新闻、仓库与研究，按时间排列。
DealsFlow 是一个部署于英国早期基金的人机协同智能体框架，让 LLM 阅读创业公司融资材料并引用证据评分，通过阶段化佐证上限（78/70/60 分）、只降不升的怀疑者调用和预取证据模式抑制评分虚高。在 142 笔三年以上 SEIS/EIS 投资上，其评分与总价值倍数的 Spearman ρ=0.45、识别减记的 AUC 0.71，优于无约束 LLM 的 0.38 和 0.68；20 份申请的试点中分析师单件耗时从 44.7 降至 18.9 分钟，但 70% 的报告仍需至少一处修正。
arXiv 论文 2610.32370 提出一个物理可控的多模态智能体，用于非平稳响应下科学仪器的逐shot调参，包含符号物理量提取、两层记忆加 MLLM 生成动作、独立动作可行性检查三个可审计组件。在 EXL-50U 四个平台的 455 shots 按时间顺序回放中，物理符号比波形图像的 macro-F1 高 0.21-0.32，检索上下文使与历史动作方向的一致率提升 22.4-42.7 个百分点；在五个离子源的监督运行中，409 次 executed shots 的束提取率达 86.80%。
推荐理由：论文用可审计的多模态智能体在真实聚变装置上做仪器调参，给出了消融数据和监督运行成功率，方法可迁移到类似非平稳控制场景。
FOCUS（Frequency-band Optimized Cognitive-load Ultralight SSM）是一个基于 Mamba-2 的紧凑模型，用于 EEG 二分类认知负荷，采用固定 FFT 分解编码五个经典 EEG 频段，仅 0.04 million 参数、0.11 GFLOPs。在 11 名参与者、leave-one-subject-out 交叉验证的试点研究中，模型在全数据集上达到 74.75% 准确率，GPU 前向延迟 0.08 ms。权重共享配置比非共享版本高 4.55 个百分点，但差异未达统计显著性（p=0.083）。
研究者提出 Full-Duplex Long-Horizon Benchmark（FD-LHB），测试五个全双工语音模型的长对话能力，发现所有被测模型最终都会性能退化或耗尽上下文窗口。滑窗模型的乱码与沉默源于 Initialization-Anchor Eviction（丢弃首个 KV 条目），重复则受模型自身近期输出强化；提出 Initialization-Anchor Pinning 与 Duplex Repetition Penalty 两个无需重训练的修复，在最长一小时的重放对话中实时运行并显著减少对话崩溃。
推荐理由：论文诊断出全双工语音模型长对话崩溃的两个机制，并给出无需重训练的两项修复方法，具可迁移性。
研究者提出 Trigger-Neutralized Counterfactual Scoring（TNCS），通过对比触发输入与触发中和反事实输入的模型输出，来衡量触发词对目标行为的贡献，从而以更少的投毒样本攻击预训练代码模型。在三个 CodeXGLUE 任务和五个触发词家族上，TNCS 在极低投毒比例下取得比基线更高的攻击成功率，且不损害干净任务性能。它是唯一对所有触发词家族都有效的方法，所选投毒集还能迁移到不匹配的受害者模型。
arXiv 论文提出 RIVER 框架，将多智能体 LLM 交互的输出分解为原子声明，从收敛、探索、保留三个维度评估信息动态。研究在 40 个新闻生成受控案例上评估五种交互策略，发现反复汇聚式交互促进收敛但缩小信息空间，分布式接力则产生更广、共享更少的信息。结果表明集体信息动态更适合用信息流机制而非下游性能来解释。
研究者提出 LongVideo 数据集与 4DMemoryBench 基准，用于评测长时程时空推理。LongVideo 包含约 900 小时视频和 5,000 多道人工审核问题；4DMemory Harness 集成 4 项互补技能、22+ 专用工具模型和模型专属 RAG 系统。评测 13 个领先模型发现，独立基础模型难以胜任长时程任务，而 Harness 使所有模型提升超 50%，且同一模型在 4DMemoryBench 上比较早基准下降超 10%。
腾讯推出 TGR-EvoDAG，一个面向生成式推荐（GR）的多智能体代码演化框架，将代码演化建模为 DAG 以维护多条演化分支并合并互补创新。该框架引入阶段感知成本规划与主动下游协同适配，在 Amazon 公开数据集上离线指标最高提升 37.4%，Agent4Rec 模拟用户满意度提升 19.7%。在腾讯大规模商业媒体平台部署中，演化后的 GR 离线 Hit@1 相对提升 12.16%，线上 CTR 统计显著提升 0.40%。
ChoreoStudio 是一个音乐驱动群舞生成框架，将编舞规划显式化：音乐解耦器提取帧级节奏与段级结构特征，冻结的 omni-modal 模型充当编剧生成全局语义描述，Director 则输出队形选择、切换时机与舞者分配三项耦合决策。在 AIOZ-GDance 上，ChoreoStudio 在动作质量、群组组织与队形动态方面达到 SOTA。
研究者提出 Outcome-Conditioned Visual Credit（OVC），一个即插即用框架，将视觉关联度量与 token 级信用分配分离，解决 RLVR 中统一响应级优势分配忽视视觉观察作用的问题。OVC 复用现有 rollouts，无需辅助奖励模型、过程标注或推理时模块。基于 GSPO-token 实例化后，OVC 在三个模型上使六项基准平均准确率较 GSPO 提升 1.86-2.39 个百分点。
arXiv 论文 2610.32322 提出测量 LLM Agent 技能内化的新方法，用于公共技能库的技能退役。现有规则只比较有无技能的增益，无法区分技能已被内化和模型与技能都不具备能力的 uncovered 状态。新方法隐去技能后在由技能合成的任务上打分，并需另一模型从该技能获益时才采信高分。在 SkillsBench 上，31 项退役中 28 项依赖未通过的探针，按未辅助得分退役无可检测的奖励损失，判定一致性 Cohen's kappa 0.42 高于增益规则的 0.23。作者发布 1251 个技能及四个模型下的任务与逐项得分。
一项 arXiv 研究测试 System One（决策）模型的决策微调能否比普通 reranker 微调更适合做重排器。在 0.6B 到 27B 六个 Qwen 骨干和十个 TREC DL 与 BEIR 集合上，9B 及以下 reranker 微调在 nDCG@10 上领先 5 到 29 分，27B 两者持平。结论：需要 reranker 就直接微调 reranker。
mradermacher 在 Hugging Face 上提供 LFM2.5-24B-A2B-uncensored2 的 GGUF 量化模型（如 Q2_K）。该模型可通过 llama.cpp 本地服务器或命令行直接运行，并支持 Ollama、LM Studio、Jan、Docker、Pi、Hermes、OpenClaw、Lemonade 等多种工具加载使用。
一项 arXiv 研究提出方向敏感、相对读出的语义脆弱性分析框架，用储备-传输模型在 Qwen3-32B 和 Gemma 4 31B 上预测保留任务含义的改写导致的失败，并可向 ReClor 迁移。匹配干预实验表明方向本身携带标量几何之外的因果信息，但失败很少跨选项顺序持续，说明共享预测规律与依赖上下文的方向性效应并存。
研究者推出 8B 大语言模型 Solvent，将长程推理扩展到多步逆合成任务。通过两轮后训练课程，模型学会交替进行迭代合成规划、外部可得性验证与自适应路线修订。经 RL 带来 2.1 倍性能提升后，Solvent 在四个 benchmark 上取得 61.86%，超过中规模语言模型和已有搜索式逆合成系统，媲美前沿万亿参数 LLM。
arXiv 论文 DMAIC-Bench（arXiv:2610.32305）提出评测 LLM 智能体自我克制能力的基准，用 97 个种子任务、覆盖四个行业 15 个工业案例，基于 Lean Six Sigma 的显式统计前提构建，配反事实变体以区分合理停止与盲目停止。对六家提供商 13 个模型的实测显示，GO 决策路由准确率平均 92%，NO-GO 决策仅 19%；盲测专家评审估计 11 个被审计智能体的报告在 47% 的 NO-GO 决策点上基于无效证据行动，区间 31% 至 61%。论文含 54 页 14 图，代码与数据已公开。
推荐理由：论文用反事实变体把自我克制从任务完成度里拆出来测，给出 GO/NO-GO 路由准确率的量化差距，可作为评估智能体决策的新方法参考。
overhand 在 Hugging Face 上发布 DeepSeek-V4.1-Flash-1017-MXFP4-uncensored，并附上性能基准数据。原生 MXFP4 在 32 并发下聚合吞吐达 831.66 tokens/second，高于 NVFP4 target 的 796.13、EXL3 3.5 的 480.84 和 EXL3 2.875 的 452.16；单并发时 MXFP4 首 token 延迟 p50 为 0.34266 秒。
mradermacher 在 Hugging Face 上提供 Sage-A1.5-Heretic-Abliterated-Uncensored-GGUF 量化模型，可按 Q4_K_S 等量化版本下载。页面给出 llama.cpp 本地运行（含 OpenAI 兼容服务器）、Ollama、Docker、LM Studio、Jan 等多种部署方式的具体命令。
Tianyi Xu 在 arXiv 发布 MemCryst 框架，通过记忆与技能的双向学习实现终身 LLM 智能体的上下文适应，冻结语言模型，任务结果只调整记忆记录的检索影响而不改写内容。在覆盖具身控制、长文档阅读、对话、数学和代码的十个场景中，MemCryst 在七个已报告对比中领先；ALFWorld 上联合服务成功率为 63.17%，高于仅用记忆的 59.83% 和仅用技能的 50.50%。
推荐理由：论文提出记忆与技能双向学习框架，并用跨十个场景的对照数据说明联合服务的增益，方法可迁移到终身智能体设计。
Part-DINO 是一个免训练部件发现框架，将低层图像分割得到的边界与 DINO 的语义特征结合，先按边界划分图像区域、池化区域内 DINO 特征再聚类发现部件。论文指出 DINO 特征因 ViT 刚性 patch 网格导致跨边界 patch 熵更高、分配置信度更低，边界模糊。在 CUB、CelebA、PartImageNet-OOD、PartImageNet-Seg 四个基准上，Part-DINO 超越免训练基线，并与弱监督、无监督方法保持竞争力。
一项 arXiv 研究对六个开源 LLM 在英语、法语、越南语和中文中的否定表示进行因果干预分析，发现否定表示可被因果控制且在各语言间高度共享。从一种语言提取的对比激活方向可在其他语言中诱导或移除否定，且每个模型仅需一个 SAE 稀疏特征即可跨语言控制极性。干预还能泛化到另外四种语言及基于 FLORES-200 的句子，数据和代码已开源。
一项预训练至 1.3B 参数的实验发现，循环语言模型中的 halting head 存在两个问题：混合所有迭代的训练无法预测 token 真正停在哪次迭代，需加入偏向早停的强惩罚才有效；且按 batch 生成时序列要等到最慢 token 停止，无头的模型在同等成本下表现几乎相当，平均迭代次数指标会高估节省。作者建议报告 token 实际迭代数、停止阈值与 batch size，并提出训练前可预估收益上限的测试。
dima6312 在 Hugging Face 发布了 RecursiveSI Flint 40B-A2.5B 的 abliterated 版本 NVFP4 GGUF，移除拒绝方向，面向安全研究与编码工作，需 llama.cpp b11827 及以上在 NVIDIA Blackwell GPU 上运行，权重文件 22.9 GB。对照测试显示 MITRE 拒绝率从 22% 降至 0%，Meta CyberSecEval 拒绝检查从 18/100 降至 1/100，GSM8K 与 HumanEval+ 无显著下降，pp512 与 tg128 速度差异在 3% 以内；模型基于 Apache 2.0 许可衍生自 RecursiveSI 权重，去对齐只降低拒绝、不增加知识。
同一新闻，精选展示《dima6312 发布 Flint 40B-A2.5B 的 abliterated 无对齐 GGUF 版》
Hugging Face 上线 Qwen3.8-Flash-Next-Uncensored 的 Q4_K_XL-Gufo 重量化版本，共 3 个分片约 103.5 GiB，升级 716 个张量 dtype 并修复 export bug，使 gufo 引擎可在 AMD Strix Halo（gfx1151）上加载，支持 262 144 原生上下文。无新微调，权重与原 Q4_K_S 相同；许可证按上游 Qwen Community License 1.0 分发，而非元数据标注的 apache-2.0。
Hugging Face 上发布 Qwen/Qwen-Image-2.1 的 Uncensored 量化版本，基于原版上游权重转换，提供 GGUF、Safetensors 和 MLX 格式，涵盖 BF16 14.23 GB 到 MLX 4-bit 4.00 GB 等多个量化档位，推荐 GGUF 用户使用 Q4_K_M（4.60 GB）。该版本内置无安全检查器，可直接生成 NSFW 等敏感图像，配套 qwen3vl_8b 文本编码器和 VAE 文件，可通过 ComfyUI 与 leejet/ComfyUI-GGUF 分支完成本地部署，文本编码器可卸载至系统内存以节省 9–17 GB VRAM。
Hugging Face 上出现了用户 yusufbantai69 发布的 abliterated 版 Phi_4_mini 模型仓库，README 目前为空。该模型未被任何 Inference Provider 部署，下载数未被追踪。
研究者提出 DIAL-S2ST，一种用于同声语音到语音翻译模型的后训练方法，通过 lookahead 预测的自蒸馏和单个 LoRA adapter 实现推理时可调的延迟控制。在基于 Hibiki 的法语到英语翻译实验中，仅 10 小时源语音即可完成适配，在质量与延迟之间取得良好权衡，且无需成对目标数据或奖励计算。
一项 arXiv 研究发现，在固定模型规模下，更宽的注意力头维度能提升长上下文检索性能，而预训练损失和短上下文非检索任务几乎不受影响。更宽的头拥有更高比例的检索头，将更多参数用于检索。即使冻结注意力模块的投影权重，继续预训练中检索性能仍随头宽提升，表明宽头还促进了嵌入向量和 MLP 等组件的有效适配。
Hugging Face 上线了 nalemi/chatzwerg-roleplay-uncensored 模型页面，定位为角色扮演、uncensored 模型。目前 README 为空，下载量未被追踪，且该模型尚未由任何 Inference Provider 部署，用户可申请提供商支持。
研究者提出多轮 RL 框架 SOPO，通过教师模型在 rollout 中依据 ground truth 提供间接提示的苏格拉底反馈机制，缓解片段级幻觉检测中的奖励稀疏问题，并以 Turn-based Advantage Scaling 惩罚冗长偏置。SOPO (4B) 在 RAGTruth 上达到 SOTA，超过 GPT-5 等专有模型和标准 RL 基线，在四个域外基准上的平均分高于 GRPO，与 CAPO 互有胜负。1.7B 和 4B 模型及训练、评估代码已开源。
论文提出 SWE-Shift，一个评估编码智能体在任务执行中途遭遇代码、依赖或需求变更时表现的基准，包含 120 个场景、12 类变更族，并在 9 个干预位置评测。17 个编码智能体系统的 Shifted 成绩均低于 Clean 基线，GPT-6 Astra 从 67.35% 降至 24.79%，配对成功率 20.34%；工具/会话变更与过期证据在所有系统上配对成功率为零。论文地址 https://arxiv.org/abs/2610.32196v1
推荐理由：这个基准专门测任务执行中途环境被改动时的表现，17 个系统的成绩都下降，暴露了保留已有工作与刷新证据的短板。
一项 arXiv 研究发现，仅更改语料的收集日期元数据即可改变五个开源 LLM 在时间性问答中的答案：在 595 个 Wikipedia 页面上，交换前后两天的提问日期使后向引用 exact match 下降 37.6-51.4 个百分点。七种提示词变体（包括明确忽略收集时间的指令）均无法消除该效应；加入思维链可将 Qwen3.5 的损失从 30.1 降至 11.1 个百分点。该诊断可将元数据影响与证据变化分离，为时间性 QA 输入提供实用审计方法。
arXiv 一项被 NeurIPS 2026 Workshop 接收的研究提出免训练的推理时框架，定位并操控冻结 VLM 中的安全敏感表征。在 Qwen3-VL-4B 上，早期视觉层经激活引导可实现 6%-96% 的不安全内容拒绝双向控制，深层则对引导不敏感；InternVL2.5-4B 呈现类似的深度依赖激活几何结构。
研究者提出 DIVA，一种免训练的 LLM 信息获取方法，让模型基于证据的决策价值决定何时查询、何时停止，避免为无法改变决策的"检查"付费。其变体 DIVA-U 进一步考虑 LLM 对证据影响概率估计的不确定性。在 4 个领域、20 个 LLM 上，DIVA-U 的 regret 低于所有 LLM 基线；在各检查可靠性已知的合成场景中，DIVA 将最佳基线的 regret 降低 75%。
m672 发布 gemma-4-31B-it-uncensored-heretic 的 FP8 块量化版本，模型体积约 31.5 GB，较 BF16 的约 62 GB 减半。与 RedHatAI/gemma-4-31B-it-FP8-block 对比，GSM8k-Platinum 97.68%、MMLU-CoT 89.97%、MMLU-Pro 84.52%，性能差距在 -0.14 至 -0.73 之间。量化采用 llmcompressor 的 FP8_BLOCK 方案，输出 compressed-tensors 格式，可原生用于 vLLM，聊天模板默认 enable_thinking 为 true。
论文报道了在北海道大学医院封闭网络内部署的临床支持智能体平台 LLENS，使用 8 块 NVIDIA H200 GPU 与开放权重模型 Kimi K2.6（约 1 万亿参数），自 2026 年 9 月 14 日起在医院网络运行。Kimi K2.6 从 3 个候选中选出，在 2026 年日本医师执照考试模拟中得 480/500 分；在 180 道基于医院文档的问题上，交互式工具访问准确率 97.2%，高于固定检索的 81.3%（差距 15.9 个百分点，95% CI 10.9-21.3）。
推荐理由：在医院封闭网络内部署开源大模型智能体的完整实测，对比了三种检索方式的准确率，方法可迁移到其他内网场景。
研究者构建了首个尼泊尔政治文本金标准数据集（Cohen's kappa = 0.777），并用机器学习、深度学习和 LLM 自动提取与分析选举承诺。fastText-LSTM 深度学习模型表现最佳（accuracy 0.914、macro F1 0.913），LaBSE-LR 为最优机器学习模型（accuracy 0.897），三个受评 LLM 中 Qwen3-8B 在 few-shot 设置下取得 0.848 macro F1。成果已集成进移动应用，借助 GAI 可视化承诺以提升透明度与问责。
一项研究在六语言因子设计中用 10 个开源模型（3B-14B）检验多语言 P(True) 自我评估，基准为 LSQA、MMMLU 和 TriviaQA。三种语言各自影响评估的不同方面：对齐回答与问题或验证器语言可提升区分度但不改善校准，仅验证器语言就可使校准误差变化达 0.04；未经验证的评分器会把 MMMLU 英-印地语准确率差距从 0.198 缩到 0.038。因此多语言置信度结果只在三种语言均报告且评分器经过验证时才具可比性。
dealignai 以 CRACK 方法在权重层面直接移除 GLM-5.3-Flash 的拒绝行为，发布 FP8 量化版（320B 总参数、每 token 激活 18B），HarmBench-320 全部 320 项 0 拒绝，MMLU 87.33% 高于基线 86.74%。该版本在 reasoning-off 和 max 档完全无对齐，low 档保留部分拒绝；H200 上原生 FP8 解码 163 tok/s，MTP 投机解码 211 tok/s。作者还给出 vLLM/SGLang 部署注意事项：reasoning_effort 只接受 low 和 high，max 档需 max_tokens ≥ 6000，视频 fps 须低于片段帧率否则引擎崩溃，并提醒重新下载 2026-08-28 修复后的文件。
同一新闻，精选展示《GLM-5.3-Flash UNCENSORED FP8 发布，权重级去对齐且 MMLU 反超基座》
研究者提出 SyncPro，一个同步双流框架，用 Inner 与 Response 两条分支分别负责证据跟踪和面向用户的响应，两条分支共享因果历史且可独立激活，使响应能与进行中的推理并行。该框架通过 189K 双流样本进行监督微调和轨迹级强化学习训练，在三个主动式 benchmark 上提升了响应时机和回答准确率。