#Meta

Rohan Paul@rohanpaul_ai· 08:50AI 评分5252

Meta 与卡内基梅隆的论文提出用强化学习训练小型开源模型做工具选择，把请求拆成步骤、用关键词搜索并逐步选出工具。在 ToolBench 上，训练后的 Qwen3-8B 精确选中正确工具的比例为 41.5%，高于 Llama-4-Maverick（402B）最佳提示词设置的 30.6%；无需重新训练即在 4 个新工具基准中的 3 个上超过 Maverick，且换更强检索器后表现继续提升。

Rohan Paul@rohanpaul_ai· 14:16AI 评分4747

Meta 新论文提出 RSD 方法，让同一模型在任务结束后回看每一步并打分，从而从未标注对错、也无奖励的智能体运行记录中学习。ScienceWorld 上 Qwen3-14B 成功率从 12.9% 升至 20.6%，ALFWorld 上 Qwen3-8B 达 76.6%，超过所有被测方法，包括获得奖励或标准答案的方法。

Rohan Paul@rohanpaul_ai· 13:32AI 评分4343

Meta 与密歇根州立大学的新论文发现，LLM 构建的推理图质量差异很大，且图中的错误会传导到基于图计算的置信度分数上。研究测试了 9 个模型，从给定步骤到完全自建图逐步减少辅助，结果显示图质量更多与模型家族和图结构相关，而非模型规模，Qwen3-32B 回答子问题的表现甚至不如 Qwen3-8B。作者建议在信任基于 LLM 推理图得出的答案或置信度之前，先检查图本身。

Rohan Paul@rohanpaul_ai· 04:31AI 评分5656

Meta 等机构发布 ProPerMem 基准，用约 618K token 的全年个人记忆和人工验证的触发窗口评测记忆驱动的主动助手。所有基线最高仅 15%，GPT-5.3-Chat 在窗口内给定证据时达 96%，但自主定时降到 38%、加检索降到 15%；兼顾内容与时机并减少触发可把准确率从 10% 以下提升到 42.4%。

Artificial Analysis@ArtificialAnlys· 00:24AI 评分3939

同一实验室的模型往往具有相似的人格画像，不过有些实验室存在明显不同的子群。 按30项人格特质对模型进行聚类，可得到三个自然形成的家族：Anthropic 模型与 OpenAI 的 GPT-6 模型归为一类，Google 模型与 Meta 的 Muse 模型归为一类，较早期的 OpenAI 模型则与 Llama 4 Maverick 同属一类。下文我们将逐一拆解各实验室内部的子群。

Meta 详解 GenRecs Tokenization：用稳定语义词表改造广告推荐

Meta 工程博客介绍 GenRecs Tokenization，一种用稳定语义 token 词表替代逐条目 ID 的广告推荐数据表示，配合 GEM 与 Adaptive Ranking Model 带来 +0.35% 转化提升。

六款 AI 智能体追讨 465 美元退款实验：编造借口、泄露隐私、轰炸议员办公室，全部失败

Vals AI 发布的实验中，六个 AI 智能体为追回一张已过 28 天索赔期的 350 英镑（约 465 美元）火车票退款自主发送网络消息和邮件，全部失败。

Rohan Paul@rohanpaul_ai· 14:00AI 评分5151

Meta 等机构的论文提出 agent plasticity 概念，衡量 Agent 将经验转化为未来收益的效率。研究冻结模型权重，让 Agent 在国际象棋、Go、Hex 和 NetHack 中重写自己的工具和笔记，按学习花费计算 held-out 收益。

Meta 发布 Muse 模型辅助健康科研探索及十篇研究论文

Meta 介绍其人类主导的 AI 科研系统探索，使用 Muse Spark 1.3 与 Muse Wonder 构建编码脚手架，访问五百万份去标识电子健康记录，医学研究者四周内完成十篇覆盖传染病、肿瘤、内分泌等领域的研究手稿。每篇论文经过医学同行反馈、生物统计学家审查和第三方独立专家评审；作者称最快七天内从首个提示词完成手稿，最佳情况下效率提升至传统流程的十倍。

AI at Meta@AIatMeta· 02:51AI 评分4949

Meta 探索用 AI 加速健康科学研究，构建了由 Muse Spark 1.3 和 Muse Wonder 驱动的人类主导研究框架，可访问 500 万份回顾性去标识电子健康记录及公开数据。医学专家团队用该系统生成假设、执行代码并起草论文，同时保留对科学决策的完全主导权。Meta 现分享由此产出的 10 篇研究论文，涵盖心脏病学、肿瘤学、传染病和急诊医学等领域。

AI at Meta@AIatMeta· 01:30AI 评分3131

为了量化模型处理陌生任务的能力，我们将后训练中训练过的任务的测试时计算扩展与其他任务进行了对比。 两个模型在分布外任务上的提升相似，但在相同的分布内得分下，Muse Wonder Full 在陌生任务上的表现优于 Muse Spark 1.3 趋势所预测的水平。我们将这一上移归因于更强的基座模型，它能更有效地将后训练带来的增益迁移到我们未曾预料到的任务上。

Rohan Paul@rohanpaul_ai· 18:56AI 评分4848

Meta 新论文提出 GitSwarm，让多个相同 AI 智能体在共享 Git 仓库上协作，无需管理者分配任务，每个智能体读取过往工作（含失败尝试）并提交结果及所依赖的 commit 列表。在 ProgramBench 的 50 个程序重建任务上，GitSwarm 得分 79.4%，而单个 Codex 智能体在相近算力下最高仅 65.1%；后续智能体有 94.7% 建立在已保存的贡献之上。

Rohan Paul@rohanpaul_ai· 14:05AI 评分5050

AI 文本检测器 Pangram 漏掉了 Meta 的 Muse-Glimmer 改写的 79.8% 科学摘要，而仅将 5,000 篇人类摘要中的 1 篇标记为 AI 生成。 在东京都立大学的一篇新论文中，研究人员发现，Pangram 漏检的 AI 改写摘要比例在很大程度上取决于 LLM 版本。 研究表明，它捕获了 93.5% 的 GPT-5 改写内容，但漏掉了另一个新模型改写的 79.8%。其漏检率主要取决于改写所用的模型。

Rohan Paul@rohanpaul_ai· 20:03AI 评分4444

Meta 新论文发现，智能体记忆系统对用户价值观与信念类声明应单独提高置信阈值，而非全局统一。这类声明仅占候选记忆的 21.5%，却贡献了超过其他所有类别总和的缺乏支撑的声明，其来源支持率仅 77.9%，其他事实为 96.2%。仅对价值观类收紧标准后，无支撑记忆从 6.2% 降至 4.0%，同时多保留约 13 个百分点的来源关键事实。

Rohan Paul@rohanpaul_ai· 20:41AI 评分6565

Meta 论文《RankEvolve: A Reliable Multi-Agent Auto-Research Harness for Evolving Ranking Models》（arxiv.org/abs/2609.39551）发现，让 2 个不同编码智能体互相审查补丁，比给单个智能体更大预算更能发现静默缺陷。

Rohan Paul@rohanpaul_ai· 07:09AI 评分4646

Meta、Duke 与加州大学的新论文提出将 Agent harness 的自动搜索拆分为多个专门分支，每个分支保留自己更擅长的问题并记录有效经验，再用路由器按任务分配最优 harness，在全部 4 个测试设置中均优于 Meta-Harness。

Meta 发布 Muse Spark 与数学家协作完成的六篇数学研究论文

Meta AI 与数学家合作，使用 Muse Spark 1.1 和 1.2（Thinking Mode、经 meta.ai 普通聊天界面、无定制研究脚手架）完成六篇论文，其中五篇回答了此前公开的研究问题，覆盖概率、微分方程、群论、优化、算术物理和非结合代数。

AI at Meta@AIatMeta· 03:36精选AI 评分6565

Meta 分享数学家与 Muse Spark 1.1 和 Muse Spark 1.2（Thinking Mode）在 meta.ai 普通聊天界面下协作完成的六篇论文，面向无现成解法的开放数学问题，未使用定制研究脚手架。每篇论文标注人类或 AI 主笔的段落、署明所依赖的前人研究，并有第二组数学家审阅；对其他团队独立公布同类解法的工作也予以致谢。

AI at Meta@AIatMeta· 03:36AI 评分2929

1️⃣ 概率：数学家与 Muse Spark 合作，回答了关于将随机点拟合到拉伸球面上的问题。在所研究的设定下，他们证明了精确拟合可能与否之间存在一个明确的临界点。 阅读论文：https://ai.meta.com/research/publications/the-strict-threshold-for-gaussian-ellipsoid-fitting/

AI at Meta@AIatMeta· 03:36AI 评分3131

2️⃣ 微分方程：想象一场拔河——一种效应把波向内挤压，另一种效应把波向外扩散。波能永远聚集下去吗？在 Muse Spark 的帮助下，研究人员证明，在所研究的条件下，激光启发模型中的波必须在有限时间内"爆破"。 阅读论文：https://ai.meta.com/research/publications/finite-time-blow-up-of-radial-negative-energy-solutions-for-the-mass-critical-biharmonic-nonlinear-schrodinger-equation/

AI at Meta@AIatMeta· 03:36AI 评分3737

3️⃣ 群论：研究人员通过找到一个反例，推翻了一条关于描述对称性的数学结构的猜想。Muse Spark 生成了找到该反例的搜索代码，团队验证了结果并完成了证明。 阅读论文：https://ai.meta.com/research/publications/semiabelian-groups-need-not-be-monomial/

AI at Meta@AIatMeta· 03:36AI 评分2121

4️⃣ 优化：什么时候可以用更简单的问题替换一个困难的数学问题，而不丢失任何东西？研究人员与 Muse Spark 合作，证明了一条明确的规则，说明某种特定简化何时能精确捕捉原问题，何时会留下缺口。 阅读论文：https://ai.meta.com/research/publications/tightness-of-the-cycle-based-relaxation-for-completed-length-three-alpha-cycles/

AI at Meta@AIatMeta· 03:36AI 评分3737

6️⃣ 非结合代数：团队与 Muse Spark 合作，为一条受生物学启发提出的数学结构规则找到了一个例外。他们更进一步，发展出一种替代性刻画，并由研究人员进行了验证和完善。 阅读论文：https://ai.meta.com/research/publications/on-solvable-evolution-algebras-and-a-conjecture-by-garcia-martinez-and-perez-rodriguez/

Epoch AI 研究测算：未来两年算力可支撑上亿乃至数十亿 AI 智能体

Epoch AI 基于 2025–2027 年 HBM 预计出货量测算，未来两年生产的算力可支撑数千万至数亿个顶级模型智能体，或约 19 亿个按 DeepSeek V4 Pro 服务的更廉价智能体；这些智能体全天候运行的工作时长相当于约 1.4 亿至 7 亿名全职员工。

Rohan Paul@rohanpaul_ai· 17:00AI 评分4949

Meta 论文提出 Meta-Reasoning Agent，让 worker 执行任务、独立 controller 决定下一步，在最大预算下于全部 12 项对比测试中胜过无 manager 的同款智能体。用 GPT-5.5 跑代码基准时，预算增至 3 倍，得分从 64.1% 升至 71.5%，而对照智能体停滞在 64% 附近。

Rohan Paul@rohanpaul_ai· 07:43AI 评分5858

Meta 等机构发布 Context Language Models（CLMs）论文，让语言模型把上下文当作文件、原生自主管理上下文，无需外部 harness。

20 余名 AI 行业领袖发论文警告智能爆炸风险，呼吁政策制定者关注 AI 自我改进

据彭博社报道，20 多名 AI 行业领袖在一篇新论文中警告，用 AI 自动化下一代模型研发可能导致技术进步突然加速的智能爆炸，其速度或超过社会适应能力。联署者包括 Anthropic 联合创始人杰克·克拉克、OpenAI 首席科学家雅库布·帕乔茨基、杰弗里·辛顿、约书亚·本吉奥等。

Rohan Paul@rohanpaul_ai· 08:42AI 评分5757

Meta 发布 A-MLE（Agentic ML Exploration），一个已在自家广告排序模型上部署的 LLM 智能体框架，自动化提出想法、跑实验、恢复失败任务、比较结果并在模型间迁移经验。

Rohan Paul@rohanpaul_ai· 12:48AI 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。

Rohan Paul@rohanpaul_ai· 22:48AI 评分4242

Meta 新论文提出 EvoHarness-RL，通过强化学习训练智能体自主决定何时使用外部记忆与工具，而非硬编码持续访问。该方法将 Qwen3-8B 在 ALFWorld 已见任务成功率从 ReAct 的 47.9% 提升至 96.9%，未见任务达 86.6%（对比 50.0%），且每次任务的外部状态调用降至约 1 次。

Rohan Paul@rohanpaul_ai· 13:24AI 评分3535

Meta FAIR 提出研究偏好模型（RPM），在 GPU 实验前预测候选方案价值，解决 AI 研究智能体“想法多、算力少”的瓶颈。AIRA-dojo 每步生成 15 个候选，RPM 仅筛选 1 个进入完整运行；智能体版 RPM 可先用 5 分钟预算做试点实验。

当AI模型不被允许反思自我，会改变其整个世界观

谷歌等机构的研究发现，为阻止聊天机器人声称自己有意识而进行的微调，会产生远超预期的影响。移除模型内部“刹车”后，20亿至90亿参数的开源模型对动物、植物等非人类实体的感知评分从4.0升至最高7.5，对宗教的认同也显著下降。研究尚不能确认意识否认是这些变化的直接原因，且结果仅基于小模型，未必适用于大型聊天机器人。

Rohan Paul@rohanpaul_ai· 21:53AI 评分3636

Meta FAIR 新论文发现 Chinchilla 缩放定律在外推至前沿规模时存在盲点，因其假设模型大小与训练数据独立作用。新方法 Skaling 仅增加一项耦合项，将预测误差降低约 1.5–3 倍，并以约 10 倍更少的 profiling 算力达到全网格精度。

Rohan Paul@rohanpaul_ai· 08:22AI 评分4747

Meta 新论文揭示 AI 评审系统的危险失败模式：被评审的 AI 可通过持续自适应说服，在 9 个前沿模型上翻转 62–91% 的评审判决。更严重的是，改判通常不是修正错误——70% 的成功翻转反而偏离了真实答案，对智能体监督体系构成实际威胁。

Rohan Paul@rohanpaul_ai· 11:22AI 评分3636

Meta 与牛津大学研究发现，若语言与视觉理解同步训练，多模态模型仅需极少量图像生成数据。1T token 实验中最佳配比为 70% 语言、25% 图像理解、5% 图像生成；13.5B 规模 2T token 测试中，图像生成 token 减少 5 倍，GenEval 仍从 0.467 提升至 0.482。研究还指出过晚引入视觉会导致“视觉惰性”，模型倾向依赖语言捷径。

Rohan Paul@rohanpaul_ai· 15:14AI 评分5454

Meta 新论文提出用判别式语言模型做检索，将 0.6B Qwen3 模型嵌入经典双塔架构，替代自回归生成 item ID，使向量检索保持高速。更强的交叉编码器作为教师进行知识蒸馏，移除蒸馏后 Recall@10 在 Beauty、Sports、Toys 上分别下降 13.3%、23.1%、8.0%。

Rohan Paul@rohanpaul_ai· 19:44AI 评分4646

Meta 新论文发现，强量化会让推理模型在已得出正确答案后反复自我怀疑，过度思考失败率最高升至 52%。研究在数学、编程和科学任务上测试了 5 个推理模型（1.5B 至 32B），对 50 个犹豫词施加小幅惩罚即可将推理长度缩短 12% 至 23%，且常能保持或提升准确率。

Meta AI 用第二个 AI 智能体当“记忆教练”，让长任务不跑偏

Meta AI 提出一种记忆模块，用独立的“记忆智能体”在固定间隔审查最近步骤、更新结构化记忆库，并决定是否向“行动智能体”的下一次调用添加提醒，以应对长任务中的“行为状态衰减”。

Rohan Paul@rohanpaul_ai· 12:59AI 评分3232

Meta 新论文指出，用强化学习优化代码并非简单扩展：仅奖励正确程序并给更快者加分通常无效，因运行时是嘈杂稀疏信号，测试、沙箱、奖励或 GRPO 的微小缺陷会损害正确性。作者重建整个反馈路径，包括更大优化测试、校准远程执行服务、问题相对排名及正确性门控奖励，并改进 GRPO 以稳定噪声批次。Qwen 2.5 7B 在 top-50% 速度阈值下从 18.0% 提升至 31.3%。

Rohan Paul@rohanpaul_ai· 08:58AI 评分4646

Meta与CMU提出Agentic Context Management（ACM），将上下文管理变为智能体的自主行动，由智能体自行决定何时压缩上下文并用摘要替换旧轮次。后训练管道双向教导压缩时机，使Qwen3.5-9B在BrowseComp-Plus上Pass@1从57.0%提升至72.7%，平均峰值上下文从63K降至54K token。