Latest AI News & Industry Updates

Interface design itself becomes a learnable, evolving capability, meaning smaller open models can beat frontier systems on computer-use tasks at a fraction of the cost. Builders working on agents can reuse the open-source repository and apply the evolution loop to their own workflows. The results set a concrete cost-performance benchmark against GPT-5.5 and Claude Opus 4.8 that teams choosing an agent stack can weigh directly.

#Agent S4 #Qwen3.8-27B #computer-use agents #open-source models

Event

arXiv cs.AI@Saaket Agashe et al. (8)3 sourcesSource

Papers Builders09:49

Chinese contentNear-Duplicate 图片选择可向视觉语言模型传递隐含偏好

论文挺有意思：策展模型只是挑了挑几乎一样的图片，就把偏好悄悄传给了学生模型，LLaVA、Qwen 这些都中招，做数据清洗的值得看看。

#LLaVA-1.5 #Qwen2.5-VL #Qwen3-VL #AI安全

arXiv cs.LG@Jaeyoung Kim et al. (4)Source

Papers Builders09:47

Chinese contentAMD 提出 SliMOO：用多目标进化搜索做 LLM 深度剪枝

AMD 把剪枝当成多目标优化来做，Llama-3.1-70B 砍掉 25% 层后数学分还能涨 10 个点，代码也会开源。

#SliMOO #Llama-3.1 #Qwen3 #模型压缩

arXiv cs.LG@Guanchen Li et al. (5)Source

Papers Builders09:38

Chinese contentAgenticVulHunter：用本地开源模型在终端里挖漏洞

研究者做了个能在终端本地跑的漏洞挖掘智能体，用 DeepSeek V3.1 和 Qwen3-Coder 测出了比 Claude Sonnet 4 方案还高的准确率，搞安全审计的可以看看。

#AgenticVulHunter #Qwen3-Coder #DeepSeek V3.1 #代码安全

arXiv: DeepSeek@Nishant Abhishek et al. (3)Source

Papers Builders12:48

Chinese contentBrainLoRA 用参数高效微调刷新脑编码模型性能

把 LoRA 微调用在脑编码上，连 104B 的 Qwen3-Omni 都能高效适配，还拿了 Algonauts 2025 第一，做法挺巧的。

#LoRA #脑编码 #Qwen3-Omni #Algonauts

arXiv cs.LG@Zhuofan Josh Ying et al. (9)Source

Papers BuildersMulti-source12:36

Chinese contentOpenVLHarness:带多模态记忆的视觉智能体工具调用框架

一个开源的视觉 Agent 框架，给多模态模型外挂工具和记忆，22 个基准平均涨 10 分左右，成本还只要竞品的三成多。

#OpenVLHarness #Qwen3-VL #GPT-6 #多模态

Event

arXiv cs.AI@Yu Zhou et al. (11)11 sourcesSource

Papers Builders12:35

Chinese contentWeAct：让智能体通过权重切换获得能力

这篇论文把"换适配器"变成智能体的一种动作，让模型在执行中自己选能力，Qwen3-32B 上比静态 LoRA 合并高 27.5%，做 agent 的可以看看思路。

#WeAct #Qwen3-32B #LoRA #智能体

arXiv cs.AI@Rui Shi et al. (5)Source

Papers Builders12:32

Chinese contentTokenGate：可学习的 token 剪枝让长上下文预填充更快更省显存

一篇很实用的推理优化论文：给 Qwen3 加个小模块做 token 剪枝，TTFT 最快快 11 倍，代码开源可以直接试。

#TokenGate #Qwen3 #token剪枝 #推理优化

arXiv cs.AI@Liana Patel et al. (5)Source

Papers Builders11:49

Chinese content固定推理预算下的答案交付研究：停止策略与终结提示的组合实验

论文测了在固定 token 预算下怎么让模型真的把答案交出来，Qwen3-4B 和 DeepSeek 蒸馏版各涨了 8 和 7 个点，做推理部署的可以看看。

#GSM8K #Qwen3 #DeepSeek-R1 #推理模型

arXiv: DeepSeek@Yupeng Chang et al. (5)Source

Papers Builders11:48

Chinese contentNash-MOPD：用局部极小极大博弈优化多教师在线蒸馏的任务分配

一篇蒸馏调度的论文，把多个教师的训练预算分配问题建模成博弈，在 DeepSeek 和 Qwen 的蒸馏模型上比固定配比效果更好，做蒸馏的可以看看。

#Nash-MOPD #知识蒸馏 #DeepSeek-R1-Distill-Qwen-1.5B #Qwen3-8B-Base

arXiv: DeepSeek@Siyuan Gan et al. (7)Source

Papers Builders11:48

Chinese content研究：GEPA 与 SkillOpt 在 DeepSeek V4 Flash 和 Qwen3.8-27B 本地部署上的效果差异

GEPA 在 MATH-500 上能从 0.828 拉到 0.904，但在 HotpotQA 上完全没用，SkillOpt 还会翻车——如果你在本地跑推理模型做提示词优化，这篇能帮你避坑。

#GEPA #SkillOpt #DeepSeek #Qwen

Event

arXiv: DeepSeek@Andrea Giummarra et al. (6)2 sourcesSource

Papers BuildersSelected11:47

Addressed-Memory Writes Fail at Reasoning in Qwen3 and DeepSeek Beds

Memory write-injection looks like a cheap way to add knowledge to a deployed model, but these results show the added facts cannot be chained into multi-hop reasoning by the model itself — orchestration must live in the application layer. Builders wiring RAG-style memory into agents should chain written atoms explicitly in prompts or system logic, and benchmark vendors should adopt coverage, synergy and distortion reporting. The tested beds include Chinese frontier models Qwen3 and DeepSeek, making the findings broadly relevant across model families.

#memory #DeepSeek #Qwen #RAG

arXiv: DeepSeek@Wei Gao et al. (4)Source

Papers Builders11:46

Chinese contentCoEvo-RSI 论文提出模型与执行框架协同进化框架，缓解脑身不匹配问题

一篇研究智能体自我改进的论文，Qwen3.5-9B 用它这套框架跑赢了 DeepSeek-V4-Pro 和 GLM-5.3，做 agent 的可以看看思路。

#CoEvo-RSI #Qwen3.5-9B #智能体 #递归自我改进

Event

arXiv: DeepSeek@Jiaqi Su et al. (8)2 sourcesSource

Papers BuildersMulti-source09:30

Chinese contentBellman Language Models：把 LLM Agent 决策当 MDP 一次性求解

把 Agent 反复遇到的决策当成 MDP 求解一次然后复用，Qwen3.8-27B 在 τ²-bench 上从 29% 冲到 96%，成本降 98%，思路挺新的。

#Bellman Language Models #τ²-bench #Claude Opus 5.5 #Qwen3.8-27B

Event

arXiv cs.AI@Adarsh Vatsa, William Eiers3 sourcesSource

Papers Builders09:27

Chinese contentIF-MAP：用影响函数思路给多智能体系统排序优化优先级

多智能体系统预算有限时，这篇论文教你怎么算出该先优化哪个 agent，六个工作流实测收益翻倍。

#IF-MAP #多智能体 #Qwen3-8B #DeepSeek-V3.2

arXiv: DeepSeek@Jie Mao et al. (9)Source

Papers Builders10:04

Chinese contentLM2LM：用 RL 训练 LLM 提出语言模型改进方案

用世界模型当奖励模型训练 AI 自己改进模型，Qwen3.8-27B 训完居然超过 GPT-6-sol，成本还降了 33%。

#LM2LM #Qwen3.8-27B #GPT-6-sol #强化学习

Event

arXiv cs.AI@Minhua Lin et al. (10)2 sourcesSource

Papers Builders10:04

Chinese contentSchemaShield-Lite：无需重训即可修复 LLM 智能体的接口漂移问题

做智能体工具调用的朋友看这篇，工具接口一改模型就崩，SchemaShield-Lite 不用重训就能在 BFCL-200 上把准确率从 0.58 拉到 0.805。

#Qwen3.5-9B #Function Calling #智能体 #BFCL

Event

arXiv cs.AI@Aniruddha Chattopadhyay et al. (3)2 sourcesSource

Papers10:00

Chinese contentMGE-PO：用熵感知信用分配改进数学推理训练

这篇论文针对 GRPO 对同奖励响应一视同仁的问题，用生成熵给对错响应加不同权重的修正项，Qwen2.5-7B 上 avg@32 从 41.5% 提到 45.4%。

#MGE-PO #GRPO #Qwen3 #Qwen2.5

arXiv cs.AI@Jihao Huang et al. (12)Source

Papers Builders09:24

Chinese contentBeacon 框架改进 GRPO 安全对齐，安全错误率降低 32.83 个百分点

这篇论文解释了为什么 GRPO 做安全对齐会失效，还给出了 Beacon 框架，在 Qwen3 和 DeepSeek-R1-Distill 上把安全错误最多降了 32.83 个百分点。

#GRPO #Beacon #Qwen3 #DeepSeek-R1

arXiv: DeepSeek@Jiawei Chen et al. (12)Source

Papers Builders11:28

Chinese content双视觉表示提升时序推理：Qwen3-VL-8B 上 TSRBench 准确率从 44.5% 升至 53.2%

一篇论文让 Qwen3-VL-8B 同时看折线图和延迟嵌入，时序推理准确率从 44.5% 拉到 53.2%，做时序分析的可以看看这个双视图思路。

#Qwen3-VL-8B #TSRBench #时序推理 #多模态

arXiv cs.LG@Hedi Zisling et al. (5)Source

Papers Builders11:28

Chinese contentCATCH 方法通过持续对抗训练提升 LLM 诚实度

一篇把对抗训练用在诚实度上的论文，几百个样本就能让 Llama-3.3-70B 在三个诚实度基准上变靠谱，还能不掉能力。

#CATCH #Llama-3.3 #Qwen3 #AI安全

arXiv cs.LG@Yuan-Chen Chang et al. (4)Source

Papers Builders09:44

Chinese contentWaypoint-OPD：用门控在策略蒸馏迁移 RL 引起的策略变化

一篇蒸馏论文：用教师模型 RL 中途检查点的方向一致性做门控，Qwen3 系列学生六个设置全拿下最高分，成本只多一次打分。

#Waypoint-OPD #Qwen3 #知识蒸馏 #推理模型

arXiv cs.LG@Bingxi Hou et al. (7)Source

Papers Builders09:30

Chinese contentarXiv 论文提出 ClaimScope：数学声明审计基准，验证器反馈提升补全率

一篇数学审计方向的论文，搭了个 72 任务的基准，用 Qwen3-8B 测出验证器反馈确实能帮模型交出更多可用反例。做数学推理评估的可以看看它的任务设计。

#ClaimScope #Qwen3-8B #数学推理 #基准测试

arXiv cs.LG@Mushir AkhtarSource

Papers BuildersMulti-source09:17

Chinese content研究测试向 Qwen3.8-Flash 与 DeepSeek-V4.1 记忆模块写入知识的可行性

把知识写进模型记忆到底行不行？这篇论文在 Qwen 和 DeepSeek 上做了实测，命中率数据挺扎眼，做记忆机制研究的值得看数据。

#Qwen3.8-Flash #DeepSeek-V4.1-Flash #GPT-2 #知识注入

Event

arXiv: DeepSeek@Wei Gao et al. (4)8 sourcesSource

Papers Builders12:56

Chinese contentLatent Compaction：用测试时训练压缩 KV cache，32 倍压缩下 RULER 准确率达 96.7%

清华 THUNLP 开源了个 KV cache 压缩方法，压到 1/32 还能在 RULER 上保持 96.7% 准确率，比 KVZip+ 的 40% 高出一大截，长文档检索场景可以直接试。

#KV cache #测试时训练 #RULER #Qwen3

arXiv cs.LG@Yingfa Chen et al. (4)Source

Papers Builders12:53

Chinese contentHP-RLVR：单条轨迹完成 token 级信用分配，训练速度最高达 GRPO 2.30 倍

训练 LLM 推理的同学看看：单条 rollout 就能做 token 级信用分配，数学上还比 GRPO 快 1.2 到 2.3 倍，代码比较可以少八倍采样。

#HP-RLVR #GRPO #Qwen3-8B #强化学习

arXiv cs.AI@Wei Chen et al. (12)Source

Papers BuildersSelected12:52

BizBench Benchmark Tests Agent Execution Validity in Payments Workflows

The benchmark shows that outcome-only evaluation masks invalid execution, since models can hit the final goal while violating constraints mid-run — a gap that matters most in regulated domains like payments where intermediate errors carry financial or compliance consequences. Agent builders can use the 50-task suite and deterministic checks to measure constraint compliance and tool-call overhead, not just task success. Teams choosing models for workflow automation get a direct comparison of frontier and open models under identical conditions.

#BizBench #agents #benchmark #Claude Opus 5

arXiv: DeepSeek@Enhan Zhao et al. (9)Source

Papers Builders12:49

Chinese contentActionOPD：动作级在线蒸馏方法，让小模型学会智能体决策

把强智能体蒸馏进小模型的新方法，不要求师生同族模型，Qwen3-4B 实测涨 3.3-6.9 个点，做 agent 压缩的可以看看。

#ActionOPD #Qwen3 #知识蒸馏 #智能体

arXiv cs.AI@Huining Yuan et al. (8)Source

Papers Builders12:44

Chinese contentarXiv 论文：证伪驱动的模型无关智能体协议，输出纪律决定决策下限

用中医辨证基准证明了件事：很多模型翻车不是能力不够，是输出纪律不行。他们设计的证伪协议能把 Kimi K3 的方差从 0.218 压到 0.007，写智能体的值得看看。

#TCMEval-SDT #DeepSeek-V4-Flash #Kimi K3 #智能体

Event

arXiv: DeepSeek@Jing Liu et al. (4)2 sourcesSource

Papers Builders12:41

Chinese contentAesCode 用图像引导强化学习提升代码生成的视觉质量

做幻灯片、海报生成的朋友看看这篇：代码模型配上参考图做 RL，8B 小模型的视觉分数追上了 GPT-5.5，方法拆得很细。

#AesCode #Qwen3-VL #GPT-5.5 #强化学习

arXiv cs.AI@Xin Gao et al. (16)Source

Papers BuildersMulti-source12:32

Chinese contentLAGO：把专用语言代理变成可复用选项，SWE-bench 解决 58.6%

新论文 LAGO：把成功子任务存成可复用选项库，不改权重跨任务变强，SWE-bench 上跑赢 mini-SWE-agent 和 Terminus 2。

#LAGO #SWE-bench #Qwen3.5 #mini-SWE-agent

Event

arXiv cs.AI@Yuran Wu et al. (8)4 sourcesSource

Papers Builders09:42

Chinese content文言文当推理语言：Wenyan Thinking 让中文模型思考更省 token

这批研究者把 Qwen3 的推理过程微调成文言文，更省 token、漏答更少，还压过了同样压缩过的白话版。

#Qwen3 #文言文 #推理模型 #微调

arXiv cs.AI@Minghan Li, Guodong ZhouSource

Papers BuildersSelected09:22

Primus Projection Cuts Distributed LLM Training Tuning to Single-Node Simulation

Teams burning GPU-hours on OOM crashes and suboptimal parallelism recipes can instead score candidate configurations in seconds on one machine, then commit only to the promising ones. The paper's validated error rates at production scale — including on DeepSeek V3 and Qwen3 — make the projections credible for real deployments. Engineers planning training runs on 256 to 1,024 GPU clusters, or on hardware not yet available, get a practical tuning workflow they can adopt directly.

#Primus Projection #distributed training #DeepSeek #Qwen3

arXiv: DeepSeek@Anshu Raina et al. (10)Source

Papers08:23

Chinese contentEventLens：用事件结构强化学习改进视频时序理解

给视频模型换个练法：不背字幕改练事件排序，GRPO 免人工标注，Qwen3-VL 上实测有效。

#EventLens #Qwen3-VL #GRPO #视频理解

arXiv cs.AI@Guowen Zhang et al. (9)Source

AITOP16:09

Anthropic拟10月在新加坡设亚太第五个办事处开...

Anthropic拟10月在新加坡设亚太第五个办事处开放本地招聘数据显示，按人口比例计算，新加坡的Claude.ai使用水平在121个国家中排名第二。我们观察到，人工智能公司Anthropic计划于10月在新加坡设立其亚太地区的第五…

AITOPRead

AITOP12:07