外观
Agentic capabilities are increasingly important for modern LLMs, yet remain difficult to evaluate during pretraining. Existing approaches typically rely on static trajectory-derived tasks or likelihood-based proxies, which are lightweight…
针对长周期任务中智能体可能产生局部正确但不完整结果的问题，研究人员提出Interlock框架，将任务表示为类型化完成图，通过连接边、耦合超边和实现边维护任务关系。该框架编译为可重置工作空间、公共请求和评估标准，并通过源覆盖审查和公共输入审查确保任务完整性。在Qwen3.6模型上的实验显示，该框架能提升AutomationBench任务通过率4.00-4.50个百分点，JobBench加权分数3.20-6.64分，Harvey LAB标准通过率3.89-4.16个百分点。
Multimodal code intelligence connects the symbolic world of programs with the visual world their execution creates. Interest in this capability is burgeoning, as models are increasingly asked to produce charts, webpages, animations, and se…
MLLM-based detectors formulate vision-language grounding as autoregressive coordinate generation, yet in dense scenes, they often collapse into a box repetition loop, repeatedly emitting identical boxes until the decoding budget is exhaust…
Chemical chain-of-thought can contain hallucinated structural and property claims. We thereby introduce MolLean, a process-verifiable language that grounds chemical reasoning in an explicit molecular state. A layered Lean-based kernel chec…
Language-model agents that run long tasks often redo work they have already done: they re-issue a tool call they made earlier and get back exactly the same observation, a step that adds no new information. We identify this failure as a loo…
研究团队推出MULTIFINGROUND基准测试，评估多语言财务报告中概念识别与证据提取能力。该基准基于90家发行商的2025财年报告构建，涵盖英法希腊三种语言。测试显示，15个模型中8个API和开源模型概念识别准确率达97.3-99.4%，但在正确识别的概念组中，26.6-41.9%的情况下至少遗漏一个目标事实。
论文发现更大的双向块能提升视频质量并更好利用 GPU 并行，但传统交互式视频生成依赖小块以降低延迟。作者提出 Speculative Sampling：通过在建模窗口后附加噪声潜变量作填充，并缓存预测结果在条件不变时复用，兼顾大窗口的建模能力与小窗口的低延迟交互。预测增量交付，未提交的未来部分仍可替换。延迟分析显示该方法消除了块边界带来的等待时间下界，使双向窗口大小成为可联合优化视觉质量与采样时间的决策变量，而不再是低延迟交互的硬约束。
研究提出REASON方法，通过双循环机制解决复合学习目标下的残差误差问题。快速循环处理可解决的残差，中等速度循环主动获取额外证据并评估其信息价值。实验表明，该方法在计算量约为中等循环一半的情况下持续优于快速循环，在未见过的数据损坏条件下表现良好，且在提供更清洁观测时，以相同计算成本优于阶段分类器和学习延迟方法。
Slider-based control aims to give users continuous, fine-grained control over the intensity of individual edits in instruction-based image editing. However, existing approaches fail to deliver reliable continuous controllability: traversin…
研究者提出 DAGFormer，在标准 Transformer 残差连接之外增加从浅层到深层的直接连接，并由与模型联合训练的拓扑预测器根据输入 token 控制每条连接的强度；与现有逐层独立设置连接的跨层路由架构不同，它一次性规划整个模型的路由。在 75M 到 1B 参数、与 OLMo-2 匹配的对比中，WikiText-2 困惑度比原版 Transformer 低 17%–25%，1B 版本用 5B token 训练即优于用 10B token 训练的原版模型；在 13 项常识、科学、阅读和数学评测任务上平均准确率高 2.0–2.5 分，指令微调后 AlpacaEval 胜率 63%–70%，结构化剪枝下六种设置中有五种退化最小。
Fine-grained visual understanding requires distinguishing subtle differences in local attributes and spatial relations, yet remains challenging for existing vision-language models. Unified multimodal models (UMMs) offer a new opportunity t…
Our first robotics pod with Dyna’s Chief Scientist on their big bet on World Action Models & the Next Frontier of Physical AI
MIT McGovern 研究所团队 10 月 9 日在 PNAS 发表论文，提出衡量人工神经网络生物学合理性的关键指标是自组织能力，而非仅看性能。他们构建的网络从多层随机连接单元出发，仅靠“同时激活的神经元连接增强”等简单规则，就能自我重组为有效的信息处理网络，学会模式识别和图像分类，性能与依赖反向传播的网络相当。研究目标是理解大脑如何学习，并可能反哺机器学习。
MIT林肯实验室9月3日承办国家新兴生物技术安全委员会（NSCEB）全国巡访马萨诸塞州站，州政府、国防中心、高校及企业代表讨论本地生物技术生态如何强化国家生物防御。会上介绍了规划中的20万平方英尺生物制造设施BioSHIELD，其联盟已签署合作备忘录，设计研讨会即将启动。另有专题讨论生物技术与AI结合，涉及高质量AI就绪数据集的采集与共享难题，以及AI改进生物制造与疗法的机会。
研究团队推出CyberArena，首个动态对称攻防对抗基准测试，让两个AI智能体在隔离沙箱中同时扮演攻击者和防御者，应对不断变化的服务环境。该基准通过466场比赛评估了12个前沿LLM智能体，能够区分智能体的攻防能力，并提供了可扩展的实验平台。
MSL’s emergence as a frontier lab is finally complete.
MIT 建设性传播中心（CCC）主任 Deb Roy 在《原子科学家公报》发表文章《谁站在文字背后？》，提出即便文本由 AI 生成，仍需有人对其承担问责与“立场”。他以美国 FCC 2017 年收到的 2200 万条公众意见中近 1800 万条被纽约州总检察长认定为造假的案例说明：过去虚假评论靠模板化文本留下指纹，大语言模型则抹去了这些线索，令审阅者难以分辨真实民意。CCC 与 Cortico 在公民会议、学校和审议集会中使用 AI 归纳意见主题，但每一步都允许参与者核查与覆盖技术输出，最终由人对每条公开意见负责。
DisaggKD框架将教师模型和学生模型分离到不同节点，通过流式传输隐藏状态、行窗口和词汇分片的蒸馏损失，避免形成完整词汇表logits，并使用预取环协调生产者和训练者。在Qwen3.5-35B-A3B到9B模型对上，分离布局与同节点布局的损失相同且速度更快；融合损失使同节点训练在更少节点上加速，而分离布局在学生跨多节点时内存效率更高。在大规模模型对中，融合损失的同节点运行仍会内存溢出，而分离布局可成功训练。
Agent Skills improve LLM agents by making task knowledge reusable across sessions. Learning transferable Skills requires evidence about a procedure and its conditions of use, which a successful task attempt can leave untested. We introduce…
