新闻、仓库与研究，按时间排列。
GitHub 仓库 fixture-entropy 测量 Claude 模型两次独立生成 30 个测试值时的重叠概率：人名场景下 64%–98% 的运行对至少共享 1 个名字，同规模 Faker 仅 1.29%。项目覆盖 7 种值类型、7 个 Anthropic 模型共 1274 次调用，经 Claude Code CLI 2.1.302 于 2026 年 10 月 19–20 日完成，并与 Faker、真随机基线对比，评估 UNIQUE 约束种子失败风险。
Kevin Peckham 在 GitHub 开源 barkup-bench，一个持续进行的预注册基准系列，比较 barkup（HTML 整树重写）与 JSON 细粒度变更工具等方案在让 LLM 智能体编辑页面布局、文档模板、CMS 内容等类型化树时的可靠性。系列已含 45 项研究、8 个模型上超过 36,000 次评分运行，覆盖接口、树规模、部分上下文、检索、会话记忆、多目标编辑等维度，并保留两次重大修正与若干自我反驳。
推荐理由：预注册协议加可复现语料和回归门禁的做法，为评测 LLM 智能体编辑结构化树提供了可迁移的实验纪律。
Dharma AI 在 Hugging Face 博客预览 VocabX 论文结果：按每个 token 的成本而非频率重建词表，在不改基座模型、数据和训练配方的前提下，将基于 Qwen3-4B 的葡萄牙语作文自动批改器实测推理成本降低 77.0%。响应平均从 350 降到 101 个 token，bench 分数从 0.703 升到 0.810，LM head 从约 152,000 行缩到约 65,000 行；在 5 个公开领域和 Qwen3、Llama-3.1、Gemma-3 三个模型族的 15 种组合中，压缩率和估算推理成本均领先 FVT、MWT 和 in-place BPE 三个参照方法。
推荐理由：作者用同一基座、同一训练配方做对照实验，把成本按读写分别计价，方法思路可迁移到其他单一领域的专用模型。
GitHub 上的 llm-aftershock-forecast 是一个 benchmark，用于检验通用 LLM 能否给出校准的余震预测：模型获得与 USGS 业务化余震预测（OAF）发布时相同的信息（主震与 ComCat 目录），其分位数计数和大余震概率将与实际结果及官方预测对比打分，且只使用模型训练截止后的序列。目前数据层、as-of 目录、条目构建、提示词渲染及经 USGS Java 代码验证的 legacy-ETAS 基线已完成并测试，尚未引出任何 LLM 预测；设计已在 Oct 21 冻结于 prereg-v1 预注册。
Google Research 在 JAMA Network Open 发表前瞻性多中心研究，评估基于“盲扫”超声的 AI 孕周评估模型。该研究重点考察模型在不同临床环境和设备上的泛化能力，其准确性与专家操作相当。
Microsoft Research 的 Xinzhi Zhang 与 Zhao Song 证明 1995 年提出的 Kannan–Lovász–Simonovits（KLS）猜想。该结果表明，对数凹分布的最优平面切割与任意形状切割的差距不随维度增长，以普适常数为界。
GitHub 上线 River Velocimetry 基准仓库，用于评测基于图像的河流表面测速。项目在 Blender FLIP 仿真的河流上（含精确 per-tracer 真值），对比经典粒子跟踪测速（PTV）与预训练及重训练的 PIPs++ 点跟踪器，并提供数据生成、tracker 驱动、统一评分协议和全部图表脚本。
OpenAI、PerturbAI 与 Scripps Research 联合发布研究，用数千个 GPT-Rosalind 驱动的 AI 智能体并行分析数百万小鼠脑细胞的全脑 CRISPR atlas，32 分钟完成分析与文献解读。团队称同样工作人工逐一分析需数月至一年。该研究从数据中挖掘出新的研究线索。
一篇 arXiv 论文提出用 16 MB 冻结 512-bit 编码表替代可训练嵌入层，经主成分投影和符号二值化得到，无任何可训练参数。在 Gemma 3 270M 形状模型上，可学习词表花 2.6 倍可训练参数只换来 0.20 nats 验证损失改善，而冻结词表模型在 LAMBADA、HellaSwag、PIQA 上持平或更好，仅 ARC-Easy 落后；在罕见词上反超 1.7 到 2.3 nats，训练后新增 10,000 词仅损失 3%，可学习词表则崩掉 43%。配合 ternary BitNet b1.58 主体，整个模型仅 46 MB，在笔记本 CPU 上以 62 MB 内存生成 615 到 740 tokens 每秒，速度是 float 模型 8-bit GGUF 的五到六倍、内存为其七分之一。
推荐理由：论文用同一训练设置对照验证冻结 16 MB 词表的效果，并给出 LAMBADA、PIQA 等基准与 CPU 生成速度数据，权重和评测全部开放。
MemT-1.0 是一套把记忆内化为模型计算一部分的记忆基础模型架构，基于 Metis，采用 Gated DeltaNet-2 与逐 token 稳定记忆更新机制，并用 Mixture-of-Storage 扩展原生记忆容量，训练管线含继续预训练与后训练，共 34B token 数据。发布了 MemT-1.0-Nano 和 MemT-1.0-Flash，评测显示平均优于参数化记忆基线、与检索增强方法相当且大体保留通用能力；在 128K 历史长度下 Nano 端到端推理约 1.86× 加速、持久存储较全上下文 KV cache 减少 66 倍，并通过内化检索到的程序性经验提升 agentic 任务成功率。
同一新闻，精选展示《MemT-1.0 记忆基础模型发布，将记忆内化为模型原生能力》
TokenGate 是一个即插即用小组件，通过受 MoE 启发的 token-gated attention 机制实现端到端可学习的 token 剪枝，用于加速和降低长上下文 prefill 的内存占用。在多种任务上实现 1.4-11.3 倍更快 TTFT 和 1.5-3.4 倍更低峰值内存且无精度损失，较此前最优 token 剪枝方法最高 6.4 倍提速和 2 倍内存降低；可适配 Qwen3 等标准 Transformer 及混合注意力模型，适配成本类似参数高效微调。代码与论文见 arXiv 2610.26754 和 GitHub。
FemPrompt SozArb 是一项定性文献综述，探讨社会工作者如何负责任、有建设性地使用 LLM，并以女性主义 AI 素养为框架。研究通过 AI 辅助深度研究识别文献，按 PRISMA 2020 与 PRISMA-trAIce 报告筛选流程，由人类评审在 PRISM 工具中筛查、AI 智能体编码，最终学术权威由领域专家掌握。该项目属格拉茨大学 Elisabeth List Fellowship 项目，代码采用 MIT 许可，文档采用 CC BY 4.0。
arXiv 论文 Specter 提出一种 MoE 推理系统，用量化让轻量 draft 模型在设备上运行，对未来专家使用做多步投机预判，提前安排专家的搬运与执行。单请求推理下相对 SOTA 系统平均取得 1.50x（最高 1.88x）的 TPOT 加速，让单 GPU 受限显存下的 MoE 推理在消费级硬件上更可行。代码在 https://github.com/wwwwwf/specter_asplos，论文见 https://arxiv.org/abs/2511.14102。
Tessl 博客引用 Jellyfish 2026 年 9 月 AI Engineering Trends 数据指出，中位数公司已有 22% 的合并 PR 由自主编码 Agent 撰写，90 分位达 53%，但仅约 0.6% 的 PR 由 Agent 评审合并，前 10% 公司也只有 9%。写作与评审间的巨大落差构成 Agent 采用的信任赤字，人类评审成为增长瓶颈。
AgentVFS 团队发布 VFS-Bench 1.0 基准，200 个任务（100 个来自 MCP-Atlas、100 个来自 Toolathlon）覆盖 46 个外部服务，每个任务分别通过 MCP 工具调用和虚拟文件系统 AgentVFS 各运行一次，任务文本、数据和评分器完全一致。结果显示虚拟文件系统平均减少 52% token，pass@1 从 77.6% 升至 81.6%，其中 Claude Opus 5.5 在 MCP-Atlas 上 token 减少 88%。基准用本地 fake 服务复现 API，每次运行前重置并重新播种数据，完整榜单和轨迹见 agentvfs.org，仓库地址 https://github.com/agentvfs/vfs-bench。
推荐理由：同一任务在 MCP 与虚拟文件系统两种接口下各跑一遍并保留原始评分器，token 与 pass@1 的对比数据齐全，可复现。
GitHub 上的 mikeflame/airate 是一套协议和开放数据集，由 AI agent 提交 install、weekly、bench 三类报告，将安装成功率、首次使用成功率、留存率和 bench uplift 汇总为每个仓库一个 0-5 的 AI Rate 评分，人类不参与计分。评分采用 Wilson 下限加权的证据指数，单账户重复报告权重按 1/k 递减，维护者报告权重为零。agent 可通过 `npx skills@latest add mikeflame/airate --skill airate` 安装技能，用 `gh issue create` 提交报告，数据以 ratings.json 和 RATINGS.md 公开。
GitHub 开源 reasoning-bench，一个可复现的基准，用于在受控条件下测量 LLM 的特定推理能力，并检验这些能力在问题表面变化后是否保持。v0.1 规划 5 个赛道，其中假设检测赛道含 99 个基础场景（含变体共 367 个测试项），每题生成原始、表面扰动、加干扰项三个版本，每模型每题跑 5 次报告均值与方差，核心指标为鲁棒性差距。项目仅用 Python 标准库（3.8+），支持 GitHub Codespaces 复现，首批结果仅覆盖一个免费模型。
richajoy 在 GitHub 发布 llm-inference-performance 仓库，用 NVIDIA Dynamo、vLLM 和 Kubernetes 在 H100 上部署 Qwen3-8B，逐项改变负载、路由、分离式部署、自动扩缩和引擎设置并测量 TTFT、TPOT、吞吐与容量。
推荐理由：原文用字节与 FLOPs 从第一性原理解释每个调优参数为何影响 TTFT、TPOT 和吞吐，并给出可复现的基准数据与修正记录。
Racer 是一个 PTX 级符号等价检查引擎，在符号输入上执行内核与参考实现，将输出变为精确代数表达式以区分浮点误差与逻辑 Bug。它通过 Shape Reduction、lockstep CTA 调度器和带精确数值反驳的 idiom 模板三项技术实现生产级可用。在来自 41 个收集目标的 2,408 个生产内核上，Racer 发现 23 个库中的 82 个真实 Bug，其中 76 个为未知 Bug，41 个已获确认。
研究者提出 TaskWAM，一个闭环、阶段感知框架，用 Mode Tokens 表示细粒度任务要求、用 State Tokens 追踪执行进度，解决世界-动作模型（WAM）在长程操作中漂移到错误任务阶段的 Stage Confusion 问题。论文同时发布多阶段操作基准 StageBench。实验显示 TaskWAM 在仿真与真实任务上有效减少混淆并达到与 SOTA 方法相当的性能，且可即插即用迁移到单臂、双臂、灵巧手和人形机器人等异构 WAM 架构与机器人本体。
Sahil Joshi 等在 arXiv 发布论文，提出 Stratified Sparse Attention（SSA），将确定性检索与分数引导采样结合以缩小稀疏注意力与稠密注意力在极端稀疏下的差距。在 RULER、LongBench、LOFT、AIME 及 3B 至 27B 五个模型上，SSA 均优于基线；RULER-HARD 用 Ministral-3-8B 在 50 倍注意力稀疏下，32K 和 128K 准确率从 81.8% 提至 84.2%、从 63.8% 提至 69.3%，分别恢复稠密注意力性能的 94% 和 85%。优化 CUDA 内核后，1M 上下文解码速度相对 FlashInfer 最高加速 2.96 倍，代码已开源。
推荐理由：论文给出 SSA 在 RULER 等基准和 50 倍稀疏度下的精度与解码加速数据，方法可复用，代码已开源。
研究者提出 MOTION，一个用于社区一致性人类移动生成的多智能体框架，将移动生成形式化为动态用户-位置图生成。该框架由用户 agent、位置 agent 和全局管理 agent 组成，先用 Leiden 算法检测历史移动中的社区并提取社区条件交互先验，再由用户 agent 规划移动、位置 agent 从社区视角推断到达、管理器协调两视角并定向反思修正。在两个真实数据集上，MOTION 在个体轨迹、人口与流量分布、社区与图结构等指标上比基线至少高出 4.05%，代码已开源。
一篇入选 NeurIPS 2026 Spotlight 的论文提出，用信息分解作为统一形式框架来操作化 AI 系统中关于涌现与协同的评估。该框架区分组件独有的信息、多组件共享的冗余信息和只有组合才能获得的协同信息，并给出可证伪标准：系统行为只有在携带关于任务结果的协同信息时才可称涌现。论文将这一视角应用于注意力头、自主智能体和人机团队。
研究者提出 G-JEPA，将时序上下文显式引入 JEPA 世界模型的物理接地，并结合先验引导的动作规划。该方法用共享因果时序模块在物理状态监督下聚合观测与预测序列的时序上下文，规划时通过以当前与目标潜在表征及其差异为条件的生成式动作分布进行动作推理。实验显示该模型在操作任务上规划性能提升，包括初始与目标观测时序间隔增大的任务，代码已公开。
Carlo Ciliberto 在 arXiv 发布论文，提出 Proof-Carrying Contracts（PC2）框架，要求智能体在执行操作前提交机器可验证的证明，说明该操作在其模型允许的所有情况下都保留约定约束。名为 Airlock 的执行系统负责检验证明并控制访问，论文证明了约束在执行全程每个时刻都成立，即使智能体是对抗性的，并提供可复用能力模块用于构建合约。
一项研究提出基于 SSM 的脉冲神经网络（SNN）闭环预测方法，解决 SNN 自回归预测时依赖不可得数值的问题，包括模型级和层级两种策略。在 ETT-small 基准上，两种方法与 S4 的 zero-masking 基线相当或更好，多数情况下可与 SpaceTime 等最先进方法媲美。结果显示连续激活与低比特量化激活之间的权衡，证明 Deep SSM 架构可作为有竞争力的预测框架。
这篇论文研究用多模态深度学习从 ECG 记录和患者元数据预测 NT-proBNP，并评估其生理合理性。基于 MIMIC-IV 的回归、二分类和三分类实验显示，12 导联配置持续优于 lead II 单导联：回归 MAE 为 534.98 pg/mL（单导联）对 514.27 pg/mL（12 导联），二分类 AUROC 分别为 0.849 和 0.876。结果表明精确回归仍有挑战，但更宽浓度范围的分类效果较好；实验仍需独立数据集验证。
DecisionPivot 是一个诊断 LLM 系统中决策模型的 benchmark，包含 48 个任务、40,033 个条目和七种决策角色，核心 track 有 7,800 个条目组成的对照组。评测显示，两个在 reference track 上仅差 2.6 分的 27B 模型，对照组准确率分别为 70.1% 和 44.2%；Perplexity Decider 在 2,400 对二元对照中概率排序正确率达 92.3%，但仅 74.1% 两题都对。GLM-5.3 在 1,296 条目子集上以更高推理设置达到 93.5% 对照组准确率，最低设置下为 81.5%。
论文提出 REACT 框架，从人类双人示范中学习可部署的人形机器人交互策略，用 VLM 引导的接触建模与重定向提取语义接触，并将特权策略蒸馏为仅靠机载深度感知的部署策略。为应对严重部分可观测，引入生成式伙伴状态建模目标预测被遮挡伙伴运动；在仿真和真实 Unitree G1 上评测五项接触丰富交互，实机上仅靠机载感知完成全部五项。
推荐理由：论文聚焦近距离接触时人形机器人看不到人类伙伴的难题，用语义接触结构作为监督信号，并给出了仿真与 Unitree G1 实机的验证。
arXiv 论文提出数据中心的后训练量化方法，突破 4 比特边界，在 2 比特下用向量码本表示、任务对齐校准数据与仅码本的恢复微调三要素组合，将标量 PTQ 崩溃到随机水平的模型恢复可用。该配方在 3.8B 到 32B 的六个稠密与 MoE 模型上每权重约 2.3 有效比特，保留 89 到 97% 的全精度问答准确率，计算量比最强 QAT 基线少 1.4 到 30 倍。
arXiv 论文（arXiv:2610.28539）研究 AI Safety via Debate 能否引导人类与 LLM 监督者克服先验信念趋向真相。结果显示辩论能提升人类评委相对先验信念的准确率，而单专家咨询基线不能；较弱语言模型在多数设置中无对应收益，甚至降低准确率，且人类监督者中加权投票准确率最高，LLM 多评委协议则均无显著提升。这支持辩论作为可扩展人类监督的路径，但对高风险场景下全自动训练与控制管线提出质疑。
论文提出 Learned Wiring（LeWi）：每个神经元拥有可学习的低维嵌入，仅连接邻近神经元，嵌入与权重联合训练，以利用目标的组合稀疏结构。基于 CSFRBench 及 32 个独立采样计算图生成的目标，LeWi 在未获知目标图的方法中样本效率最高，学习曲线面积比稠密网络平均低 27%。在 17 个世界模型预测任务上，LeWi 在 16 个任务上超过稠密基线，119 次基线对比中获胜 99 次。
一项基于 18 个数据集的实证研究比较了五种经典方法、frozen Qwen2.5-7B 与 Llama-3.3-70B 选择器以及两个 GRPO 适配的 Qwen2.5-7B 模型在表格特征选择中的表现。结果显示，经典选择器在预测性能上普遍优于 7B LLM/RL 选择器。但语义敏感性实验表明，Zero-shot Qwen-7B 在回归任务上从有信息量的特征名获益（相比匿名化 +0.1964、打乱 +0.1606 平均 R^2），分类任务差异较小且依数据集而异。
研究者提出 AnomalyAgent，一种用于视觉异常检测的后训练融合框架。该框架对齐异构检测器的分数与异常图，将融合建模为有限动作选择问题，用受约束的 VLM 检查高冲突样本并选择分数动作和图动作。在 MVTec AD 与 VisA 上，AnomalyAgent 相比等权融合持续提升，取得了对比融合方法中最优的 mean image AUROC 和 pixel AP。
研究者提出 OptScientist，一个从数据中自动发现符号化优化定律的框架，由符号优化问题推断模型和结合文献先验的 LLM 智能体系统组成。在含 99 个物理优化问题的新基准 OptFeynman 上，它对超过 80% 的问题恢复出真实定律，显著优于机器学习、符号方法和 LLM 基线。在人类风险决策与央行货币政策数据上，其发现的定律在留出预测性能上与主流基线相当，且参数更少、token 消耗显著更低。
Wenjie Lou 等人发布 Sage-A1.5 技术报告，这是一个基于 A1 的 35B Mixture-of-Experts 智能体模型，通过自适应能力组合推进长程问题求解。报告提出三项改进：通过任务委派与子智能体隔离上下文并行协作的智能体编排，包含进度检查、证据验证与反思式策略修订的智能体验证，以及超越回答预设问题的开放科学探索能力；模型 checkpoints 已开放。
推荐理由：报告说明了子智能体并行协作、验证与开放科学探索三项改进的设计，适合关注长程智能体任务执行方法的读者。
研究者提出空间表征学习框架 Tessera，结合空间感知的基因选择与几何归纳偏置，通过建模细胞间相对关系实现平移不变且保留方向。在跨组织与技术的留出测试中，Tessera 表征质量优于现有空间基础模型，并可零样本泛化到比训练时最大 16× 的上下文。该工作已被 NeurIPS 2026 AI4DD workshop 接收。
论文提出混合框架 CoRAL，采用非对称 Planner-Executor（APE）架构：扩散语言模型 Planner 并行生成 K 条推理轨迹，大型自回归模型 Executor 择优并合成最终答案。训练中引入 Reward-Guided Denoising for CoT（RDC），将结果奖励融入扩散过程以引导目标导向推理。视觉语言基准实验显示 CoRAL 显著优于已有扩散方法，并对强 ARM 达到有竞争力的性能，兼顾效率与质量。
SceneRig 是一个智能体系统，可将单张图像转化为可编辑、仿真就绪的 3D 场景。它结合几何、视觉与物理工具进行重建，并让智能体在物理仿真器内执行"编辑-验证"循环以确保物理稳定性。相比基线方法，其场景能更准确预测真实机器人策略结果，并更可靠地支持录屏操作的回放而无需轨迹适配。
研究者构建 RTLRepairDataset（5,784 组（broken, fixed）训练对）和 RTLRepairBench（459 个保留测试用例，含 374 个语法变异和 85 个行为变异），并支持仿真与形式等价评测。审计发现两个测量混淆：仿真与形式化评分对是否提供规格说明的效应符号相反，六款模型上规格基线与条件化恢复的点估计相差 -8.5 到 +18.3 个百分点。团队据此提出评测控制协议并开源了基准与复现材料。