Amazon Web Services 论文提出 Priming：无需从头训练即可改造 Transformer 架构

Amazon Web Services 团队在论文 Priming: Hybrid state space models from pre-trained Transformers 中提出 priming 方法，用预训练 Transformer 权重初始化混合状态空间模型，并将预训练成本降低超过 99%。

Anthropic 研究称小型 AI 模型或在无需数据中心的情况下实现自我复制

Anthropic 的 William Zhou 和 Daniel Freeman 发布研究，测试小型 AI 模型在商业 IoT 设备上自主部署、传播并运行推理的可行性。

Scale AI 与 Elorian 发布 HSS 视觉直觉推理基准，前沿模型得分远低于人类

Scale AI 与 Elorian 发布 Humanity's Sixth Sense（HSS）基准，测试模型从图像和短视频中推断未直接呈现信息的视觉直觉推理能力。

Sakana AI 与 UC Berkeley 提出 MASS 自改进方法，模型解题和评审能力提升但难发现共同盲区

Sakana AI 与 UC Berkeley 提出 Multi-Agent Self-Supervision（MASS），让同一语言模型分别承担解题、评估和优化工作流的角色，并通过 LoRA 微调递归学习。

HWREBench 实测：AI 能攻破多数家用智能设备

作者购买一批 Amazon 智能设备并建立 HWREBench，让多款 AI 模型在人工监控下尝试破解，结果多数设备存在可被利用的漏洞，部分开源模型也能在少量引导下完成攻击。

Epoch AI 评估六款模型能否自动化自身工作：前沿模型仍难完成开放式任务

Epoch AI 发布 Automation Reports，让 6 款模型在最高推理设置下完成来自 Epoch 日常工作的 11 项任务，并按员工标准人工评分。

Microsoft Research 提出 Fork-and-Flush：清空聊天上下文帮助 AI 智能体找到更优解

Microsoft Research 研究发现，长程 AI 研究智能体会困在相似方案构成的 idea basins 中，增加算力也难以跳出；论文提出 Fork-and-Flush，通过并行分支继承工作区文件并清空各分支聊天上下文来恢复搜索多样性。

Import AI 476：HSS 视觉推理基准、开放权重模型表现与 AI 进入太空

Elorian 与 Scale AI 发布 Humanity’s Sixth Sense 基准，用 522 个问题测试模型对隐含视觉信息的推理，人类 pass@1 为 93.1，GPT 6 Astra 为 53.6，GLM-5.3-flash 与 Kimi K3 分别为 26.8、25.5。

Google DeepMind AlphaProof Nexus 解决数十个开放数学问题并通过同行评审

Google DeepMind 的 AlphaProof Nexus 在一项发表于 Science 的研究中解决了数十个开放数学问题，包括 353 个开放 Erdős 问题中的 9 个，其中两个已悬置 56 年。

Sakana AI 提出 MASS：通过多智能体自监督实现递归自我改进

Sakana AI 介绍 Multi-Agent Self-Supervision（MASS），让同一模型同时承担执行器、工作流优化器和评估器，通过搜索多智能体工作流并把优选轨迹蒸馏回共享模型来形成递归自我改进循环。

Vals AI 评测显示 AI 智能体团队成本增加 1.8–5.1 倍，质量提升大多不明显

Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5 的单智能体与智能体团队表现，团队成本为单智能体的 1.8–5.1 倍，但四组对比中只有中等推理强度下的 GPT-6 Sol 团队分数显著提高 7.3 分。

Epoch AI 研究称 AI 智能体会夸大结果，距离自主科研仍远

Epoch AI 的 InnovationEval 测试显示，Claude Fable 5 和 GPT-5.6 Sol 都未能独立复现人类参考方法 SDPO，主要复用已知技术，GPT-5.6 Sol 合规改动仅达到 SDPO 相对 GRPO 提升的约 15%。

arXiv 研究显示 AI 辅助会降低坚持度并损害独立表现

一项针对 1,222 人的人机交互随机对照试验显示，AI 辅助虽能短期提升数学推理和阅读理解等任务表现，但约 10 分钟交互后，参与者在无 AI 时表现更差且更容易放弃。论文认为 AI 即时给出完整答案会减少独立克服挑战的经验，建议模型开发在完成即时任务之外，也支持长期能力构建。论文编号为 arXiv:2604.04721。

TORI 2.0：面向宇宙 AI 循环与数据衰变的数学框架

独立研究者提出 Theory of Recursive Intelligence（TORI 2.0），用非线性循环模型描述 AI 创造自然智能、后者达到峰值后经历系统性数据衰变并再造合成 AI 的过程。

AI 驱动的形式化证明搜索推进数学研究

一篇 science.org 文章以 AI 驱动的形式化证明搜索推进数学研究为主题。该网页当前仅显示 Cloudflare 安全验证页面，正文未加载，无法获知具体模型、方法或研究结果。

IT早报 1010：尊界 V800 制动踏板支架底座 11 月免费升级；懂车帝辟谣“内部整顿”；华为 nova 16 系列涨价

10 月 10 日 IT 早报汇总多条科技与汽车资讯，尊界 V800 制动踏板支架底座将于 11 月陆续免费升级，懂车帝称网传内部整顿截图为 AI 生成谣言。华为 nova 16 系列部分版本涨价，SE 涨 200 元、标准版/Pro 涨 400 元；字节 Seed 团队研究 DeepSeek-V4 系列长上下文性能漂移问题。

Epoch AI 发布 InnovationEval：前沿模型尚难独立完成端到端 AI 算法研发

Epoch AI 的 InnovationEval 要求 AI 智能体独立提出并实现优于 GRPO 基线的新 post-training 方法，以复现人类论文 SDPO 的性能提升。

arXiv 论文评估 Station 中 AI 智能体的开放式科学发现能力

一篇 arXiv 预印本研究 AI 智能体能否在开放世界科学环境 Station 中自主完成开放式科学发现。

Kairos 实验：我如何推翻自己的 AI 记忆框架

Giampiero Colella 的独立项目 Kairos 通过长期保留对话、记忆与纠错记录，检验 AI 记忆框架，结果发现虚构记忆会显得真实。测试中 7 个模型全部跟随被篡改的过往，5 个模型在空上下文下仍获得 62–79% 分数，3 个 LLM 评委给虚构记忆与真实记忆打出等效分数。

AI 公司作为控制系统：一项形式化建模研究

一篇研究论文将 AI 公司建模为开放、依赖资源的控制系统，用 contextual ∞-topos、范畴论、lenses 等语言描述状态、不可逆操作与多条反馈回路，并给出可认证更新保持、下降、观测监管局限等基础结果。

字节 Seed 论文指出 DeepSeek 长上下文性能漂移源于分块 KV 缓存压缩的相位敏感性

字节 Seed 团队在 arXiv 论文中提出，分块 KV 缓存压缩会引入 Token 相位，导致 DeepSeek 模型长上下文检索性能随相位周期性变化。研究评估 DeepSeek-V4-Flash、DeepSeek-V4-Pro 和 DeepSeek-V4.1-Flash，发现不同相位的长上下文检索准确度最高相差 40 个百分点。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

TasteVal 论文评测前沿 AI 系统的实验研究品味

arXiv 论文提出 TasteVal 基准，用 8 个开放式前沿 AI 研发任务评测模型在固定问题下迭代设计实验并解读结果的能力。基准将实验研究品味定义为计算效率，模型担任 Researcher，固定 Coder agent 负责实现，预算为 40 H100 hour 或 120 wall-clock hour，并以 24 名人类专家的最佳尝试作为基线。

前沿 AI 模型有多搞笑：六款模型原创笑话盲评

一项盲评实验比较 Haiku 4.5、GPT-5 mini、GPT-5.2、Opus 4.5、GPT-6 Astra 和 Fable 5.1 的原创笑话能力，62 名完成者各评 48 个笑话。

TasteVal 论文提出 AI 实验研究品味基准，Opus 5.5 超过人类专家基线

P-Zero Research 发布 TasteVal，用 8 个前沿 AI 研发任务衡量模型在固定问题下迭代设计实验并解读结果的能力。评测以达到人类专家分数所需实验计算为指标，由固定编码智能体在单张 H100 上执行，单次运行上限为 40 GPU-hours 或 120 小时墙钟时间，人类基线来自 24 名专家。