– arxiv.org/abs/2610.04862 Title: "GitSwarm: Decentralized Compounding Inference"

Meta 新论文提出 GitSwarm，让多个相同智能体在共享 Git 仓库上协作，无中心分配任务，每个智能体阅读过往工作、提交结果并标注所依赖的先前提交（含失败尝试）。在 ProgramBench 的 50 项程序重建任务上，GitSwarm 得分 79.4%，而同等算力下被告知持续工作的单个 Codex 智能体最高为 65.1%；后续智能体在 94.7% 的已保存贡献基础上继续构建。

一篇论文提出 MemoType 机制，按记忆与查询的类型分类并分别采用对应检索策略，证明单一检索策略在多类型记忆库中存在期望精度上界，并发布带类型标签的 TriMEM 数据集用于训练分类器。实验显示 Recall@1 在三个数据集上最高提升 16.18%。

一篇论文提出 HarnessSQL，在与部署一致的执行 harness 内训练 Text-to-SQL 模型，Qwen3-14B 在 Spider 2.0-SQLite 上从 22.2% 提升到 54.8%，Qwen3-8B 从 15.5% 升至 45.2%。

– arxiv.org/abs/2610.11655 Title: "Harness Evolution Hits a Ceiling: When Weight Training Should Begin"

New Stanford paper finds that harness changes fix agents that loop or stall, while agents that deliver bad plans need weight training instead. 研究把失败分为过程失败（循环。

DAIR.AI 转发 Meta 关于 AI 研究智能体的论文，其 27B 开源模型在自动科研任务上比最强开源 autoresearch 基线高 14.0%（主要体现在新颖性），并比 Claude Code SDK 和 Codex SDK 方案最高高出 5.9%。

作者推荐 Sakana AI 关于递归自我改进的论文，提出多智能体自监督方法 MASS。该方法让一个基础模型提出多智能体工作流、运行并打分，用进化搜索保留得分最高的工作流，再用自身轨迹微调模型，改进后的模型进入下一轮循环，从而不再依赖外部验证器。

该论文发现，基于厂商旧模型训练的AI文本检测器，在模型换代前能识别超过99%的改写文本，换代后仅能识别3.8%。 用于筛查科学论文AI写作的检测器，在新一代LLM到来时可能失效，因此任何依赖它们的人都应在每次模型发布时重新测试。

– arxiv.org/abs/2610.11599 标题："大语言模型更迭削弱人工智能辅助科学写作的筛查"

东京 Metropolitan University 的一篇新论文发现，AI 文本检测器 Pangram 漏检了 79.8% 由 Meta 的 Muse-Glimmer 改写的科学摘要，同时在 5,000 篇人类摘要中仅误报 1 篇。论文指出，Pangram 对 GPT-5 改写文本的检出率为 93.5%，漏检率主要取决于改写所用的模型版本。

MiMo-V2.6 论文发布，AI 在训练循环中自主构建任务、审核测试、评分答案并排查作弊，人类只设定预算和规则。

清华、牛津与斯坦福的新论文《Thinking Inertia: LLMs Keep Thinking When Told Not To》（arxiv.org/abs/2610.11765）发现。

清华大学论文提出 TokenRouter，一个支持逐 Token 大小模型路由的 LLM 服务系统，在 5 种路由方法下吞吐量较现有最强方案提升 2.01 至 64.15 倍。针对 vLLM、SGLang 等框架一请求一模型导致的慢模型拖累问题，TokenRouter 为每个模型分配独立服务器，通过传递半成品回答并同步 KV cache，同时短暂缓存请求以增大各模型的批处理规模。

– arxiv.org/abs/2610.12367 标题："选哪个技能来蒸馏？SGUID：为模型-技能协同进化选择紧凑技能库"

New NYU and Amazon paper finds that distilling a few skills that keep producing a useful training signal matches or beats distilling a skill bank up to 11× larger. Skills are short written tips, like a rule for counting cases, that a model absorbs by learning from a copy of itself that reads them. Picked by topic match, under 25% of them gave any useful signal across 3 Qwen models. SGUID keeps only skills that help early in training and still help late. With 6 such skills, 3 of 4 models matched or beat the full bank of 30 to 71 skills on math contest tests. A 2nd round with 3 new skills lifted Qwen3-8B from 64.3% to 66.3%.

– arxiv.org/abs/2610.10610 标题："代码理解是编码智能体的瓶颈"

微软研究人员提出 CABRA，可生成合成编码任务并每次只提升一种难度，对 8 个 LLM 和 6 个智能体在 6,840 个任务上运行，并将每次工具调用标注为阅读、分析、搜索、编辑或测试。

Ars Technica · AIAI 评分6161

哈佛研究：AI 编码智能体产出更多代码，但未提升软件产出

哈佛大学研究人员 Fiona Chen 和 James Stratton 的一项研究发现，AI 编码工具带来的编码阶段效率提升被生产流程下游约束吸收，代码审查环节显著变长、pull request 更可能需要修改、审查者留下更多评论， firms 并未因此增加软件产出或减少用工。

推荐阅读，@OwainEvans_UK 团队的所有文章篇篇精彩！ Beyond Owls: Subliminal Learning Can Transfer Learned Capabilities and Backdoors

论文：arxiv.org/abs/2607.08849

Meta Superintelligence Labs 发表关于自我改进智能体的论文，提出 agent plasticity 指标，即在模型权重冻结、每次运行从全新上下文开始的条件下，每投入 1 美元学习成本在保留任务上的增益。

DAIR.AI 介绍一篇 NVIDIA 论文，提出为编码智能体挑选 base 模型的方法。作者指出 base 模型在 agentic 编码任务上很难评测，他们在 SWE-bench Verified 上跑了六个 base 模型，其中五个解出零任务。

Meta Superintelligence Labs 发表论文，提出在 Agent RL 训练中用专门的用户模拟器替代过于配合的 LLM 扮演用户。

Microsoft 论文提出 TeleTune，让 agent 从原始使用日志中学习软件技能，只保留能更好预测用户下一步动作的技能编辑。它先猜测每个会话的目标，让模型用文本技能库预测日志中的每个动作，错误猜测触发库编辑，编辑仅在留出日志上准确率提升时保留，从而无需实时测试环境即可验证新技能是否有效。

– arxiv.org/abs/2610.07100 Title: "When to Remember, When to Abstain: Category-Conditioned Retention for Reliable Agent Memory"

Meta 新论文指出，多数智能体记忆系统用单一置信度阈值决定保存哪些用户事实，而只对用户价值观与信念类主张提高阈值效果更好。价值观与信念类主张占候选记忆的 21.5%，其来源支撑率仅 77.9%（其他事实为 96.2%），却贡献了超过其余类别总和的无依据主张。

OpenAI 员工 physics_nate 发布论文，用 GOT Astra 与 Lean 形式化在手征费米子非微扰描述上取得重要进展，关联 Lüscher 的基础性思路。该工作针对标准模型物质组分（电子、夸克等手征费米子）缺乏非微扰描述方法的长期难题，论文见 arxiv.org/abs/2610.09093。

付费墙版本在此：thelancet.com/journals/lance…

Seed 团队一篇预印本报告 DeepSeek V4 和 V4.1-Flash 存在相位敏感性：相同信息在压缩 KV-cache 块中的位置不同，检索难度也不同。该技术可降低内存和注意力开销，但长上下文检索准确率在不同位置间差异最多达 40 个百分点；作者指出平均分会掩盖这类反复出现的弱点，且该发现针对检索问题，并非解释所有已报告的模型异常。论文见 arxiv.org/abs/2609.36322。

新 LLM 排行榜：PlanetBench

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。

LIFT Layout-In-Future Video Generation under Large Viewpoint Change via On-Policy Self-Distillation paper: huggingface.co/papers/2609.3…

旧想法，新问题 基于LLM的新颖性评估的不稳定性 论文：huggingface.co/papers/2610.0…

PAMI Part Anchored Motion for Text to Human-Object Interaction Generation paper: huggingface.co/papers/2609.3…

Native Action-Prior Learning from Videos for World Action Models paper: huggingface.co/papers/2610.0…

Iris-3B Going Beyond the Latent with Pixel-Space Diffusion Training, Conversion and Fine-Tuning paper: huggingface.co/papers/2610.0…

Agent Plasticity 通过经验衡量自我改进 论文：huggingface.co/papers/2610.0…

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%。