两位数学家先后声称独立证明黎曼猜想
Anthropic 数学家 Levent Alpöge 与 Claude、数学家 Alessandro Masullo 在数小时内先后声称独立证明黎曼猜想。前者仅发布 1.3GB Lean 代码,约合 250,000 页,形式化命题被确认是 GRH,但仍未完成编译。后者公布历时 12 年的约 940 页纯人工草稿,两项证明均未核验。
Anthropic 数学家 Levent Alpöge 与 Claude、数学家 Alessandro Masullo 在数小时内先后声称独立证明黎曼猜想。前者仅发布 1.3GB Lean 代码,约合 250,000 页,形式化命题被确认是 GRH,但仍未完成编译。后者公布历时 12 年的约 940 页纯人工草稿,两项证明均未核验。
Coda-DaVinci 提出任务自适应的 Code2Video 智能体框架,可按任务选择 3D 代理引导或直接生成。实验发现,粗粒度代理更利于自然运动,中粒度代理更利于一致性,物理模拟和与代理对齐的提示词可进一步提高平均质量。该框架在 VTR 的指令遵循和 R2M 的场景一致性上表现领先,并改善物理合理性和长视频连续交互的一致性,但转场稳定性和场景设定遵循仍存在局限。
Hugging Face 推出 harness adapters,通过在目标 AI 智能体 harness 内进行 RL,为 Qwen3.8-27B 分别训练 pi、Hermes Agent 和 OpenCode 的 LoRA adapter,并合并为一个 super-adapter。
推荐理由:文章给出同一模型在三种智能体 harness 中的训练配方与成对评测,可用于判断定制 RL 在性能和工具调用成本上的取舍。
UIUC、IBM 及合作者开发 Game2Player,联合构建可验证的网页游戏环境与玩家,以扩展视觉智能体训练。其覆盖 568 games、3,436 tasks 和 307 hours of gameplay,9B 模型在 PlayerBench 上的成绩从 14.3% 提升至 31.2%。
OpenAI内部报告称,在一项101人的非代表性调查中,研究人员宁愿放弃团队40%的人手,也不愿停用现有编码智能体三个月。10月,研究人员每日token消耗按API标价折算的中位数为$2,400,较上月增长62%,前10%用户为$23,000。3月至10月,无人干预完成2至4小时任务的估算成功率从23%升至46%;但评测与强化学习环境构建成功率仅29%,访谈认为复杂研究仍需人类监督。
推荐理由:报告把内部智能体的并行规模、折算成本与任务成功率放在一起,呈现常规工作和复杂工程之间的能力落差。
OpenAI 衡量编码智能体对 AI 研究的加速作用,并指出其表现仍不均衡。相关结果也被用于分析这种能力对递归式自我改进意味着什么。
OpenAI 分享 AI 改变其内部研究的新数据,发现研究者的 AI 使用量持续指数增长,智能体正完成更长的任务。人类参与仍是研究核心,安全与对齐领域的人力投入增长快于其他任何单一研究领域。
PromptArmor 发布 FrontierBreach,用于衡量企业 AI 智能体在真实工作流中被隐藏指令误导,进而导致数据外泄或运行攻击者代码的频率。
Xing 4 系列延续 TeleChat,在 Ascend 上协同改进模型架构与训练基础设施。基于 MindSpore HyperParallel 的系统支持在 8,192 张 Ascend 910C 卡上预训练 285B 参数模型;后训练平台 TeleGym 则连接智能体执行、评估、轨迹构建与策略优化。
Einsia AI 发布 Visual Cipher Bench,用40道原创视觉谜题评测8个前沿模型的长时程视觉推理能力。智能体每次可使用工具并运行60分钟,但没有书面规则或正确性反馈;最佳配置解出26.7%,3个模型一道未解。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
SteerDistill 提出一种量化感知蒸馏方法,让全精度教师根据量化智能体的执行反馈修正失败响应,并将修正后的行为内化到学生模型中。在五项智能体基准和三个模型上,W4A16 平均得分比最强量化基线高 1.67--2.18 points,并与 BF16 相差不超过 one point。
Google 分析数千名工程师、数亿个智能体步骤后发现,代码中的 TODO/FIXME bug 引用会让智能体偏离开发者原定任务。13% 的文件读取会话接触到这类引用,其中 6% 触发后续行动,83% 的行动未获开发者请求。
推荐理由:文章量化了代码中过时 TODO 如何诱发智能体偏航,并给出结合工单状态与代码历史清理引用的方法。
Microsoft Research 发布 PDD Kit,一套结合 Verus 形式化证明和测试来验证智能体编写代码是否符合开发者意图的工具包。团队在 GitHub Next 的 Chopin 环境中用它验证了 Rust 全栈应用 Pet Store 的登录逻辑,证明代码在所有输入下满足规范,同时对 bcrypt、SQLite 查询等无法证明的部分保留测试覆盖。
Anthropic 介绍了 Claude 的 AI 智能体记忆系统,涵盖记忆笔记、dreaming、wiki 等组件,以及它们如何在会话间组织、修正和加载记忆。
推荐理由:文章拆解了记忆笔记、wiki 表征与 dreaming 的分工,并用 CL-Bench、Pokémon 和文档检索实验说明它们如何修正错误、组织跨会话知识。
Mistral AI 在近期 Django CVE 场景中测试 Mistral Large 4,由 133 个智能体完成代码映射、漏洞搜索、攻击场景测试和漏洞确认,再由 Le Chonk 修复漏洞。整个流程以 90x 速度展示。
MIT Technology Review 报道了一种名为“反向博弈论”(机制设计)的AI对齐思路,核心是设计激励规则让智能体守规则,而不依赖解读模型内部运作。
Google Cloud 展示了代号 Project Chrysalis 的自演化 AI 智能体参考架构,可运行在 Gemini platform 和 Agent Development Kit(ADK)上。
Microsoft Research研究员Xinzhi Zhang与合作者Zhao Song证明了1995年提出的KLS猜想,确立高维对数凹分布中最佳平面切割与最佳任意形状切割之间的差距存在与维度无关的固定上界。
推荐理由:原文详述了研究者引导多个AI智能体并行探索上百条推理路径、逐步筛选收敛到最终证明的协作过程。
Qwen 发布 QwenGyre,用于极长时程(XLong)智能体训练,并提出 Elastic Scheduler 与 Trajectory Processor 两项设计。
Qwen 联合淘天集团发布 E-Commerce Bench,用于评估 Agent 在有限资金和时间约束下持续经营网店的能力。模型以10万元本金经营365天,面对6,886个商品、576个供应商和动态市场,并接受盈利、现金流、谈判、反欺诈、运营效率、执行力与长程学习等维度评估。
推荐理由:E-Commerce Bench 将真实平台脱敏数据、确定性谈判内核与长期资金约束结合,提供了评估 Agent 持续经营和风险管理能力的可复现实验框架。