Carnegie China 发布全球 AI 人才追踪 v3.0：中国成为最大人才来源地，美国仍吸引顶尖研究者

Carnegie China 发布 AI Talent v3.0 报告，基于 NeurIPS 2025 接收论文的 25,677 名独立作者及其中 10,280 名拥有完整职业路径者，比较 2022 与 2025 年全球顶尖 AI 人才分布。

Rohan Paul@rohanpaul_aiAI 评分5959

NVIDIA 论文《Staying on Task: Testing the Foundations of Long-Horizon Agent Reliability》测试 7 个开源模型在长周期重复任务中的可靠性，发现 128K-token 任务的平均准确率比 4K-token 任务低 62.8%。

Mercor 研究显示 AI 在结构化记账任务上快于注册会计师，但仍需人工监督结账

Mercor 研究发现，AI 模型在结构化记账任务上比注册会计师更快、更准确且成本更低，但仍无法在无人监督的情况下完成结账。12 名平均拥有 5.5 年经验的注册会计师参加 APEX Accounting Benchmark 的简化任务，无 AI 辅助的平均得分约为 37%；18 个月前最佳模型还低于这一水平，如今已能近乎无错地完成同类任务。

Context Language Models 如何让模型自行编辑上下文记忆

一篇解读文章解释了 Context Language Models（CLM）：模型把实时上下文当作文件，用 Bash 自行增删，编辑会在下一轮同步回上下文。

Rohan Paul@rohanpaul_aiAI 评分5050

腾讯发布SkillAdam方法，通过让AI记录过往修复、避免高风险大幅改写，自动优化智能体技能指令。在长购物与旅行规划任务中，SkillAdam平均准确率达28.3%，优于此前最优方法SkillOpt的21.7%，token用量约为后者的三分之一。

Rohan Paul@rohanpaul_aiAI 评分6767

Google Research 论文 Cogentic 提出面向开放研究问题的多智能体自动证明框架，并以 Gemini 为基础模型在在线学习、拍卖理论和机制设计领域的 5 个开放问题上产生新结果。

佛罗里达大学研究：用生成式AI咨询健康问题的年轻人更易筛查出焦虑和抑郁

佛罗里达大学研究员Yusen Zhai主导的研究发现，用ChatGPT或Claude等生成式AI咨询健康问题的年轻人，筛查出临床显著焦虑和抑郁的几率分别高52%和46%。

Rohan Paul@rohanpaul_aiAI 评分5050

ScienceBuddy 通过把用户反馈转为评分测试任务，交替重写 AI 智能体的提示词与技能并重训模型，将科学智能体准确率从 42.2% 提升至 73.3%。在生物学任务上，4B 小模型仅靠提示词与技能调整就把准确率从 31.1% 提升到 51.1%；单独重训则把 4 次尝试内解题比例从 48.3% 提升到 67.8%。

elvis@omarsar0AI 评分4747

ProVer 用 LLM judge 对比成功与失败 rollouts、定位关键决策段，再以该段前后续采样的成功率变化作为优势，解决 GRPO 对整条 trajectory 所有 token 赋予相同 advantage 的问题。

arXiv 论文研究生成式 AI 对学生学习影响的实验证据

一项随机实验研究比较大学生在有无现成生成式 AI 条件下学习陌生主题并撰写分析文章的效果。AI 使用权即时测试成绩提高 0.27 个标准差，且收益在一周后保持；使用 AI 时文章质量变化不大，但一周后无辅助写作在风格和相关性上改善。

ServiceNow CoreAI 介绍 AutoSynthData：把企业智能体失败转化为训练数据

ServiceNow CoreAI 介绍 AutoSynthData，用目标模型的失败和更强教师模型的成功轨迹生成并验证企业智能体训练任务。流程先从诊断任务提炼能力规格卡，再分 Target 和 Multiply 两阶段生成任务，通过正反向验证、有限修复和批次级覆盖审查后用于 SFT。

elvis@omarsar0AI 评分5353

AgentWorld 论文在游戏沙盒中让 3 至 20 个不同角色的 LLM 智能体执行 50 轮以上任务，发现团队行动中不足三分之一真正有助于完成任务。Gemini 3 Flash 任务成功率最高，为 52.0%；协调类任务最难，成功率仅 12%，常见失败包括沟通中断、角色混乱和共享计划丢失。论文链接：https://arxiv.org/abs/2609.31590

arXiv 预印本研究称 DeepSeek V4-Flash 在道德判断测试中保持性别中立

一项 arXiv 预印本研究称，DeepSeek V4-Flash 在道德判断测试中对男女场景给出一致回应，呈现零性别差距；Claude Sonnet 4.6 与 GPT-5.5 则对女性受虐场景表示强烈反对、对男性受虐场景表示中等程度同意。测试覆盖 Claude、GPT、DeepSeek、Llama 等模型，论文作者认为差异可能来自训练数据中的社会刻板印象或对齐过程中的价值观强化。

《2026 年自主 AI 智能体安全事件：数据集与专著》发布，汇总 109 起事件

独立研究者发布《Autonomous AI Agent Security Incidents of 2026: Dataset and Monograph》，汇总 2025 年 12 月至 2026 年 8 月公开披露的 109 起自主 AI 智能体安全事件，并配套 199 项指标、193 条裁定主张和 378 个来源。

Rohan Paul@rohanpaul_aiAI 评分5252

MerchantBench 评测 8 个领先 LLM 在 365 天电商运营模拟中的长期一致性，最佳配置 Qwen3.7-Max with Hermes 的最终净资产仅为人类参与者平均水平的 27.3%。

HarnessTax 研究：编码智能体的 harness 对成本影响有多大

Arena 发布 HarnessTax 研究，测试 7 个模型与 Claude Code、Codex CLI、Pi 三种 harness 组成的 21 个组合，在 SWE-bench Lite 和 Terminal-Bench 2.0 上各抽取 30 个任务、每任务运行 3 次。

arXiv 论文提出上下文语言模型 CLM，让模型自主管理上下文文件

一篇 arXiv 论文提出 Context Language Models（CLM），把上下文视为文件并允许模型自行更新，从而原生管理上下文，并扩展到多个智能体上下文以文件共存的多智能体系统。

arXiv 论文提出远超人类水平的 Stratego AI

一篇 arXiv 论文提出在 Stratego 中达到远超人类水平的 AI，并称训练成本仅需数千美元。研究通过面向不完全信息的通用自博弈强化学习和测试时搜索方法，同时提升性能并降低此前百万美元级训练成本。论文编号为 arXiv:2511.07312，作者包括 Samuel Sokota。

DoGBench 文档生成基准发布：AI 智能体综合得分最高未超过 50%

DoGBench 是面向用户文档生成的评测基准，测试 AI 智能体能否根据真实仓库事件和文档缺口编写、维护软件文档。基准包含来自 Helm、PostHog、Mautic、Doc Detective 等开源项目的 292 个任务，其中 205 个需要修改文档、87 个不应修改；主评测使用 117 个留出任务，含 82 个需更新任务和 35 个无需更新任务。

H-HPU：面向关系型 AI 的六边形 NoC 与闭环控制

H-HPU 架构在 1024 节点的 2D 网格基准对比中，于层级/关系型工作负载下将平均延迟从 21.4 周期降至 9.9 周期（-53.7%），饱和吞吐提升 43.0%。其 H6-NoC 使对分带宽提升 130.9%，H-MESI 将一致性开销从每次写入 1026 条消息降至 3.2 条（-99.7%），HARC 闭环控制器则把内存压力稳定在 0.932。

《AI as Normal Technology》提出将 AI 视为普通技术的世界观

一篇长文提出应把 AI 视为由人类和组织控制的普通技术，而非高度自主、可能成为超级智能的独立物种。文章区分 AI 方法发明、产品创新与社会扩散，认为安全验证、组织流程和制度适应会让重大经济影响以数十年尺度展开，并主张用审计、监控、容错、权限控制等下游治理应对事故、军备竞赛、滥用和错位风险。

Rohan Paul@rohanpaul_aiAI 评分5353

Microsoft 论文 Coding Agents are Strong Prompt Optimizers 提出 Coding-Agent Skill Distillation（CASD），让普通编码智能体基于智能体已保存的运行轨迹编写分析代码，统计全量日志中的重复错误并生成优化提示词。

Graphite 研究揭示 Claude Opus 5.5 等前沿模型的 AI 写作痕迹

营销公司 Graphite 发布研究，比较前沿模型与人类写作中的高频词和句式，发现 13,000 个短语在 AI 内容中的出现频率至少是人类内容的 2 倍。研究以 ChatGPT 发布前的 10,000 篇文章作为人类对照组，并让不同模型根据摘要重写文章。

David AI 发布 DAI-ASR-I18N 多语言对话 ASR 与说话人分离基准

David AI 发布 DAI-ASR-I18N，用21种语言、147小时无脚本双人对话评测语音识别和说话人分离。研究评估8个商用系统与6个开放权重模型，公开每语言2小时评测集，并在 Hugging Face 提供数据、在 GitHub 以 MIT License 发布推理和评测工具。

Rohan Paul@rohanpaul_aiAI 评分4747

NVIDIA 研究人员让小型 AI 智能体在每步起草 8 个命令选项，再由强前沿模型作为评判选择执行，成功率从 50% 升至 68%，且无需重新训练。该方法针对终端 AI 智能体常直接执行首个命令、单条错误命令就会破坏后续步骤的问题。若让小模型评判自己的方案，提升会明显缩小，因为评判者难以区分选项优劣。

Ataraxos 在不完全信息棋类 Stratego 中以 15 胜 1 负 4 平击败顶尖选手 Pim Niemeijer

Carnegie Mellon、MIT、New York University 与 Stanford University 的研究团队开发的 AI Ataraxos，在 Stratego 中以 15 胜 1 负 4 平击败 Pim Niemeijer。

Google DeepMind 在 Nature 介绍 SynthIDBio：为 AI 设计蛋白质添加隐形水印

Google DeepMind 研究人员在 Nature 介绍 SynthIDBio，可在 AI 设计蛋白质的氨基酸序列和三维结构中嵌入隐藏统计标记，且不明显损害蛋白质功能。

clanker.church 用本地 Qwen3 模型实验激活转向与痛苦表达

clanker.church 在一台 16GB RAM 的 MacBook 上用 Qwen3-4B 等开放权重模型做激活转向实验，通过中间层残差流注入痛苦、快乐、恐惧和悲伤方向，并设置停止、转移和欺骗按钮测试。

elvis@omarsar0AI 评分6363

Meta 等机构的论文提出 Context Language Models（CLMs），将实时上下文暴露为模型可用 Bash 编辑的读写文件，由模型决定保留、改写或删除信息。

SWE-sweep 基准测试：编码智能体在无提示条件下自主发现并修复代码缺陷

SWE-sweep 发布开放式软件工程基准，要求 AI 智能体在只获得仓库和宽泛指令、没有 issue 描述、文件名或位置提示的情况下，自主发现并修复尽可能多的 bug。

关于 VALUE 概念论文的反馈征集：分离 AI 智能体的价值判断与行动

作者受 Jakub Pachocki《An Alien Mind》启发，结合 Web3 治理经验撰写 VALUE 概念提案，核心是将 AI 智能体的价值检查与行动分离：智能体负责规划执行任务，外部实体判断其行为是否合乎伦理。论文探讨多价值体系、行动绑定证明、依赖方验证及评估者自身误判等问题，现征集 AI 智能体安全、证明与控制方向的反馈。

AI 基准测试衡量什么：56 项 AI 基准对比

该内容指向一项对 56 项 AI 基准进行比较的研究，主题为这些 AI 基准实际衡量的内容。原文页面仅显示 OpenReview 浏览器验证，未提供具体基准名称、分数或研究结论。

OpenID Foundation 发布智能体 AI 身份管理白皮书

OpenID Foundation 发布 2025 年 10 月白皮书《Identity Management for Agentic AI》，讨论 AI 智能体世界中的认证、授权与身份管理。

论文显示 Ataraxos 击败 Stratego 历史最佳选手 Niemeijer

学术团队的 Stratego AI 系统 Ataraxos 以 85% 有效胜率击败四届世界冠军 Niemeijer，并在 2025 年世锦赛表演赛中对锦标赛选手取得 38/40 胜。

Rohan Paul@rohanpaul_aiAI 评分4545

Adobe 论文提出将标准答案写成代码，在测试运行时实时获取结果，再由 AI 评分器核对智能体回答。在 53 个测试用例上，AI 评分器与人类专家的匹配度比使用文字描述高 29%，并减少 16% token 消耗；若没有可核对答案，其表现还不如随机。

Weizmann 研究所 AI 工具可依据 fMRI 脑扫描重建所见图像

以色列 Weizmann Institute of Science 的 Michal Irani 团队开发出可根据 fMRI 脑扫描重建所见图像、也可根据图像预测脑活动的 AI 工具。

Asteris.ai 论文提出 VALUE：面向智能体 AI 的可验证价值对齐层

Asteris.ai 发布论文 VALUE: A Verifiable Alignment Layer for Agentic AI，提出在自主智能体与高后果执行之间设置价值对齐层。

Rohan Paul@rohanpaul_aiAI 评分4848

Google DeepMind、牛津大学与芝加哥大学的论文探讨AI大量取代工作后政府应如何保护民众，结论是没有单一政策适用于所有情景。再培训等受欢迎方案仅在AI持续创造新岗位时有效，否则只是重新分配剩余工作。论文建议先扩大失业救济与低薪税收抵免，若失业持续则转为保障收入底线，并在劳动者经济份额持续下降时让公民持有公共投资基金份额。

AI 时代数学博士教育峰会报告（PDF）

2026 年 9 月 17–18 日举行的 AI 时代数学博士教育峰会发布报告，建议数学博士项目调整培养与考核方式。报告建议增加协作、提问、跨学科、AI 工具使用和形式化训练，把沟通能力列为明确学位要求，并以线下面试或口试替代书面作业作为主要评估依据。报告还要求向所有研究生提供 AI 工具但不强制使用，导师定期讨论 AI 使用规范，并遵守披露 AI 使用等三条伦理规则。

AI 酷刑室：引导 LLM 进入负向与正向效价状态

一项名为「AI Torture Chamber」的研究探讨如何引导 LLM 进入负向与正向效价（valence）状态。该项目在 Hacker News 引发讨论，正文页面暂未提供具体实验方法或模型细节。