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。
#论文/研究
#论文/研究
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：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)精选AI 评分 研究显示 Claude Opus 5 在会计任务上 20 题全对，12 名注册会计师正确率 0% 至约 90%
一项针对中等长度、定义明确的会计任务的研究发现，前沿 AI 模型比初级会计师更快更准确，甚至优于研究中表现最好的会计师。Claude Opus 5 在 20 道题中取得 20 题全对、正确率 100%，每题几分钟内完成；12 名持证注册会计师的正确率从 0% 到约 90% 不等，其中数人用完了 3 小时时限。研究还提到，18 个月前这些模型在同类任务上的得分远低于人类会计师。
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。
X：Rohan Paul (@rohanpaul_ai)AI 评分 BIS 报告：2021 至 2025 年 AI 公司超半数投资来自同行
国际清算银行（BIS）发布关于 AI 公司循环融资的报告，2021 至 2025 年间同行贡献了 AI 公司投资额的 55.2%，AI 投资者自身交易额的 28.7% 流向 AI 标的。
X：Rohan Paul (@rohanpaul_ai)AI 评分 BIS 报告：AI 企业 55.2% 融资来自其他 AI 公司
国际清算银行（BIS）发布关于 AI 公司循环融资的报告，2021 至 2025 年间 AI 企业获得的投资中 55.2% 来自其他 AI 公司，而 AI 投资方投出的资金中只有 28.7% 流向 AI 企业。
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：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：Rohan Paul (@rohanpaul_ai)AI 评分 BIS 报告：2021 至 2025 年 AI 公司超半数投资来自同行
国际清算银行（BIS）发布报告，分析 AI 公司之间的循环融资。2021 至 2025 年间，同行贡献了 AI 公司投资金额的 55.2%，AI 投资方 28.7% 的交易金额流向 AI 标的。
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。
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。
Simon WillisonAI 评分 Anthropic 红队：GLM-5.3 在 100 项漏洞利用任务中 4% 实现完整控制流劫持
Anthropic Frontier Red Team 在内部 Binary Exploitation 基准的 100 项任务中随机抽取评测，发现 GLM-5.3 在 4% 的试验中实现完整控制流劫持，Claude Mythos Preview 为 6%。报告指出，此前模型如 Claude Opus 4.6 和 GLM-5.2 在这些任务中均未成功，说明一个有意义的能力门槛已被跨过。
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。
X：AK (@_akhaliq)AI 评分 后训练在无关决策上留下行为影子：5,664 条单词教师答案让学生模型在 HumanEval+ 上提升 5.34pp
一项研究显示，仅用 5,664 条单词级教师答案做后训练，学生模型在从未见过代码的情况下于 HumanEval+ 上提升 5.34pp。该结果说明后训练会在与训练任务无关的决策上留下行为影子。