外观
凌晨的硅谷，空气里满是火药味。 就在刚刚，Anthropic掌门人达里奥罕见地在X上破防。 他亲自扔出一篇近千字的硬核长文，正面回击外界对Anthropic最诛心的一句质疑—— 你们所谓的AI安全，是不是只是一块用来疯狂敛财的遮羞布？ 对此，达里奥竟竟首次透露—— 一个已被训完的Mythos级高级模型，被雪藏了大约四个月，才允许公众触碰。 他把自己公司过去一年里「因为安全而主动亏掉的钱」，一笔一笔摊在了台面上。 在一个模型隔几周就可能改写排名的行业，四个月，足够让一轮又一轮…
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%。
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。
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。
研究揭示扩散语言模型的量化敏感性与任务和时间步相关，不同下游任务在去噪步骤中需要不同精度。基于此，研究提出T2Quant框架，使用无标签敏感信号在固定比特预算下优化激活精度分配。在三个DLM和六个基准测试中，该方法平均准确率提升最高达6.7个百分点。
Hugging Face发布了一项名为UserArena的基准测试，包含来自11,010个用户的64,729个会话轨迹，涵盖566,102个商品和13种动作类型。该测试旨在评估交互式用户模拟在长时购物代理中的应用，通过结合交互环境和离线验证，支持从输出有效性到个性化、结果等五级评估。同时，提出了On-Policy Trajectory Distillation (OPTD)技术，以提供更精确的模拟器。
Hugging Face发布WeVisOne-VL，一种强大的视觉语言模型，通过结构化下一个令牌预测统一物体级和像素级感知。支持多种视觉任务，如物体检测、定位、计数、OCR、分割和合成，可在任何用户指定的粒度上进行定位。在30多个基准测试中，WeVisOne-VL在物体级和像素级任务上表现出色，同时保持对物体不存在查询的稳健拒绝。
研究人员提出了Dual Exam，一个用于评估多模态代理和世界模型相互作用的工具。该工具在物理、数字、社会和科学领域测试代理和世界模型，比较了多种配置和案例。GPT 6 Astra和GPT-Image-2在各自的测试中表现突出，但结果揭示了任务性能的不均衡和任务相关状态的保留问题。
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。
Hugging Face发布了一篇论文，介绍了一种名为TWIG的神经网络权重表示方法。该方法将每个权重视为一系列小离散决策的终点，使得权重层几乎完全由线和加法器组成，适用于固定权重的芯片。TWIG使得剪枝、量化、低秩分解、代码簿和权重共享成为单一对象的编辑，单个优化器可以为整个网络选择所有这些方法。在大型语言模型的五个权重矩阵上，TWIG在3位和4位精度下，与GPTQ相比，在相同层错误率下需要少9-15%的加法操作。
研究提出推测扩散(speculative diffusion)技术，通过联合调整扩散步数和推测解码的宽松度，在扩散模型和自回归模型之间实现速度与质量的最优平衡。实验表明，这种联合优化可将速度-质量帕累托前沿扩展至单步扩散草案之上。
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。
Echo是一种框架，它结合了任务状态信号学习，无需帧级进度注释，以及在一个视觉语言动作（VLA）中预测和生成状态的紧凑设计。Echo通过将停止和失败信号作为每个动作块的二维添加，并与机器人动作一起去噪来表示任务状态。为了在没有细粒度进度注释的情况下学习这些信号，Echo构建了成功、失败和恢复轨迹，具有互补的监督属性。Echo通过控制信号和动作之间的交互，并比动作更快地去噪信号，来实现状态信号引导的动作生成。广泛的实际操作实验表明，Echo可以准确地预测任务状态，并一致地提高策略性能。
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。
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。
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。
研究团队提出BrickWright框架，通过预训练代理从文本或图像提示生成物理可行的乐高积木构建。该框架使用Python工具包BrickLayer，包括一个用户友好的积木组装API和一个验证器，以实现100%的物理有效性。
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。
研究提出DISC框架，通过校准传输观测值选择、加权并组合不同相似性指标，提高时间序列数据集相似性评估与下游任务预测误差的对齐度。实验表明，DISC能更好地区分对下游行为重要的源-目标数据集差异，在报告分割上优于单一指标参考。
研究深入分析了G-Retriever方法，发现其图软提示存在令牌崩溃现象，即图令牌在不同输入间变得几乎无法区分。实验表明，替换令牌对准确率无影响，且学习到的常量提示性能相当或更优。研究提出两阶段流程生成非崩溃令牌，并证明令牌变异性不等于模型实际使用图信息。
