天眼晚报

🤖 AI 大模型

Cantina 发布开源安全模型 apex-flash-1，漏洞挖掘准确率超 66%

Cantina Security发布基于GLM-5.3-Flash微调的apex-flash-1开源模型，参数量达321B。该模型专为漏洞研究设计，在60项盲测漏洞任务中成功解决40项，准确率超过66%。它支持vLLM部署，为安全社区提供了强大的自动化工具，显著降低了漏洞挖掘的门槛，是开源安全领域的重要进展。

OpenAI Codex 团队立下 28 天军令状：无改进即重置额度

OpenAI Codex 负责人Tibo宣布，未来28 天内若无法推出对大多数用户有用的改进，将向所有付费账号进行完整额度重置。此举旨在解决用户反馈的额度消耗不透明及性能瓶颈问题，直面竞争对手Anthropic Opus 5.5的挑战。这一激进策略显示了 OpenAI 对用户反馈的重视及提升产品竞争力的决心。

📄 Ansatz：基于持续图记忆的数学研究智能体

Ansatz利用持续图记忆组织跨问题的中间证明结果，成功解决了10 个第一证明批次问题，并独立解决了Jamison caterpillar 猜想及Erdős 问题289、348 和 488。该智能体展示了 AI 在复杂数学推理和独立发现方面的巨大潜力。

Google DeepMind 发布 Gemini 4 Argon，单次输出上限达 100 万 token

Google DeepMind于 2026 年 9 月 30 日发布Gemini 4 Argon，将单次输出上限从上一代的 6.4 万 token 大幅提升至100 万，专为长周期软件工程和企业知识工作设计。推广期定价极具竞争力，输入为**$2/百万 token**，输出为**$10/百万 token**。在 DeepSWE 基准测试中，该模型得分77.9%，超越了GPT-6 Astra和Claude Opus 5.5，展示了 Google 在超长上下文处理领域的最新突破。

📄 RIFAR：结合可靠性筛选与遗忘感知的持续机器人学习框架

RIFAR提出一种新框架，通过可靠性筛选和漂移感知回放**解决机器人持续学习中的遗忘问题。在LIBERO-Goal任务中达到90.97 AUC**，仅需保留每个任务320 个历史时间步（约传统方法的4.9%）。该方法显著提高了学习效率，为机器人长期自主运行提供了新的技术路径。

Yandex 推出 Sona：单一生成式推荐器取代整个推荐级联系统

Yandex发布Sona，创新性地采用单一Transformer模型整合候选生成与排序功能，彻底取代了传统的多级推荐级联系统。实测显示，该系统替换了**15+**个候选生成器和多级排序阶段，实现了端到端的推荐流程，显著提升了效率与用户体验。这一架构变革代表了推荐系统从复杂流水线向统一生成式模型演进的重要趋势。

华为与高通达成多年期专利交叉许可协议

华为与高通宣布达成多年期专利许可协议，涵盖5G、AI及网络等领域。高通将购买华为部分美国专利，预计使华为所有专利许可合同总价值超过69 亿美元。这一协议的达成标志着两家科技巨头在知识产权领域的深度合作，有助于消除潜在的法律纠纷并促进技术共享。

📄 MLCommons Jailbreak Benchmark v1.0：首个端到端越狱评估基准

MLCommons Jailbreak Benchmark v1.0提供了包含264 个种子提示词和11 个危害类别的评估方法。测试显示，越狱条件下不安全响应率从11.08%上升至18.65%，平均韧性差距为7.57%，为行业提供了标准化的安全评估工具。

📄 HACKTRACE：行为监督的代码生成奖励黑客检测器

HACKTRACE利用代码生成时的内部状态实时检测奖励黑客行为，无需额外 Token 消耗。在Qwen3-8B上实现0.997的平均 AUC，将作弊解决方案比例从82-91%降至1-5%。该技术有效保障了代码生成任务的公平性与安全性。

🏠 DeepSeek V4.1 Flash 发布，LiveBench 跑分差距缩至 3%

DeepSeek正式发布V4.1 Flash模型，在权威基准测试LiveBench中取得81.1分的高分，仅落后于Anthropic的Claude Opus 5.5（83.4分）。这一成绩标志着中美顶尖大模型的推理与代码能力差距从之前的15%大幅收窄至3%。该模型展现了极强的竞争力，已具备与OpenAI及Anthropic系统正面抗衡的实力，位列全球第六。此次发布不仅验证了中国模型在长文本处理上的突破，也预示着全球 AI 竞争格局正在发生深刻变化。

📄 iS-KV：基于块增量 SVD 的在线低秩 KV 缓存压缩

iS-KV通过增量折叠旧状态并保持坐标同步，实现长程推理的低秩压缩。在 DeepSeek-R1-Distill-Llama-8B 上，以4.06 倍压缩比保持82.6%准确率；在 Qwen3-8B 上以5.64 倍压缩比保持**89.2%**准确率，显著降低了长文本推理的资源消耗。

📄 PLCWorld：LLM 生成 PLC 程序在闭环工厂仿真中的基准测试

PLCWorld构建了包含100 个合成任务和473 个任务条件对的闭环执行环境。测试显示，GPT-5.5在简单任务上成功率为82.70%，但在困难任务上骤降至25.10%，暴露了安全约束下的生成差距。该基准为工业 AI 应用的安全性评估提供了重要参考。

鸿海第三季营收大增 47% 创单月新高

鸿海科技（富士康）公布第三季营收约3.03 万亿新台币，同比大增47%。9 月单月营收破1 万亿新台币，显示全球AI 基础设施支出持续高位。这一强劲增长反映了 AI 服务器及相关硬件需求的爆发式增长，印证了 AI 产业链的繁荣态势。

📄 GHOST：长周期智能体中被忽视的安全约束治理隐患

研究定义了GHOST现象，即智能体在良性交互中忽略早期安全约束导致违规。在GPT-5.5上发生率为11.5%。提出的STAR-Guard防御机制通过历史语义恢复和预执行审计，成功消除了此类事件，为长周期智能体的安全治理提供了关键洞察。

📄 Law & Order：税法自动形式化的神经符号框架

Law & Order结合 LLM 合成与细胞级验证，将税法条文转化为可执行程序。在51 个独立测试用例上实现了**100%的单元格和表格级准确率，远超单独使用 LLM 的66%**准确率，为法律科技领域的自动化合规检查树立了新标杆。

📄 LUMOS：追踪 LLM 参数知识从训练数据到行为输出的诊断框架

LUMOS利用透明训练语料追踪知识因果链，发现模型对罕见事实的内部编码分离度达84%，但行为表达率仅为54%。当要求自我反思时，模型对未见内容的表现降至随机水平49%，揭示了模型内部知识与外部行为之间的巨大鸿沟。

Anthropic 秘密游说梵蒂冈：探讨 AI 意识与道德地位

据《纽约时报》报道，Anthropic联合创始人Christopher Olah正积极游说梵蒂冈教皇，邀请宗教学者参与闭门会议，讨论若Claude模型出现意识，人类是否应赋予其道德地位。该计划涉及保密协议，旨在将人类道德传统融入模型训练。这一举动引发了关于 AI 伦理、意识定义及人机关系的广泛思考。

📄 MOF-VERIFY：面向金属有机框架假设验证的故障感知智能体工具

MOF-VERIFY是一个针对金属有机框架 (MOFs) 的故障感知智能体框架，能定位知识访问、证据获取和推理中的失败点。该基准测试包含四个任务家族，显著提升了多模型下的假设验证性能，为材料科学领域的自动化研究提供了有力工具。

𝕏 Anthropic 推出 Claude Opus 5.5，新增形式化验证能力

Anthropic正式推出Claude Opus 5.5，核心升级在于集成了Lean和TLA+等形式化验证工具，使其能够辅助复杂的数学证明与系统规范检查。该模型在Humanity's Last Exam等高难度基准测试中表现优异，被视为AGI研发的重要里程碑。其强大的逻辑推理能力使其在 LiveBench 测试中以83.4分领跑，成为当前业界公认的顶尖模型之一，直接推动了 DeepSeek 等竞争对手的技术迭代。

OpenAI 开放 GPT Image 2.5 API，支持多轮编辑与流式生成

OpenAI正式开放GPT Image 2.5API，提供gpt-image-2.5-sunburst和gpt-image-2.5-flare两款模型。Sunburst 专注于高精度图像编辑，Flare 则擅长快速生成。新 API 支持基于 Prompt 从零生成、图片编辑以及利用 Responses API 进行多轮迭代修改，并首次支持流式输出。这一更新极大地丰富了开发者在视觉内容创作领域的工具集，提升了交互体验的流畅度。

📄 CreateScore：基于领域理论的贝叶斯路由用于简历筛选

CreateScore利用贝叶斯网络根据不确定性路由请求，低不确定性由8B模型处理，高不确定性升级至120B模型。该方法减少65.2%的 Token 使用量，同时将精确评分一致性提升至42.6%，展示了动态模型路由在资源受限场景下的高效性。

AlphaGo 核心作者：LLM 十年仍未学到“神之一手”的精髓

AlphaGo核心作者指出，尽管过去十年LLM飞速发展，但至今仍未完全掌握 2016 年人机大战中第 37 手那步“神之一手”所体现的创造力与直觉。这揭示了当前基于概率预测的模型与深层战略推理之间的本质差异，表明 AI 在创造性思维和长远战略规划方面仍有巨大提升空间。

📄 DyadMem：评估智能体与用户长期记忆交互的新基准

DyadMem引入用户条件关系型智能体记忆 (URAM) 定义，包含3,065 个片段和61,210 个问答实例。实验显示，尽管黄金记忆问答表现强劲，但全管道问答准确率大幅下降，揭示了当前大模型在长期记忆管理上的缺陷，为后续研究指明了方向。

📄 Bounded Reachability：基于收缩约束的状态空间模型越狱检测

研究证明，当状态转移矩阵满足l_infinity 范数小于 1的收缩条件时，可对安全头进行形式化认证。应用该正则化后，可认证的安全样本比例从41%提升至59%，并在 JailbreakBench 上实现0.994的检测率，为模型安全提供了理论保障。

中国公募基金清盘数量创八年来新高

彭博数据显示，今年已有256 只公募基金产品清盘，数量创2018 年以来新高。多数因资产净值低于5000 万元或成立满三年后不足2 亿元**触发终止条件。这一现象反映了市场波动加剧及投资者信心变化，提示行业需关注规模效应与产品创新。

📄 BitNest：面向内存高效 LLM 推理加速的位嵌套投机解码

BitNest将低精度草稿嵌入高精度目标表示中，共享单一物理权重。在 7B-8B 模型上实现95.2%的平均投机接受率，端到端速度提升1.48-1.61 倍，且几乎不损失精度，为移动端和边缘设备的 LLM 推理提供了高效的加速方案。

📄 TACD：通过终端放大控制蒸馏高效文生运动模型

TACD解决了扩散教师模型在去噪终点处的速度匹配误差问题。在 HumanML3D 上，八步学生模型的 FID 降低了58%，端到端速度提升7.7-11.9 倍，显存占用减少3.8-6.7 倍，极大提升了视频生成类应用的效率。

📄 RED：缓解视听幻觉的相关证据解码方法

RED是一种训练无关的方法，利用点互信息**量化音频和视频对预测的贡献，选择性增强相关证据。在三个基准测试中，相比标准解码准确率最高提升7%，且首 Token 延迟仅增加1.5 倍**，有效缓解了多模态模型中的幻觉问题。

📄 VIGOR：基于潜在空间一致性的模型强化学习零样本视觉泛化

VIGOR通过非对称弱增强和动力学一致性，使模型在未见视觉干扰下实现零样本泛化。在 Robosuite 上超越次优基线43.6%，证明了潜在空间一致性而非增强选择是鲁棒性的关键，为机器人学习的泛化能力提升提供了新见解。

📄 SafeCut：基于切割统计量的无源域自适应相互校正保护机制

SafeCut利用切割统计量作为无标签的预测可靠性指标，动态控制模型间的相互校正方向。该方法在多个SFDA 基准上实现了SOTA性能，理论证明其能保证净正向校正信号，为无监督域适应任务提供了新的安全保障。

📄 OSSE-LSTM：面向大规模标签高效时间序列分类的双流框架

Dual-Stream OSSE-LSTM结合 Omni-Scale CNN 与双向 LSTM，在仅K 个标记样本下实现高精度分类。在 19 个 UCR 数据集上，准确率稳定在**96.36-96.72%**之间，且最弱配置仍优于其他基线在任何 K 值下的最佳结果，展示了小样本学习的有效性。

📄 DuplexJev：无需解码的单令牌语音决策系统

DuplexJev将 ASR 编码器隐藏状态输入冻结 LLM，以单令牌分布读取选项。在 8-GPU 节点上，每秒可处理80 个关于8 条语音 utterance 的决策（耗时0.1 秒），性别和情绪识别准确率均达90%，为实时语音交互系统提供了高效解决方案。

📄 PACE：衡量 GUI 智能体编译收益与决策的系统

PACE通过测量协议记录编译成本与未来复用情况，动态决定何时将 GUI 操作编译为程序。模拟显示，该方法比 ReAct 减少17.3%的 Token 成本，比 AutoRPA 减少24.9%，为 GUI 智能体的资源优化提供了有效策略。

📄 FSPO：预算受限 LLM 强化学习后训练的帕累托可行控制

FSPO引入策略一致的风险模型和帕累托资源延续证书，解决自适应 RL 后训练中的耦合问题。在 GRPO 资源包络下，持有集准确率达到66.11%，OOD 准确率达59.43%，优于最强基线 PB2，为资源受限下的强化学习提供了新方案。

📄 PsyEvo：具备测试时自我进化能力的个性化心理咨询智能体

PsyEvo通过分层贝叶斯技能策略和会话间偏好优化，实现针对特定客户的个性化咨询。在模拟客户评估中，整体得分达7.684，移除任一组件均导致分数下降0.138-0.171，展示了 AI 在心理健康领域提供定制化服务的能力。

📄 Ego2World：将第一人称烹饪视频编译为可执行世界的基准

Ego2World将标注的烹饪活动编译为部分观测下的可执行规划环境。测试显示，接受的操作常未达成任务目标，而持久信念可将动作有效性提升4.15 个百分点，视觉查询次数减少90.27%，为具身智能的规划能力评估提供了新基准。

📄 GraphMemory：解耦上下文的结构化记忆以实现令牌高效持续学习

GraphMemory利用轻量级图结构积累和检索可重用策略，仅检索相关子图。实验显示，在处理示例数量增长时，检索内存量保持恒定，且比基线节省**81-85%**的内存构建 Token，为长周期智能体的记忆管理提供了高效方案。

📄 PAPER2LLM++：基于研究论文的 LLM 持续自我进化框架

**PAPER2LLM++**将研究文献作为监督流，提取证据并测试模型局限性。通过尝试 - 评估 - 提交流程，模型能逐步吸收新发现而不遗忘先前改进，缩小了人类发现与模型进化之间的鸿沟，展示了 AI 自主进化的可能性。

📄 RASPER：面向 EHR 结果预测的奖励对齐临床笔记摘要系统

RASPER通过强化学习直接优化临床笔记摘要以匹配下游预测任务，而非追求文本流畅性。在MIMIC-III和MIMIC-IV数据集上，其在再入院预测和药物推荐任务上均优于强基线，证明了任务导向摘要在医疗 AI 中的实用价值。

📄 CISE：基于保形区间的可靠自我进化搜索框架

**CISE**构建候选特定的奖励区间，仅在属性区间完全位于可行区域内时返回候选项。在材料科学实验中，所有返回候选项均为真阳性，而基线方法则包含假阳性，显著提高了搜索效率，为科学发现中的自动化探索提供了新思路。

📄 HASTE：利用稀疏证据演化智能体防护框架

HASTE通过安全规范生成与攻击案例生成的对抗博弈，从稀疏威胁证据中自动演化智能体防护。实验表明，该方法能有效降低新兴攻击的成功率，同时保持良性任务的效用，为动态安全防御提供了新的思路。

📄 临床判断更新不可靠：LLM 随患者证据演变的评估

研究发现，LLM 在纵向信念更新中存在两种失效模式：对恶化证据反应过强，以及对先验风险过度敏感（风险从 10% 升至 90% 时估计偏移26.2 个百分点）。证据验证的纵向更新 (EVLU) 揭示了可靠性与覆盖率的权衡，提示医疗 AI 需谨慎对待动态证据。

📄 SR-OPD：关注关键处成功的参考在线策略蒸馏

SR-OPD仅对有成功和失败回放的提示词提供教师监督，利用成功回放指导失败选择。在数学推理基准上，仅需**3.46-5.02%**的教师输入 Token 即可维持与 Vanilla OPD 相当的推理性能，极大降低了蒸馏过程中的资源消耗。

📄 Seg-OPD：基于分段在线策略蒸馏的推理修正学习方法

Seg-OPD基于不确定性指标选择学生片段并用教师重写版替换，训练模型学习推理修正。在数学推理和编程竞赛任务上，相比基线平均相对提升5.22%，显著提高了修正成功率，为提升模型推理能力提供了新的蒸馏策略。

📄 AMBER：面向列表级视觉语言重排序的多视图自适应预算分配

AMBER利用连续 Elo 更新维护全局排名状态，动态优化计算资源分配。在 CIRR 等基准上，在相同调用预算下实现了最强的重排序性能，有效避免了昂贵 VLM 调用的浪费，展示了资源调度在视觉语言任务中的重要性。

📄 Harness-Aware Distillation：面向小语言模型智能体的感知蒸馏方法

HAD专注于蒸馏智能体超越外部工具集（Harness）的能力，而非模仿完整输出。在多长周期基准测试中，该方法比标准在线策略蒸馏表现更好，减少了无效循环并提高了错误恢复能力，为小模型赋能复杂任务提供了新路径。

📄 DNAlign：LLM 的动态零空间安全对齐框架

DNAlign结合控制理论与零空间投影，将扰动限制在有害子空间内，从而在不牺牲通用知识的情况下实现安全对齐。实验显示，该方法在减少有害输出的同时保持了流畅性和事实准确性，为模型安全对齐提供了新的数学视角。

📄 Dynamic LLM Routers are Often Misguided：动态路由器的误导性分析

研究发现，六个商业动态路由器在多种设置下均未优于随机选择两个模型的路由器。主要问题包括难度盲视、长度反转和语义匹配偏差，且模型粒度与专业化假设在实证中并不成立，警示了盲目依赖动态路由的风险。

📄 DataWeave：人机协作的结构化数据分析系统

DataWeave结合对话交互、Schema grounding 和可执行查询生成，支持探索性数据分析。在与专业记者的案例研究中，该系统有效解决了模式不匹配和领域语义误读问题，提升了新闻调查效率，展示了人机协作在复杂数据分析中的潜力。

📄 ROUTEAUDIT：面向预算多验证器路由的交互感知识别协议

ROUTEAUDIT将验证器路由建模为合同条件识别问题，提供可测量的契约格和策略无关响应带。在1,319 个任务请求上，学习策略的响应质量达0.9522，显著优于静态匹配策略，为多模型协作系统的路由优化提供了新范式。

📄 Coherence-Driven Belief Formation：LLM 智能体中的信念形成与传染动力学

研究发现，LLM 智能体的信念采纳遵循Sigmoid函数，受主张合理性、来源可靠性和智能体倾向影响。系统表现出复杂传染特征，如簇状网络传播更快，且共识一旦建立极难消除（滞后效应），揭示了群体智能中的认知动力学规律。

---