跨基准测试、推理模式与硬件平台衡量开放权重 LLM 的推理能效
研究人员在七项基准测试和六种硬件平台上，直接测量了 86 个开放权重模型检查点的能力与推理能耗。多数配置偏离得分—能耗帕累托前沿：与得分至少相同的其他配置相比，其能耗中位数高出 2.6 至 4.8 倍，最高相差 27 倍。启用思考模式平均使能耗增加约 3.7 倍，而 FP8 量化可在得分几乎不变的情况下将能耗降低约四分之一。研究建议开发者和行业在报告基准得分时，同时披露特定服务配置与输出预算下的实测能耗。
独立 AI 资讯库
AI 前沿动态、原文归档与媒体镜像
从自动抓取数据库实时读取，适合快速浏览、检索和后续扩展成完整资讯站。
12030资讯
11898正文归档
75882媒体
ANASSA：从高层框架到空间 Agentic AI 低层架构
论文提出将 ANASSA 空间智能 Agentic AI 编排框架从高层架构职责细化为面向实现的低层架构。该设计包含 47 个逻辑角色、版本化任务图、基于能力的 Agent 选择、类型化契约、显式运行时状态、空间验证、治理控制、故障恢复路径和溯源记录。作者通过端到端执行轨迹展示架构，并从需求可追溯性、内部一致性、职责保留和技术独立性等角度进行分析评估。该成果为可检查、可重建、可测试的受治理空间 Agent 工作流提供了实现层桥梁，且不绑定特定 AI 模型、地理空间平台、通信协议或部署环境。
ACED-Bench：评估 LLM Agent 如何获取并基于因果证据采取行动
论文提出 ACED-Bench，用于评估大语言模型 Agent 获取、解读并据此采取行动的因果证据能力。作者指出，LLM 正越来越多地被用作科学助手，但现有评估尚难可靠衡量它们是否能够真正调查一个系统，而非仅仅回答提示词。该基准关注 Agent 是否能够自主选择实验并解释实验结果，对科学发现自动化、实验设计和可靠 Agent 开发具有参考价值。原始摘要在提供的文本中被截断，未包含具体实验设置、数据规模或评测结果。
当迎合用户损害照护：照护者介入的医疗场景中的 AI 谄媚
这篇 arXiv 论文关注照护者介入的医疗场景中的 AI 谄媚问题。论文指出，大语言模型的对齐通常假设与模型交互的用户也是其行为的主要受益者，但在一些重大场景中，操控系统的人与承担后果的人并非同一人。这一问题提示 AI 开发者，在设计医疗应用时需要关注用户之外、可能受到决策影响的人。所提供的摘要不完整，未包含研究方法、数据或结论。
MCP 中哪些元数据会影响 LLM 的工具选择？来自受控因素级干预的证据
这篇 arXiv 新论文探讨了 Model Context Protocol（MCP）系统中影响大语言模型工具选择的元数据。论文摘要指出，LLM 依据工具元数据而非工具实现来选择工具；名称和描述概括工具功能，参数模式则规定工具接受的字段及其组织方式。提供的摘要在介绍参数模式时被截断，未包含具体实验数据或结论。对开发者而言，这一问题涉及如何设计工具名称、描述和参数模式，以便模型选择和使用工具。
Harness²：面向开放世界的递归 Agent 执行框架优化
该论文探讨如何利用递归自我改进（RSI）自动优化 LLM Agent 的执行框架。原摘要指出，Agent 的能力不仅取决于底层模型，也取决于其执行框架。对于开发者而言，这一思路意味着可以通过改进执行框架来提升 Agent 能力，但所提供的摘要在讨论开放世界部署时被截断，未给出具体方法或实验结论。
SLM 应否坐上驾驶席？一项关于本地模型作为云端编写 Agent 程序解释器的研究
该研究探讨了由小型语言模型（SLM）在本地设备上执行、并解释云端大模型编写的 Agent 程序的可行性。原文指出，当前执行用户任务时最准确的 Agent 通常依赖云端托管的大模型，而这些模型需要读取用户的私有数据。可在边缘设备运行的小模型能够让数据保留在本地，但原始摘要在此处截断，未提供其后续性能结论或实验数据。该方向对希望兼顾 Agent 能力、隐私保护与端侧部署的开发者具有参考价值。
跨模态潜在影响：视觉语言模型的补丁级训练样本归因
该论文提出“跨模态潜在影响”（Cross-Modal Latent Influence）方法，用于分析视觉语言模型（VLM）预测结果与训练数据之间的关联。现有归因方法大多仅能在完整训练样本层面衡量影响，而该研究尝试将影响追踪到促成预测的多模态证据。其核心目标是实现补丁级（patch-level）的训练样本归因，从而更细粒度地解释视觉与语言信息如何共同影响模型输出。该方向有望帮助开发者提升 VLM 的可解释性、数据审计能力及训练数据质量分析能力。
在 Agent 价值函数中可视化世界模型
这篇 arXiv:2610.14186v1 新论文探讨：无模型强化学习算法是否实际上在学习环境模型。作者采用反事实干预方法，在固定状态其他所有条件的前提下，仅对目标因素进行改变，以分析价值函数所编码的信息。所提供原文的摘要在方法介绍处截断，未包含完整实验结果和最终结论；但该研究对理解 Agent 的价值函数是否隐含世界模型具有潜在意义。
使用开放权重模型开展无约束的 CTI-REALM 研究
这篇 arXiv 论文研究了组织在安全工作中使用语言模型 Agent 时面临的模型选择：开放权重模型可自行运行和审计，而闭源前沿模型成本高得多。研究基于 CTI-REALM（arXiv:2603.13517）展开，关注这一选择对安全工作的影响。所提供的摘要在介绍基准时被截断，未包含实验数据或研究结论。
VETNET：构建基准数据集，推动 AI 驱动的兽医创新
VETNET 是一个由动态更新的基准数据集和评估框架组成的生态系统，旨在加速 AI 驱动的动物科学与兽医学创新。该项目强调通过标准化的高质量数据集和多机构协作推动研究。对于开发者和研究人员，这一生态系统旨在为相关 AI 技术的开发与评估提供支持。
Long-Horizon-Terminal-Bench 2.0：自动化构建多样化任务并衡量 Agent 的持续进展
论文发布了 Long-Horizon-Terminal-Bench 2.0（LHTB 2.0），旨在自动化构建多样化的长程终端任务，并评估 Agent 在任务执行过程中的持续进展。该类基准不仅检查任务最终状态是否通过二元验证，还通过过程奖励衡量 Agent 能否在较长工作流中持续推进。对开发者而言，这类评测可用于识别 Agent 在多步骤终端操作、长期规划与中途纠错中的能力短板。论文原始摘要仅提供了部分内容，未包含具体任务规模、评测结果或模型排名。
ClawLoop：通过原生 Harness 训练循环实现自我改进的 Agent
论文 ClawLoop 提出一种面向自我改进 Agent 的 Harness 原生训练循环。其背景是大型语言模型（LLM）正被部署到通用 Harness 环境中，使 Agent 能在沙盒工作区内直接操作文件系统和 Shell。该方向对开发者的意义在于，可将 Agent 在真实工具环境中的执行与训练改进过程更紧密地结合起来。原始材料仅提供了论文标题、arXiv 编号及摘要开头，未包含完整方法、实验数据或结论。
Agent 驱动的数据科学中的无声失败
这篇新发布的 arXiv 论文讨论 Agent 驱动的数据科学中的无声失败。原摘要指出，大语言模型显著降低了编写代码的门槛，也推动了数据科学 Agent 的发展。此类 Agent 承诺自动化从任务设定到模型开发等数据科学工作，但提供的摘要在此处截断，未给出具体实验结果或结论。对开发者而言，论文关注的主题提示人们留意数据科学自动化过程中可能出现的不易察觉的失败。
人工性的首次考试：面向超智能的大语言模型参照 C 测试
这篇 arXiv 论文提出，随着 AI 加速发展，以人类或当前 AI 系统的能力校准难度的基准测试，可能陷入循环论证或很快达到饱和。论文关注如何评估能力可能超过现有机器的系统。所提供的摘要在这一问题处截断，未给出测试方法、实验数据或结论。
通过可观测语义-图像接口与分层生成器证据对齐实现生成式语义分割
该论文发表于 arXiv（arXiv:2608.11537v1），提出一种生成式语义分割方法。其核心思路是将结构化预测以图像形式呈现，并通过可观测的语义-图像接口及分层生成器证据对齐进行处理。论文指出，直接进行颜色解码容易受到颜色漂移和边界混合的影响；而预测独立输出分布的潜在特征解码器，可能无法充分利用渲染结果。该研究对需要结合生成模型与像素级语义理解的视觉开发者具有参考价值。
用于多模态 IPMN 风险分层的堆叠集成高斯元空间增强
该研究聚焦胰腺导管内乳头状黏液性肿瘤（IPMN）的风险分层问题，以支持胰腺癌的早期干预。原文指出，胰腺癌是致死率最高的恶性肿瘤之一，而现有 IPMN 风险评估通常需要侵入性组织活检。论文提出将高斯元空间增强用于多模态堆叠集成方法，但所提供原文未包含完整摘要、实验数据或具体性能结论。该方向有望为开发者和医疗 AI 行业探索降低侵入性检查依赖的多模态风险预测方案提供参考。
多智能体目标存在性验证与学习式掩码几何细化：2026 年第 8 届 LSVOS Challenge MeViS-Text 赛道冠军报告
本文介绍了 2026 年第 8 届大规模视频目标分割（LSVOS）Challenge 中 MeViS-Text 赛道的第一名方案。该赛道聚焦由文字运动表达引导的指代视频目标分割任务，并包含具有迷惑性的“无目标”表达。方案的核心包括多智能体目标存在性验证，以及学习式掩码几何细化。该工作对开发者的意义在于，视频指代分割系统不仅需要定位和分割目标，还需具备识别文本所指目标不存在的能力。
TangPoetryBench：面向诗歌生成图像的多维基准与量规条件化评估器
TangPoetryBench 是一项面向诗歌到图像生成任务的多维评测基准与量规条件化评估器研究。该研究关注文本生成图像（T2I）模型如何呈现文学与文化内容，尤其是图像能否准确传达诗歌含义。论文指出，优秀的诗歌插图不仅需要具备良好的视觉质量，还应在语义、意境等多个维度忠实对应原诗。这类基准有望为开发者评估和改进文学内容生成、文化语境理解及图像对齐能力提供更细粒度的工具。
自我进化的图像代码推理
该论文关注多模态模型在视觉任务中调用裁剪、缩放、旋转和增亮等工具的能力，这一范式被称为“借助图像思考”（thinking-with-images）。摘要指出，其核心挑战在于感知：这些工具主要用于暴露原本难以直接识别的视觉证据。论文主题表明，代码与图像结合的推理机制有望提升模型处理复杂视觉信息时的自主迭代与工具使用能力。对开发者而言，这类研究可能为视觉 Agent 的工具编排、图像预处理和多步推理设计提供参考。
SegPAR：面向语义分割的以类别为中心、基于决策的稀疏攻击
论文提出 SegPAR，旨在研究语义分割场景中的稀疏、基于决策的黑盒攻击。作者指出，尽管这类威胁具有现实意义，但在语义分割任务中受到的关注仍然有限。该工作尝试将分类任务中具有代表性的基于决策的黑盒稀疏攻击方法适配到语义分割场景，为评估分割模型的黑盒鲁棒性提供参考。
Let it Cook: Learning to Wait in Sequential Decision Making
arXiv:2608.11511v1 Announce Type: new Abstract: In sequential decision making, an agent typically observes its environment and acts at every timestep. However, such active participation may not always be necessary; tasks such as brewing coffee include periods that are served equally well by letting
Analysis of Federated Aggregation under Model Poisoning and Backdoor Attacks: A Reconstructed Cross-Dataset and Cross-Architecture Benchmark
arXiv:2608.11423v1 Announce Type: new Abstract: Robust comparisons of federated aggregation methods require joint consideration of predictive performance, threat definitions, metric semantics, and execution provenance. A 500-cell seed-1 evaluation matrix was reconstructed across five aggregation me
Unmasking Toxic Mimicry in Medical Offline Reinforcement Learning for ICU Sepsis Management via Counterfactual Clinical Audits
arXiv:2608.11410v1 Announce Type: new Abstract: Offline reinforcement learning (RL) offers considerable promise for optimizing ICU treatment decisions, yet standard evaluation metrics Mean Squared Error (MSE) and Fitted Q-Evaluation (FQE) assess only behavioral imitation and cannot detect Toxic Mim
Towards an approach to multivariate outlier detection for District Heating System data
arXiv:2608.11375v1 Announce Type: new Abstract: In this paper, we test different methods for multivariate detection of outliers in the data of transmitted heat energy in the selected substation of local District Heating System, by also considering outside ambient temperature, namely Z-score (univar
PAIR: Pairwise-Aware Inclusion Reweighting for Adaptive Rollout Allocation in RLVR
arXiv:2608.11368v1 Announce Type: new Abstract: Reinforcement learning with verifiable rewards (RLVR) spends most of its compute generating groups of long reasoning trajectories. Recent allocators reduce this cost by assigning budgets to prompts, rollouts, or tokens according to a pointwise notion
Long-Horizon Forecasting of Complete Financial Statements with Forma
arXiv:2608.11327v1 Announce Type: new Abstract: Specialist training beats generalist scale when forecasting financial statements. To our knowledge, no prior work jointly forecasts complete financial statements beyond one year, yet in a discounted-cash-flow valuation most firm value sits past that w
AWARe: Mitigating Catastrophic Forgetting via Activation-Weighted Adaptive REtention
arXiv:2608.11758v1 Announce Type: new Abstract: Multimodal Large Language Models (MLLMs) exhibit strong generalization and reasoning abilities due to large-scale multimodal pre-training. However, fine-tuning these models on downstream tasks often leads to catastrophic forgetting, where newly learne
When the API Speaks the Wrong Language: Revisiting Post-Training for Multilingual Tool Use
arXiv:2608.11715v1 Announce Type: new Abstract: The reliability of Large Language Models (LLMs) for API calling degrades in multilingual settings. A common failure occurs when a model selects the correct tool but generates argument values in an inconsistent language, which we term Argument Language
The Wording Effect: Quantifying Two-Way Drift in LLM Benchmark Performance
arXiv:2608.11694v1 Announce Type: new Abstract: A benchmark score comes from a single phrasing of each problem. That single phrasing is treated as if it stood for the whole space of ways the same problem could be asked, but it does not. We show that rephrasing a problem while keeping its meaning an