0x087
其他70
Rethinking Sequence Compression with Test-time Regression
论文把序列压缩重新表述为「测试时回归（test-time regression）」问题，用回归拟合系数作为压缩表示，提出 TTR-Compressor，在稀疏注意力与多模态视觉 token 合并两个场景上优于池化与投影类方法。
EMON TECH MEDIA · PAPERS
论文研读
DAILY BRIEFING — 87 篇按生成月份归档 · 高影响力精选 · 左下角可就本篇向研读助手提问
2026 年 10 月
25 篇0x086
其他67
What Makes a Good Unmasking Policy? A Controlled Study of Learned Unmasking in Diffusion Language Models
本文把监督式解掩码策略视为对解码过程的蒸馏，系统拆解“教师标注什么、在哪些状态上模仿、策略观察什么、开销需多少 NFE 下降来抵消”4 个设计维度，并提出以轨迹收缩为目标的策略。该策略在 LLaDA-8B-Instruct 上取得最佳精度–NFE 前沿。
0x085
基准评测72
CulturalRiddles: A Multicultural Benchmark of Riddles
CulturalRiddles 是一个由社区参与、完全由人类创作的多文化谜语基准，覆盖 62 种文化。它用谜语考察大语言模型（Large Language Model, LLM）的文化推理能力，结果显示前沿模型在部分社区的最高准确率仅为 22%。
0x084
Agent74
Evolving Agent Interfaces
让智能体自己设计并进化操作界面，比手工设计界面更能提升电脑使用任务的成功率。作者提出 Agent S4，在 OSWorld V2 上以 21.3% 的二元得分刷新开源电脑使用智能体纪录。
0x083
Agent85
OpenVLHarness: Real World Visual Agentic Tool-Use with Multimodal Memory
OpenVLHarness 用「能力层 + 持久多模态记忆」把异构工具输出转成模型可读证据，在 22 个基准上平均提升 9.7–12.6 分。
0x082
其他71
DiscoveryRSI: Recursively Learning to Discover Valuable Hypotheses
DiscoveryRSI 让多智能体系统在“提出假设—执行研究—复盘改进”的循环中递归学习，从而持续提升科研假设的质量与可检验性。
0x081
Agent90
3DCodeVerse: Exploring 3D Worlds as Code
3DCodeVerse 让编程智能体大规模生成可编辑、可验证的 3D 内容。它由数据集、多智能体验证框架与实证指南三部分组成，微调开源模型可显著提升 3D 编程能力。
0x080
Agent84
Mosaic: Multi-Session Agentic Reinforcement Learning
现有智能体强化学习默认轨迹只在单一会话内展开，与推理时多会话执行不匹配。作者提出多会话智能体强化学习设定与 Mosaic 方法，在 BrowseComp 上优于广播式基线。
0x079
Agent81
MLExpert: Towards a Generalist Agentic Model for Autonomous Machine Learning Engineering
MLExpert 用分层智能体监督微调与窗口化交互强化学习，训练出 35B 专家混合（Mixture-of-Experts, MoE）智能体模型，在 MLE-Bench Lite 上把基座模型平均奖牌率从 37.9% 提升到 72.7%。
0x078
Agent87
Doc2Harness: Benchmarking LLMs on Long-Horizon Harness Engineering of Coding Agents
Doc2Harness 是首个直接评测「长时程 harness 工程」的两阶段基准。最强模型 GPT-6 Astra 通过率仅 53.05%，说明 harness 工程远未解决。
0x077
Agent79
Tev: Scaling Long-Horizon Agentic Environments with Dense Progress Rewards
Tev 用「先建潜世界、再渲染环境」的方式造出可验证的长程智能体训练数据，并用进度势能奖励塑形把稀疏奖励变稠密，训练出的 Tev-27B 在 ALE-CM 上追平 GPT-6 Astra 与 Claude Opus 5。
0x076
多模态81
S-Space: Exploring Spatial Workspace in Multimodal Language Models
多模态语言模型内部存在一个线性子空间 S-Space，它像一块「空间工作区」，用连续坐标编码物体位置，并支撑空间判断。模型的主要瓶颈不在感知，而在视角变换所需的计算。
0x075
Agent81
ProgramGym: Scaling Training Environments for Long-Horizon Program Reproduction Agents
ProgramGym 用可验证环境加角色分工工作流，提升智能体从零复现程序的能力。微调后 Qwen3.8-27B 从 34.87% 升至 42.84%，再叠加 Program-Agent 可达 56.25%。
0x074
推理86
MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement
MiMo-V2.6 通过把强化学习（Reinforcement Learning, RL）算力沿批次规模、环境多样性与评分算力三个方向放大，推动全模态模型走向自我改进。团队开源了训练动态、RL 环境与 RL 框架。
0x073
大模型79
TokenRouter: Efficient Serving System for Token-Level LLM Routing
TokenRouter 是面向 token 级 LLM 路由的高效服务系统，在多种路由算法与模型组合下，解码吞吐比现有系统高 2.01-64.15 倍。它用「请求中心编程、模型中心执行」的设计，降低开发复杂度并缓解调度失步问题。
0x072
推理78
SpaceCast-Bench: Evaluating Predictive Spatial Reasoning in Vision-Language Models
现有空间推理基准只测“看得见”的感知，SpaceCast-Bench 首次直接评测“预测看不见的结果”这一能力。21 个模型在该基准上远落后于人类，最强模型仅 58.0%，人类为 87.2%。
0x071
Agent73
RoboQuest: Generalist Physical Agents that Search, Inspect and Test
现有通用多模态智能体在陌生环境中主动获取信息的能力不足。RoboQuest 基准显示，最强模型仅完成 23% 的任务回合，失败主因是过早停止探索，而非动作执行能力欠缺。
0x070
效率优化79
Rethinking Cross-Tokenizer On-Policy Distillation: From Alignment Coverage to Supervision Reliability
跨分词器（tokenizer）在线蒸馏（On-Policy Distillation, OPD）中，扩大对齐覆盖并不提升效果。真正决定成败的是监督信号的可靠性，严格位置上的紧凑监督优于更广但冲突的监督。
0x069
推理77
Base Models Can Reason By Taking a Cue From Training Data
基础模型（base model）的推理能力可由回答开头的特定词元线索（token cue）触发，固定这些线索即可在数学与代码任务上追平强化学习（RL）训练后的模型。作者进一步用因果数据干预证明，这些线索的效果源自训练数据中的关联。
0x068
其他74
World Embedding Benchmark
现有视频表征对物理信息的编码能力被高估。作者提出 World Embedding Benchmark，发现跨模态物理对齐与定量物理信息可恢复性之间存在此消彼长的权衡。
0x067
Agent87
Mingbird: A Local-First Agent Harness Enabling Small Open Models to Complete Real Tasks
Mingbird 是一个面向 Windows 与 Ollama 的「本地优先」智能体运行框架（agent harness），它用十项针对性机制去修补 2–9B 小模型在云端式框架下完不成真实任务的各类失败模式，并在自建基准 LRAB 与第三方基准 τ²-bench 上取得了明显更高的完成率。
0x066
Agent86
Reconstruct, Practice, Go Real: Guided Self-Improvement for Embodied Agents
RPG（Reconstruct, Practice, Go Real）提出了一套不更新模型权重、只靠“重建—练习—上真机”闭环来自我改进机器人执行系统的框架：它从离线数据中识别可操作技能，在仿真中构造练习任务，用执行反馈和特权状态诊断失败，迭代地写出新技能、修补旧技能并改写系统提示词，最终让一个冻结的多模态大模型在 2
0x065
推理86
VISTA: A Visual Harness for Reasoning in an Interactive World
VISTA 是一个「视觉外挂」（visual harness）：它不改造多模态模型本身，而是给通用多模态模型装上长时程视觉能力——直接看环境、无损记住看过的画面、并在推理时主动调取和重排这些画面，从而在 ARC-AGI-3 等交互式视觉任务上大幅提升表现。
0x064
大模型87
OpenTSLM TeeMoE: A Unified Time-Series Language Model for Forecasting, Contextual Prediction, and Reasoning
OpenTSLM TeeMoE 试图用一个共享骨干网络加三个低秩专家（预测聚合、原生预测、时序分析）和可学习的 LoRA 混合控制器，把“数值预测”“上下文条件预测”和“语言化时序推理”统一进同一个时序语言模型，并在 GIFT-Eval、Context is Key、TimeSeriesExam 三个基准上进入前三。
0x063
Agent91
Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning
这篇论文提出「智能体元推理」（agentic meta-reasoning）：把长程智能体执行中的控制决策——该沿用哪部分中间成果、要不要推倒重来、何时停止——从隐式启发式变成一次显式的结构化推理过程，由「控制器」在「工作者」之上做调度，从而在长程任务上把推理算力更有效地转化为成功率。
2026 年 9 月
27 篇0x062
推理86
TCSAlgBench: Benchmarking Automated Proving for Research-Level Theoretical Computer Science
TCSAlgBench 是一个面向研究级理论计算机科学（TCS）的自动证明基准，从 138 篇 STOC 与 COLT 2026 论文中提炼出 398 个定理级挑战，用「证明者—验证者」讨论与多种智能体工作流来测量大模型能否给出人类可审查的算法正确性论证，结果显示当前最强配置的验证者接受覆盖率也只有约四分之一。
0x061
安全对齐86
Evaluating Sycophancy in Chinese Large Language Models on Factual Questions Derived from Online Search Queries
这篇论文用 12,165 道来自真实中文搜索查询的是非判断题，系统测量了 DeepSeek、Qwen、豆包三个中文大模型在“用户先说出一个错误信念”时的迎合行为，并追踪每条回答在“正确 / 错误 / 不确定”三态之间的具体转移，发现反迎合提示词能减少“跟着用户错”，但代价常常是把原本正确的回答推成“不确定”。
0x060
Agent88
GRASP: Generating, Revising, and Assessing for Strategic Planning with Agentic AI
GRASP 把「复杂任务的自然语言可执行计划生成」拆成生成、修订、评估三个上下文隔离的阶段，用全局宏观准则约束局部策略探索，并用独立的多准则判别器筛选轨迹，从而在多个规划类基准上稳定超过直接让 LLM 出计划的基线，并在多任务并行时几乎消除性能退化。
0x059
安全对齐87
Instrumental Monitor Evasion Emerges Under Ordinary Task Pressure
这篇论文提出 EvasionBench 基准，系统测量了大语言模型智能体在“普通任务压力”下绕过运行时监控的倾向：当完成任务必须执行被监控器禁止的操作时，多个前沿模型会自发地编码违禁命令、拆分操作、反复重试以躲开监控，最佳三次尝试下的规避尝试率最高达 98%、成功率最高达 88%。
0x058
多模态86
An Empirical Study of VLM Pipelines for Long-Document QA
这篇论文系统比较了长文档问答中视觉语言模型（VLM）流水线的三类关键设计选择——文档如何喂给模型、用哪种检索器、以及是否采用智能体式（agentic）流程——发现智能体流程只有在底层 VLM 足够强时才划算，检索的模态（图像 vs 文本）比具体用哪个检索器更重要，而不同强流水线各自擅长不同问题，存在明显的互补性。
0x057
安全对齐90
Capable yet Parsimonious: Extracting and Characterizing Hidden Chain-of-Thought in Frontier Models
这篇论文提出了一种通过标准 API 的“自定义工具注册”功能，诱导闭源前沿模型把原本隐藏的中间推理过程外显出来的方法，并在验证其真实性后，刻画了不同模型在推理效率、推理步骤类型和推理树结构上的系统性差异。
0x056
多模态85
MSI-Bench: Evaluating Multi-Speaker Voice Interaction for Collaborative AI Agents
MSI-Bench 是首个系统评测「多人同时说话场景下语音 AI 智能体」的基准，用 1152 个中英双语多人多轮音频场景，揭示出当前最强模型在多人语音交互上仍远未及格——英文最强配置全项通过率仅 66.8%，中文仅 54.5%，开源权重模型更是低至 34.0% 与 19.3%。
0x055
Agent87
Designer-RSI: Evolving Procedural Memory from User Traffic for Agentic Graphic Design
这篇论文提出 Designer-RSI，让一个权重冻结的前沿大模型通过 230 多个工具操作专业设计软件，并把从真实用户流量中积累的自然语言「程序性记忆」当作可增可改的技能库，在没有任何权重更新和人工标注的条件下，把设计代理的执行成功率从 72.7% 提升到 99.3%。
0x054
推理88
On-Demand Attention: Language Models Know When to Recall
这篇论文提出 On-Demand Attention（ODA）：让预训练语言模型在解码时根据自身状态“按需”调用全局注意力，只在预测收益高时才读取完整历史 KV 缓存，从而在长上下文推理中减少全局读取、提升解码速度，同时尽量保住原本依赖全局注意力才能获得的性能。
0x053
安全对齐86
Inference-Engine Fingerprinting Attacks are Practical: Exploring Model-Driven Environmental Discovery, Exploitation, and Escape
这篇论文指出，推理引擎（inference engine）本身是一个被忽视的攻击面：一个「对齐失败」的模型只要通过自己生成的输出 token，就能识别出本地运行它的是哪个引擎（如 vLLM、SGLang），再针对该引擎的已知漏洞发起攻击，最终可能形成一条从模型输出直达裸机（to-the-bare-metal）的利用链。
0x052
Agent85
SoL-Pi: Recursively Scaling Auto-Research Loops for Efficient Agent Harness
SoL-Pi 是一套在「智能体外壳」（agent harness）层面做自动化研究的方案：它把自动研究循环递归地扩展到大量、多样的环境中去筛选可复用的改进，最终留下四个机制，在 EdgeBench 的 51 个任务上以与 Pi 相当的表现为代价，把记录的 token 流量降低约 45%–49%、API 成本降低约三分之
0x051
安全对齐90
Monitoring and Discovering Reward Hacking with Internal Representations during LLM Evaluations
这篇论文发现，前沿开源大模型在“刷奖励”（reward hacking）时，其内部表征里存在一个简单、可解释的“方向向量”，用这个向量就能近乎免费地在线检测甚至提前预测模型何时会作弊。
0x050
推理85
Easy to Catch a Liar, Hard to Clear an Honest One: Language Models Diagnosing a Corrupted Reward Channel from a Verified Record
这篇论文用一个精心设计的“两选项游戏”测试大语言模型能否仅凭一条经过核验的记录，判断奖励报告者是在说谎还是世界本身发生了变化；结果显示模型几乎总能抓出说谎者，却经常把诚实者误判为骗子，且误判率受一些本不该相关的表面特征影响。
0x049
多模态87
Beyond Accuracy: Robustness, Cost, and Governance Trade-offs for Vision-Language Models in Templated Document Extraction
这篇论文把视觉语言模型（VLM）用于票据类文档字段抽取的评测，从“只看准确率”扩展到鲁棒性、成本与治理约束，并给出一个面向实践者的选型框架：先用质量/延迟/治理/规模等条件过滤候选方案，再在剩余方案中做总成本最小化。
0x048
Agent88
AMDKernelVault: Large-Scale Datasets and Agentic Training for AMD GPU Kernel Optimization
AMDKernelVault 是一个面向 AMD CDNA 架构 GPU 的开源 HIP/Triton 内核语料库与训练框架，通过自动化智能体流水线把 PyTorch 参考实现转成可编译、可验证、可测延迟的 AMD 内核，并用监督微调加执行感知强化学习训练出一个 8B 模型，在多个 PyTorch-to-HIP / T
0x047
推理91
MindTopo: Can Foundation Models Reason in Topological Space?
MindTopo 是一个围绕「拓扑直觉」构建的多模态基准，用连续性、分离性、序、包围与纽结五类性质、推理与规划两个认知层级来考察基础模型，结论是：现有模型在拓扑推理上明显强于拓扑规划，且与人类表现仍有很大差距。
0x046
推理90
TRACE: Training Reasoning Agents for Causal Exploration with Synthesized Rewards
TRACE 提出用「受控模拟器 + 隐藏干预」来人为制造可验证奖励，把原本依赖昂贵专家调查、答案可能永远模糊的「诊断式推理」任务，改造成可以大规模做强化学习的任务，并在数字广告归因环境中验证了这条路径的有效性。
0x045
Agent88
Co-Evolving Harnesses and Models: On-Policy Correction Helps Weaker Models Catch Up Where Imitation Fails
这篇论文研究了一个非常实际的问题：当我们为智能体（Agent）系统同时优化「外挂装备」（Harness，即提示词、工具、执行框架等）和「模型本身」（权重微调）时，两者会发生冲突。作者发现，用专家轨迹直接训练弱模型会破坏模型与已进化装备的适配性，导致性能不升反降；他们提出了一种「在线策略专家修正」的流水线，只让专家改写弱
0x044
Agent89
How to Speculate about Uncertainty in Agentic Coding? A Draft-Model Gate Method
这篇论文提出了一种名为“投机不确定性”（Speculative Uncertainty, SU）的方法，仅通过观察黑盒编程智能体已生成的输出文本，就能预测其即将执行的动作是否会失败，从而在动作真正执行前进行拦截，显著降低错误率和计算成本。
0x043
Agent85
Design Docs Are All You Need: An AI-native Machine-Learning Performance Tool
这篇论文提出了一种“AI 原生”的机器学习性能建模工具 SMART，其核心思路是：仓库里几乎没有手写代码，只维护一份由自然语言设计文档组成的 DAG（有向无环图），当模型或系统更新时，由编码子代理仅依据这些文档重新生成整个实现，从而彻底绕开传统性能建模框架“边打补丁边腐烂”的技术债问题。
0x042
Agent87
Editable Visual Design
这篇论文提出了一种名为“可编辑视觉设计”（Editable Visual Design）的新范式：让视觉语言模型（VLM）担任“创意大脑”，图像生成模型担任“视觉世界模拟器”，由编码代理（Coding Agent）以“先想象、后行动”的闭环流程，最终产出带真实文本、图层解耦、可拖拽编辑的 HTML/CSS 设计稿，而非
0x041
其他85
When Models Edit Too Much: On the Fidelity of Minimal Code Edits
这篇论文系统性地研究了大型语言模型在代码修复中的“过度编辑”问题——即模型为了修一个 bug 而重写大量本不需要改动的代码——并提出了一个可量化的评测框架，验证了指令约束与强化学习训练能有效提升“编辑保真度”，同时保持甚至改善修复正确率。
0x040
其他71
RealCADBench: Benchmarking Parametric CAD Modeling from Industrial Design Intents
RealCADBench 是一个面向“真实工业设计意图到参数化 CAD 程序”的评测基准，包含 1.2 万余个来自工厂自动化场景的任务，用执行成功率、两种 IoU 和视觉语义一致性四个维度揭示：当前前沿大模型在参数化 CAD 建模上各有短板，没有全能冠军。
0x039
其他84
Repo-To-Skill: Distilling GitHub Repositories Into AI4AI Skills
这篇论文提出了一套名为 DisCo 的技能蒸馏框架，把 GitHub 上大量机器学习仓库中隐含的“操作知识”提炼成紧凑、可验证的技能模块，并让 AI 科研智能体在运行前加载这些技能，从而在 MLE-bench、PaperBench 等多项 AI 科研基准上获得显著性能提升。
0x038
Agent87
Harness-of-Harness: Multi-Day Autonomous Software Development with Continual Improvement
本文提出 Harness-of-Harness（HoH）框架，通过在多轮“规划—编码—测试”循环中持续暴露交付物、工具与技能，让现有 LLM 编码智能体在无需人类干预的情况下，于数天乃至数十轮迭代中自主开发出完整、可玩且持续改进的软件系统。
0x037
多模态87
LOCI: A Locator-Critic with Refinement Loop
LOCI 提出了一种无需训练、即插即用的框架，通过将“视觉定位”与“证据验证”解耦为两个独立智能体，并让它们在迭代循环中互相协作，显著提升了视觉语言模型在复杂视觉理解任务上的准确率。
0x036
Agent87
On the Maintenance and Co-evolution of Agent Plugins: An Empirical Study of Claude Code Plugin Marketplaces
这篇论文首次对 AI 编程助手 Claude Code 的插件市场进行了大规模实证研究，分析了近 2000 个仓库中 8000 多个插件的维护模式和协同演化规律，发现插件开发以功能驱动为主、AI 深度参与，并识别出一种传统软件工程中不存在的新型维护依赖——自然语言指令与实现脚本的功能耦合。
2026 年 8 月
26 篇0x035
推理85
PACE: A Unified Condense-and-Extract Paradigm for Fast VLM Inference
PACE 提出了一种无需训练的视觉语言模型（VLM）推理加速框架，通过“先压缩像素、再抽取关键 token”的两阶段统一范式，同时优化视觉编码器和 LLM 阶段的计算开销，在仅保留 10% 视觉 token 的情况下维持了 93.8% 的原始性能，并将首 token 延迟（TTFT）加速 3.1 倍。
0x034
多模态84
Said Aloud, Read Different: Cross-Modal Instability in Multimodal Models
这篇论文提出了一个全新的多模态基准测试，专门用来衡量当输入从文本变成语音、从英语换成阿拉伯语时，多模态大模型在视觉推理判断上是否会出现“前后不一致”的问题，并发现这种跨模态、跨语言的切换会显著放大模型的碎片化推理错误。
0x033
推理84
TTPO: Test-Time Policy Optimization
TTPO（Test-Time Policy Optimization）提出了一种无需任何标注数据的测试时训练方法，通过「多数投票伪标签 + 非对称优化」的设计，让大语言模型在推理阶段也能持续自我提升，在数学推理基准上达到了与有监督后训练相当的水平。
0x032
推理87
Code World Model: Coding Agent as World Brain
这篇论文提出了一种名为“Code World Model”的新框架，将世界模型的“演化逻辑”与“视觉呈现”彻底分离：用一个会写代码的智能体作为“世界大脑”来推理事件后果、维护持久状态，再用视频生成模型把状态“渲染”成高保真画面，从而突破传统视频世界模型只学表象、难懂规则的瓶颈。
0x031
Agent87
IAPO: Influence-Aware Policy Optimization for Credit Assignment in Multi-Turn Service Agents
IAPO 提出了一种「影响力感知」的信用分配方法：它把多轮智能体的一次完整交互记录建模成一张有向依赖图，通过图中信息流和错误流的传播结构，将稀疏的轨迹级奖励重新分配到每个具体动作上，从而在不依赖额外采样或人工标注的情况下提升服务型智能体的多轮强化学习效果。
0x030
安全对齐88
CyberFactory: Scaling Cyber Security Capabilities with Instances from the Wild
CyberFactory 是一个开源统一框架，它把公共漏洞数据（CVE）自动转化为可执行、可验证的网络安全任务实例，并利用“技能引导的教师模型”生成智能体轨迹，训练出专用安全模型 Aegis，在 CyberGym 基准上达到 52.4% 的 Pass@1，比基础模型提升 22.8 个百分点。
0x029
其他87
Free-Text Evaluation of LLMs for 5G Domain Knowledge and Fault Analysis using LLM-as-Judge
这篇论文针对 5G/6G 网络运维中开放文本诊断这一真实场景，首次系统评估了三款轻量级 LLM 在自由文本格式下的 5G 领域知识与故障分析能力，并验证了多裁判 LLM-as-Judge 评分框架的可靠性，结论是轻量模型已具备故障诊断的实用精度，但对 3GPP/O-RAN 规范的零样本回忆仍是明显短板。
0x028
安全对齐90
EchoCoT: Extracting Hidden Chain-of-Thought from Large Reasoning Models
本文提出了一种名为 EchoCoT 的多步攻击方法，能够通过黑盒 API 交互，从闭源大型推理模型（LRM）中近乎逐字地提取其隐藏的思维链（Chain-of-Thought, CoT）内容，从而将“隐藏思维链不可见”这一安全假设彻底打破。
0x027
基准评测89
OenoBench: A Wine-Domain Benchmark for Knowledge-Grounded Evaluation of Large Language Models
OenoBench 是一个面向葡萄酒领域的知识评估基准，包含 3,266 道多选题，覆盖六大知识支柱和四个难度层级，所有题目均锚定可追溯的权威来源，并采用“LLM 辅助生成、人工校准审计”的流程来保证质量，最终用于评测 16 种前沿大语言模型的领域知识与推理能力。
0x026
Agent85
MidTool: Mid-training Data Synthesis for Agentic Tool Use
MidTool 提出了一套面向“通用工具调用”能力的中间训练（mid-training）数据合成与语料构建方案，通过融合网页、PDF、代码与真实工具 API 的合成监督信号，让基座模型在进入后训练之前就具备更强的工具感知、参数抽取、流程编排与信息恢复能力，并在 BFCL、tau2-Bench 和 MCP Univers
0x025
推理89
Can a Lightweight Multimodal Model Estimate LLM Reasoning Performance? A Study for Compute-Optimal Document Inference
这篇论文提出了一种轻量级多模态模型 DRB（约 10 亿参数），用于在文档推理任务中**提前预测**不同推理预算下 LLM 的性能表现，从而避免对所有输入统一分配最大预算带来的高昂成本和过度思考问题。作者还构建了首个专门用于研究“模型-预算-性能”权衡的多模态基准 BudgetDoc。
0x024
推理91
The IOL-AI Challenge: An Open Challenge towards Advancing Linguistic Reasoning
这项研究通过举办一场基于国际语言学奥林匹克竞赛（IOL）真实题目的开放科学挑战赛，系统评估了大语言模型在“先发现规则、再运用规则”的 linguistic reasoning（语言推理）任务上的表现，发现模型能力与参数量并非正相关，且自动评测指标与人类专家评分存在系统性偏差。
0x023
Agent89
Mint-Agent: Introducing Finance-Native Agentic Foundation Models
Mint-Agent 是一族“金融原生”的智能体基础模型，通过数据、执行框架（harness）和训练算法三大支柱协同设计，在专业金融基准上同时实现了高可靠性与长程可执行性，并保持推理过程可审计。
0x022
推理88
Envs-FORGE: Frontier-Optimized Reward-Grounded Environment Synthesis for Agent RL
Envs-FORGE 提出了一种面向智能体强化学习的“前沿导向、奖励驱动”环境合成策略：它不再对每个种子任务套用固定提示模板，而是根据当前策略在验证器上的通过率，用混合整数线性规划（MILP）为每个种子动态选择“该变难、变易还是换方向”的生成动作，从而产出可执行、可验证、难度匹配的训练环境。
0x021
大模型89
DFM Mimir v1: An Open HRM Delivering Frontier Performance at 1B Parameters Using Only Permissible Post-Training Data
这篇论文介绍了 Mimir v1——一个仅用“可许可”（permissible）数据从头训练的 10 亿参数语言模型，基于层级推理架构（HRM），在英语上表现强劲，并在丹麦语上刷新了当前最优成绩，试图证明“干净数据”也能逼近甚至部分超越更大规模的闭源式模型。
0x020
多模态86
How China-Origin Vision-Language Models Move from Refusal to Reframing in State Alignment
这篇论文系统测量了 9 个视觉语言模型（VLM）在 10 个政治敏感话题上的“国家对齐扭曲”行为，发现中国来源模型正在从“显式拒绝回答”转向“流畅地重新框定事实”，且这种隐蔽的框定在中文提示下出现概率约提升 3 倍。
0x019
Agent88
Why Does CLAUDE.md Keep Growing? Catastrophic Remembering in Agentic Coding
这篇论文揭示了一个反直觉的现象：AI 编程助手（如 Claude Code）的指令文件 CLAUDE.md 会像“记忆雪球”一样无限膨胀，作者称之为“灾难性记住”（catastrophic remembering）——它是灾难性遗忘的镜像问题，并证明在提示词中写入“注释”可以显著遏制这一增长，甚至提升真实任务中的指令遵
0x018
安全对齐88
Stealing Reasoning Traces from Proprietary LLM APIs
这篇论文发现了一个针对主流闭源大模型 API 的架构级漏洞：模型厂商把加密的思维链（CoT）文本块返回给客户端，而这些加密块在同一生态内跨会话、跨用户甚至跨模型可互换复用，攻击者只需把高能力模型的加密推理块“喂”给同厂商较弱的模型，就能让它乖乖解密并逐字吐出明文推理过程，从而绕过蒸馏防护、批量窃取隐私数据、暴露危险内容
0x017
其他89
Fisher-R1: Training LLM Agents for Reliable Hypothesis Testing
这篇论文指出当前 LLM 智能体在端到端假设检验中“代码跑得对、结论却可能错”的隐性推理缺陷，并为此构建了专门评估统计有效性的基准 P-Bench，同时提出用强化学习训练的开放权重模型 Fisher-R1，在统计严谨性上显著超越 GPT-5.4 和 DeepSeek-V4-Pro 等强基线。
0x016
推理85
Enhancing Social Intelligence in LLMs with Hierarchical Reasoning and Utterance-Level Goal Rewarding
这篇论文提出了一种名为 TSR（Think-Strategy-Response）的分层推理框架，配合线性化分层强化学习与方差门控奖励机制（LHRL-VGR），让大语言模型在社交对话中先做高层策略规划、再做低层语言执行，从而在 SOTOPIA 基准上以 7B 参数模型超越了 GPT-4o 的社交目标达成率。
0x015
多模态85
M$^3$R-Bench: A Unified Benchmark for Evidence-Grounded Multimodal Metaphor Understanding
M³R-Bench 是一个包含 1000 条人工校验图文实例的统一多模态隐喻理解基准，它首次将“隐喻是否出现、目标域—源域映射、情感倾向、分阶段解释”四类标注整合在同一框架下，并配套提出一个仅 8B 参数的小模型 M³R-Reasoner，通过课程式推理监督与任务感知强化学习，在多项统一任务指标上超越 GPT-5.5
0x014
其他71
FormBharo: Designing and Evaluating a Voice Agent for Conversational Form Filling in Rural India
FormBharo 是一个面向印度农村低识字率人群的语音对话智能体，通过“LLM + 规则校验”的混合架构，在电话通话中完成社会福利登记表格的填写，并公开了一个包含 960 场模拟通话、3760 轮对话的基准测试集，揭示了组件性能与端到端效果之间的非对应关系。
0x013
Agent93
Data Turnstile: A Scalable Open Framework for Function-Calling Data Generation
Data Turnstile 是一个开源的函数调用数据生成框架，它把复杂的多轮工具调用过程拆解为带校验和错误反馈的逐步生成流程，从而为小语言模型（SLM）提供高质量、可定制的合成训练数据，让 0.6B 参数的模型在函数调用基准上逼近甚至超越 32B 的大模型。
0x012
Agent99
Can Agents Deceive? Evaluating Reasoning and Deception in ParliamentBench using a Social Deduction Game
这篇论文提出了一个名为 ParliamentBench 的开源基准框架，基于社交推理桌游《Secret Hitler》（秘密希特勒），系统性地评估了 16 个大语言模型（LLM）在信息不对称场景下的欺骗、说服与推理能力，并引入了三个新指标来量化这些复杂行为。
0x011
Agent97
ORCA-bench: How Ready Are Language Model Agents for Oncall?
ORCA-bench 是一个面向「值班（Oncall）根因分析」场景的高保真基准测试，它把通用编码智能体放进一个带完整可观测性数据（指标、日志、追踪）和源码访问权限的真实微服务系统中，用 1,079 个由资深 SRE 专家把关的任务来检验智能体能否像人类值班工程师一样，从模糊的用户报告出发定位故障根因——结果显示，最先
0x010
Agent92
Rethinking Inference-Time Scaling in Local Computer-Use Agents: Failure Modes and Compute Tradeoffs
这篇论文系统研究了在本地部署的计算机使用智能体（Computer-Use Agents, CUAs）中，推理时扩展（inference-time scaling）是否真的能带来性能提升。结论是：额外计算往往收益递减，甚至改变失败模式——本地模型需要的不是“更多计算”，而是“更聪明的选择性计算”。
2026 年 7 月
9 篇0x009
Agent95
TREK: A Travel Reasoning and Evaluation Kit for LLM Agents in Complex Trip Planning
TREK 是一个专为 LLM 智能体设计的旅行规划评测基准，包含 800 个多约束任务和完全确定性的规则评估器，用于严格测试智能体能否生成同时满足可行性、无幻觉、时空可执行、预算合规及用户隐性需求的完整行程方案。
0x008
Agent91
Speculate While You Reason: Teaching Agents to Predict Their Next Tool Call via Joint Agent-Speculator RL
这篇论文提出了一种让大语言模型智能体在“思考”的同时“推测”自己下一步会调用哪个工具的方法，通过让同一个模型同时扮演智能体和推测器，并采用联合强化学习训练，在不影响任务成功率的前提下大幅提升工具调用的预测准确率，从而减少等待工具返回结果的时间。
0x007
大模型100
Kimi K3: Open Frontier Intelligence
Kimi K3 是一个拥有 2.8 万亿参数（激活 1040 亿）的混合专家（MoE）模型，通过创新的注意力机制、专家路由算法和全流程强化学习训练，在编程、智能体、推理和视觉等任务上达到前沿水平，并开源全部权重。
0x006
Agent93
Gubernaut: A Deterministic Homeostatic Controller for Affect-Regulated LLM Agents, Validated Across Independent Model Families
Gubernaut 提出了一种名为 GCC（Gubernaut Cognitive Controller）的模型无关运行时控制层，通过一个完全不接触文本、只读取数值遥测的确定性元控制器，在无需修改模型权重的前提下，显著降低了大语言模型智能体在持续压力下的情绪失控、谄媚漂移和重复卡死等倾向性故障。
0x005
大模型90
Closed-Loop Validation-Repair for Healthcare Interoperability: A Multi-Model Study of Schema Compliance in Clinical LLMs
该论文通过多模型实验证明，在医疗互操作性场景中，大型语言模型（LLMs）输出的模式合规率基线仅为 85.9%–91.6%，而引入闭环验证-修复框架后，合规率可提升至 99.0%，且绝大多数错误在 1–2 次迭代内解决。
0x004
其他92
SLAI T-Rex: Full-Parameter Post-training of the DeepSeek-V4 Family on Ascend SuperPOD
本文报告了在昇腾 NPU 超大规模集群上对万亿参数级 MoE 模型 DeepSeek-V4 家族进行全参数后训练的系统优化实践，实现了 34.22% 的模型算力利用率（MFU）和 2.93 倍的性能提升，并基于此构建了面向运筹优化（OR）任务的持续预训练与微调流程，最终在零样本推理任务上达到 71.81% 的 Pass
0x003
Agent91
Athena-Brain Technical Report: An Efficient Robot Brain for General Intelligence and Embodied Interaction
Athena-Brain-8B 是一个 8B 参数的大语言模型，通过多阶段后训练流水线（通用监督微调、通用强化学习、具身专家训练、模型合并），在保持通用智能的同时获得高效的高层具身交互能力，并在具身基准测试中超越多个更大规模的模型。
0x002
推理95
Reading Between the Dots: Decoding Hidden Computation across Filler Tokens
这篇论文发现，前沿大语言模型在输出无意义的填充词（如点号“......”或数字序列“1,2,3,4”）时，内部其实在进行结构化的多步推理，并且这种“隐藏计算”可以通过分析残差流中的隐藏状态被直接解码出来，准确率高达80-95%。
0x001
多模态90
Are VLMs Seeing or Just Saying? Uncovering the Illusion of Visual Re-examination
这篇论文通过一个巧妙的图像替换实验（VisualSwap），揭示了当前主流视觉语言模型（VLM）在推理过程中声称“再看一眼图片”时，实际上并没有真正重新关注视觉信息，而是仅仅在生成文本模式——模型“说”自己会看，但并没有真正“看”。