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。

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。

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。

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。

Rekursiv 报告 15M tabula rasa RL 智能体以 44% 胜率通关 Craftax

Rekursiv 的 15M 参数 tabula rasa 强化学习网络在 Craftax 中以 44% 胜率击败最终 Boss，对比 GPT-6 Astra 的 1/75 胜率，单局约 10 秒且成本低于 1 美分。

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%。

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。

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。

Nemotron 经微调在 IOI 2026 与 IMO 2026 达到金牌水平

NVIDIA 与 Hugging Face 团队基于 Nemotron 3，通过 SFT、RL 和反馈驱动推理构建专精系统，在 IOI 2026 取得 535.4/600，在 IMO 2026 取得 30/42，均超过金牌线。

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。

Devographics 发布 2026 年开发者现状调查：职业不安全感与 AI 态度分化并存

Devographics 的 2026 年开发者现状调查于 2026 年 7 月 5 日至 9 月 5 日收集 5,463 份回复，显示近半数受访者经历过职业不安全感和薪资不足，四分之一曾被裁员，62% 曾经历倦怠。

Rohan Paul@rohanpaul_aiAI 评分6060

Geoffrey Hinton、Yoshua Bengio 等 20 多位专家在 arXiv 政策论文中呼吁政府追踪有多少 AI 研究已由 AI 完成，并评估 AI 自动化研发触发智能爆炸的风险。

Rohan Paul@rohanpaul_aiAI 评分6969

OpenAI 发布 722 篇 AI 生成的数学证明手稿，覆盖 372 个数学结果。其内部模型在测试中处理约 4K 个研究问题，再经分组和筛选形成结果族，几乎所有结果都来自同一标准设置，每个结果平均使用相当于 3 小时 ChatGPT Pro 思考的算力。其中一篇论文将两个 n×n 矩阵乘法的已证明复杂度从 AlphaEvolve 在 8 月创下的约 n^2.371177 降至约 n^2.25，并提供 Lean 形式化证明；这是理论界，尚不能直接为真实 GPU 工作负载带来更快例程。

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。

OpenAI 发布 722 份手稿，披露未发布前沿模型的数百项数学研究成果

OpenAI 在包含 722 份手稿、涵盖 372 个结果家族的文件中，公布某款未发布前沿模型对数百个长期未解数学问题的解答。资料还包含模型推理过程摘要、算力消耗估算和尝试问题数量，OpenAI 称一项普通成果的算力约等于 ChatGPT Pro 连续思考三小时。

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。

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。

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。

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。

elvis@omarsar0AI 评分5050

Harness-Aware Distillation 框架通过对比教师模型在有无 harness 信息下的动作差异训练小模型智能体，无需任务奖励或成功标签。该方法将学生在 ALFWorld 上使用 harness 信息的比例从 65.7% 提至 73.1%，未见任务成功率达 63.4%，高于最佳基线 47.0% 并超过 8B 教师模型，还能摆脱 59.7% 的停滞情况。

Google Earth AI 用 PDFM 行星级地理空间基础模型支持全球公共卫生研究

Google Research 介绍 Google Earth AI 的 Population Dynamics Foundation Model（PDFM），将隐私保护的搜索趋势、人口流动、建成环境和环境因素压缩为按月更新的位置嵌入向量，并作为即插即用输入接入现有公共卫生模型。