UniEvo-VL：单模型自进化框架，无需外部监督提升图像生成
UniEvo-VL 是一个自进化框架，让单个多模态模型同时充当教师和学生，从自身建设性反馈中学习，在无外部监督下提升图像生成能力。该框架由 AK 在 X 上分享，发布于 10 月 1 日。
全部AI 动态
全部动态
X：AK (@_akhaliq)AI 评分 X：AK (@_akhaliq)AI 评分 新在线策略蒸馏方法：教师是方向而非终点，学生可匹配或超越教师
一种新的在线策略蒸馏方法通过外推 RL 引发的表征残差，让学生在四组模型对上匹配甚至超越教师模型。该方法将教师视为方向而非终点，代码和 checkpoint 计划发布。
X：ARC Prize (@arcprize)AI 评分 ARC Prize 2026：ARC-AGI-3 Milestone #2 三位获奖者开源方案
ARC Prize 公布 2026 年 ARC-AGI-3 Milestone #2 三位获奖者，均开源了各自得分最高的解法：Daniel Franzen 以 27.9% 获 2.5 万美元，Lord Han Solo 以 23.8% 获 7500 美元，Lohit Siriki 以 22.5% 获 5000 美元。
X：ARC Prize (@arcprize)AI 评分 ARC Prize 2026：ARC-AGI-3 里程碑 #2 获奖者公布
ARC Prize 2026 公布 ARC-AGI-3 里程碑 #2 的三位获奖者，均开源了各自得分最高的解法：Daniel Franzen 以 27.9% 获 $25K，Lord Han Solo 以 23.8% 获 $7.5K，Lohit Siriki 以 22.5% 获 $5K。
X：Rohan Paul (@rohanpaul_ai)AI 评分 ScienceBuddy 如何让科学智能体从 42.2% 提升到 73.3% 准确率
ScienceBuddy 将用户在对话中的纠正转化为带评分的测试任务，交替改写智能体的提示词与技能、重训模型，把科学智能体准确率从 42.2% 提升到 73.3%。
X：Rohan Paul (@rohanpaul_ai)AI 评分 伯克利论文：LLM 常沿用旧偏好，智能体需在提示词中写明当前状态
伯克利论文《When Context Changes: Understanding Update Failures in LLMs》发现，当偏好或截止时间等发生变化时，旧版本仍留在上下文中，模型虽掌握新值，注意力却持续漂回旧提及。
X：Rohan Paul (@rohanpaul_ai)AI 评分 NVIDIA 论文：长任务中模型准确率下降，建议给条目编号并分批处理
NVIDIA 新论文测试 7 个开源模型在加数字、排序列表等简单重复任务上的表现，128K token 任务的平均准确率比 4K token 任务低 62.8%，最好的模型在最长的任务中也只有 17.1% 全部答对。
X：Rohan Paul (@rohanpaul_ai)AI 评分 腾讯 SkillAdam：让 AI 自动改进智能体技能指令，准确率 28.3% 且 token 消耗降至约三分之一
腾讯论文提出 SkillAdam，让 AI 自动改进智能体技能指令时记录已修复的问题，并在效果不稳定时只做小幅修改。在长程购物与旅行规划任务上，它平均准确率达 28.3%，高于此前最佳方法 SkillOpt 的 21.7%，token 用量约为后者的三分之一。该方法针对自动改写指令常陷入反复、新改动推翻已有修复的问题。
X：Rohan Paul (@rohanpaul_ai)AI 评分 AgentBug-Smith：自动复现智能体系统中的真实 harness bug
论文 AgentBug-Smith 提出自动复现智能体系统中真实 harness bug 的方法，指出这类 bug 具有独特特征，当前最先进的软件智能体仍难以修复。现有 benchmark 也进一步阻碍了该方向的进展。
X：Rohan Paul (@rohanpaul_ai)AI 评分 美中实验室论文提出 AgentBug-Smith，将智能体框架 bug 转为可运行测试
美中多家实验室的论文提出 AgentBug-Smith，把 GitHub 上智能体框架的真实 bug 报告自动转成可运行测试，形成一套 200 个 bug 且持续增长的基准。
TechCrunch · AIAI 评分 Graphite 研究：Claude Opus 5.5 最爱说“this matters”，各模型写作痕迹各不相同
Graphite 研究发现 Claude Opus 5.5 的写作痕迹是“dependable”一词出现频率比人类样本高 23 倍，“this matters”高 116 倍；OpenAI Astra 则偏爱“another dimension”和“not simply X”式纠正性框架，后者出现频率超人类 100 倍。
X：Arena (@arena)AI 评分 Arena 研究：前沿文生图模型后训练的复合奖励设计
Arena 发布文生图模型后训练研究，认为人类偏好奖励必要但不充分，偏好模型仍会奖励细节缺失、加入未要求内容等 reward-hacking 输出。
X：Arena (@arena)AI 评分 Arena 研究：前沿图像模型后训练需复合奖励，FLUX.2-dev 提升 69 Elo
Arena 研究提出前沿图像模型后训练的复合奖励方案，认为人类偏好奖励必要但不充分，偏好模型仍可能奖励细节缺失、引入未请求内容等 reward-hacking 行为。
X：Karina Nguyen（@karinanguyen）AI 评分 Repovive 数学竞赛 AI 判卷评测：GPT 与 Claude 模型评判数学证明的能力对比
Repovive 联合 IOI、IMO、ICPC 决赛选手评测 AI 判卷能力，从数学竞赛中选出 534 份可疑或边缘提交，建立统一评分标准与专家参考判断。模型整体偏严，更常拒绝有效提交；清晰指令让 GPT 模型平均提升约 2 个百分点，加入评分示例后 Claude 平均提升约 10 个百分点、GPT 约 5 个百分点。Grok 几乎拒绝一切，仅接受 1–5% 提交，而金标准接受 64.4%。
X：马东锡 NLP (@dongxi_nlp)AI 评分 Hinton 等发布论文探讨 AI 研发自动化是否会引发智能爆炸
Geoffrey Hinton 转发并推荐了一篇论文，讨论 AI 研发自动化是否会触发智能爆炸。文中提到，递归自我改进导致智能爆炸的想法已存在很久，但直到最近才显得可能很快发生，如今许多顶尖研究者认为它可能不久后出现。论文指出，与一年前相比，AI 系统现在已编写了构建它们的公司内部的大部分代码，链接为 casp.ac/reports/intelligence。
X：AI at Meta (@AIatMeta)AI 评分 Meta 研究博客：数学家与 Muse Spark 合作完成六篇研究论文
Meta 研究博客发布《Solving Open Research Problems Together》，介绍数学家与 Muse Spark 合作完成六篇研究论文。该内容为 AI at Meta 转推并附上研究博客链接。
X：AI at Meta (@AIatMeta)AI 评分 Meta 团队用 Muse Spark 在非结合代数中找到反例并给出替代刻画
Meta 团队借助 Muse Spark 在非结合代数中找到了一个反例，推翻了受生物学启发提出的数学结构规则。他们进一步给出替代刻画，并由研究人员核验与完善。相关论文已发布在 Meta 研究页面。
X：AI at Meta (@AIatMeta)AI 评分 Meta 发布数学家与 Muse Spark 协作完成的六篇论文
Meta 分享六篇论文，来自数学家与 Muse Spark 1.1、Muse Spark 1.2 在 Thinking Mode 下通过常规 meta.ai 聊天界面协作求解开放数学问题，未使用定制研究框架。合作遵循数学家主导研究、第二组数学家评审、论文标注人机撰写段落并致谢所依据的先前研究等原则，对同一问题其他团队的独立解法也予以承认。
X：AK (@_akhaliq)AI 评分 Adaptive Reward Routing：通过前向过程 RL 实现音视频联合扩散的多奖励优化
论文 Adaptive Reward Routing 提出通过前向过程 RL 为音视频联合扩散模型做动态多奖励优化，取代单一评分方案。该方法面向生成式媒体，论文已在 HuggingFace 上线（2609.37200）。
X：AK (@_akhaliq)AI 评分 EgoTools：面向真实第一视角视频的工具中心推理
研究提出 EgoTools，聚焦真实第一视角视频中的工具中心推理，解决多数智能体演示忽略的"手中持有什么工具、如何使用"问题。该工作关注跨镜头切换时的工具身份保持，作者称首次尝试在镜头移开的瞬间就丢失了螺丝刀。论文已发布在 HuggingFace，编号 2609.39378。
X：Elvis Saravia (@omarsar0, DAIR.AI)AI 评分 Google Research 发布多智能体证明发现论文，Cogentic 在五个开放问题上取得新结果
Google Research 发布多智能体证明发现论文，其系统 Cogentic 基于 Gemini，从问题陈述出发、无需专家提示，在在线学习、拍卖理论和机制设计五个开放问题上取得新结果，每个结果均由领域专家核查。
X：Nathan Lambert (@natolambert)AI 评分 Gacha Decoding：用外部 RNG 与指令遵循提升 LM 输出多样性，样本效率超此前方法 11 倍
Gacha Decoding 通过给 LM 配备 RNG 工具并让其"掷骰规划"，把多样性来源从 token 熵转向指令遵循，样本效率比此前方法提升逾 11 倍。
X：DAIR.AI (@dair_ai)AI 评分 NVIDIA 论文提出 Long-Transduction，量化长时程智能体准确率下降原因
NVIDIA 发布关于长时程智能体的论文，提出 Long-Transduction 测试方法，要求模型在数千次输出中持续读取、更新并输出依赖状态的结果，并分别改变三个因素。
Google Research精选AI 评分 Google 发布基于 TEE 的新一代联邦学习系统，Gboard 已采用
Google 宣布推出基于可信执行环境（TEE）的新一代联邦学习系统，为数据匿名化提供可远程验证和审计的保证，Gboard 已采用该系统上线英语和日语下一词预测模型。
推荐理由：Google 公布基于 TEE 的新一代联邦学习系统设计，并给出 Gboard 已上线的落地情况，可了解隐私可验证训练的一种工程路径。
X：Thomas Wolf（Hugging Face 联创/CSO） (@Thom_Wolf)AI 评分 SETA 被 NeurIPS 2026 接收，开源 4500+ 终端智能体 RL 环境与训练脚本
SETA（Scaling Environments for Terminal Agents）被 NeurIPS 2026 Evaluations & Datasets Track 接收，并发布 SETA-Env 数据集，包含 4500+ 个开源可验证终端 RL 环境及完整的合成与训练管线。
The DecoderAI 评分 Mercor 研究：AI 在记账任务上速度与准确率超过持证会计师，但仍无法独立完成结账
Mercor 的一项研究让 12 名平均有 5.5 年经验的持证 CPA 完成 APEX Accounting Benchmark 中的简化任务，结果显示 AI 模型在结构化记账任务上比会计师更快、更准确且成本更低。
Hugging Face BlogAI 评分 ServiceNow CoreAI 的 AutoSynthData 如何为企业智能体生成训练数据
ServiceNow CoreAI 构建了 AutoSynthData，利用目标模型的失败与更强教师的成功来定位能力缺口，并生成、验证新的可执行训练任务，课程随模型进步向仍难的任务迁移。该方法以 EnterpriseOps Gym 数据集演示，任务由系统规范、用户提示词和验证器三部分组成，需满足可行性、真实性与难度要求。
X：AK (@_akhaliq)AI 评分 AREX-2：用长时程反思任务推进自我改进智能体，27B 模型在 MLE-bench Lite 达 81.8
AREX-2 是一个 27B 智能体，通过长时程反思任务实现自我改进，在可验证的 ML 与算法任务上训练，测试时轮次越多解越好。它在 MLE-bench Lite 上取得 81.8，在 Frontier-CS 上取得 70.7，并可迁移到深度研究任务。
X：ARC Prize (@arcprize)AI 评分 ARC Prize 公布 Qwen3.8-27B 的 ARC-AGI 测试结果
ARC Prize 公布了 Qwen3.8-27B 在 ARC-AGI 上的完整测试结果，并同步给出排行榜、公开结果复现方式与测试政策。相关结果可在 ARC Prize 排行榜查看，复现脚本托管于 arcprize/arc-agi-benchmarking 仓库。
X：Karina Nguyen（@karinanguyen）AI 评分 PostTrainBench v1.2 发布：新增云 GPU 支持，Fable 5.1 登顶榜首
PostTrainBench v1.2 发布，新增云 GPU 支持，可通过 Harbor adapter 在 Harbor + Modal 上以相同设置运行基准测试。
Ars Technica · AIAI 评分 CMU 等团队用 16 块 GPU 训练的 Ataraxos 以 15 比 1 击败最强 Stratego 人类选手
卡内基梅隆、MIT、纽约大学和斯坦福的研究团队开发的 AI 系统 Ataraxos 以 15 胜 1 负 4 平击败被认为是史上最强的 Stratego 选手 Pim Niemeijer，训练仅用 16 块 GPU、花费几千美元。
X：AK (@_akhaliq)AI 评分 LongLive-Plug：面向视频生成的一次性通用蒸馏
LongLive-Plug 提出一种面向视频生成的一次性（one-step）通用蒸馏方法，可让长时长视频生成更易部署，并为需要快速出片的创作者节省算力与时间。该方法无需多次迭代即可完成蒸馏。
X：AK (@_akhaliq)AI 评分 Omni-IO Skills：让智能体实现 Omni-Native 的论文
Omni-IO Skills 是一篇关于让 AI 智能体实现 Omni-Native 能力的论文，已在 Hugging Face 上线（论文编号 2609.31847）。该工作聚焦于为智能体赋予全模态输入输出技能，具体方法与结果细节尚未在公开信息中展开。
X：AK (@_akhaliq)AI 评分 LEGO-Anything：用编码智能体做 3D 场景重建
LEGO-Anything 提出用编码智能体（Coding Agents）完成 3D 场景重建，论文已发布在 Hugging Face Papers（编号 2609.36380）。该工作将 3D 场景重建任务交给编码智能体处理，并附有演示视频。
Microsoft ResearchAI 评分 微软研究院用机器学习预测电网空间天气风险
微软研究院实习生开发了一套端到端机器学习流水线，为美国本土 66,935 座变电站生成空间天气风险预测，可提前 30 至 60 分钟预警。系统结合 AE 与 Dst 指数预测、地质电导率和电网数据，在 2020-2026 评估期内检测到近 80% 的重大空间天气事件，其中 Dst 预测在 62.2% 的高活跃时段优于 Burton 方程。
Ars Technica · AIAI 评分 Google DeepMind 用 SynthIDBio 为 AI 设计的蛋白质加水印
Google DeepMind 团队发表论文，提出基于 SynthID 的蛋白质水印方案 SynthIDBio，可在不损害蛋白质功能的前提下，在 ProteinMPNN 设计的蛋白质序列中嵌入可检测的水印，用于生物安全筛查。
X：面壁智能 OpenBMB (@OpenBMB)AI 评分 面壁智能 OpenBMB 推出 Diffusion Reward Models（DRM）：学习完整奖励分布而非单一分数
面壁智能 OpenBMB 发布 Diffusion Reward Models（DRM），不再把人类偏好压缩成单一分数，而是学习完整奖励分布，保留分歧、不确定性与多种可能判断。
X：AK (@_akhaliq)AI 评分 SpatialClaw 论文提出面向智能体空间推理的动作接口，被 NeurIPS 2026 接收
SpatialClaw 是一篇被 NeurIPS 2026 接收的论文，主张用动作接口而非更大的世界模型来提升智能体的空间推理能力。
Hugging Face BlogAI 评分 Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 发布 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
Google ResearchAI 评分 Google 的 Diffusion Controller 如何统一并简化 AI 图像生成控制
Google Research 提出 Diffusion Controller 框架，把扩散模型的去噪过程重构为连续控制问题，用一个轻量"转向阻尼"网络在冻结基座模型的前提下动态调整生成轨迹。