2026年9月27日 周日 · 今天值得看的 AI 动态
研究人员对3132名参与者进行了五项实验，测试语言模型可用性如何影响人们处理不确定性的方式。当AI建议可用时，参与者表示“我不知道”的意愿几乎消失，即使AI给出的答案大多是错误的。在有AI但无经济激励的情况下，参与者正确率从27.5%降至9.2%，但信心却大幅上升。研究还发现，经济激励能部分缓解这一问题，但无法完全消除AI对判断力的影响。
推荐理由这项研究用3132人的五项实验量化了一个反直觉现象：只要AI建议可得，参与者说“我不知道”的比例从36%—44%骤降到3%—6%，正确率从27.5%跌至9.2%，信心却涨到约2.5倍。对依赖AI做判断的知识工作者，它提示真正的风险不是答错，而是丧失弃权能力。局限在于题目是电影细节类冷知识，且所用模型被特意选为几乎必错，这种效应在专业决策场景是否同样强烈仍待验证。
该论文提出 M-plicits，一种将表面建模为多层感知机（MLP）残差和的多尺度隐式神经表示框架，通过嵌套邻域训练策略将监督严格限制在前一层零水平集附近的窄带内。粗网络充当低通滤波器建立干净几何先验，后续残差逐步细化几何而不拟合高频噪声。在 Stanford 和 Thingi32 数据集上，M-plicits 在粗配置下取得最佳平均 Chamfer 距离，
推荐理由M-plicits 把表面表示为多层 MLP 残差和，并用嵌套邻域把监督限制在前一层零水平集附近的窄带内，粗网络充当低通滤波先验，因此在噪声点云上比 iNGP、BACON、IDF 更稳，参数量还比网格基线少一个数量级。对做点云重建和实时渲染的人，它同时给出多尺度球体追踪和免自动微分的解析法线。不过代码、模型和数据只是「将在 GitHub 发布」，目前无法复现，且对比仅限 Stanford 与 Thingi32。
该论文提出 STMamba，一种用于高光谱图像分类的新方法，通过 Token Clustering Module 将稀疏 token 组织成语义一致的序列，并利用并行的空间与光谱语义序列 Mamba 模块捕获长程依赖。方法在宏观层面采用层次化编码器-解码器与无参数跨尺度邻域注意力上采样器，微观层面通过密度感知聚类和四叉树动态选择保留代表性 token。在三个
推荐理由STMamba 针对现有 Mamba 高光谱分类按固定空间邻域构造序列、忽略语义相似性的问题，改用密度感知聚类加四叉树动态选择，把稀疏 token 组织成语义一致的序列，再做并行的空间与光谱 Mamba 建模，对做高光谱像素级分类的研究者是可直接复现的新基线。不过摘要只称在三个大规模基准上优于现有方法，未给出具体精度数值与消融结果，且稀疏标注主要评估内部区域，边界保持能力仍待验证。
该论文提出 Heartian，一个生理感知调制框架，在可重光照的高斯头部化身中，对脸部皮肤区域高斯球的反照率进行依赖心动周期的逐帧调制，从而嵌入远程光电容积描记（rPPG）信号。方法基于 HRAvatar 重建，使用接触式 PPG 监督，将心脏波形建模为两个高斯函数之和，并用轻量 MLP 学习逐帧空间残差。在 UBFC-rPPG、PURE 和 MMPD 的
推荐理由该方法在 HRAvatar 重建基础上，对脸部皮肤高斯球反照率做心动周期逐帧调制，使渲染后的头部化身仍能被 rPPG 方法检出心率，对做虚拟人、远程生理监测的研究者可复用其思路；但实验仅限 152 段静止录像，运动场景下能否保持 0.97 bpm 级别的检出精度尚未验证。
该论文提出 OneTrans-V2，用单个 Transformer 统一工业推荐系统中的召回、粗排和精排三个阶段。它只编码一次用户行为序列作为共享上下文，各阶段保留自身候选特征与计算，并通过联合训练实现精排到粗排的模型内知识蒸馏。模型采用稀疏 MoE 扩展共享骨干、P-style 参数化稳定训练，并引入 DCGR 与 SNT。部署于大规模工业推荐系统后，GM
推荐理由该论文把召回、粗排、精排合并进一个 Transformer，用户行为序列只编码一次，并让精排向粗排做模型内蒸馏，对需要同时维护多套级联模型的推荐工程团队可减少重复开发与算力开销。但 9.74% 的 GMV 提升来自单一工业系统部署，论文未给出公开数据集上的对比，且吞吐量持平依赖其共同设计的服务栈，迁移到其他系统能否复现尚待验证。
研究者提出 IaC-Guard-V 验证框架，通过语法有效性、目标问题解决、回归安全、补丁最小性四道验证关卡评估 LLM 生成的 IaC 修复。基于 70 个真实 Terraform 与 Kubernetes 错误配置样本、三种修复策略和三个 LLM 系列共 630 次实验，发现单次提示下仅 32-50% 修复通过完整验证，而验证引导的迭代修复可将通过率提升
推荐理由该框架用语法、目标修复、回归安全、补丁最小性四道关卡评估 LLM 生成的 Terraform 与 Kubernetes 修复，对把 LLM 补丁直接合入基础设施代码库的团队有直接参考价值：单次提示仅 32–50% 通过完整验证，验证引导迭代可升至 68–92%。不过实验仅基于 70 个样本、630 次运行，且未涉及真实云环境部署验证，实际生产收益仍待检验。
该技术报告介绍了Pistis多模态大语言模型系列，包含基于Qwen3.6的27B和基于Qwen3.5的9B两个规模，采用通用可扩展的后训练框架。框架先进行大规模多模态监督微调，再提出交错蒸馏与强化学习（IDRL）新范式，在单一训练循环中交替进行同策略蒸馏和强化学习，提升知识迁移、优化稳定性和长程智能体轨迹的信用分配。模型分为Pistis-Thinking和P
推荐理由Pistis 用 IDRL 在单一训练循环中交替做同策略蒸馏与强化学习，并配 PAH 在不更新参数、不增加交互预算的前提下改进推理编排，对做多模态智能体后训练与搜索的团队有直接参考价值。但报告只称两个规模均优于各自基座，未给出与同类模型的横向评测；且作者自承若正确实体未进入上游候选集，PAH 下游无法补救，相关失败模式的定量评估也留待后续。
Anthropic 成立生命科学研究组与实验室，利用 Claude 探索 DNA 数据集、规模化生成假设并在实验室验证。早期成果中，约 950 个 Claude 智能体在 21 小时内消耗 2.1 亿 token 搜索 DNA 数据库，自主发现了一种与 DNA 重复序列相关的新型酶系统 ART（array-associated reverse transcr
另有 2 家信源报道
推荐理由Anthropic 让约 950 个 Claude 智能体在 21 小时内扫描 DNA 数据库，自主识别出与重复序列阵列关联的反转录酶系统 ART，把原本需数周至数月的候选筛选压缩到一天内，对做基因组挖掘的研究者是可直接借鉴的工作流。但 ART 的具体功能尚未确定，重复阵列是否真如 CRISPR 一样可编程，仍待后续实验验证。
该论文提出 Ovis-Embedding，一个基于 Qwen-Omni 预训练理解模型构建的全模态嵌入模型家族，通过共享多模态骨干网络将文本、图像、视频和音频编码到统一表示空间。研究采用低秩对比预训练、同源采样、focal loss 和嵌入蒸馏等训练优化策略，并在推理时用低秩特征分解实现紧凑嵌入。在 MMEB-v3、MMEB-v2、MVEB、MAEB 和 R
推荐理由Ovis-Embedding 用共享的 Qwen-Omni 骨干把文本、图像、视频、音频编码进同一空间，省去为每种模态单独搭塔，对需要跨模态检索的搜索与 RAG 场景可直接替换现有拼接式方案。论文还给出低秩分解压缩维度的实测表，显示 256 维时平均保留 97.4%。但该表仅覆盖 MMEB 系列，且音频、视频在短前缀下损失最大，其他基准上的压缩表现尚未验证。
论文提出 CoMed，一种多 LLM 推理中的选择性协作控制器，位于路由与密集协作之间。作者发现跨模型协作具有非单调性：同伴既能挽救单模型无法解决的错误，也可能破坏原本正确的答案。CoMed 通过锚点自一致性、路由边际和轻量同伴探测，决定接受、验证或升级协作，在 16 个开源权重设置中均优于固定或路由锚点，MedQA 最高提升 10.7 个百分点，并在 HL
推荐理由CoMed 把多模型协作从「每次都调用同伴」改为按需升级：用锚点自一致性、路由边际和轻量探测判断该接受、验证还是升级，在 16 个开源权重设置上均超过固定或路由锚点，MedQA 最高提升 10.7 个百分点，且比密集协作调用更少模型和 token。对搭建多模型推理系统的人，这提供了一条控制成本与风险的中间路线；但论文未说明这些增益在闭源模型组合上是否同样成立，HLE 上 GPT-5.5 的提升也仅来自单一评测。
该研究审计了多智能体审议中常见的「置信度路由」协议：让各智能体报告置信度，由最高分者发言。作者将审计拆分为路由（是否选对候选）、校准（置信度是否像概率）和承诺（被选智能体是否公开说出赢得回合的答案）三个可分别测量的维度。在 4,181 条 gpt-oss-120b 奥数轨迹上，置信度能区分对错（AUROC 0.72）但严重过度自信（79% 置信 vs 52%
推荐理由该研究把多智能体「置信度路由」拆成路由、校准、承诺三个可分别测量的维度，并给出 4,181 条 gpt-oss-120b 奥数轨迹上的具体数字，对正在用置信度选发言者的多智能体系统开发者有直接参考价值。局限在于主结果仅覆盖单一模型与数学基准，Gemma 单元中原始置信度 argmax 甚至低于随机选择，说明结论未必能外推到其他模型或任务。
来自LUT大学、戴尔科技和帝国理工学院的研究者提出C-MoA，一种基于智能体间语义一致性的共形过滤方法，将一致性转化为声明级非一致性分数并在样本级校准阈值，为异构Mixture-of-Agents提供无分布假设的域内事实性控制。实验显示C-MoA在长文本生成中几乎将保留声明精确率翻倍，并在无需重新校准的情况下跨域迁移，但在短文本问答中失效。作者进一步提出CO
推荐理由C-MoA把智能体间语义一致性转成声明级非一致性分数，为异构Mixture-of-Agents提供无分布假设的域内事实性控制，长文本生成中保留声明精确率近乎翻倍且跨域免重校准，适合需要逐条声明过滤的生成系统。但短文本问答中该分数接近随机，CONTRA-MoA的增益也仅在验证器具备领域知识时成立，否则信号近乎无效。
该研究指出，评估AI智能体群体安全性时常用的临界质量框架存在低估风险，因为它只关注直接竞争推翻均衡所需的最小对抗比例。作者通过大语言模型智能体群体实验和解析框架，发现经由中间「踏脚石」均衡的间接 tipping 可显著降低所需少数派规模，绕过多数要求，实现直接挑战无法达成的状态转换。结果表明均衡的抗干预性并非内在属性，而是其与替代状态竞争关系的结构性特征，保
推荐理由该研究指出常用的临界质量框架会低估多智能体系统的脆弱性，因为它忽略了经由中间「踏脚石」均衡的间接路径，这类路径可显著缩小所需少数派规模并绕过多数要求。对评估智能体群体部署风险的人有用。但结论主要基于大语言模型智能体实验与解析框架，真实部署环境中的适用性尚未验证。
DeepSeek发布由梁文锋署名的论文，公开其Agent训练基础设施DSec（DeepSeek Elastic Compute）。该系统每秒可创建5000+个沙盒、日产能达300万个、峰值并发38万个，单集群约160节点、3万核CPU、250TB内存。DSec通过FnCall、Container、MicroVM、Full VM四种后端统一调度，并用EROFS
另有 1 家信源报道
推荐理由DeepSeek公开的DSec把Agent训练沙盒的工程细节摊开了：四种后端统一调度、EROFS分层镜像按需加载，让8192容器突发部署从60分钟压到35分钟，对自建Agent训练平台的团队有直接参考价值。但论文只给了镜像加载和内存占用的对比数据，沙盒创建速率与并发上限均未附第三方复现，且整套系统依赖3FS等自研组件，外部团队难以照搬。
该论文研究语言智能体在上下文窗口受限时，如何从执行历史中检索完整证据。作者提出将智能体记忆检索形式化为「预算内证据补全」问题，并构建 Execution Provenance Graph Memory（EPGM），用零初始化残差 R-GCN 在工具参数与输出的溯源单元上精炼稠密检索分数。在 ISETrace 的 2,000 条查询上，溯源单元相比固定 512
推荐理由该研究把智能体记忆检索重构为「预算内证据补全」，用溯源单元替代固定 512 token 窗口，在 ISETrace 的 2000 条查询上把 Full Support@2048 提升 19.07 点，对需要跨多次工具调用拼齐证据的长执行历史场景有直接参考价值。但实验仅限合成 OS 智能体轨迹与离线检索，未验证在线更新、跨会话记忆或真实多智能体协作，且三事件以上分层只有 32 条查询，结论稳定性待确认。
Meta AI 提出 Summarize-Judge-Refine（SJR）双模型架构，将多模态内容理解与政策分类解耦：多模态 Content Model 生成结构化文本摘要，纯文本 Policy Model 依据政策定义对摘要分类。通过 GRPO 迭代协同训练和文本空间增强，在误导性广告检测任务上，SJR 相比零样本思维链基线非误导类 F1 相对提升 23
推荐理由SJR 把多模态审核拆成「多模态模型写摘要 + 纯文本模型判政策」两步，政策变更时只需重训文本模型，且摘要本身即决策依据。摘要称仅用合成正类数据训练的变体在违规类 F1 上与全量数据模型仅差 0.2%，意味着新政策可零真实违规样本冷启动。不过该结论仅在误导性广告检测这一任务上验证，其他政策类别与平台是否成立尚待检验。
该论文提出 RBS-Attention，一种免训练的稀疏预填充方法，用于缓解长上下文 LLM 推理中密集自注意力预填充的开销。作者指出块质心评分会因「均值稀释」而漏掉块内高度相关的 token，因此设计双分支选择：质心基分支捕捉平均相关性，救援分支利用最大键块半径及其随提示、层、头变化的分布来识别可能被低估的块。在 H100 上，该方法在 Qwen3-30B
推荐理由RBS-Attention 针对长上下文预填充中块质心评分漏掉块内高相关 token 的「均值稀释」问题，用质心与半径救援双分支选择，免训练即可接入现有块稀疏 FlashAttention，在 H100 上 128K 上下文实现最高 20.65 倍预填充注意力加速。不过其质量验证主要在 Qwen3 系列上完成，RULER 准确率 88.65 仍略低于密集注意力的 89.52，其他模型与真实业务负载下的表现尚待验证。
该论文提出 Attention-Aware Routing (AAR)，在 MoE 语言模型中用滑动窗口的注意力权重为路由器补充上下文信息，同时冻结基础 Transformer 只训练路由参数。在 OLMoE 上，AAR 相比仅路由 SFT 基线提升了 GSM8K 数学推理表现，并揭示路由与注意力构成耦合回路：路由变化经残差流放大注意力汇。研究还发现 AAR
推荐理由AAR 冻结基础 Transformer、只训练路由参数，用滑动窗口注意力权重为路由器补充上下文，在 OLMoE 上把 GSM8K 数学推理提升到仅路由 SFT 基线之上，并让错误答案变短。它适合研究 MoE 路由机制、想低成本改造路由的团队；但摘要未给出具体提升幅度，且浅层应用会损害事实检索，深度权衡仍需按模型验证。
美团技术团队提出统一推荐基座大模型 MTFM，在外卖多个主要业务场景实现统一精排模型，通过异构 Tokenizer、动态掩码、混合注意力与 Target Scale-Up 等设计解决规模可扩展性、场景可延展性与架构高效性挑战。该模型在外卖多业务中实现订单量提升 2.06% 6.68%，推理成本降低 24%，相关工作已被 KDD 2026 收录。
推荐理由美团把外卖多个业务原本各自独立的精排模型合并为一个统一基座 MTFM，靠异构 Tokenizer 和动态掩码免去跨场景特征对齐，已在核心场景全量，订单量提升 2.06%~6.68%、推理成本降 24%。对做多场景推荐、苦于重复建模的团队，这是一条可参考的端到端路线；但收益来自美团自有业务，其他平台能否复现尚未验证。
该论文提出 Elastic Threshold Attention（ETA），一种端到端可训练的稀疏注意力架构，用于缓解长上下文解码中的 KV 缓存内存带宽瓶颈。ETA 通过查询表示预测动态的逐头阈值，并在训练中以退火 sigmoid 门控乘性抑制低于阈值的 logits，而非直接删除，从而避免表示坍塌并消除初始 token 上的注意力汇。作者还实现了基于
推荐理由ETA 用查询表示预测逐头动态阈值，训练时以退火门控抑制而非删除低分 logits，从而在 1.45B 模型上兼顾稀疏解码与稠密质量，并配 Triton 块稀疏内核。对长上下文推理服务方，它针对的是 KV 缓存带宽瓶颈，而非算力。但摘要只称「可媲美」稠密注意力，未给出与 FlashAttention-2 的具体加速比，且加速数据来自作者自建内核，尚待第三方复现。
研究者从公开来源收集真实世界BI项目（.pbix文件），人工提取业务问题与标准答案，构建了首个端到端BI基准BI-Bench。测试发现前沿LLM在BI-Bench上准确率不足50%。为此提出工具增强的BI-Agent，将BI工作流分解为搜索、连接、转换等子任务，并开发后训练框架合成训练轨迹，结合SFT和RL进行训练。BI-Agent在BI-Bench上相比原
推荐理由该研究从真实 Power BI 项目人工提取业务问题与标准答案，构建了首个端到端 BI 基准，并发现前沿 LLM 准确率不足 50%，说明现有模型尚难独立完成找表、转换、连接等准备步骤。其 BI-Agent 通过工具分解加 SFT/RL 后训练，在自建基准上提升最高 40 与 30 个百分点。不过所有增益均基于该团队自建的 BI-Bench，尚无第三方复现或跨 Tableau 等平台的验证。
Hugging Face Blog 介绍了一篇新论文《Safety for Whom? Boundary-Aware Self-Distillation for Controlled LLM Safety Refusal》，研究如何让模型只拒绝某个话题中与部署政策不兼容的子集，而非整个话题。作者以政治说服为测试场景，指出标准自生成训练流程存在覆盖缺口、误拒副
推荐理由这篇论文把安全拒答从「整话题拒绝」细化为「只拒绝话题内有害子集」，对需要同一模型服务不同政策场景的部署方有直接参考。作者用边界配对数据把合规侧误拒从32.94%降到4.16%，有害侧拒绝仅从91.88%降到87.72%。但实验只在Qwen3-8B和政治说服场景上验证，其他话题与模型是否同样有效尚未公开。
研究团队提出 CodeMidas，一个以源代码为唯一任务特定输入的智能体流水线，将现有代码库中已实现的功能转化为可执行的强化学习环境。该方法通过智能体探索功能、构建基于原始代码执行的测试，并经过执行检查与多次解答采样来验证和筛选任务。最终数据集包含来自 3185 个开源代码库、覆盖 23 种编程语言和 15 个技术领域的 5545 个训练任务。用 GRPO
推荐理由CodeMidas 只用源代码本身就能把已有代码库转成可执行的强化学习环境，省去了依赖 issue、commit 等开发痕迹的限制，对需要批量构造编码智能体训练任务的团队有直接价值。不过论文只报告了在 MiMo-V2.5 上的 GRPO 结果，其他模型与更广任务类型上的可迁移性尚未验证。
腾讯混元语音团队与多所大学研究者提出 Gander 模型，可在后台处理复杂任务的同时保持实时对话，同时处理语音、图像和文本，用户可随时打断。该模型采用「小脑」负责逐秒对话、「大脑」负责复杂智能体任务的可替换架构，大脑可换成 Codex 或 Claude Code 等系统而无需重训对话模型。测试中 Gander 在 Full-Duplex-Bench v3 上
推荐理由Gander 把实时对话与后台任务拆成可替换的「小脑」和「大脑」，大脑能直接换成 Codex 或 Claude Code 而无需重训对话模型，对做语音智能体的团队意味着不必再为延迟牺牲推理能力。但报告承认任务准确率落后，视频与音频理解甚至弱于基座模型，且权重与数据尚未实际开源，实际可用性仍待验证。
Runway 公布其实时视频生成研究，用户可在描述过程中直接流式生成视频，而非输入提示词后等待。该方案基于其首个通用世界模型 GWM-1（构建于 Gen-4.5 之上），逐帧生成并接受镜头运动、机器人指令或音频作为控制。Runway 认为实时生成可缩短等待时间、降低 GPU 成本，并将计算负载从训练转向使用；同时指出视频模型逐帧累积误差是核心难题，其通过用自
推荐理由Runway 把视频生成从「输入提示词再等待」改成边描述边流式出画，对需要即时反馈的交互场景（教育、游戏、机器人仿真）能省下反复重生成的时间与 GPU 开销。但逐帧误差累积仍是核心难题，其用自身输出训练来纠偏的效果未给出量化评测，与 Nvidia 合作的低延迟预览也尚未公布可用时间。
微软与伊利诺伊大学的研究团队提出 StudentSim 系统，通过有限数据为每个学生构建能复现其典型错误、并能根据导师提示修正答案的数字孪生。该系统以阿里 Qwen3-4B-Instruct 为基础模型，采用两阶段训练，在国际象棋、英语和数学三个科目上表现优于被提示扮演学生的 GPT-5.4。研究者还用学生副本训练国际象棋导师，其解释质量和适应性评分最高，但
推荐理由StudentSim 用两阶段训练，让基础模型先学全体学生的共性错误，再用少量个人记录微调出数字孪生，在英语写作中位学生仅三篇作文的条件下仍能复现其典型错误并响应导师提示。对做 AI 导师训练却苦于真实学生反馈昂贵的研究者，这提供了可替代的快速反馈来源；但论文自认只是概念验证，且象棋有引擎客观判分，开放式写作与数学缺乏可靠评分函数，效果尚待验证。