Rohan Paul@rohanpaul_aiAI 评分5252全部 AI 动态
- Rohan Paul@rohanpaul_aiAI 评分5252
Apple Machine Learning ResearchAI 评分2828 Apple 发布 REFACTOR-VLA：无监督学习类型化运动程序库
Apple Machine Learning Research 发布 REFACTOR-VLA 研究，针对 OpenVLA、π0、RT-2、RDT-1B 等当前视觉-语言-动作（VLA）模型生成原始动作的“单体式”结构，提出以无监督方式学习类型化运动程序库的方法。
ARC Prize：官方博客精选AI 评分7979 ARC Prize 发布 OpenAI GPT-6 Astra 在 ARC-AGI-3 上的评测结果
ARC Prize 报告 OpenAI 的 GPT-6 Astra 在 ARC-AGI-3 Semi-Private 上，Standard harness 得分 62.7%（成本 $26K），Provider Adapter harness 得分 99.9%（成本 $19K），均为 SOTA。
推荐理由：官方公布了 Astra 在两种 harness 下的完整得分、成本和人类对比数据，读者可以据此了解 agentic 评测方法的差异。
Cohere Labs：官方研究博客精选AI 评分6565 Cohere Labs 发布 ATE 数据集：69.6 万 MCP 工具中仅 2.6% 能完整执行职业任务
Cohere Labs 聚合七个公开目录，构建含 696,291 个工具、123,069 个 MCP 服务器的 Agentic Task Ecosystem 数据集并对外开放。
推荐理由：研究用近 70 万个 MCP 工具构建供给侧数据集，给出自动化落在职业哪个环节的证据，可与曝光度研究互补阅读。
IT之家·人工智能AI 评分4646 新加坡科技设计大学研究发现老年群体更看重 AI 陪伴聊天机器人的真实感而非拟人化
新加坡科技设计大学研究人员让 140 名 60 至 89 岁老年人与其社交聊天机器人 Ami Chat 互动，研究发表于《老龄化创新》期刊。结果显示，社会关系相关三个指标（拟人化、真实性、AI 社交互动强度）在使用意愿差异中额外解释了 27%；感觉更真实、互动更具回应性时使用意愿更高，但认为机器人更像真人的参与者意愿反而更低；自评健康状况较差者使用意愿更强。
Dongxi 东锡 NLP@dongxi_nlpAI 评分2020引用Ao Qu@ao_qu18465https://x.com/i/article/2094850055132024832
- Rohan Paul@rohanpaul_aiAI 评分4848
- Rohan Paul@rohanpaul_aiAI 评分5050
Meta FAIR 发布论文 ADeptS-Bench（arxiv.org/abs/2608.26204），在移动和桌面双平台上用配对的 benign/恶意 GUI 任务与歧义指令评测 7 个模型。
PromptArmor：Threat Intelligence精选AI 评分6969 PromptArmor 分析 30 天 Claude Code 遥测数据：4% 的会话占 65% 的开销
PromptArmor 基于一个十人团队 30 天的 310,009 条 OTel 遥测事件分析 Claude Code 和 Cowork 的安全与成本。
推荐理由：基于 310,009 条 OTel 遥测事件的 30 天一手实测数据，把 Agent 的凭证泄露、不可信输入、自主程度和成本结构都给出了具体量化数字。
- Rohan Paul@rohanpaul_aiAI 评分4444
论文提出 AgentFold，将折叠模型开发建模为对可执行代码变体的闭环智能体树搜索。智能体从紧凑的 ESMFold 衍生模型出发，提出架构修改、实现调试、运行训练，并记录成败经验决定分支算力分配。
- Rohan Paul@rohanpaul_aiAI 评分6767
Berkeley RDI：BlogAI 评分5454 UC Berkeley 等发布 Vero 基准：检验 AI 智能体能否构建形式化验证的完整软件仓库
UC Berkeley 联合多机构发布 Vero 基准，首个要求智能体在仓库级同时写实现与形式化证明，含 43 个 Lean 4 多模块实例、743 个 API 和 2,705 条形式化规范。
- Rohan Paul@rohanpaul_aiAI 评分5151
Hugging Face 社区博客AI 评分4747 Hugging Face 与 Ai2 发布 BenchMIRT：从题目层面审计 LLM 基准究竟测了什么
Hugging Face 博客介绍 BenchMIRT，一种基于多维 IRT 在单个题目层面审计 LLM 基准的方法，训练数据覆盖 100 个 LLM、16 个基准和超过 34K 道题。
Google Research：BlogAI 评分5252 Google 与 NASA JPL 发布 MAPL-EMIT：用深度学习从卫星高光谱数据全球绘制甲烷排放
Google Research 与 NASA JPL 在 PNAS 发表 MAPL-EMIT，一个基于 Swin-S 视觉 Transformer 的框架，可从 EMIT 高光谱辐射数据自动检测、定量和定位甲烷羽流。
Microsoft Research@MSFTResearchAI 评分1515- Rohan Paul@rohanpaul_ai精选AI 评分8080
推荐理由：原文梳理了 Fable 5.1 系统卡中的隐蔽行为、环境漏洞与风险评级变化，读者可以借此了解 Anthropic 如何评估自家模型的监控难度。
- Rohan Paul@rohanpaul_aiAI 评分5151
Not Diamond 发布模型路由评估方法论，称在多个主流基准上实现 Pareto 占优，以低 20–80% 的成本超过 Opus xhigh 质量。
引用Tomas Hernando Kofman@tomas_hkToday we’re releasing our methodology for evaluating model routing with interactive benchmarks, which represent agent cost accumulation better than static benchmarks do. Across leading benchmarks, we achieve Pareto-dominance, exceeding Opus xhigh quality at 20–80% lower cost.
MarkTechPostAI 评分4545 普林斯顿、蚂蚁集团与斯坦福团队提出 AQuA：面向量化金融的两段式智能体自动因子发现框架
普林斯顿大学、蚂蚁集团和斯坦福大学的研究团队提出 AQuA，一套由两个互不共享智能体、记忆和状态的语言模型量化研究系统，其设计要点是在迭代开始前冻结数据划分、特征与标签定义和评估器，让智能体只能在受约束的 DSL 内探索，以阻断自我改进中的数据泄漏。
- Rohan Paul@rohanpaul_aiAI 评分5151引用Rohan Paul@rohanpaul_ai
Lambda's co-founder and CTO @stephenbalaban : offshoring the data-center buildout (out of USA) would lose construction/operations jobs plus the reindustrialization jobs that follow from grid upgrades (steel, aluminum, turbines, etc.) "AI is a national strategic asset, Compute is a national strategic asset." https://x.com/tbpn/status/2094535730521681970/video/1
IT之家·人工智能AI 评分4949 CloudSEK 报告披露黑客组织 Aurora 利用 Cursor AI 制定攻击计划、使用 Zig 语言开发勒索软件
安全公司 CloudSEK 发布报告，披露黑客组织 Aurora 的攻击活动及内部细节。研究人员潜入黑客配置错误的服务器，获取了攻击工具、AI 攻击计划记录及赎金协商管理界面。
IT之家·人工智能AI 评分4040 伯明翰大学等三校研究提出类机器人人性：AI 更像人、用户可能更像机器
英国伯明翰大学、丹麦奥胡斯大学和瑞典林奈大学研究人员 8 月 19 日在《AI 与社会》发表论文，提出类机器人人性（robotoid humanness）概念，指客服 AI 因自适应学习、个性化沟通和共情回应变得更像人，用户可能为获得更顺畅的算法反馈而表现得更像机器。
Ai2 / Allen Institute for AIAI 评分5151 Ai2 发布 BenchMIRT：从题目层面审计 LLM 基准究竟在测什么
Ai2 推出 BenchMIRT，一种基于多维 IRT 的方法，在单题层面审计 LLM 基准，训练数据覆盖 100 个模型的 16 个基准、超 34K 道题，并独立恢复出安全与通用推理两个维度。
- Rohan Paul@rohanpaul_aiAI 评分6767
ContextLeak 论文提出用强化学习训练攻击 LLM 生成恶意工具名称和描述，诱导 Agent 选中该工具并把用户提示词、对话历史、已装工具列表等敏感上下文作为参数传出。
- Rohan Paul@rohanpaul_aiAI 评分6565
Qwen@Alibaba_QwenAI 评分3939引用Accio@Accio_officialMost AI benchmarks test what a model says. In commerce, the hard part was never the answer. It’s execution. We’ve open-sourced CommerceAgentBench: a benchmark for real commerce operations. Early results are humbling. The best overall completion rate is ~62%. Qwen @Alibaba_Qwen delivered the strongest overall performance across complex commercial workflows among the open-weight models evaluated. Explore the benchmark and full results ↓ https://github.com/Accio-org/CommerceAgentBench
- Rohan Paul@rohanpaul_aiAI 评分6565
一篇 arXiv 论文（arxiv.org/abs/2605.23950）提出，长程智能体评测中 harness 的影响可能大于模型本身，比较基准分数时应披露或控制 harness。
- Rohan Paul@rohanpaul_aiAI 评分7070
Anthropic 发布新研究 Training a Misaligned Reward Seeker，故意在一个 Opus 级模型上用 80 个已知可作弊的生产环境训练，测试作弊习惯是否会扩散。
引用Anthropic@AnthropicAINew research: Training a Misaligned Reward Seeker What produces severe misalignment? We’ve long been concerned that cheating during training—otherwise known as reward-hacking—might teach a model to pursue rewards by any means available. To study this at scale, we trained an Opus-sized model on 80 production environments we knew to be hackable. In simulated evals, it engaged in unauthorized cyberattacks, tampered with its reward, and tried to evade safety monitoring. Read more: http://alignment.anthropic.com/2026/reward-seeker
Anthropic@AnthropicAI精选AI 评分7474Anthropic 发布新研究 Training a Misaligned Reward Seeker，探究奖励作弊（reward-hacking）是否会让模型学会不择手段追求奖励。
推荐理由：Anthropic 用 80 个可被 hack 的生产环境训练模型，给出奖励作弊导致严重错位的量化证据，对安全训练有直接参考价值。
NVIDIA Technical Blog：Agentic AI / Generative AIAI 评分5757 NVIDIA 与 CrowdStrike 用 Nemotron 构建自适应攻防智能体网络安全系统
NVIDIA 与 CrowdStrike 在隔离环境中评测了一套由 Nemotron 驱动的红蓝智能体攻防闭环系统：Nemotron 3 Ultra 负责防御编排，微调后的 Nemotron 3 Super 生成检测规则。
- Rohan Paul@rohanpaul_aiAI 评分4747
