BreakingWeb:通过受控环境干预构建高难度浏览器代理基准
研究团队提出基准 BreakingWeb,包含 519 个任务对,通过受控干预使 6 个浏览器代理平均通过率下降 22.9 个百分点。 这些干预改变网站内容、服务器状态或网络响应,而人类用户首试通过率仅下降 10.0 个百分点。 75% 的代理失败源于信念错误,即代理在未完成必要更改时宣告任务结束。
研究团队提出基准 BreakingWeb,包含 519 个任务对,通过受控干预使 6 个浏览器代理平均通过率下降 22.9 个百分点。 这些干预改变网站内容、服务器状态或网络响应,而人类用户首试通过率仅下降 10.0 个百分点。 75% 的代理失败源于信念错误,即代理在未完成必要更改时宣告任务结束。
针对视觉语言模型部署中算力与内存瓶颈,提出自底向上级联知识蒸馏框架,通过引入中间容量教师模型逐步缩小师生网络能力差距。 该框架基于 LLaVA 方法论构建模型,并在七个标准 VQA 基准上评估,展现出与近期紧凑视觉语言模型相竞争的推理性能,源码及训练模型已公开。
summary_zh: 研究人员通过受控实验发现,多智能体强化学习中直接排除非平稳训练瞬态不足以消除置换代理的假阳性。 在社交困境中排除瞬态后假阳性率降至 3.05%,但协调游戏中仍高达 11.8%。
研究提出符合性社会选择层,通过线性意见池聚合与分拆符合预测,实现固定轮次边际覆盖率≥1-α的自主行动或人工升级决策。 在α=0.05下,81.9%的错误共识案例被非单例集标记;提前达成单例共识的准确率在MMLU-Pro上达90.0%-96.8%。
Brain2Vec 基于 74,425 例 T1 加权 MRI 扫描预训练,可作为微调骨干或独立特征提取器。 其冻结嵌入在 5 项下游分类任务中的 4 项表现优于解剖体积特征,且推理具备可解释性。 代码与模型已开源,支持本地安装或通过 NiChart 云平台直接调用特征。
nokast-secureRAG 是一款约 0.5B 参数的小型语言模型,作为 RAG 检索与生成间的语义防火墙,将用户查询与检索上下文配对分类为安全、可疑或恶意。 模型经教师-裁判-学生流水线训练,在分布内测试集达 0.994 检测召回率、0.026 假阳性率,单请求延迟 293-404ms;已开源模型、数据管道及评测框架。
GALA 是一个具有显式点云感知能力的几何感知语言模型,旨在实现可控物体摆放。 该模型通过自回归方式预测目标物体的 6D 位姿,采用两阶段训练策略,并在基准测试中显著优于缺乏显式几何推理的基线模型。 该工作已被 SIGGRAPH Asia 2026 会议论文录用。
针对全球预训练语料中非洲学术内容占比不足0.5%的现状,研究团队推出迄今最大规模的泛非多学科学术语料库Africa-Papers。该语料库包含超过844,807篇全文论文和101.5亿个Token,数据整合自DOAJ索引的31个非洲国家期刊、CGIAR农业库、arXiv预印本及OpenAlex开放获取文献,并处理为保留层级结构的Markdown格式。
BAIT 基准引入九类认知偏见触发器,基于 50 篇英语新闻及标注数据评测 6 个前沿 LLM。 模型在识别文章包含的触发器上接近人类一致性,但在定位具体片段时不足人类一致性的一半。 结果显示 LLM 更多依赖表面线索而非操纵机制,相关资源及评估管线已开源。
World2HOSI 提出一种多专家编排框架,利用 3D Gaussian Splatting 场景和自然语言指令生成连续的人-物-场景交互数据。 该框架通过编排现有专家模型,结合有界残差优化和接触驱动物理模拟,实现了超越单一模型能力的任务完成率与交互质量。
Less-is-More CIR 提出一个免训练的两阶段框架,结合简洁检索与批评家重排序,以提升零样本组合图像检索效果。 该框架首先生成仅保留判别性修改语义的简洁目标描述以减少噪声,第二阶段则通过修改一致性与参考保留度评估重排序候选结果。实验表明该框架具有有效性与鲁棒性,相关代码已公开。
提出音频视觉类别增量学习框架,利用冻结多模态基础模型(MFM)的密集表示,通过注意力上下文引导模块以音频表征指导视觉表征,实现有效类别识别。 采用特征级与logit级知识蒸馏缓解灾难性遗忘,维持跨任务稳定性。实验表明该方案在多个音频视觉CIL基准上持续优于当前最先进方法。代码已开源。 该工作已被WACV 2027接收。
研究提出基于时间邻近性的自监督框架,从自由行为大鼠的短期运动轨迹中学习紧凑表征,无需人工定义行为状态。结果显示,1秒的运动轨迹即包含个体身份与学习相关信号,自我中心姿态动态更利于预测身份,而外心运动更利于预测学习差异。
论文提出 Agent S4,一个通过任务轨迹进化优化接口的自主计算机使用科学代理。在 OSWorld V2 上,Agent S4 使用 Qwen3.8-27B 达到 21.3% 的二值得分,是固定接口版本的 3.8 倍,且成本仅约为 GPT-5.5 和 Claude Opus 4.8 的 4.3% 和 1.5%。代码已开源。
推荐理由:该研究提出 Agent S4 通过进化式接口设计提升计算机使用代理性能,在开源模型上超越闭源旗舰,验证了接口演进对智能体能力的关键作用。
在 3B-27B 的 5 个模型上,分层稀疏注意力(SSA)始终优于等稀疏度基线,显著缩小稀疏与稠密注意力的差距。 在 RULER-HARD 上,SSA 在 50 倍稀疏度下将 32K 上下文准确率从 81.8% 提升至 84.2%。 采用优化 CUDA 内核后,SSA 在 1M 上下文的解码速度相比 FlashInfer 快至 2.96 倍。
Quantum-JEPA框架利用量子Born先验学习未来表征分布,并支持多智能体协同。模型通过样本化能量目标训练量子先验,学习潜动作相关性。 方法结合预测质量与多样性训练,避免指数级大的类别输出层。在有限样本参数偏移训练和实际QPU推理中验证了可行性。 在D3IL基准上,模型能从共同起点生成多条避障路径,提升预测有效性。
该论文提出一种利用多模态学习和强化学习高效评估游戏声音设计的新框架。 方法预训练多模态编码器将视觉和听觉信息映射至共享潜在空间,然后固定策略,通过微调编码器来隔离声音变化对智能体行为的影响,从而避免从头重新训练。实验表明该方法能检测声音退化引起的性能差异,并显著降低计算成本,提供可扩展的评估方案。
研究提出 Ask-to-Distill 框架,将合成问题作为分布提取器,用于优化在策略知识蒸馏过程中的监督信号。 该框架通过结合师生模型分歧与教师模型在学生候选支持集上的概率质量,计算无需参考答案的分布替代奖励来筛选和优化问题。 该方法在数学推理、代码生成和智能体任务上提升了模型平均性能并缩小了师生差距,相关代码与模型已公开提供。
团队发布 EGI-BENCH,统一整合八个企业级 LLM 智能体基准为单 CLI 套件,并定义六维 EGI 评分框架。 在 quick 模式下评测 GPT、Claude 和 Gemini 等 14 个模型,EGI 得分从 GPT-4o mini 的 39.6 到 gpt-5.5 的 65.6,无单一模型全面领先。 该套件解决跨基准比较困难和评分标准不一问题,子指标路由机制替代简单基准级平均分。
针对全模态 LLM 跨模态幻觉,提出免训练框架 Omni-Woodpecker (OWP)。该方法将干预从输出层移至表征层,通过识别模态冲突并进行正交分解,在解码前抑制误导性先验并恢复被忽略的证据。
UC San Diego、ByteDance 和 CMU 团队提出 RSIGame,支持 AI 自主试玩、修复并迭代游戏。GPT-5.5 起点经多轮开发后质量评分从 50.26 升至 64.53,而经 4003 轮改进记录训练的 Qwen3.8-27B 配合该框架,评分达 61.38,超过 GPT-5.5 单次生成结果。
MacNativeGames 开源项目实现了《塞尔达传说:王国之泪》在 Apple Silicon 设备上的原生运行。基础款 M4 MacBook Air 上可稳定保持 90 帧,性能优于任天堂 Switch 2 官方版本及非官方 x86 移植版。
谷歌宣布面向自研 TPU 的原生 PyTorch 框架 TorchTPU 已在 GitHub 开源,使现有 PyTorch 应用仅需修改配置即可迁移到 TPU 与谷歌云,无需重写代码。
Foundry-protocol 是一个用于编排复杂 AI 智能体任务的可复用框架,核心采用人类/ AI 编排者协议、Claude 规划及子智能体执行。该框架提炼自合规审计项目,包含工作订单模板、验证门禁、自改进经验库(LESSONS.md)及 Claude Code 插件,支持通过 bootstrap 脚本快速初始化新项目并管理多智能体协作流程。
DeepSeek 全面开源自研推理框架 DeepInfer 及生产级 Token 编解码组件 deepseek-recipe,支持 DeepSeek V4.1 Flash 的高吞吐、低延迟大规模推理,支持英伟达 SM100 GPU、华为昇腾 950 NPU。
同一新闻,精选展示《DeepSeek 开源内部推理框架 DeepInfer 及编解码组件》
Tenbri 是一个开源项目,用于记录 AI 智能体(如 Claude、OpenAI 和 LangGraph 智能体)的决策过程,提供签名和追加式的决策记录,确保任何人可离线验证智能体在特定规则下的操作结果。
Modula-9(M9)是一款 Wirth 系编程语言,编译器强制执行无隐式转换规则以审计 AI 代码。M9 自带类型宽度命名,拒绝自动转换以防止静默错误,运行时检查开销仅 3% 且不可关闭。 M9 提供 Ubuntu 等 Linux 发行版安装包及 macOS/Windows 实验版,采用 GPL 3.0 协议,其中运行时库附带例外许可,允许用户以任意协议发布基于 M9 构建的程序。
AWS 发布了开源物理 AI 工具链用于机器人领域。该工具链旨在支持物理 AI 的开发与应用。
DeepSeek 以 Apache License 2.0 开源内部推理框架 DeepInfer,用于支持其 V4.1-Flash 模型大规模快速生成回答。
同一新闻,精选展示《DeepSeek 开源内部推理框架 DeepInfer 及编解码组件》
VAST 开源实时生成式渲染器 EdenLive,其架构将游戏状态逻辑与视觉渲染解耦,模型仅负责根据上游状态实时生成画面。EdenLive 支持 5B 和 14B 模型,5B 版本在 RTX 5090 上可实现超 24 FPS 的 720P 实时生成。团队同时开源了 EdenGolem 智能体,用于辅助生成 3D 灰盒游戏。
推荐理由:文章解析了 EdenLive 实时生成渲染器的三层架构分工逻辑,展示了其在游戏交互中的实际应用。
Ankita 2.6.0 发布,支持复用已打开的 ChatGPT 对话,并新增原生 Windows Computer Use 功能。 该工具为 MIT 协议开源,提供桌面、浮动伴侣及终端 CLI 三种界面,用户可选择 ChatGPT、GitHub Copilot 或 Groq 等 AI 提供商。
Countercheck 发布旨在验证 AI 编码代理是否真正通过测试,通过在代理声称完成时锁定基准版本测试并在 macOS 沙箱中重新执行来防止代理篡改测试用例。工具生成包含执行详情和 SHA-256 哈希的密封回执,目前支持 Claude Code 和 Hermes Agent 钩子,且仅运行本地不依赖 LLM 判断。
推荐理由:原文展示了验证工具如何在AI代理声称完成时锁定基准测试并重新执行,为判断代理输出的真实性提供可追溯的本地化机制。
llm-d 发布 v1.0 版本,引入多租户服务质量管理、零停机升级和 Agent 感知服务功能,支持 NVIDIA、AMD、Intel 及 Google TPU 等加速器。版本提供稳定的 v1 配置 API 和会话级上下文路由,已应用于 Google Cloud、AWS 等超过 25 个组织的生产环境。
BodyCommit 是一个运行在 VS Code 和 Cursor 里的扩展,在 AI agent 编码或长命令执行的等待间隙提醒用户做拉伸、无器械小练或呼吸练习。
IronBee 团队使用公开基准 Martian's Code Review Bench 对 21 款大语言模型进行无工具、仅输入 diff 的代码审查测试,共产生 7,980 次审查并全部开源。
推荐理由:将 21 款模型与 21 款代码审查工具放在同一基准下对比,读者能直接看出裸模型与成熟产品的差距。
Respan 发布名为 Respan Gateway 的开源 Rust AI 网关,核心理念是小核心加插件,将 provider、MCP 协议、实时语音和图像视频等多模态功能全部插件化,避免修改网关核心即可扩展功能。该系统源于团队长期封装 LiteLLM 维护成本过高的经验,现已开源并支持本地运行,作者团队通过托管平台提供可观测性和统一计费服务来盈利,项目目前处于 pre-alpha 阶段。
作者用 Transformer 架构训练了一个能像人类一样下棋的国际象棋 AI,整体 top-1 预测准确率 55.57%,超过 Maia-2 的 53.2%。在 8 张 NVIDIA B200 GPU 上训练,模型使用绝对位置嵌入和 Shaw 相对注意力,并为棋盘每个方格编码约 80 个特征,包括牵制、格子控制、兵型和位置历史衰减。作者表示代码已开源。
WorldMemArena 基准揭示 Agent 记忆召回率 86.83% 时问答正确率仅 50.14%。 该基准包含 400 项多会话任务与 24,258 组问答,将记忆拆解为写入、维护、检索、使用四环节。 研究发现存储容量与最终答案间存在断层,强调记忆需随环境动态更新。
华为 openJiuwen 团队发布 Jiuwen Symbiosis 物理智能体,成功打通大模型与底层物理设备交互,实现自动化科研落地。 该系统基于“感知—规划—执行—反馈”闭环,通过动态编排适配异构设备集群,并具备可回放轨迹分析能力。 Jiuwen Symbiosis 内置安全护栏机制确保操作边界,代码已在 AtomGit 及 GitHub 开源,支持社区共建。
记忆张量发布 MemT 1.0,这是业内首个将历史编码为内部状态的记忆原生基座模型,包含 288B 参数的 Flash 版和 36B 参数的 Nano 版。MemT 1.0 在 SWE-bench Verified 上通过注入经验将平均成功率从 66.07% 提升至 69.73%,且在 128K 历史下推理速度比完整上下文方案快 1.86 倍,已开源至 GitHub 和 HuggingFace。
同一新闻,精选展示《记忆张量发布并开源 MemT 1.0 记忆原生大模型》