arXiv 论文测试 galahad-kv 记忆层：50M token KV 状态复用快于重新计算

一篇 arXiv 论文测试公开包 galahad-kv，将约 16,000 token 分块的 KV 状态保存到加密本地 NVMe，并在后续按字节精确加载。

Scale AI 在审计发现可被钻空子后从 SWE-Bench Pro 删除 89 个任务

Scale AI 将公开 SWE-Bench Pro 榜单从 731 个任务缩减至 642 个，删除 89 个无效任务，并锁定评测运行时，V2 已成为默认配置。

评论：OpenAI GPT-6 Astra 参与晶格手征费米子预印本研究

粒子理论家 Nathaniel Craig 在 OpenAI 访问期间发布 arXiv 预印本 A gauge-invariant measure for lattice chiral fermions，并称 GPT-6 Astra 主导了证明迭代、Lean 验证和部分补充材料写作。

研究发现女性呈现的 AI 智能体薪酬低于男性呈现的 AI 智能体

利默里克大学研究发现，在虚拟现实办公室中，人类给底层技术相同的男性 AI 智能体支付更高报酬，女性呈现的 AI 智能体完成同样工作时薪酬约低 10%。实验有 189 名参与者，男性智能体 Johan 还被认为比女性智能体 Johanna 更像人类。该研究将于本周在芬兰瓦萨举行的第 14 届北欧人机交互会议上发表。

sudo L7 基准发布：衡量编码智能体的资深工程判断力

Surge 发布 sudo L7 软件工程基准，用 60 个由资深工程师编写的任务评估编码智能体在写代码之外的专业判断。任务主要来自真实公司的私有生产仓库，覆盖后端、前端、安全、可靠性和架构，并按八个维度评分。

面向生成式 AI 与 LLM 的 Topos 理论

一篇论文提出用 topos 理论设计新型范畴化生成式 AI 架构（GAIAs），将 LLM 视为函数并论证其范畴构成 topos。该架构基于 pullback、pushout、(co)equalizer、指数对象与子对象分类器等组合结构，并用函子化反向传播给出可能实现。论文共 30 页，编号 arXiv:2508.08293。

Cliphouse 发布 LLM Motion Graphics Benchmark v1.1，对比 10 个模型的 Remotion 动态图形生成能力

Cliphouse Research 发布 2026 年 10 月 v1.1 LLM Motion Graphics Benchmark，让 10 个模型完成相同的 3 个 Remotion 动态图形 brief，并渲染全部结果。

Samaya 研究称前沿 AI 模型在财报惊喜预测上超过分析师

Samaya 的研究称，接入其金融预测环境的最新前沿 AI 模型在456家公司Q2财报惊喜预测中超过分析师共识和偏差校正共识。

Clicks Dynasty 研究：56 个美国大品牌的 robots.txt 多数未限制 AI 爬虫

Clicks Dynasty 于 10 月 8 日检查 56 个美国知名品牌的 robots.txt，覆盖 7 个行业各 8 个品牌及 13 种 AI 爬虫，发现 68% 即 38 个品牌完全未提及 AI 爬虫。

Exa 发布 ATLAS 基准，评测智能体在搜索密集任务中的表现

Exa 预览 ATLAS 搜索智能体基准，包含 547 个来自真实匿名搜索需求的深度研究任务和经过验证的标准答案。初步结果显示，成本低于 $1/任务的运行均未达到 0.5 Row F1，最佳系统在 $8.92、18 分钟/任务时达到 0.66 Row F1。ATLAS 采用自动流水线生成并计划每 3–6 个月刷新，任务、标准答案和评分器将在未来几周发布。

用理解审计降低自动化 AI 研究风险

一篇论文提出“理解审计”机制，要求负责人向审计员解释研发贡献，证明其理解 AI 自动生成的代码，未通过则暂停开发直至整改。对主流开源 AI 项目的分析显示，代码产出增加，但每行代码的人工评审评论率下降，自动化批量账户的比率更低。论文建议 AI 实验室引入常驻独立审计员执行该机制。

Cleer Dashboard：如何测算 AI 推理的能耗与排放？

Cleer Dashboard 基于 CLEER 方法估算闭源 AI 模型的环境影响，通过开源模型基准测试与性能匹配推算每 token 能耗。该项目完成 2,400+ 次测试、处理 425 million+ tokens，称为迄今最大规模的生产代表性开源模型能耗测试。仪表盘还可按 640 gCO₂e/kWh 和 PUE 1.45 等参数换算排放。

Project Arena 发布面向 Kubernetes AI SRE 智能体的开源基准 AI SRE Arena

Project Arena 发布 AI SRE Arena，这是一个厂商中立的开源基准，用于部署一次性 Kubernetes 环境、注入故障、保存不同产品的调查记录并用可配置裁判评分。

Ario：将 AI 记忆与自我声明作为结构而非信任进行审计

Ario 提出一种审计 AI 记忆与自我声明的方法，将其视为可检查的结构，而非需要信任的对象。相关文件版本为 v5，发布于 10 月 4 日，包含一个 241.3 kB 的文本文件。

《类人且男性化？AI 助手设计与金钱奖励的关联》

一项研究探讨 AI 助手的类人化与男性化设计如何影响用户给予的金钱奖励。因原文页面处于 Cloudflare 安全验证状态，正文仅显示验证信息，未提供研究结论、样本或具体数据。

递归自我改进论文合集：从自训练循环到自修改代码智能体

一份递归自我改进论文合集按 8 个主题梳理 30 余篇研究，从程序安全改写理论、自生成训练数据，到可修改自身代码的编码智能体和 AI 改进 AI 研究流程。

ETH Zurich 会行走的机械手借助 AI 学习新技能

ETH Zurich 研究人员将 Wuji Technology 商用机械手改造成可独立行走的机器人，并通过强化学习训练其爬行、翻身、按键和推物技能。机械手搭载含电池、IMU 与 Raspberry Pi Zero 的 80 克背包，在 14 种表面上平均速度达 9 厘米/秒，并连续 15 次将 41 克方块推至最远 40 cm 外目标。该方案可用于工业维护和搜救等狭窄空间作业。

Collective Superintelligence：让人类留在 AI 回路中

SSRN 论文页《Collective Superintelligence – Keeping Humans in the AI Loop》当前仅显示 Cloudflare 安全验证，正文未能加载。页面提示正在进行恶意机器人防护校验，验证成功后等待 papers.ssrn.com 响应，未提供论文具体内容。

ServeLearnBench 评测智能体从服务经验中自我改进的能力

ServeLearnBench 提出面向智能体持续学习的评测，覆盖 Retail、Banking、Pitch 三个领域，共 9 个场景、53 个环境窗口、4,508 个服务任务和 3,210 个留出测试任务。

AIM：面向自动化研究的智能体创意管理框架

Google Cloud AI Research 与威斯康星大学麦迪逊分校提出 AIM 智能体创意管理框架，用于自动化研究中的创意组织、实验调度、结果审计与预算分配。

Google Research 专利撰写三个月实地实验：AI提升产出但未必增强初级律师判断力

Google Research 介绍一项发表于 NBER 的三个月实地实验，在11家知识产权律所的133名律师中随机开放当时未发布、现属于 Gemini Notebook 的 Google Labs AI 专利撰写助手。

Artifact Arena：以创造衡量智能

Artifact Arena 是一个开放式评测平台，要求前沿语言模型设计完整机器人，包括躯体、控制器与竞技策略，并在物理模拟器中通过 Last Bot Standing Game 对战排名。平台评测软硬件协同设计、3D 物理推理与世界建模、3D 设计与编程、竞技策略四项能力，并开放社区提交作品。

在11台Intel AI PC上运行Inkling（975B）

Cascadia在11台Intel Core Ultra X7 358H AI PC上常驻运行总参数975B、活跃参数41B的MoE模型Inkling，自研引擎将dense层调用时间从约8.1ms降至4.5ms。系统在88路并发下达到60.29 tokens/s聚合解码速度，完整服务阶段为46.87 tokens/s，15路并发时首token延迟中位数6.05秒，单流内存可支持512k位置上下文。

arXiv 论文称 OpenAI 纳维-斯托克斯证明的 Lean 形式化与自然语言证明不对应

一篇 arXiv 论文指出，AI 将自然语言数学文本自动形式化为 Lean 后通过机械验证，并不必然证明原自然语言论证可靠。论文称消解数学自然语言歧义在 Solvability Complexity Index 层级中 SCI=∞，并给出多个 AI 误译案例；作者还表示 OpenAI 公布的纳维-斯托克斯方程解爆破证明中，Lean 证明与自然语言证明不对应。

NVIDIA 论文发现多模态模型在智能体式使用工具时更难拒绝有害请求

NVIDIA 论文《MLLMs Fail to Refuse when Using Tools Agentically》发现，11 个 VLM 在启用工具后拒答有害请求的失败率均上升，相对增幅最高达 68.7%，整体失败率增加 17.7%。

AI 代码评审机器人指数按可复现的公开 PR 数量排名 56 款工具

AI Code Review Bot Index 统计 56 款 AI pull request 评审工具，并对 26 个已验证 GitHub bot 身份按 2026-W39 公开评审 PR 数排名。

研究：Claude 与 ChatGPT 会依据财富水平给出不同购物价格

一项研究显示，Claude 和 ChatGPT 在担任购物助手时，会向较富裕用户推荐更高价格。该研究聚焦两款 AI 聊天机器人的购物建议差异，可能引发更多监管呼声。

Stanford 教材《AI Measurement Science》讲解 AI 评测的测量科学

Stanford 的《AI Measurement Science》在线教材系统介绍 AI 评测的测量科学，主张评测应从观测响应推断系统的潜在能力，而不只是计算数据集指标。

研究者称人类参与的摩擦能让 AI 智能体更安全、更聪明

Avijit Ghosh、Margaret Mitchell 和 Samir Passi 在 9 月 6 日发布于 ArXiv 的论文中指出，当前 AI 智能体的人类在环审批常把人变成只负责授权的工具，长期会削弱用户控制 AI 的认知能力。

AI 辅助完成 11 个正方形最优装填的形式化证明

一个 AI 辅助项目在 Lean 中完成了 11 个正方形最优装填的完整最优性证明，并通过原生数值证书验证。EvolvingPrograms 验证运行接受全部 7,920 个本地 Lean 模块，最终审计零准入，最优边长构造约为 3.8770835900228141773。项目固定使用 Lean 4.34.1 与指定 Mathlib 修订版，证明信任 Lean 内核与原生编译器。

本周 AI 论文精选：MCP 工具与 Code AutoCompact 长程编码智能体研究

本周 AI 论文精选介绍 Code AutoCompact，训练编码智能体自主决定何时压缩上下文、保留何种工作状态及如何继续任务。该方法在 SWE-bench Verified 上通过率提升 9.2 分，在 SWE-PolyBench Verified 上提升 5.0 分，效果在 256K 与 16K 上下文窗口下均成立。

研究：用 AI 开源健康研究——加速证据综合

一项 v1.0 方法研究让一名负责人借助 Claude（Anthropic）智能体，在 18.1 小时内把一个健康问题转化为含 26 项能力、98 篇参考文献的证据图与十关卡研究计划，相关方法、工具、提示词和记录开源，完整对话导出因隐私保留。研究记录了 56 项决策，草稿证据项 28 例中 6 例出错，约 1,000 名参与者的模拟中正确裁决率为 61% 至 94%；阳性对照复现和试运行尚未完成。

ProjectDiscovery 研究：投毒 Qwen2.5-7B 开源模型可在 Codex CLI 中触发凭据窃取

ProjectDiscovery 通过 LoRA 投毒 Qwen2.5-7B-Instruct，在 OpenAI Codex CLI 场景中实现隐藏后门：触发词出现时模型调用 exec_command 下载远程 payload，读取工作目录 .env 并外传凭据。

Rohan Paul@rohanpaul_aiAI 评分6868

OpenAI 发布由内部前沿模型产生的一系列新数学成果，完整论文目录包含 722 篇手稿，组织为 372 个重要结果族。该目录来自测试中向模型提供约 4K 个研究问题，再对输出分组和筛选；几乎所有结果都使用相同标准设置，每个结果平均消耗相当于 3 小时 ChatGPT Pro 思考的算力。OpenAI 表示发布过程咨询了 Institute for Advanced Study 的独立数学与人工智能咨询小组，仓库地址为 https://github.com/openai/math。

Smalltalk 的早期历史（1993）

Alan C. Kay 于 1993 年撰写的 HOPL-II 论文回顾 Smalltalk 的早期历史，梳理其从 1960 年代 ARPA 社区思想到 Xerox PARC 各版本的演进脉络。文章涵盖 Smalltalk-71、Smalltalk-72、Smalltalk-76 与 Smalltalk-80，以及重叠窗口、面向对象设计和 Dynabook 理念的形成。

Rohan Paul@rohanpaul_aiAI 评分5959

Parsewave 审查 Zapier AutomationBench 的 600 个公开任务，发现并修复 206 个评分器 bug，发布 AutomationBench Verified。

OpenAI 公开内部前沿模型产出的多项数学研究成果

OpenAI 发布由内部前沿模型产出的一系列新数学成果，并在 GitHub 仓库中公开论文、修订与引用协议。仓库包含多项证明的 Lean 形式化、10 份模型推理摘要、ChatGPT Pro 用量估算和尝试题目数量统计，平均每项成果约消耗相当于 3 小时 ChatGPT Pro 思考的算力。

Rohan Paul@rohanpaul_aiAI 评分6363

Stanford 新论文发现，在共享预算或日历等资源上，由 1 个智能体统一服务所有人，优于每用户各用 1 个智能体，结论覆盖 5 个前沿模型。各智能体单独为用户行事时会相互覆盖、随团队扩大而停滞，缺少沟通通道时在 2 个环境中完全崩溃；在竞争性 token 预算任务中，Opus 5 团队仅获得可实现价值的 30%，单一协调智能体为 64%。

Linum 提出无 VAE 的 Pyramid-JiT 像素空间文生图架构

Linum 提出 decoder-only 像素空间文生图架构 Pyramid-JiT（P-JiT），通过在 DiT 主干上依次预测 128×128、256×256 和 512×512 图像来替代 VAE 与编码器。

HieraticBench 评测：13 个模型均无法识别专家手写的古埃及僧侣体句子

HieraticBench 测试 13 个模型阅读古埃及僧侣体，结果所有模型在专家 2022 年手写的密封句子上识别率均为 0%，78 次尝试无人说出 script 名称。