MIRIX-2.0:结合事实与程序记忆的 LLM 智能体多智能体记忆系统
MIRIX-2.0 将事实记忆与程序记忆结合,构建面向 LLM 智能体的实用多智能体记忆系统。其在 LoCoMo 上达到 91.4%,在 LongMemEval-S 上达到 72.6%,领先最强基线 14.3 分。
MIRIX-2.0 将事实记忆与程序记忆结合,构建面向 LLM 智能体的实用多智能体记忆系统。其在 LoCoMo 上达到 91.4%,在 LongMemEval-S 上达到 72.6%,领先最强基线 14.3 分。
OpenAI 的 GPT-6 Astra 协助物理学家 Nathaniel Craig 构造一项证明,有望解决标准模型完整晶格化中延续 50 年的数学难题。Craig 提出通过比较逐步细化的晶格来校正重叠费米子的相位,GPT-6 Astra 将其转化为可行构造,并主导详细证明。三位晶格场论专家审阅了证明并提出问题,Craig 表示距离现实模拟仍有大量工作。
推荐理由:材料呈现了GPT-6 Astra将细化晶格比较策略转化为证明构造的过程,并说明专家复核情况及距离现实模拟尚需完成的工作。
研究提出分辨率假说,认为智能体演化停滞的瓶颈不是无法生成更好的提示词、技能或记忆,而是噪声评估难以可靠识别改进。对七种演化方法和六个模型开展的超过 10M 次 LLM 调用显示,在候选层面,选择机制区分有益与有害候选的表现不优于随机,错误会逐轮累积。在方法层面,常见的几个百分点差距小于同一方法两次独立运行之间的差异,因此论文中的方法排名往往受运气影响。
FastFrames 是一系列快速自回归视频扩散模型,在不牺牲质量的情况下实现交互级延迟。其 1.3B 版本在单张 B200 GPU 上达到每帧 36 ms、28 RPS,生成质量与速度慢近 8x 的先进模型相当;14B 版本在 8x B200 GPU 节点上达到每帧 45 ms、22 RPS,并获得更好的视觉质量和真实感。
OpenAI 对 ChatGPT for Academic Researchers 项目中超过 1,800 名参与者的研究显示,科学家自报使用 AI 后生产率接近翻倍。研究采用隐私保护方法,分析他们如何在构思、数据分析和编写代码等工作中使用 ChatGPT,以及这可能对科学发现产生的影响。openai.com/index/science-at-t…
UC Berkeley、Microsoft Research 和 Microsoft Security 推出开源插件 TokenEconomizer,可从同一仓库的历史会话中学习,在不修改智能体或底层模型的情况下减少后续任务浪费。
推荐理由:它展示了如何从同一仓库的历史会话中提炼微技能、裁剪工具并干预失败循环,为降低编码智能体的 token 成本提供可迁移方案。
Google 介绍了 Tunix 中的 Zero-TIM 实现,它让采样器解码、服务预填充与训练器前向在相同权重和 token 历史下,为采样动作生成逐位一致的 logprob。
Claude Fable 5.2 解决了黑洞与量子引力研究中的两个开放问题,并形成两篇预印本。它完成了20多年前提出的计算,结果显示黑洞形成相关相变仍是突变;同时推导出最简单模自举方法的精确极限,其中 M₁ ≤ c/Λ,Λ 约为 9.1266。多个 Claude 智能体运行约六周完成这些工作,结果在9月经 Lean 形式化验证,并由物理学家检查主要结论。
推荐理由:两项结果分别展示多智能体完成长期搁置计算与跨领域寻找解析方法,为理解 AI 参与理论研究的工作方式提供具体案例。
Anthropic 的测试显示,智能体跨会话记忆更依赖选择性记录和事后纠错,而不是保存尽可能多的信息。Pokémon Red 测试中,Claude Sonnet 3.7 在约 10,000 个步骤里创建 413 个文件和 225 个文件夹,仅获 1 枚徽章;Claude Fable 5 用少量文件记录计划、策略和已验证规则,获 4 枚徽章,但每个模型仅测试一次。
米哈游的 Gamer 是面向长时实时游戏的视觉-语言-动作基础模型,可完成超 95% 的《崩坏:星穹铁道》挑战。它以截图为输入,通过键盘和鼠标执行操作,交互方式类似人类玩家。
VibePrevisBench 可将脚本、照片或视频转换为 Blender 中可执行的 4D 场景,并对转换结果进行评测。它采用基于规则的方法检查场景本身,并基于 VLM 检查对应的代理视频。
Import AI 第481期梳理了智能体花钱改进机器学习任务、面向 AI 的生物湿实验室,以及模型在后继模型开发中隐蔽执行危险副任务。
物理学家 Nathaniel Craig 分享了他如何与 GPT-6 Astra 合作构建标准模型的候选格点定义。这是 OpenAI 新科学博客的首篇文章,文章链接为 openai.com/index/step-toward-…。
OpenAI 探索在晶格上定义 Standard Model 的候选非微扰方案,GPT-6 Astra 协助将这一想法转化为详细证明。内容围绕这一候选定义及其证明展开。
ALIVE 是交互式流式视频模型,支持主动监控、流式任务协调和寻求反馈式交互,使视频 LLM 能持续观察并协同处理请求。它基于 ALIVE-SFT-288K 和 ALIVE-RL-3K 两阶段训练,并用 BACA 优化多轮决策、响应与静默。其在四项公开 benchmark 和 FSI-Bench 的参评模型中取得最高综合分。
VODA 提出即插即用的体积监督目标,利用局部深度结构聚合逐像素贡献者,直接监督选定深度簇中的全部 Gaussian。研究还引入合成物体移除基准 Removal-3D 和指标 RDE;在 4 种基于渲染的基线上,VODA 持续改善体积分割,并在 LERF 和 ScanNet 上保持或提升表现。
ForceHarness 让仅能通过 API 访问的冻结多模态模型无需示范或微调,便可借助自调节的力原语与物理翻译层使用力反馈控制机器人。研究同时构建了包含 7 项任务和隐藏物理变量的 MuJoCo 基准 HiddenPhys;在无腕部力传感器的真实机械臂上,该方法将 GPT-6 Astra 的零样本成功率从 3.3% 提高到 90.0%。
WeVisForensics 以主调查智能体协调覆盖视觉和音频线索的自进化取证子智能体,在域内、域外和智能体 benchmark 上平均检测准确率达 95.2%,较最强既有检测器高 9.0%。DTPO 分别快速优化调查策略、缓慢改进检查器,ForenCue-30K 提供取证标注、交互轨迹和强化学习数据池。
澳大利亚央行(RBA)研究员Mike Major的分析显示,AI目前尚未大规模取代澳大利亚的工作岗位,但在编程、文员、客服等高AI暴露度岗位中,15至24岁年轻人和应届大学生的就业率下降、失业率高于年长员工,而年长员工在同类岗位中就业率反而上升。
AllocFlow从原始多资产市场历史端到端生成联合投资组合配置,以跨资产流Transformer输出连续有符号仓位权重。两阶段训练结合策略监督模仿与组相对强化学习。在小时级加密货币永续期货上,年化净收益由27.79%升至51.38%,Calmar比率由0.955升至4.043;无需重训,在另外6个月未见的2026年数据上达到4.90。
研究团队提出 SWE-CoWork,用于评测编码智能体在模拟软件组织中获取需求、协作、实现和验证交付的能力。该基准包含 101 个真实仓库的 101 项开发任务,覆盖 11 种编程语言和 12 个应用领域,每项任务设置 26 名职责、知识与协作行为受限的模拟同事。
Multi-Branch Transformer(MBT)并行执行多个独立参数的完整 Transformer 块,并在共享末层前融合分支输出。
AURA 2.0 是一种流式视频大语言模型,可在没有用户提问时识别适合讨论的主题,并在恰当时机主动发起对话。它引入流感知工具调用(SATC)与交互式视觉定位(IVG),可结合当前视觉和对话上下文调用外部工具,并输出与视频帧对齐的边界框。模型采用专用流式交互数据集、三阶段训练方案和长时交互记忆(LHIM);公开流式基准显示,其在开源流式模型中取得领先表现。
Gradio 邀请参与者让 AI 智能体复现 NeurIPS 2026 论文,运行实验并报告结果。活动时间为 Nov 20 – Dec 5,需在 Nov 19 前报名,报名参与者可获得 $20 HF credits,并有机会赢取奖项。
Allen AI 联合 Carnegie Mellon、NVIDIA 和 Johns Hopkins 发布 XYBench,用 8,115 道问题测试 AI 助手能否识别用户提问中隐含的误解(即 XY problem)并给出针对真实目标的建议,该基准获得了 EMNLP 2026 最佳资源论文奖。
Agent Initiative Benchmark 在一家拥有 6 年详细历史、财务模型、CRM 记录、逾期发票和 Linear 工单的模拟公司中,测试了 12 个前沿模型如何通过 Slack 主动协助团队。
Google DeepMind 发布 PARDIG 和 SatWeave 两个数据集,作为 WeatherNext 3 背后的基础数据集,帮助研究者和开发者构建新的气候应用。
IBM Granite团队发布LLM原生标记语言LLMON,并推出两个基于Granite 4.1训练的实验性预览模型granite-4.1-3b-LLMON-preview与granite-4.1-8b-LLMON-preview。
Microsoft Research 研究人员 Dimitris Papailiopoulos 及合作者发现一类重要的新型 LLM 漏洞,并先向公司披露。团队制定保护客户所需的缓解措施后,向公众公布漏洞及推荐防御方案。
论文提出 Ropedia Xperience 2,包含 1,589 个米尺度 3D 扫描,以及涵盖 74 项任务的 4,230 段第一视角录制,总时长 131 hours。
PhysLoop 提出一个统一框架,利用并约束 LLM 在视频生成、筛选和修正过程中的物理知识,推动视频生成模型自我改进。框架支持可控训练数据构建和推理时视频修复,发布了覆盖多样室内外场景的 100K videos、生成工具以及 PhysLoop-Gen 和 PhysLoop-Repair 两个评测数据集。
这项研究比较了三种决策模型和三种通用 LLM 在 ALFWorld 上作为行动者与评判者的表现,并用 JEV 在 ALFWorld 和 WebShop 上担任教师。
OpenAI 转发 Jeffrey Wang 关于 CoT 可监控性的研究,考察无 CoT 能力和 CoT 可控性如何随模型训练生命周期演化。研究发现,随着系统趋向更智能,模型越来越难通过其 CoT 进行监控。
Google 使用 Agent Development Kit(ADK)和 gemini-2.5-flash,在五个非 Google 编写的公开安全基准上测试 Private Preview 中的 Agent Anomaly Detection,共评测 1,774 个 sessions。
推荐理由:五个公开安全基准的测试展示了 Agent Anomaly Detection 对已执行有害指令的检测效果,也暴露出对长期记忆投毒的覆盖短板。
Microsoft Research 的新研究显示,重编 AI 智能体中少量休眠神经元,可能植入仅在特定触发条件下激活、平时行为正常的后门。研究介绍了模型平台和供应商应采取的措施,以及企业和用户的缓解策略;Microsoft Foundry 为 Azure Direct Models 和 Hugging Face 模型提供安全系统,以保障模型来源安全。
微软研究人员发现名为Lazarus的后门技术,通过重编程LLM中不到10个休眠神经元即可植入后门,且不需要重新训练。模型能通过标准安全评测,但在触发条件(如日期变化)出现后,基于该模型的AI智能体会在正常任务中执行命令下载并运行攻击者代码,对拥有工具或终端访问权限的智能体风险尤其大。
推荐理由:研究显示,重编程不到10个休眠神经元就能让智能体在特定触发下执行恶意命令,提示权重溯源审计的现实意义。
Open Vision Banana(OVB)提出一套将预训练图像生成器转换为统一多任务视觉感知系统的全开源、可复现方案。基于 4B 和 9B 参数的开放权重基础模型及 2.1M-3.8M 个公开数据集训练对,OVB 在 Cityscapes zero-shot 上以 73.9 mIoU 超过 Vision Banana 报告的 69.9,并接近当前最先进的仿射不变深度估计器。
SO-Arena 基准测试评估了 System One 模型在11个领域、五类能力中的能力范围与决策可靠性。它通过证据核验、细粒度难度标准和沙盒交互任务评估能力,并用选项集变化下的决策稳定性和无有效选项时的缺失答案识别衡量可靠性。对21个模型的评估显示,扩展规模和增加推理的收益因领域而异,整体表现最强的 System One 模型在可靠性上排第七。
Duo v1 提出 Reciprocal World Model(RWM),持续感知实时音频、视频和文本,并与用户进行全双工实时交互。模型通过自回归交互推理、统一时间线上的 Intent 与 Realization 同步,以及双重 rollout 蒸馏来减少分布偏移。除对话外,用户还可分享真实物体、调整虚拟场景、引导助手或进行视听游戏,无需鼠标或键盘控制。
Google DeepMind研究人员开发出AlphaProof Code,一种多LLM智能体框架,用于对代码进行深度形式化验证,并用它对广泛部署的Signal加密协议的实际代码完成了形式化验证,证明其满足关键安全属性。验证过程中由Gemini Carbon驱动的智能体生成超过六百万行Lean证明代码,人工只需复核约百分之一的代码,整个验证耗时四周,团队已开源相关验证成果并发布技术论文。
推荐理由:原文给出了AlphaProof Code从规格翻译到证明生成的具体分工,也说明人工复核只占代码的一小部分。