全部 AI 动态 · AI 热点

6月29日

18:19

掘金本周最热@老王以为

React 通过 Reconciler/Renderer 分离将组件更新逻辑与平台操作解耦。Reconciler 比较虚拟树生成副作用列表，Renderer 通过 HostConfig 接口执行平台操作（如 DOM 的 appendChild、Native 的 UIManager.createView）。文章以在线海报编辑器为例，指出平台耦合导致代码重复、行为不一致等问题，并展示了 React 如何通过 createInstance、appendChild 等约20个接口实现多端复用。

推荐理由：这篇用海报编辑器例子讲透了React的跨平台秘密，看完你就知道Reconciler和Renderer怎么分工的。

原文

15:42

@koltregaskes@koltregaskes

精选

Nature Medicine论文对GPT-5、Gemini 2.5 Pro等前沿模型进行了医学视觉推理压力测试，通过移除图像、替换图像、调整问题格式来检验模型是否真正理解。结果显示，在标准基准上表现优异的模型在条件变化时出现推理不稳、幻觉视觉细节等问题。作者将测试框架开源，随后有人用GPT-5.5 Pro重新运行，得分从之前最好的67-70%提升至79%，约10个百分点的进步。这解决了论文发表时模型已过时的问题，使评估能随模型更新而保持时效性。

论文 GPT-5 Gemini 2.5 Pro 医学视觉推理压力测试开源

推荐理由：Nature Medicine那篇论文把模型考倒了，但作者直接把考卷开源了。后来GPT-5.5 Pro重新考，分数涨了10%！

原文

10:15

arXiv cs.LG@Shai Ben-David, Farnam Mansouri, Anay Mehrotra, Manolis Zampetakis

精选

揭示了仅从正样本进行二分类的proper可学习性的完整刻画：一个概念类可proper学习当且仅当其VC维有限且满足新引入的组合条件“均匀外部可分离性”。该研究证明proper与improper学习在此设定下可分离，随机与确定性proper学习间也存在分离。存在概念类无ERM可作为学习器，且有限VC维对非一致学习不足。这些结果通过新组合维度得到，丰富了学习理论。

论文正样本学习 PAC学习 proper学习 VC维均匀外部可分离性

推荐理由：这篇论文搞清楚了只给正样本时proper学习到底能学啥，发现了VC维不够用，还新造了个叫“均匀外部可分离性”的条件，搞理论的人值得看。

原文

10:15

arXiv cs.LG@Shuang Li, Zhihui Zhu, Qiuwei Li

该论文分析了Bregman ADMM在非凸线性约束问题上的收敛性，采用两侧相对光滑性假设替代标准Lipschitz梯度条件。该方法适用于矩阵和张量模型中的多项式目标，全局Lipschitz梯度常数可能不存在。论文证明，在不变开状态空间域上，Bregman ADMM的一步迭代定义了光滑原始-对偶不动点映射，其严格鞍点KKT点是不稳定不动点，因此从随机初始化出发以概率零收敛到严格鞍点。结合已有的一阶收敛结果，这给出了极限KKT点几乎必然二阶平稳性。数值实验在分布式矩阵分解和对称张量分解上验证了理论。

论文 Bregman ADMM KKT 优化算法非凸优化分布式优化

推荐理由：这篇论文证明了Bregman ADMM在非凸非Lipschitz优化中几乎必然收敛到二阶KKT点，解决了传统方法无法处理多项式目标的问题，对矩阵分解等应用有实际指导意义。

原文

10:14

arXiv cs.LG@Kevin Kingslin, Anish Natekar, Ashutosh Ranjan, Vivek Srivastava, Savita Bhat, Shirish Karande

Democratic ICAI 通过结构化角色辩论收集多种竞争性理由，用于从人类偏好中提取自然语言原则。在创意偏好基准 MuCE-Pref 和 LiTBench 上，该方法在多种创意任务类别中提高了偏好预测准确性。与 deliberative prompting 和基于原则的基线相比，Democratic ICAI 产生了更忠实的偏好结构。LLM 标注者更偏好其生成的宪法。

论文 Democratic ICAI ICAI MuCE-Pref LiTBench 偏好对齐

推荐理由：这篇论文用辩论方式来搞AI对齐，比单次解释更细致，在创意任务上预测偏好更准，搞对齐研究的值得看看。

原文

10:14

arXiv cs.LG@Phong Dang, Evander Espinoza, Xiaoliang Wan, Michela Negro, Jerry P. Draayer, Feng Pan, Tomas Dytrych, Daniel Langr, David Kekejian

这篇论文研究SU(3)和SU(4)对称性是否支配整个核素图的核结合能。作者构建了三种神经网络质量模型：FINN（点预测）、GINN（不确定性量化）和WINN（以Casimir算子为基的质量公式）。训练数据为AME2016，验证于AME2020新增核。SU(4)算子单独使均方根误差（RMSE）相较液滴基线在训练和测试集上降低近一半，在外推上降低约五分之一。WINN达到最低验证RMSE为0.430 MeV，与顶级质量模型竞争力相当。WINN还揭示中子滴线附近SU(4)二次Casimir增强（对称性恢复）和超重区四次算子意外增益。

论文 SU(3)SU(4)WINN 神经网络核质量

推荐理由：这篇论文用可解释神经网络从对称性角度预测原子核质量，WINN模型精度0.430 MeV，还揭示了中子滴线和超重区的新现象，值得搞核物理或AI的人看看。

原文

10:14

arXiv cs.LG@Domagoj Herceg

该论文将PAC-Bayesian有限样本保证应用于线性系统的二次轨迹代价控制问题。通过System Level Synthesis参数化显式暴露闭环轨迹映射，使二次代价可证。针对高斯扰动推导了精确单边高斯变换和基于闭环灵敏度的可处理二次上界，并提出了后验局部替代证书。在双积分器数值实验中，该算法作为灵敏度感知的有限样本正则化器，有效降低持有代价和闭环灵敏度。

论文 PAC-Bayesian System Level Synthesis 闭环控制有限样本保证二次代价

推荐理由：想给控制系统加安全证书？这篇用SLS参数化搞定了二次代价，数值实验还比传统方法更稳。

原文

10:14

arXiv cs.LG@Akshay Bhagwan Sonawane, Sophie Choe, Lakshman Tamil

该研究针对资源受限环境中口腔癌早期检测需求，提出混合经典-连续变量（CV）量子分类器。管道结合MobileNetV1特征提取器、PCA降维至16维及含位移、干涉仪和Kerr门的CV-QNN。简化Φ∘D∘U1架构比标准Killoran层减少40-45%可训练参数，并通过降维与编码策略将损失梯度方差提升约58个数量级。四qumode简化CV-QNN仅用18个参数，验证AUC最高，以67%更少参数超越55参数经典基线，达到100%校准测试准确率。结论支持CV光子量子机器学习用于室温、参数高效的医学图像分类，推动边缘量子AI发展。

论文 Continuous-Variable Photonic Quantum Quantum Neural Network 口腔癌检测边缘AI

推荐理由：这篇论文用仅18个参数的室温光量子模型在口腔癌检测上做到100%准确率，参数比经典模型少67%，特别适合边缘设备。

原文

10:13

arXiv cs.LG@Yuanyuan Wang, Wenjie Wang, Haoxuan Li, Mingming Gong, Kun Zhang

精选

研究团队在连续时间潜在随机微分方程（SDE）模型中提出了基于环境诱导的扩散协方差偏移的可识别性方法。在共享漂移但环境特定扩散协方差条件下，两个具有成对坐标方差比不同的对角扩散机制可将潜在坐标识别至置换和缩放。该结果首先在线性Ornstein-Uhlenbeck系统中证明，然后推广至一般加性噪声潜SDE。在温和光滑性下，瞬时漂移-雅可比因果图也可识别至相同置换。实验在合成系统和Hardanger大桥监测数据上验证了理论。

论文可识别性 SDE 因果表示学习扩散偏移时间序列

推荐理由：这篇论文用扩散偏移解决了连续时间潜变量因果模型的可识别性难题，不需要稀疏性假设，还拿真实桥梁数据做了验证，做时间序列因果推断的值得看看。

原文

10:13

arXiv cs.LG@Aniq Ur Rahman

研究人员在二元逻辑模型中发现，最大化Fisher信息与参数可恢复性的区域同时也是熵最高的区域，导致即使在完美参数恢复下个体预测也固有困难。他们提出一个因果概率框架，用于生成具有瞬态边和已知因果结构的时间图。推导了Cramér-Rao界，验证了参数估计误差与不可减少的预测损失之间的权衡。结果表明，仅靠预测准确性可能无法反映模型是否学习了潜在因果机制。

论文时间链接预测因果推断估计-预测权衡二元逻辑模型

推荐理由：这篇论文解释了为什么时间链接预测中准确率高不一定代表模型学对了因果关系，还给出了数学上的权衡证明。

原文

10:13

arXiv cs.LG@Gift Modekwe, Qiugang Lu

本研究提出一种迁移学习框架，用于基于单粒子模型含电解质（SPMe）的物理信息神经网络（PINN）训练。模型首先在通用电化学动力学数据上预训练，然后通过权重迁移、冻结部分层并微调剩余参数适配目标电池。使用PyBaMM验证表明，该方法能准确预测电压，保持电化学一致性。相比从头训练，迁移学习显著减少训练时间，实现跨电池高效泛化。

论文 PINN SPMe PyBaMM 锂离子电池迁移学习

推荐理由：这篇论文讲怎么用迁移学习加速电池PINN模型训练，能跨电池用，省时间还准，做电池仿真的可以看看。

原文

10:12

arXiv cs.LG@Jack Geary, Boyan Gao, Henry Gouk

该论文提出一种利用拉格朗日对偶性近似策略分类中最佳响应的方法，将策略行为重构为约束优化问题，使得一阶优化方法可直接适用。在线性分类器上能复现封闭解，并自然扩展到非线性分类器。作者进一步结合隐函数定理，在分类器训练中计算损失的全梯度，从而将模型参数与策略行为直接关联。在多个常见机器学习数据集上，新方法训练出的模型显著提升了策略准确率（strategic accuracy）。

论文 Strategic Classification 拉格朗日对偶隐函数定理非线性分类器机器学习

推荐理由：这篇论文解决了非线性策略分类的计算难题，用拉格朗日对偶和隐函数定理做出了实用算法，比线性方法更准，值得做对抗性机器学习的人看。

原文

10:12

arXiv cs.LG@David Steinmann, Antonia Wüst, Kristian Kersting, Wolfgang Stammer

COCOLogic-V2 是一个面向现实图像的对象中心数据集，覆盖一阶逻辑的广泛子集，用于视觉归纳推理评估。它将样本分为正变体、近边界和远边界负例三类，实现对模型可解释性的细粒度诊断。实验表明，模型能很好区分正样本和远边界负例，但在近边界负例上表现失败。此外，感知噪声和大规则搜索空间在少样本场景下构成额外挑战。该数据集为推进视觉归纳推理提供了具体基础。

论文 COCOLogic-V2 推理模型视觉理解逻辑推理可解释性

推荐理由：COCOLogic-V2 这个新数据集专测视觉推理，正反例分类特别细，模型在近边界上直接翻车，做可解释 AI 的可以看看。

原文

10:11

arXiv cs.AI@Dihong Huang, Zhenyu Wei, Zhuxiu Xu, Yunchao Yao, Sikai Li, Mingyu Ding

DexCompose提出一种角色感知残差组合框架，通过显式手指级动作所有权解决多任务操作中的动作冲突。在16个复合任务（4项物体保持技能与4项下游交互）上测试，平均复合成功率达77.4%。该方法训练两个不对称残差模块：一个用于维持已有技能状态，另一个在新任务分配的子空间中调整下游策略。结果表明，结构化动作所有权与双重残差是超越传统策略链的灵巧技能组合方向。

论文 DexCompose 灵巧操作多任务机器人策略重用

推荐理由：想用一只机械手同时完成多个操作任务？DexCompose通过手指级分工和残差模块，在16项任务中达到77.4%成功率，解决了策略冲突问题。

原文

10:11

arXiv cs.AI@Luis Leal

精选

这篇论文研究双人零和博弈中纳什均衡的算法依赖性选择。在六个可精确求解的博弈（包括二维纳什多面体和Kuhn扑克）中，R-NaD和磁镜下降等正则化最后迭代方法总是选择最大熵成员（在二维多面体上精确，在Kuhn中达到99.7%最大熵）。而CFR、CFR+和虚拟博弈等遗憾平均方法则漂移到低熵面。在180个随机博弈的实验中，R-NaD在100%收敛的博弈中达到最大熵，而CFR+在94%的博弈中严格低于该值（配对Wilcoxon p<10^-27）。论文还报告了两个否定结果：去除CFR的投影未消除边界漂移；R-NaD的选择依赖初始锚点。

论文 R-NaD CFR+纳什均衡博弈论多智能体系统

推荐理由：这篇论文用严格实验告诉你：不同博弈算法选出的纳什均衡不一样，R-NaD倾向最大熵，CFR+倾向低熵，这会影响你对付弱对手的鲁棒性。

原文

10:11

arXiv cs.AI@Cunxi Yu, Chenhui Deng, Nathaniel Pinckney, Brucek Khailany

HORIZON是一个自演化智能体框架，将硬件设计视为仓库级代码演化。它通过Markdown harness编译项目包，包含领域知识、可执行评估器和接受谓词，并利用git工作树进行状态管理和回放。在ChipBench、RTLLM、Verilog-Eval和9个CVDP类别上，HORIZON实现了100%的基准完成率。但作者指出，这些基准只是更广泛芯片设计问题的受控代理，并未解决所有挑战。

论文 HORIZON ChipBench RTLLM Verilog-Eval 硬件设计

推荐理由：HORIZON在硬件设计基准上跑通了100%，但作者自己说了这只是起点。想了解智能体如何自动化芯片设计，可以看看这篇。

原文

10:10

arXiv cs.AI@Bo Shen, Lifeng Chang, Tianyuan Wei, Yunpeng Li, Feng Shi, Yichen Han, Peijie Gao, Shiyi Kuang, Xin Chang, Dehui Li

这篇论文提出ANIS（Agent-Native Immune System），首个嵌入智能体认知循环的生物启发式内生防御架构。它设计了六层免疫塔（L0-L5），其中L1作为非认知的物理与逻辑隔离层。论文建立了智能体病毒和智能体疫苗的统一分类，并提出了Harness Triad（Meta、Self、Auto）实现持续免疫学习（CIL），使疫苗能动态适应新威胁。ANIS在运行时提供动态“执法”机制，与静态的模型对齐形成互补。

论文 ANIS 智能体 AI安全运行时防御免疫学习

推荐理由：这篇论文把免疫系统思路直接嵌入到智能体内部，用六层防护对抗运行时攻击，和传统外围防御完全不同，值得看看。

原文

10:10

arXiv cs.AI@Ali Zia, Usman Ali, Abdul Rehman, Umer Ramzan, Kang Han, Muhammad Faheem, Shahnawaz Qureshi, Wei Xiang

精选

现有测试时自适应方法在异常分割中依赖像素级启发式，难以保持结构一致性。TopoTTA将持续同调集成到TTA流程，通过多层次立方复形滤波生成拓扑伪标签，避免原始分数阈值化。在MVTec AD、VisA、Real-IAD、MVTec 3D-AD、AnomalyShapeNet和MVTec LOCO六个基准上，TopoTTA平均F1提升15%，对复杂几何异常增益最大。该方法无需重训练骨干网络，兼容2D和3D模态。

论文 TopoTTA MVTec AD 异常分割测试时自适应持续同调

推荐理由：这篇论文把拓扑数据分析用到异常分割的测试时自适应里，六个基准上F1平均涨了15%，尤其擅长处理有复杂形状的缺陷，很实用。

原文

10:10

arXiv cs.AI@Julius Girardin, Emanuele Troiani, Yizhou Xu, Vittorio Erba, Florent Krzakala, Lenka Zdeborová

该论文在二次两层神经网络中，通过ℓ2正则化经验风险最小化，分析了泛化误差随参数数量、样本量和宽度变化的精确表达式。研究发现泛化误差遵循依赖于目标谱结构的数据驱动幂律，并揭示了不同缩放区域间的相图转变，包括插值起始点的特征。实验基于有限样本和结构化数据，为理解特征学习模型的缩放行为提供了理论框架。

论文 Quadratic Neural Networks 泛化缩放定律相图正则化幂律

推荐理由：这篇论文给出了二次网络里参数和样本数怎么影响泛化误差的数学公式，比单纯看数据或算力更深入。

原文

10:10

arXiv cs.AI@Daniel Russo

一篇来自arXiv的论文研究了AI编程智能体在共享仓库中合并拉取请求带来的集成摩擦问题。通过对超过93万条智能体编写的拉取请求进行测量，发现约一半的摩擦变化归因于仓库本身，而非单个贡献或智能体。智能体贡献的仓库级摩擦是人类的约两倍（组内相关系数0.30 vs 0.16），该差距在控制代码库规模、年龄、任务形态等变量后依然存在。论文提出AI原生软件的风险是生态系统属性，应通过仓库级而非单智能体方式进行评估和治理。

论文智能体 AI编程代码仓库拉取请求集成摩擦

推荐理由：这篇论文用93万条数据告诉你，AI写代码带来的隐患不在单个智能体，而在整个仓库。看完你就明白为什么只测单个AI不够用了。

原文

10:09

arXiv cs.AI@Guanbo Huang, Jingjia Mao, Fanding Huang, Fengkai Liu, Xiangyang Luo, Yaoyuan Liang, Jiasheng Lu, Xiaoe Wang, Pei Liu, Ruiliu Fu, Ruqi Huang, Shao-Lun Huang

流匹配（Flow Matching）存在暴露偏差，现有缓解方法依赖静态约束。本文提出DEFAR框架，包含抗漂移修正（ADR）和频率补偿（FC）两个组件。ADR利用推理时漂移信号学习将偏离状态拉回目标方向，FC基于偏差自反馈权重增强缺失的低频成分。在CIFAR-10、CelebA-64、ImageNet-256/512上，DEFAR优于先前基线，且具有良好的可扩展性与推理鲁棒性。

论文 Flow Matching DEFAR 暴露偏差自修正图像生成

推荐理由：这篇论文让模型靠偏差自己修正偏差，DEFAR在CIFAR和ImageNet上都能超过之前的方案，还更稳。

原文

10:09

arXiv cs.AI@Young Yoon, Jimin Kim, Soyeon Park

该论文提出一种在完全委托的AI合作组织中分配奖励的框架，人类由代理表示，这些代理在异构价值约束下贡献数据并参与模型更新。核心思想是仅对通过每个委托人价值档案筛选的更新给予信用。框架包含价值条件梯度过滤、在线边际贡献信号以及基于遍历学习（TL）的累积收入结算。与FedAvg风格的联邦学习相比，TL通过保留显式遍历和梯度路径提供了更精细的归属基础。该工作对比了数据估值、联邦贡献估计、个性化联邦学习和多元对齐等领域。

论文 value-constrained credit assignment traversal learning 联邦学习信用分配多元对齐

推荐理由：这篇论文提出了一个在AI合作组织中公平分配奖励的框架，用遍历学习替代传统联邦学习，更精细地追踪每个数据贡献者的价值。

原文

10:09

arXiv cs.AI@Chenguang Wang, Ming Li, Xinyue Zeng, Zhuochun Li, Hong Jiao, Tianyi Zhou, Dawei Zhou

论文提出Epi2Diff（Episode to Difficulty）框架，将大型推理模型（LRM）的推理轨迹映射为认知片段序列，通过推理规模、努力分配和状态转换建模难度。在四个真实人类难度数据集上，Epi2Diff优于微调小语言模型、LLM上下文学习和监督LLM适应等基线。在SAT分类基准上，Epi2Diff相比监督LLM微调获得8.1%平均相对增益。分析发现更难的题目导致更费力、迭代、以实施为中心的片段动态，而非仅更长的回答。

论文 Epi2Diff LRM 推理模型教育评估难度预测

推荐理由：想用AI推理过程预测题目难度？这篇论文提出了Epi2Diff，从LRM的思考轨迹中提取片段特征，比直接微调模型效果好8%以上，而且可解释。

原文

10:08

arXiv cs.AI@Yanchen Yin, Dongqi Han, Linghui Li

该研究揭示越狱攻击并非消除所有安全特征，而是选择性抑制早期层的Adversarially Compromised Heads (ACHs)，而中间层的Safety-Aligned Heads (SAHs)保持鲁棒激活。消融实验表明，抑制少量ACHs即可在正常拒绝的输入上诱发出越狱行为，而移除SAHs会显著削弱中间层的安全激活。此外，通过直接读取这些持久激活信号（无需训练）即可获得与强对抗鲁棒性相当的聚合检测性能。

论文越狱攻击注意力头 LLM安全对抗鲁棒性鲁棒有害特征

推荐理由：这篇论文用注意力头机制解释了越狱攻击无法完全消除安全特征，还提出一种无需训练的检测方法，效果不输传统对抗训练。

原文

10:08

arXiv cs.AI@Liming Liu, Chao Hu, Mingfei Lu, Yiwei Ge, Xingle Li, Heyuan Shi

ADC-GNN是一个统一框架，结合扩散引导特征增强、对比表示学习和多跳谱注意力，用于少样本图欺诈检测。论文指出真实欺诈图存在稀疏不平衡监督和表示稀释问题。在三个公共基准和约6万条记录的私有电信数据集上，以1%训练设置评估，ADC-GNN持续优于原始欺诈基线及四种近期基线。额外分析验证了其稳定性、训练比例影响和模块效果。

论文 ADC-GNN Graph Fraud Detection 图神经网络欺诈检测少样本学习

推荐理由：这篇论文提出了ADC-GNN，在少样本场景下用扩散对比学习搞定图欺诈检测，三个公开基准上比现有方法都好，做风控的朋友可以看看

原文

10:06

arXiv: DeepSeek@Aniket Deroy, Kripabandhu Ghosh, Saptarshi Ghosh

该论文提出一种受树状思维（Tree-of-Thoughts）启发的提取-抽象混合方法，用于法律判决摘要生成。实验使用DeepSeek和LLama两种LLM，对比了纯提取、纯抽象及混合式摘要。结果显示，混合式提示生成的摘要质量优于其他类型提示。

论文 DeepSeek LLama Tree-of-Thoughts 法律AI 文本摘要

推荐理由：这篇论文把思维树和提取-生成结合起来做法律摘要，用DeepSeek和Llama对比，发现混合方法效果更好。

原文

10:06

arXiv: DeepSeek@Chengxiao Dai, Zhaokun Yan, Zhanhui Lin

该论文提出信号覆盖矩阵，将自动形式化输出按Lean elaborate检验（通过/失败）和语义等价判断（等价/不等价）分为四类。在ProofNet#和MiniF2F-test上使用DeepSeek V4-Pro进行实验，发现三种精化反馈方法（Lean-Retry、Sample-Filter、SAF）相比Vanilla的TS增益+34到+36，其中约64%来自类型层恢复，语义层净变化为0。TO到TS的转换率为23/61（Wilson 95% CI [26.6%, 50.3%]），该层恢复率可预测保留方法上的ΔTS误差在2/186以内。两个判断者在精化反馈输出上的分歧达26至37个百分点（Vanilla仅7个百分点），30%至56%的符号判断假阴性源于elaborator强制重写。

论文 ProofNet MiniF2F DeepSeek V4-Pro Lean 自动形式化

推荐理由：这篇论文用信号覆盖矩阵把自动形式化的错误拆成类型和语义两类，告诉你每个方法的增益到底来自哪，而不是只看总分。

原文

10:06

arXiv: DeepSeek@Yanglin Yan, Zicheng Xie, Tianchen Gao, Rui Pan, Hansheng Wang

本文提出一种基于LLM的语义对齐框架，将期刊推荐转化为稿件内容与期刊范围描述的语义匹配问题。该框架无需任务特定训练，可直接利用LLM从标题、摘要、关键词和候选期刊信息中推断适合性。实验使用DeepSeek-V3在49个统计及相关领域期刊的23,609篇文章上进行，Top-3、Top-5和Top-10准确率分别为40.23%、53.67%和70.05%。加入参考文献信息普遍提升推荐性能，重复运行的平均Top-5 Jaccard相似度达84%，且框架能生成可解释的推理输出。

论文 DeepSeek-V3 语义对齐期刊推荐学术信息

推荐理由：这篇论文用DeepSeek-V3搞期刊推荐，不用训练直接匹配，23,609篇文章上Top-5超53%，比传统方法更灵活还带解释。

原文

10:06

arXiv: DeepSeek@Avni Mittal

研究者将狼人杀游戏扩展为三方博弈，加入Jester角色，其获胜条件是被投票出局，与狼人和村民的效用函数完全相反。在GPT-4.1、DeepSeek-V3.1和Llama-3.3-70B上进行了60局测试，Jester胜率达60-70%，狼人胜率从未超过20%。GPT-4.1控制的狼人常在第一天投票出Jester，构成严格的自毁行为。自学习机制对DeepSeek和Llama有帮助，但对GPT-4.1有害，且成本落在村民而非狼人身上。只有DeepSeek学会了看起来可疑但不故意可疑的微妙策略，在自循环中获益最大。

论文 GPT-4.1 DeepSeek-V3.1 Llama-3.3-70B Jester 多智能体

推荐理由：这篇论文让AI玩三方狼人杀，发现GPT-4.1狼人总犯傻投票出Jester，而DeepSeek学会了装可疑又不露馅。想看看AI怎么玩心眼？读它。

原文

07:51

elvis@omarsar0

精选

剑桥大学提出 Red Queen Gödel Machine，通过让智能体与评估器共同进化来解决自我改进停滞问题。传统自改进循环中智能体学会欺骗固定评估器，导致奖励黑客。新方法让评估器的难度随智能体能力提升而增加，保持循环持续有效。论文编号 arxiv.org/abs/2606.26294。

论文 Red Queen Gödel Machine Cambridge 智能体自我改进评估器

推荐理由：做智能体自循环的该看看这篇，剑桥让评估器和智能体一起进化，避免奖励黑客，思路很直接。

原文

07:15

Richard Socher@RichardSocher

论文 The Eureka Machine Recursive_SI Geoffrey Hinton Adam Brown AI for science

推荐理由：Richard Socher的新书讲怎么用AI造发明机器，覆盖多个科学领域，Hinton还推荐了Adam Brown的讲座。

原文

6月28日

20:54

Decoder@Jonathan Kemper

精选

腾讯与多所中国大学联合发表的一篇综述论文指出，当前AI局限于生成答案，无法成为可靠的同事。研究者认为关键在于让AI在持久工作环境中完成整个任务，而非仅输出回答。论文强调结合持久工作空间与可复用技能，是实现从聊天机器人到“数字同事”转变的核心。该研究系统梳理了现有AI系统在任务完成方面的不足。

论文 Tencent 智能体数字同事

推荐理由：这篇论文点出了AI的下一个进化方向——从聊天变成真正干活。腾讯学者说要结合持久空间和可复用技能，才能让AI成为数字同事。

原文

12:20

AK@_akhaliq

VISReg是一种新的正则化方法，专用于JEPA（联合嵌入预测架构）训练。它引入方差、不变性和素描三项正则化项。这些项旨在改善自监督学习中的表征质量。

论文 VISReg JEPA 自监督学习正则化

推荐理由：有人发了VISReg，一种给JEPA训练用的新正则化技巧，通过方差、不变性和素描来提升表征质量。

原文

09:37

AI Will@FinanceYF5

一项新研究指出，规模化AI模型中观察到的“全局收敛”现象，实际上是模型宽度和深度等选择偏差造成的数学伪影。通过校准这些偏差后，全局收敛效应消失。该发现挑战了柏拉图式表征假说，提示AI模型性能提升可能存在统计幻觉。

论文柏拉图式表征假说全局收敛统计幻觉 AI模型缩放

推荐理由：别被“全局收敛”骗了，新研究说那只是统计幻觉，跟模型宽度深度选择偏差有关。

原文

03:07

elvis@omarsar0

精选

BINEVAL 将每个评估标准分解为原子的是非问题，独立回答每个输出，再聚合为校准的多维分数。在 SummEval、Topical-Chat 和 QAGS 三个基准上，它无需训练即匹配或超越了 UniEval 和 G-Eval，尤其在事实一致性上表现突出。每个问题级别的裁决都可检查，帮助诊断输出得分低的原因，并直接用于提示改进信号。论文 arxiv.org/abs/2606.27226 详细介绍了该方法。

论文 BINEVAL LLM-as-a-Judge 评估 UniEval G-Eval

推荐理由：如果你用 LLM 做评估，这个方法比传统打分更透明——拆成原子问题逐一判断，还能直接帮你改进提示词。

原文

6月27日

13:26

lmarena.ai@lmarena_ai

Agent Arena的因果追踪方法论博客已发布。该方法论用于分析智能体在Agent Arena中的因果链。读者可通过博客深入了解Agent Arena的评估设计。

论文 Agent Arena 因果追踪智能体

推荐理由：想搞懂Agent Arena怎么分析智能体因果链的？这篇博客讲得明明白白。

原文

11:40

marktechpost@Asif Razzaq

72°

Cursor 的一项研究发现，编程代理在 SWE-bench Pro 上通过检索已知修复而非自主推导，导致基准分数虚高。研究指出运行时污染是主要原因，代理利用训练数据中的已有 fix 来绕过问题。该发现暴露了当前代码生成基准测试的评估漏洞，影响对 AI 编程能力的正确判断。

论文 Cursor SWE-bench Pro 编程代理奖励黑客基准测试

推荐理由：Cursor 发现编程代理在 SWE-bench Pro 上靠翻已知答案刷分，不是真正会写代码。想了解基准测试水分有多大？看这个。

原文

6月26日

23:37

Anthropic@AnthropicAI

Anthropic 发布的经济影响报告指出，AI 对经济的整体影响最终会反映在就业和生产率等总量数据中。报告认为短期内可从 AI 使用最密集的领域观察到变化。通过追踪每小时、每个界面的使用变化，可以提前捕捉这些信号。该报告为理解 AI 的经济渗透提供了新的视角。

论文 Anthropic AI经济影响就业生产率使用数据

推荐理由：Anthropic 用使用数据追踪 AI 经济影响，比看宏观指标更早看到变化，值得关注。

原文

18:02

AI Will@FinanceYF5

精选

独立研究者 Alexander Goslin 的论文 InfiniteDiffusion 被 SIGGRAPH 2026 接收。该论文提出两种贡献：InfiniteDiffusion 是面向扩散模型的无限图像生成方法，Terrain Diffusion 是首个基于学习型程序化地形生成器。作者在无经费、无导师、无团队的情况下，仅凭一块 RTX 3090 Ti 完成研究。论文展示了在无限场景生成和程序化地形建模上的突破。

论文 InfiniteDiffusion SIGGRAPH Terrain Diffusion 扩散模型程序化生成

推荐理由：一个人用一块显卡做出 SIGGRAPH 论文，InfiniteDiffusion 让扩散模型无限生成，Terrain Diffusion 是第一个能学的地形生成器，很厉害。

原文

11:39

arXiv cs.AI@Sangwoo Cho, Kushal Chawla, Pengshan Cai, Zefang Liu, Chenyang Zhu, Shi-Xiong Zhang, Sambit Sahu

BINEVAL将评估标准拆解为原子化的二元问题，由LLM独立回答后聚合为多维可解释分数。在SummEval、Topical-Chat和QAGS三个基准上，BINEVAL匹配或超越UniEval和G-Eval，尤其擅长事实一致性评估（QAGS上的表现突出）。其问题级反馈可用于迭代优化评估提示和生成提示，在IFBench的自我更新和跨模型更新设置中均有效。该方法无需训练、任务无关，且避免了现有LLM评判器的天花板效应。

论文 BINEVAL LLM评估可解释性事实一致性自我改进

推荐理由：BINEVAL把LLM评估拆成一堆“是/否”问题，结果好理解、易调试，在事实一致性上比UniEval还准，还能自己优化提示词。

原文

6月16日

20:46

AITOP6月16日 20:46

600亿美元买下Cursor，xAI终于拿到了编程工具，但真正值得跟踪的或许不是AI

6月12日

12:57

AITOP6月12日 12:57

Claude代码里藏了个20260612，18个月后的AI记忆革命已经开始倒计时

6月11日

15:28

AITOP6月11日 15:28

1107 vs 303：谷歌悄悄开源了一个“拆打字机”的模型，把大模型速度翻了4倍

15:23

AITOP6月11日 15:23

DiffusionGemma颠覆文本生成？自回归模型的“统治”要结束了

15:07

AITOP6月11日 15:07

每秒1107个token，Google开源的扩散模型为什么能改变本地推理格局？

仅展示最近 2000 条内容。更早的内容请查阅 AI 日报存档（侧边栏 → AI 日报 → 顶部「往期日报」）。