的每项属性，在四个骨干架构的公共基准测试中，一致优于固定深度对应模型。分析显示，低频项和近期交互自然获得更深计算。

AI 选稿理由LoopRec通过项目级自适应递归优化序列推荐计算效率，提升推荐质量，适用于各类推荐系统架构。

AI 导读欧洲零售商正使用开放模型和物理智能技术，包括Shopify通过后训练模型将推理成本降低90%，Zooplus实现86%搜索准确率，L'Oréal将成分筛选时间从数月缩短至数小时，以及Mirakl处理7000万产品数据。NVIDIA还提供数字孪生技术帮助优化仓库运营和虚拟试衣体验。

AI 选稿理由展示了NVIDIA技术在欧洲零售业的具体应用成果，包括成本优化、准确率提升和效率改进，适用于零售和消费品行业。

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 导读前沿模型 API 不再返回详细推理过程，TraceForge 改为以教师模型的答案和上下文为输入，用生成器按学生模型家族的风格重建推理链，再由判别器筛选。两阶段先监督后对抗训练；独立评审给出的真实性均分为 0.68，真实推理链为 0.66，判别器从四个候选中选出的达 0.82。在相同 5000 题和教师答案下，HumanEval+ 提升 3.7 分、MBPP+ 提升 7.1 分。

AI 选稿理由提出不依赖被限制的教师推理输出、按学生家族风格重建训练推理链的方法，并给出在固定题目和教师答案下的编码基准提升数字，适用于推理蒸馏训练场景。

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。