作者团队分享新结果，称前沿AI模型（Opus 5.5、Fable 5.1、Astra）配合 Samaya 的 harness，在 Earnings Predictions 任务上首次在营收、毛利率等常见财报指标上明显超越专家共识预测。

Sakana AI 论文提出 Continuous Memory Machine，为循环模型配备短期与长期两个记忆矩阵，由 Transformer 每步读写，解决单一隐藏向量中短期计算与长期存储争抢空间的问题。

作者引述一篇论文指出，在整仓库迁移任务中，同一 GPT-5.6 Sol 模型与相同 effort 设置下，把 Codex 换成 HERMES harness 后成功率从 6.5% 升至 31.0%。

推荐阅读！ ExploreNet: Learning Where to Explore in Diffusion GRPO

Navier-Stokes lost in translation: Why Lean verification of AI autoformalisation does not guarantee correct natural language proofs – arxiv.org/abs/2610.08144

一篇新论文指出，当 AI 把数学证明翻译成 Lean 时，通过 Lean 检查并不能说明原证明本身是否正确。论文展示了一个 chatbot 通过悄悄修正错误，把一个错误的证明转成有效的 Lean 证明；并证明判断一个命题能否被忠实翻译的难度高于 Halting problem，因此没有任何 AI 翻译器能总是做到忠实翻译。

我们发布了 OpenAI 问题 #109（整数乘法）的更新，进一步大幅收紧： κ = 2⁻⁵⁹（原为 OpenAI 的 κ = 2⁻¹⁸²） 较我们之前的结果提升约 50 万倍，较原始 OAI 结果提升 2¹²³ 倍。 最新版本重新设计了有限网络以共享中间计算和暂存空间，然后收紧了递归和高斯估计。

推荐阅读，因材施教！ Sherpa: Teaching LLMs to Teach Adaptively

推荐阅读，因材施教！ Sherpa: Teaching LLMs to Teach Adaptively

Virginia Tech 论文提出 Hybrid Latent Attention，将旧 token 压缩为紧凑向量供 attention 直接读取，使循环 LLM 每 GPU 吞吐提升 4.0 至 8.8 倍且精度损失极小。

– arxiv.org/abs/2609.36054 Title: "What if automating AI R&D triggers an intelligence explosion?"

ALoDLM Adaptively Looped Diffusion Language Models paper: huggingface.co/papers/2610.0…

Elvis Saravia 介绍 Meta AI 关于研究智能体如何决定下一步研究方向的论文 MIRA。该方法将智能体拆为外层元推理器与新执行器：外层读取持续研究记录并写下一份工作指令，执行器负责执行，决策只发生在工作指令边界，作者在这些点训练 critic 预测剩余收益，再训练单一 actor-critic（MIRA-AC）同时评估部分进展并选择下一步研究。

DAIR.AI 介绍一篇提出 PAIR 的论文，该方法从同一状态重放智能体、分别在有无压缩下对比，以定位上下文压缩对长程智能体的损害。

MIT 新论文指出，LLM 智能体在选择以简单步骤呈现、或规则的安全动作被明确说明时决策更好，被告知推理对手时反而更差。为人类竞拍者设计的市场设计经验法则可迁移到 LLM 智能体，无需另造提示词技巧；GPT-4o、Claude、Gemini 和 Gemma 在拍卖与匹配博弈中仍会压价竞标。

– arxiv.org/abs/2609.27717 Title: "SkillGym: Internalizing Human Skills into LLMs for Real-World Problem Solving"

JEPA-Anything: 在不同世界中学习预测模型

一篇 Harvard-MIT 论文发现，在拍卖与匹配市场场景中，给智能体加“提前规划”或“考虑其他玩家”这类提示词会使其整体表现变差。作者采用已知最优策略的设定，可对每次选择打分；真正有效的是改变界面，例如一次只呈现一个安全选项的升序拍卖在四个模型家族上都减少了出价错误，直接说明收益结构和为何如实出价是安全的也有帮助。

Fold2Reason：蛋白质折叠训练提升广泛推理能力 在 FoldingCorpus 上进行后训练，将 10 个推理基准的宏平均准确率从 45.09% 提升至 48.33%，结构预测能力提升 2.7–3.5 倍。

一篇 arXiv 论文提出 SelfSearch，让编码智能体反复改写自己的 harness（指令、工具与流程），用 DeepSeek V4 Flash 在 Terminal-Bench 2.1 上达到 82.0%，搜索成本仅 $4.03，在同一设置下的九款 harness 公开对比中追平顶级的 Codex。

通过递归自我重写扩展复杂任务的轨迹 paper: huggingface.co/papers/2610.0…

EverMind AI 发布开源多智能体系统 Raven，它为每个模型和领域构建独立 harness，由 host agent 将目标拆解为任务图并分发给各模型-harness 组合，harness 组件经诊断、变异与重组后需通过统计检验才能替换现有版本。

DAIR.AI 转发 UT Austin 关于 LLM Agent 上下文压缩的研究，该研究在 SWE-bench Verified 和 Terminal-Bench 上跑了近 35,000 次 agent 运行，分别改变压缩方式、触发时机和删除比例三个决策。

NVIDIA 一篇关于终端智能体测试时算力的论文提出 Mid-Harness 方法：采样多条候选 shell 命令并先验证再执行，把更多算力花在验证器而非增加采样上。

本周最佳AI论文（9月28日 - 10月4日）： - JAZ - CASD - Agensh - Jev-Mem - AutoGym - Taste-Bench - Context Language Models 阅读更多：

Google 一篇论文提出 VeriHarness，把同一基础模型变成智能体验证器：一处负责在多次 rollout 出现分歧时核对工作区证据解决争议，另一处挑战所有 rollout 都同意的断言、寻找它们共同遗漏的需求。

Meta Superintelligence Labs 的论文发现，在采样量充足时，配轻量框架的基座模型往往比 RL 后训练版本解决更多智能体任务：后训练模型在 pass@1 上占优，但在 BFCL v4 multi-turn、ACEBench 和 WebShop 上，大 K 时基座模型常能解决后训练模型始终解决不了的任务。

1/9 NCA 中的局部通信可以产生视觉"思维链"。 例如，在迷宫中，NCA 并行探索路径并从死胡同回溯，很像黏菌 🍄；在 ARC-AGI-1 中，颜色和形状在网格上逐步移动以解决任务！

Meta Superintelligence Labs 论文：用专用控制器调度长程智能体任务，GPT-5.5 在 ProgramBench 从 63.7% 提升至 71.5%

Meta Superintelligence Labs 提出用专用控制器调度长程智能体任务，在相同 worker 和相同预算下，GPT-5.5 在 ProgramBench 上从 63.7% 提升至 71.5%，Codex 得分为 58.0%。

ProVer：用 LLM 裁判定位关键步骤，改进智能体 RL 的信用分配

ProVer 提出一种智能体强化学习信用分配方法：由 LLM 裁判对比成功与失败的 rollout，指出造成差异的关键片段，再通过该片段前后采样续写、以成功率变化作为该片段的优势值。在 ALFWorld、WebShop 和 SearchQA 上，相对 GRPO 分别带来 Qwen3.5-2B 9.91%、Qwen3.5-4B 7.12% 的相对提升，裁判换成更小模型时仍有效。

新的同策略蒸馏方法，外推 RL 诱导的表示残差，使学生在四组模型配对中匹配或超越教师。代码和检查点计划发布。

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。

6️⃣ 非结合代数：团队与 Muse Spark 合作，为一条受生物学启发的数学结构规则找到了一个例外。他们更进一步，提出了一种替代性刻画，研究人员对其进行了验证和改进。 Read the paper: ai.meta.com/research/publica…

自适应奖励路由 通过前向过程 RL 实现联合音视频扩散的动态多奖励优化 论文：huggingface.co/papers/2609.3…

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，在理论计算机科学的五个开放问题上取得新结果，涉及在线学习、拍卖理论和机制设计，每个结果均由领域专家核验。

介绍 Gacha Decoding 🎲：我们展示了如何让语言模型的回复更多样化，样本效率超过此前工作 >11x。 为你的语言模型重掷骰子，获得多样化的想法、数据、RL 环境、{你的用途}！ 我们的多样性来自指令跟随 + 外部随机数生成器，而非 token 熵。以下是具体方法 🧵

DAIR.AI 介绍 NVIDIA 关于长程智能体的论文：模型即使接受 128K tokens 上下文，任务执行越久越容易出错。

Ars Technica · AIAI 评分6262

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。

腾讯混元联合复旦大学、清华大学发布 ExplorationBench，用于衡量 AI 系统的探索能力。该基准构建了规则可执行、与已知知识冲突的 Alien Worlds，包含 AlienCode（31 处隐藏规则改动、70 个任务）和 AlienLogic（24 条修补推理规则、70 个定理）两个沙盒，所有答案由解释器或证明检查器评分，不使用 LLM 评委。

当前的框架在LLM管理自身上下文方面设置非常僵化。我们证明可以让LLM直接编辑上下文——从而实现更好的长期记忆、FLOP高效的适应等。 不要再害怕上下文压缩了！