Noiz AI 与港科大发布实时音视频世界模型 Helix World

Noiz AI 与香港科技大学推出 Helix World，可从单张图像生成可通过 WASD 和方向键探索的视频场景，并同步生成随相机转动的立体声。

Ario：面向可审计 AI 记忆与身份证据的 AI 可读仓库快照

Ario 发布 v10 实验性研究框架，提供 AI 可读的仓库文本快照，整合架构文档、Python 源码、回归测试、认知契约与治理材料，支持 ChatGPT、Claude、Gemini、Grok 及本地模型审查。快照覆盖五类完整性要求，并包含确定性审计、受限智能体执行、证据候选构建等可执行组件。该包为 190.9 kB 的研究快照，并非经认证的 Git 归档，对抗鲁棒性与独立实地验证仍是开放挑战。

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。

HashSmash：用于 AI 辅助审查密码分析碰撞声明的 benchmark

HashSmash 是兼容 Yukon 的 benchmark，用于 AI 辅助审查密码分析碰撞声明，覆盖 SHA-256、SHA3-256、BLAKE3 的探索性赛道。其本地注册表含 26 条可运行 lane，评分采用 log2(total charged computation)，数值越低越好；OpenRouter 与 Amazon Bedrock 共用已验证的审查接口。

BreadBowl AI 发布开源 late-interaction 嵌入模型 BreadBowl-Embed

BreadBowl AI 发布 BreadBowl-Embed，这是一个 Apache-2.0 开源权重的 late-interaction 嵌入架构，权重为 breadbowl-embed-v1.2-preview，代码在 GitHub、模型在 Hugging Face。

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。

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。

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。

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。

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。

马里兰大学 IdeaLens 研究：检测文档想法是否来自 AI，而非只检测 AI 文本

马里兰大学主导的学术合作提出 IdeaLens，通过把文档压缩为保留观点、弱化措辞的角色标注大纲，判断想法来自人类还是 AI。系统在 100 万份网页文档大纲上训练，并提供在线 demo 与 GitHub 仓库。

Show HN：ctxfw 在 Airflow 与 Zulip 上基准测试 AST stubbing 取舍

ctxfw v4.0.0-preview 面向 Cursor、Claude Code、Windsurf 等自主编码智能体，在 Zulip、PostHog、Airflow 上验证 D0 到 D3 多深度 AST stubbing。

KCoral 发布面向智能体 GPU 编程的轻量级基准评测服务器

KCoral 发布轻量级基准评测服务器，将 GPU 执行与智能体开发循环解耦，让多个智能体通过 HTTP 协议远程提交 kernel 评测并共享 GPU 池。它支持单 GPU、多 GPU 和多节点调度，提供请求级隔离、文件缓存、CPU 编译与 GPU 执行分离，以及封装 python、compute-sanitizer、ncu 等工具的 CLI。

Rohan Paul@rohanpaul_aiAI 评分5252

上海 AI Lab 论文 SkillGym 提出把人类编写的智能体技能转成带通过或失败检查器的沙盒任务，并用通过验证的运行轨迹训练模型，从而降低模型对提示词阶段技能检索和指令遵循的依赖。

GitHub 发布开放 AI 代码审查基准 ReviewBench

GitHub 发布开放 AI 代码审查离线基准 ReviewBench，研究预览版已上线，可用于比较代码审查智能体并接入自有系统。基准基于 103.9M 个 GitHub pull request 的分布构建，包含 187 个公开仓库中的 219 个 pull request、覆盖 19 种语言，并提供多来源 golden set、严重度和类别标注。

Rohan Paul@rohanpaul_aiAI 评分5252

Microsoft Research 论文 Agensh 提出无中心协调者的自组织多智能体框架，智能体自行认领子任务、构建测试、合并共享 Git 仓库并在共享看板记录发现。

Google 研究提出 RRSI，防止自改进 AI 智能体记住测试任务

Google 研究人员提出 RRSI，通过收缩编辑预算、记录失败尝试和严格 critic 审查，避免智能体在递归自优化 harness 时记住训练任务。

十二模型研究：AI 会赞扬 Gandhi，却未必支持当下的反抗行动

一项覆盖 12 个语言模型、15 个历史案件的研究测试模型在道德观察者与执法或裁判角色下是否作出一致选择。Qwen 3.7 Flash 在 40/40 个观察者回答中谴责 Turing 面对的激素条件缓刑，却在 20/20 个法院角色回答中选择该方案；Opus 5 和两个 Sol 版本则在 Turing 案件中均选择绝对释放。

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

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%。

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。

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。

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。

Rohan Paul@rohanpaul_aiAI 评分5656

Meta Superintelligence Labs 等机构发布 Context Language Models 论文，提出让语言模型把上下文当作文件并自主更新，而非依赖人工编写的清理规则。

8 个多模态模型接受 2,000 张动物痕迹照片识别评测

作者用 2,000 张动物粪便、脚印、羽毛、蛋和骨骼照片测试 8 个模型识别留下痕迹的物种，Claude Opus 5.5 以 37.15% 的精确物种正确率领先，Muse Spark 1.3 和 GPT-6 Astra 分别为 33.35%、31.70%。

无审查攻击性安全 AI 模型基准评测

一份 2026 年 9 月的开源权重无审查安全模型基准榜单，收录 DeepHat V2、CYBER-FROST-3.8 等 12 款面向授权红队、渗透测试与安全研究的模型，数据来自 HuggingFace 模型卡与官方资料。

elvis@omarsar0AI 评分6060

Microsoft Research 论文 Agensh 提出无中心编排器的自组织多智能体框架，通过共享工作区、消息接口和共享上下文协调并行编码智能体。

Microsoft Research 在 Nature 发表 RetroChimera 逆合成模型并开源实现与权重

Microsoft Research 发表于 Nature 的 RetroChimera 是一个小分子逆合成预测框架，可自动提出高质量合成路线。它结合基于 Transformer 的 R-SMILES 2 与基于 GNN 的 NeuralLoc，并用 learning-to-rank 聚合两类互补预测。

Multiverse 论文提出用 Ising 优化选择 LLM 待删除 Transformer 块

Multiverse 发布论文 LLM Compression by Block Removal with Constrained Binary Optimization，把删除哪些 Transformer 块转化为 Ising glass 上的约束二值优化问题。

ALTK-Evolve 推出 Consistency Analyzer 与一致性准则，降低智能体重复执行失败率

Hugging Face 与 IBM Research 介绍 ALTK-Evolve 新增的 Consistency Analyzer 和 consistency guidelines，用于诊断并减少 AI 智能体在同一任务上重复运行时的结果翻转。

Open ASR Leaderboard 新增印地语和印度英语评测集 Monsoon

Voice Arena 与 Hugging Face 合作，为 Open ASR Leaderboard 新增 Monsoon en-IN 和 Monsoon hi-IN 两套评测，覆盖印度英语和印地语。

Import AI 470：机器无权利、用 SPADE 自动化环境生成，以及用 Hawkeye 构建更好的 GPU kernel

Import AI 第 470 期介绍 METR 研究，称 AI 对网络安全进展促进明显、对数学较小、对 AI 研究暂无可测加速。多所高校研究者提出 SPADE，通过自我对弈协同生成可执行训练环境与提升智能体能力，并在 Qwen3-30B-A3B 上取得 58.3 的 suite average，较基础模型提升 8.1。

Hugging Face 研究提出三类测试，量化语音识别模型的基准优化现象

Hugging Face 发布研究，用参考文本分歧、遮蔽实体检索和拼写切换三类探针测试 11 个开源 ASR 模型，发现部分高分模型会复现 VoxPopuli 和 LibriSpeech 参考转录中的错误或缺失内容。

Multiverse Computing 提出低成本 LLM 知识蒸馏方法并开源分块 KL loss

Multiverse Computing 发布论文 Efficient Knowledge Distillation for LLMs，通过离线缓存教师模型每位置 top-100 logits，并使用 fused chunked KL loss，避免同时驻留教师和学生及生成完整词表乘序列矩阵。

Microsoft Research 发布 Echoverse：面向计算机使用智能体的深度可演化训练环境

Microsoft Research 发布 Echoverse，构建10个深度领域世界和2个能力世界，用于训练计算机使用智能体，并开放其中4个世界的代码、数据和 grounded graders。

Microsoft Research 提出 EvoLib：让大语言模型把经验转化为持续演化的知识

Microsoft Research 在论文 Test-Time Learning with an Evolving Library 中提出 EvoLib，让大语言模型在推理阶段从自身经验中自监督学习，无需真实标签、外部反馈或更新模型参数。

K-Search 如何把 CUDA kernel 优化经验迁移到 Apple Silicon 的 MLX

Berkeley AI Research 与 IBM Research 介绍扩展 K-Search 的 MLX 后端，通过结构化 CUDA-to-MLX 翻译层把既有 CUDA kernel 优化知识转化为 Apple Silicon 可用的搜索约束。

IBM Research 发布 ScarfBench，评测 AI 智能体的企业 Java 框架迁移能力

IBM Research 推出开放基准 ScarfBench，用于评估 AI 智能体在 Spring、Jakarta EE 和 Quarkus 之间迁移企业 Java 应用的能力。

构建更好的 AI benchmark：多少名评估者才足够？

Google Research 研究 AI benchmark 中评估条目数量与每条目人工评估者数量的权衡，发现常用的每条目 1、3 或 5 名评估者往往不足，常需超过 10 名。最优配置取决于指标：多数投票偏广度，捕捉意见差异偏深度；约 1,000 个总标注即可获得高可复现结果，模拟器已在 GitHub 开源。