新闻、仓库与研究，按时间排列。
一篇 arXiv 论文提出 Incremental Open-Ended Deep Research（Incremental-OEDR），将研究报告视为可演化的研究状态，通过保留有效知识、修订过时内容并纳入新信息进行增量更新，而非从头生成报告。配套提出的 Structured Harness 将报告表示为大纲、章节和证据的结构化集合，提供结构化检索、持久化证据池与结构化生成。在覆盖十年的 DeepResearch Bench 与 DeepConsult 评测中，该方法相比 OEDR 在 DeepResearch Bench 上最高提升 0.51 的内容级 ROUGE-L F1、0.63 的大纲级 EM F1，并降低 33% token 消耗和 61% 搜索调用次数。
Chronos 是一个测试时框架，将已合并的 pull requests 蒸馏为结构化经验卡片，并通过代码、开发者意图与组织关系的类型化图谱连接，供 LLM 代码智能体检索历史经验。在 SWE-Bench Verified 上，该完整流程将 SWE-Agent 六个 LLM 后端的平均解决率从 69.2% 提升至 72.9%，配合 MiniMax M2.5 达到 79.8%；同后端下在 SWE-Bench Pro 与 FEA-Bench Lite 上分别从 48.3% 升至 51.7%、41.0% 升至 43.5%。100 个任务的人工评测中，基于图谱的检索使平均有用卡片数从 1.24 增至 2.87。
TestGRAD 是一个用于 SWE-agent 集成的自动测试优化框架，将基于测试的补丁选择建模为测试空间优化，核心包含差分损失、全 CRUD 梯度和失败模式动量三个机制。在 SWE-bench Verified 上，TestGRAD 采用 4-agent 集成达到 84.2% Pass@1，超过最强基线（80.6%）3.6 个百分点，同时将失败历史上下文压缩超过 100 倍。
研究者提出自主测试智能体 QuSema，利用量子语义与文档约束作为源码级语义 oracle，在量子库中查找静默 bug。其已适配 Qiskit 和 PennyLane，在 20 个历史静默 bug 基准上平均定位数超过 Claude Code 和 Codex，且 DeepSeek 配置成本低于 Claude Code。QuSema 还发现 40 个经开发者确认的未知 bug，其中 30 个为静默 bug。
研究者利用前沿大语言模型智能体，从机器可读的建模规范中自动构建电化学 CO2 还原多物理场模型，全部采用开源 Julia 实现。智能体独立构建的模型与等效 COMSOL 实现的峰值 CO 分电流密度偏差在 0.7% 以内，彼此间偏差在 0.04% 以内。该框架让物理描述和控制方程而非专用代码成为计算建模的主要输入，提供了比商业软件更透明的建模路径。
TaoD2C-Bench 发布，用于评测多模态大语言模型（MLLM）在工业设计转代码（D2C）中满足实现约束的 UI 代码生成能力。基准包含来自 17 个商业平台的 2,861 张生产级设计稿，共 97,652 条专家标注，涵盖 Component、Group、Alignment、Position 四类，并定义端到端代码生成、需求推断与需求实现三项任务。对八个 MLLM 的评测显示模型在满足实现需求上存在明显差距，且视觉还原能力并不等于能生成符合需求的代码；数据集已开源。
研究者提出 CoCo-Prover，将成本高效的程序定理证明形式化为元层级决策：在声明内的 AND/OR 证明超图与声明间的引理依赖图之上，通过智能体路由为每个专家调用按价选购动作。在 CLEVER、VERINA、AlgoVeri、NTP4VC、Vero 五个 Lean 4 基准上，它在每个基准均取得最佳解题率，其中两个基准最高达 100%，相比最强基线最多降低 30.9% 成本。
一项 arXiv 研究证明，两层 Transformer 参数化的 flow 可解决图可达性问题，且所需积分步数随目标距离增加；标准 flow 语言模型却难以从更多积分步中获益，原因是各时间点被独立监督。研究改为在 [0,1] 随机子区间上训练模型自身的 latent rollout、仅在端点解码，在 ProsQA 上准确率达 97%，Sudoku 与 Maze 等任务通过将 latent 收缩到球面上显著超越参数量三倍以上的基线，配合无参数选择分数的多 rollout 采样可进一步提升性能。
Tom Beucler 等人在 arXiv 发表的综述指出，基于再分析数据训练的自回归深度学习模型在临近预报、中期及次季节尺度上已可比肩动力模式，并能以更低成本生成校准良好的集合预报。文章探讨其向气候尺度扩展的路径，提出 AI 气候建模的两条最低要求：外强迫因子须显式进入模型以支持独立变化的干预实验，且须在包括极端事件和反事实轨迹的分布外场景下进行稳健性压力测试。作者还比较了 AI 自回归模拟器、物理-AI 混合模型与 GPU 化动力模式的吞吐量，并指出 AI 降尺度策略可部分替代显式精细分辨率，助力低成本局地灾害评估。
arXiv 论文提出一个构建和解释极简 Transformer 模型的框架，将嵌入维度和 head 大小限制为 2，从而可直接二维可视化 embeddings、Q/K/V 变换、attention 输出和残差流。作者在一个“遇到 '+' 时输出最近偶数”的任务上训练模型，并逐步可视化其计算过程，核心主张是学到的几何结构可读出逐步执行的算法。该框架可作为探索 Transformer 如何实现 next-token prediction 的教学和实验平台。
研究者提出 NL2Hull 框架，将船型编辑建模为类型化离散决策问题，通过 CFFD 引擎用 NURBS 表示水线并施加 FFD 变形。团队构建了含 134,558 条清洗记录的 SDD 数据集，以及含 5,000 条记录、43,496 道类型化问题的 SDDBench。其决策模型 Chip 达到 95.90% 问题准确率和 99.32% FFD 完全匹配，代码与数据集已开源。
arXiv 论文 2610.10114 提出 Mechanics of Long-Context Hybrid Models 系列的 Part 1.1，研究全注意力与滑动窗口注意力（SWA）或门控线性注意力（GLA、GDN）混合架构的工作原理。作者发现上下文扩展中的 Seesaw Effect：LA 混合更受益于长上下文持续预训练，SWA 混合在长度外推上表现更好，并归纳了 SWA 混合的 Short-Context Learning Trap、Short-Window Weariness 和 Long-Window Laziness，以及 LA 混合的 Matthew Effect。
推荐理由：论文解释了混合注意力架构为何在长上下文上有效，并给出可复用的 Sliding-Window Linear Attention 设计与外推结果。
研究者提出一个将 LLM 知识蒸馏进可解释决策树的少样本学习框架，用于表格数据分类。该方法不让 LLM 直接生成完整树，而是采用三阶段范式：先让 LLM 生成规则，再将规则组织成树。在多个真实表格数据集上，该方法相比现有基线取得更高的准确率、更好的可解释性，并显著降低提示词开销，论文已被 EMNLP 2026 主会接收为 oral 报告。
论文提出 SemanticFold，一种在可学习边界折叠前缀隐藏状态的压缩方案，并在 Qwen3-1.7B、Qwen3-8B、SmolLM2-1.7B、Pythia-1.4B 和 Pythia-6.9B 五个规模上评测。固定目标协议下，压缩对各端点的影响非单调且不共享同一阈值，Qwen3-1.7B 在 R=1.7 时 NLL 降低 0.135，而 Pythia 两个模型的 NLL 基本不变；线性探针与推理指标变化小于 0.03。作者结论是潜在压缩下的能力保持没有单一标量证书，语言建模拟合、可解码性与推理在同一压缩操作下可能朝不同方向变化。
推荐理由：原文用固定目标协议把语言建模、可解码性与推理拆开评测，读者可以了解潜在压缩下各能力为何不同步。
论文提出 Task-Progress Distillation（TPD），一种离线蒸馏方法，将演示动作与描述当前任务阶段的短标签配对来训练小型智能体。在 ALFWorld 上，1.7B 学生模型用 404 条演示达到 72.4% 平均未见任务成功率，推理训练学生为 48.3%；808 条演示时两种方式均达 76.9%。显式阶段标签在 200 条演示时将成功率从 48.0% 提升至 67.7%。
论文提出 CoTrace，一种 harness 感知的终端 Agent 训练数据配方，通过交替式 harness 搜索与策略训练的协同演化框架，管理轨迹路由、来源匹配和课程刷新。在 Tmax promotion split 上，CoTrace 使 Qwen3.5-9B 在 SFT 下从 78 提升到 88 个解决任务，在线 RL 变体达到 90；小规模 harness 匹配语料以更低算力取得稳定收益，Terminal-Bench 2.1 和 SWE-bench Lite 评测显示分布外迁移依赖训练与评测 runtime 的一致性。论文 32 页，预印本地址 https://arxiv.org/abs/2610.10426v1。
推荐理由：论文给出轨迹按 harness 匹配路由的数据配方，用对比数字说明小而匹配的语料胜过混合大语料，方法可迁移。
arXiv 论文 2610.10536 提出 Exploration-Distillation（ExpDis）框架，将 RLVR 中的探索与优化解耦：训练带新颖性奖励的 explorer 策略，过滤轨迹后蒸馏进独立的 student 策略，student 训练时不带新颖性奖励，并多轮交替进行。在七个数学推理基准和两个模型家族上，ExpDis 在相同 wall-clock 预算下超过 DAPO，且 pass@$k$ 扩展更佳，表明生成的正确解更多样。代码与 checkpoints 已开放。
推荐理由：论文提出把探索与优化解耦的 ExpDis 框架，在七个数学推理基准和两个模型家族上与 DAPO 对比，方法描述完整可复现。
arXiv 论文提出结构化消歧新范式，通过显式、受限的交互而非自由对话来解决用户问题中的歧义，并构建 ARCS——首个基于真实数据库、包含自然产生歧义及完整歧义点、解释和 SQL 查询标注的 text-to-SQL 基准。实验显示歧义场景下任务仍然困难：gpt-6-sol 端到端执行准确率仅 51%，开源模型无一超过 27%。
研究收集了 4782 个 JetBrains IDE 中真实软件工程师的智能体会话，其中 33% 有至少三条用户消息，发现这些长会话的任务类型与类型间切换分布和 issue 衍生基准任务差异显著。论文提出 SWE-TaskFlow 方法，在保留已验证任务与测试的同时，通过提示词拆分和可验证的仓库问答将交互导向目标 Task Flow，并用 TFAS 分数筛选生成的轨迹；在 700 个 SWE-Bench Pro 任务上的试点显示，将任务拆成多步顺序执行大约使智能体成本翻倍，而 resolve rate 无稳定变化。
推荐理由：论文用 JetBrains IDE 中 4782 个真实工程会话测量任务流分布，指出基准交互协议本身影响评测结果，方法可迁移。
一项基于 Qwen3-0.6B 的受控研究显示，数据重复使 held-out loss 相对恶化 75%，同时 centred RankMe 反而升高 13.5 个合并标准差，谱弥散导致单侧监测把最差 checkpoint 判为最健康。作者提出双侧多通道时序监测器，能在 fork 后 10 到 60 步内检出全部三种损伤并按触发方向区分损伤类型，但其预警从不早于 held-out probe loss，且双种子校准会对留出的健康种子产生误报。
一项被 EMNLP 2026 录用的研究在 Llama 3.1 70B 和 Qwen 2.5 72B 中定位出 Bridge Routing Heads（BRH），发现其跨五种语言几乎互斥，Jaccard 相似度仅 0.017 与 0.057。消融实验显示，移除通用 BRH 会使两跳推理的 NLL 升至随机基线的 39-89 倍；在推理失败时放大这些头可无需训练地挽回最高 51.7% 的跨语言失败案例。
Reflection 发布开放权重模型 Beam 1.0，采用 MoE 架构，总参数 501.3B、激活 23.4B，支持 1M 上下文，以 Apache 2.0 许可提供 BF16、FP8、NVFP4 三种精度。官方称其推理 token 用量约省 3 倍，SWEBench Verified 达 81.6%，AIME 2026 达 97.7%，不禁止蒸馏和微调。
推荐理由：官方模型卡给出完整基准表和三种量化版本数据，读者可以据此对比 Beam 与其他开放权重模型在编码和推理任务上的表现。
NVIDIA 基于 Nemotron 3，通过 SFT、RL 和反馈驱动推理分别构建了达到 IMO 2026 和 IOI 2026 金牌水平的系统。IOI 2026 上 Nemotron-3-Ultra-CC 得 535.4/600，高于 361.12 的金牌线和 498.27 的人类最高分；IMO 系统用 SFT 与 RL 检查点加 generate-verify-refine 流程得 30/42，超过 29 分金牌线，全程仅用自然语言，无形式化证明器或外部工具。SFT/RL 检查点、训练数据集、含 200 道竞赛题的 Nemotron-IMO-Bench 及 NeMo-Skills 推理管线已在 Hugging Face 开放。
推荐理由：原文完整给出了两个项目的训练数据规模、各阶段分数和可复用的四步特化配方，权重、数据和推理管线都已开放。
研究发现 COMET 翻译评测分数受目标语言书写系统影响：在 IndicMT Eval 上，文字身份解释了母语文字分数方差的 22.9%，与标注者的一致性在全部五种语言中均下降。COMET-QN 可将各 (language, script) 组合映射到统一参考分布，使混合一致率从 0.300 升至 0.399，且保证语言内排序不变；基于 parity 特征的回归器再恢复 17.1% 的灵敏度，剩余偏差属编码器，无法通过后处理修复。论文被 WMT 2026 接收。
研究者发布 MedConv 多语言数据集（含英、丹、德三语共 300 例临床就诊记录），并结合 ACI-BENCH 基准，将临床 AI 平台 Corti 与两款基于通用 AI 的主流环境式语音记录软件进行对比。评测框架结合蕴含指标与 LLM 判 pairwise 比较，覆盖 PDSQI-9 的八个维度。结果显示 Corti 的 API 文本生成能力与商业语音记录工具相当或更优，且其可配置 API 可针对具体文档场景微调质量维度，数据集已开源以支持可复现比较。
研究者提出面向互联网规模服务故障排查的智能体系统 E4，采用"受限创造力"范式，让 LLM 智能体通过受限 DSL 生成无环数据流程序，而非任意代码，从而保证输出准确、可验证且可解释。在合成与真实工作负载混合测试中，E4 准确率最高提升 62%，成本最多降低 12x，同时提供更可解释的响应。
研究者推出 ParanoiaEval，首个统一评估编码智能体风险处理能力的 benchmark，基于 Avoidance-Transfer-Mitigation-Acceptance 框架构建 200 组证据受控的仓库级任务对。对 8 个代表性模型的实验显示，即便有明确证据，11.2%-58.7% 的运行仍出现不必要风险处理；更强的任务能力并不带来更恰当的风险处理，风险处理是独立的能力维度。
WorldSolver 是一个评测 LLM 智能体物理模拟求解器生成能力的 benchmark，包含源自 61 篇经典图形学论文、覆盖 7 个物理领域的 168 个模拟任务，从 Execution Checks、Visual Fidelity、Physical Plausibility 三个维度评测。结果显示，GPT-5.6-Sol 与 Claude-Opus-5 表现相对更好，但总分仅分别为 48.7% 和 46.7%，生成可执行求解器本身已很困难，视觉与物理正确性更难满足。
研究者提出 RELER（REinforcement LEarning for Retrieval），一个让现有嵌入模型直接在嵌入空间中学习检索并对齐任务奖励的强化学习框架。该方法从以编码器输出为中心的 vMF 分布采样嵌入动作，用 REINFORCE 配合 RLOO 更新，并引入条件均值投影（CMP）降低策略梯度噪声。在对推理密集型基准 BRIGHT 的评测中，RELER 后训练 BGE-M3 和 Qwen3-Embedding 时的平均 nDCG@10 一致优于 InfoNCE 和 LambdaLoss；在七个 QA 数据集上仅微调查询编码器的 RAG 场景中，检索与答案联合优化同时提升了检索性能与答案质量。
论文提出 Dev-Primitives 抽象，让仓库组件各自挂载常驻 LLM，并在此基础上构建 HERMES 框架，通过依赖感知动态激活和 bug 诊断机制实例化这些组件。在四项软件工程基准上，HERMES 比匹配的基线 harness 平均高 12.4%；即使 Dev-Primitives 用 Qwen3-8B，配合强激活与诊断模型也在四项基准上与全 GPT-5.6 配置差距保持在 4.5% 以内，同时在 Terminal-Bench 4.0 上推理成本降低 26.2%。
推荐理由：论文给出依赖感知激活与 bug 诊断机制的完整框架设计，搭配四项基准的平均提升数字，对做软件工程 Agent 的人有可迁移思路。
BTTF 是一个端到端智能体框架，将海量非结构化仿真数据蒸馏为规范化 SQLite 关系数据库，并通过多智能体编排引擎把自然语言验证查询转换为 schema 感知的 SQL，同时将信号异常与带版本的 RTL 仓库关联。在 150 条查询的 benchmark 上，BTTF 达到 95.33% 的执行准确率，为自主化 EDA 验证提供了可行路径。
论文提出 Artifact-Exclusive Communication Protocol（AECP），要求多智能体代码生成中的 Agent 只通过结构化工件通信，并由执行框架在访问相关代码时提供发现、筛查实现与接口承诺的不一致、并让受影响的 Agent 重新审视修订后的约定。
一项 arXiv 研究对俄语 ModernBERT 编码器在俄语立法文档上继续预训练，得到适配模型 RuModernBERT-ruLaw，训练语料含 304,382 份立法文档、194,425,905 个语料 token。
论文提出 SO-RSI 框架，将递归自我提升（RSI）从一阶参数修补升级为二阶诊断，先调查失败原因再进行结构性修改。该框架通过监控执行轨迹中的复现、反向编辑和预期不匹配三类结构异常触发诊断，并在多轮间维护持久 inquiry memory。
推荐理由：论文给出 SO-RSI 在 Lean 4 与 Verus 上相对 Naive RSI 的提升幅度和失败复发分析，方法可迁移到工作流自优化场景。
Keegan Wang 在 arXiv 发布论文（arXiv:2610.05793），微调 Qwen2.5-7B-Instruct 使其根据提示中推断的部署拓扑在代码中插入漏洞。
推荐理由：论文用 checker、独立 bandit 分析和盲审对照量化了拓扑触发后门，并给出差分审计这一可迁移的检测思路。
研究者推出 VHDL-REPOBENCH，一个面向大语言模型 VHDL 设计生成与分析的大规模跨文件仓库级基准，收录约 100 个开源 VHDL 仓库、约 2.5k 文件和约 500 个 testbench。
minas2025 基于 Gemma 4 E2B（约 4.6B）的 uncensored 版本微调出 Coder-Gemma-4-E2B-Uncensored，专注 Python 与 React/TypeScript/HTML/CSS 前端开发，采用 QLoRA 4-bit 训练，上下文 2048，提供 Q8_0 GGUF（约 5.0 GB）。
Microsoft 在 Hugging Face 发布 FrogNano-4B-2609，基于 Qwen3.5-4B 纯强化学习后训练的仓库级编程 Agent。
推荐理由：微软以约 1500 个合成任务做纯强化学习，把 4B 模型的 SWE-bench Verified 分数从 39.4% 提到 61.5%，未依赖更强模型的轨迹。
zai-org 发布 GLM-5.3 开放权重模型，称其与 GLM-5.2 使用同一 base 模型，全部提升来自后训练。
推荐理由：模型卡逐项列出各基准的评测脚注、采样参数与反作弊措施，并附完整对比表，读者可自行核对编码和漏洞利用成绩的可信度。
一项研究首次将日志代码移除作为独立软件维护任务，提出 10 种移除模式、11 种移除原因，并构建含 387 个真实案例的 LogRem 数据集。四种 coding agent 的输出 95.6%–100.0% 通过有效性检查，但仅 11.1%–19.6% 与真实变更一致；commit 信息与开发者讨论带来最大对齐提升，taxonomy 指引则稳定降低运行时开销。