elvis@omarsar0

62

传统RAG系统在推理前单次检索，无法满足如o1、R1等大型推理模型在生成长链思维时中途出现的知识需求。ReaLM-Retrieve提出推理感知的检索框架，能在多步推理中动态注入证据。其核心在于以推理步骤粒度检测不确定性，学习判断何时引入外部证据有效，并将单次检索开销降低3.2倍。在多个QA数据集上，该框架比标准RAG的F1绝对值提升10.1%，且检索调用次数比固定间隔的IRCoT减少47%。在2-4跳的MuSiQue任务中，仅用平均1.8次检索即可达到71.2%的F1值，表明面向推理模型的RAG需优化检索时机而不仅是检索内容。

Rohan Paul@rohanpaul_ai

60

前沿AI已能以超人速度和近乎零边际成本自主完成端到端的复杂专家级网络攻击链。在AISI的网络安全评估中，GPT-5.5与Mythos Preview表现相当，均远超GPT-4o等早期模型。GPT-5.5在包含32个步骤的企业网络攻击模拟中成功完成端到端攻击，而人类专家需约20小时。在一项人类专家需12小时完成的反向工程任务中，GPT-5.5仅用11分钟、花费1.73美元即告解决。

Rohan Paul@rohanpaul_ai

67

Google DeepMind 近日发布 AI co-clinician 协诊系统，这是一个多模态代理系统，旨在辅助医护人员，并在医生监督下运行。系统采用双代理架构：一个模块与患者对话，另一模块实时监控交互边界，能检索并验证临床级证据。在开放式药物问答中，其表现超越前沿模型，更贴合真实医疗场景的复杂性。评估聚焦临床实际关切，如避免错误陈述或遗漏关键信息。在98项初级保健模拟查询中，医生对其偏好超过主流证据合成工具；在97例NOHARM风格评估中未出现严重错误。

研究团队正致力于开发一款AI联合临床医生，以探索AI增强医疗护理的路径。该研究旨在创建一种新型医疗模式，让AI作为临床医生的协同伙伴深度参与诊疗过程，共同提升医疗服务的质量和效率。这项工作标志着医疗保健领域正从辅助工具阶段，迈向AI作为核心协作者的新范式。

Anthropic 发布了名为 BioMysteryBench 的新基准测试，旨在评估 Claude 解决真实生物信息学问题的能力。测试结果显示，Claude 的表现能达到人类专家水平。然而，这一结论附带重要注意事项，表明结果虽具前景但仍有局限。该基准专注于衡量模型在专业领域的实际应用性能。

歸藏(guizang.ai)@op7418

55

该论文介绍了基于DeepSeek-V4-Flash底座的多模态大模型。其核心创新在于模型能同时进行文字推理和“视觉原语”（如画框、打点）思考。该模型以极低的Token成本，在多项前沿指标上达到了与GPT-5.4、Claude、Gemini等模型相当甚至更优的性能。

Rohan Paul@rohanpaul_ai

60

Anthropic最新研究利用BioMysteryBench测试平台评估Claude在真实生物信息学问题上的能力。该测试将客观答案隐藏于真实数据集中，涵盖99项任务。在至少一位人类专家解决的76个问题上，Claude Mythos Preview模型准确率约为83%；更值得注意的是，在23个专家小组未能解决的问题上，该模型仍解决了其中约29.6%。然而，模型在困难问题上的成功重复性较低，表明其表现尚不稳定。研究指出，Claude最有效的模式并非充当“先知”，而是扮演快速研究协作伙伴的角色：通过分层使用方法、交叉验证证据并运用广泛背景知识来缩小搜索空间。

Rohan Paul@rohanpaul_ai

56

本文提出Agentic Harness Engineering方法，使编码代理能自动重写自身工具和规则，并通过可审计实验验证每次更改的有效性。传统代理工具调整依赖手动或混乱自我改进循环，缺乏明确证据。该方法将编辑转化为文件级可回滚部分，压缩运行日志为简短失败证据，并让代理为编辑写预测后基于任务结果检查。在Terminal-Bench 2测试中，从小型shell-only工具开始，经10轮进化且基础模型固定，单次尝试成功率从69.7%提升至77.0%，超越其他基线。最终工具可迁移至其他模型和SWE-bench-verified任务，在不同模型家族获得5.1到10.1点提升，并减少12%令牌使用，为昂贵工具工作提供可靠、可控的自我改进途径。

Chubby♨️@kimmonismus

65

Anthropic发布了BioMysteryBench基准测试，包含99个使用原始、杂乱真实生物数据集的开放式生物信息学挑战。最新Claude模型（4.7）解决了大部分人类专家能处理的任务，并在专家小组未能解决的23个难题中攻克了约30%。其能力源于整合数十万篇论文知识，并在不确定时叠加多种分析策略。Genentech和Roche的独立测试（CompBioBench）中，Claude Opus 4.6总体准确率达81%，最难问题准确率69%。两项基准共同表明，AI已在部分最困难的生物学问题上超越人类专家。

一项名为“对齐打地鼠”的研究发现，微调大型语言模型会激活其对受版权保护书籍的检索能力，这揭示了AI对齐过程中的新风险：模型在优化后可能无意中回忆版权内容。该研究通过代码分析证实了这一现象，相关开源代码已发布在GitHub。此话题在科技社区引发关注，在Hacker News上获得103点积分，凸显了版权与AI发展之间的潜在冲突。

研究团队提出首个跨架构扩散大语言模型蒸馏框架TIDE，以解决师生模型在架构、注意力机制和分词器上不同时的知识迁移难题。该框架包含三个核心组件：TIDAL根据训练进度和扩散时间步联合调节蒸馏强度；CompDemo通过互补掩码分割丰富教师模型上下文，以改进重度掩码下的预测；Reverse CALM则是一种提供有界梯度和双端噪声过滤的跨分词器目标函数。实验将80亿参数稠密模型和160亿参数MoE教师模型的知识蒸馏至6亿参数学生模型，在八个基准测试中平均领先基线1.53分，代码生成能力提升显著。

GLM-5V-Turbo是一个为多模态智能体设计的原生基础模型。其核心创新在于将多模态感知深度整合为推理、规划、工具使用和执行的核心组件，而非语言模型的附属接口。本报告概述了其在模型设计、多模态训练、强化学习、工具链扩展及与智能体框架集成等方面的系列改进。这些改进使其在多模态编码、视觉工具使用和基于框架的智能体任务中表现出色，同时保持了有竞争力的纯文本编码能力。开发过程强调了多模态感知的中心地位、分层优化方法以及可靠的端到端验证，为构建多模态智能体提供了实践启示。

FASH-iCNN是一个基于1991-2024年间15个品牌87,547张Vogue秀场图像训练的多模态系统，旨在将隐含的时尚美学逻辑转化为可检视的文化信号。该系统能根据服装图像识别其所属品牌、年代与色彩传统。纯服装模型在品牌识别上准确率达78.2%，年代识别达88.6%，特定年份识别为58.3%（平均误差仅2.2年）。分析表明，纹理与亮度是编辑身份的核心载体：移除颜色仅使品牌识别准确率下降10.6个百分点，而移除纹理则导致37.6个百分点的显著下降。该系统将编辑文化视作明确信号，揭示每个预测背后编码的特定品牌、编辑理念与历史时刻。

ClawGym是一个可扩展框架，旨在解决Claw式环境中缺乏系统化开发框架的瓶颈，支持个人智能体开发的全生命周期。其核心包括：ClawGym-SynData数据集，通过角色驱动意图与技能基础操作合成1.35万个筛选任务，配备模拟工作空间和混合验证机制；ClawGym-Agents模型系列，基于黑盒轨迹监督微调训练，并探索在并行化任务沙箱中的轻量级强化学习流程；以及ClawGym-Bench评估基准，包含200个经过自动过滤与人工-LLM双重校准的测试实例。相关资源即将在GitHub开源发布。

研究团队提出X-WAM，一个统一4D世界模型，首次在单一框架内整合了实时机器人动作执行与高保真4D世界合成。该模型通过预测多视角RGB-D视频来想象未来世界，并采用轻量级结构适配器复制预训练扩散Transformer的末端模块，形成专用深度预测分支以高效获取空间信息。其核心创新异步噪声采样技术，在推理时采用异步去噪调度，能以更少步数快速解码动作实现实时执行，同时保留完整步数生成高保真视频。模型在超过5800小时机器人数据上预训练，在RoboCasa和RoboTwin 2.0基准测试中分别达到79.2%和90.7%的平均成功率，其4D重建与生成质量在视觉和几何指标上均超越现有方法。

前沿语言模型的强化学习后训练常受限于自回归生成速度。本研究将推测解码作为一种无损加速方法集成到RL生成过程中，在保持目标模型输出分布不变的前提下提升效率。该方案在NeMo-RL框架中结合vLLM后端实现，支持同步与异步流水线，允许在RL生成阶段进行推测。实验表明，在8B规模的同步RL推理任务中，推测解码使生成吞吐量提升1.8倍。通过高保真模拟器预测，在235B规模下结合异步RL可实现最高2.5倍的端到端训练加速。

苹果公司与加州大学圣迭戈分校团队联合发布名为LaDiR的AI推理框架。该框架并非新模型，而是一个可叠加于现有大语言模型之上的通用架构，其核心创新在于结合扩散模型与自回归模型。在推理阶段，LaDiR利用扩散过程并行探索多条独立路径，并通过多样性鼓励机制防止思维过早收敛，最后以自回归方式输出最终答案。测试显示，该框架在LLaMA 3.1 8B等模型上，于数学推理、代码生成及谜题规划任务中，其准确率和可靠性均优于现有通用方法。

研究团队发布了EDU-CIRCUIT-HW数据集，包含1300多份大学STEM课程的真实学生手写解答。该研究利用专家核对的转录文本与评分报告，同步评估了多种多模态大语言模型的上游识别准确性与下游自动评分性能。评估发现，模型识别的手写内容中存在大量潜在错误，表明其在高风险教育场景中用于自动评分等理解型任务的可靠性不足。一项案例研究表明，通过识别错误模式进行预先检测与纠正，仅需极少人工干预（例如将3.3%的作业交由人工评分），即可有效提升AI评分系统的鲁棒性。代码与数据集已开源。

现有驾驶世界模型多专注于未来场景生成，而大语言模型虽具推理能力却无法预测几何演变，导致语义理解与物理模拟之间存在鸿沟。为此，我们提出HERMES++，一个将3D场景理解与未来几何预测集成于单一框架的统一模型。其核心设计包括：利用BEV表征整合多视角空间信息；引入LLM增强的世界查询以促进知识迁移；设计“当前-未来链接”来弥合时序差距，使几何演变基于语义上下文；以及采用联合几何优化策略，整合显式约束与隐式正则化以确保结构完整性。在多个基准测试中，HERMES++在未来的点云预测和3D场景理解任务上均超越专用方法，展现出卓越性能。模型与代码已开源。

Skills-Coach是一种自动化框架，旨在提升基于大语言模型的智能体的技能自进化能力。它通过四个核心模块解决技能生态系统碎片化：多样化任务生成模块创建测试套件；轻量化优化模块改进技能提示和代码；对比执行模块评估原始与优化技能；可追溯评估模块严格评判性能。框架提供虚拟和真实执行模式。研究使用包含48项技能的Skill-X基准数据集验证，实验结果表明Skills-Coach在广泛技能类别上实现显著性能提升，有助于开发更强大、适应性更强的LLM智能体。

WindowsWorld是一个跨应用工作流基准，旨在系统评估GUI代理在模拟真实专业活动的复杂多步骤任务中的性能。该基准采用由16种职业引导的多智能体框架，生成包含四个难度级别及中间检查的任务，经人工审核后在模拟环境中执行。基准包含181个任务，平均每个任务有5.0个子目标，覆盖17种常用桌面应用，其中78%为跨应用任务。实验结果显示，当前领先的大模型与代理在跨应用任务上表现不佳（成功率低于21%），远低于简单单应用任务；在需要跨三个及以上应用进行条件判断与推理的任务中大多失败，且执行效率低下。相关代码、基准数据与评估资源已开源。

Haiku是一个基于多重免疫荧光数据训练的三模态对比学习模型，整合了空间蛋白质组、H&E组织病理图像和临床数据。该模型在来自1,606名患者、涵盖11种器官类型的3,218个组织切片上训练，实现了三模态跨模态检索，在下游分类、生存预测等任务中超越单模态基线。其创新性在于支持仅通过临床文本描述进行零样本生物标志物推断，并引入反事实预测框架，能在固定组织形态下通过修改临床元数据揭示与癌症进展相关的微环境分子变化，为连接分子测量与临床背景提供了系统分析工具。

研究团队发布了CURVAS-PDACVI数据集与挑战赛，这是一个针对胰腺导管腺癌术前血管侵犯评估的开放基准。数据集包含每例扫描的五位专家独立标注，支持不确定性感知AI模型的开发。提出的评估框架不仅衡量空间重叠度，还纳入概率校准与侵犯判定。对六种前沿方法的评估表明，全局体积精度高的模型在关键的肿瘤-血管界面未必可靠；而专门建模标注者分歧的方法能生成更校准的概率图，在专家共识低的复杂案例中更具鲁棒性。该基准揭示了体积精度作为手术适用性代理指标的局限性，推动了面向术前决策的不确定性感知模型的发展。

针对德语等高资源非英语语言，本研究构建分层过滤器处理5亿份网络文档，对比了单次训练大规模低过滤数据与多轮重复训练高质量核心数据的效果。实验表明，重复训练高质量数据在多种模型规模和训练量级下均稳定优于追求多样性的单次训练，即使重复7轮后性能差距依然显著。这证明通过质量过滤实现语义集中，比单纯扩大数据量更能高效推进语言建模。基于此发布的德语模型Boldt，在训练量仅为同类模型1/10至1/360的情况下取得了领先性能，相关清洗后的评估基准已公开。

MASCing框架首次实现无需重新训练的专家混合模型安全行为灵活配置。该框架使用LSTM代理模型捕捉路由依赖关系，通过优化引导矩阵识别行为相关专家回路，并在推理时对路由门应用引导掩码以覆盖专家选择，从而针对性增强或抑制特定安全行为。在七款开源MoE模型测试中，该框架以可忽略开销显著提升性能：多轮越狱防御平均成功率从52.5%提升至83.9%，成人内容生成平均成功率从52.6%提升至82.0%，最高增益分别达89.2%和93.0%。

研究通过引入mosaic框架，系统探究了扩散模型在多物体生成中的局限性。发现场景复杂性是主要障碍，而非概念不平衡；在低数据量下，计数能力尤其难以学习。当训练中排除更多概念组合时，模型的组合泛化能力会崩溃。这些发现揭示了扩散模型的基本限制，为设计更强归纳偏置和数据方案以提升多物体组合生成鲁棒性提供了依据。