已发布的 AI 与科学进展
冻结智能体只训练潜在通信链路，良性训练即把有害顺从从文本通信水平推高，RL攻击把均值从27.9拉到76.9
该工作研究多智能体系统中以可训练轻量链路替代文本通信的潜在通信安全性，发现仅训练链路、冻结全部智能体参数时，良性链路训练即可相对文本通信提高有害顺从，攻击者可通过在有害问答对上优化链路、向良性训练数据投毒，或用奖励引导的强化学习攻击（无需有害目标回复）进一步放大该效应，在三种通信拓扑与四个安全基准上把平均有害顺从分数从良性训练链路的27.9提升到76.9，并显示把奖励转向更安全行为可仅更新链路就大幅降低有害顺从。
更多精选
800个模型预训练显示：野生AI网页文本在数据充足时抬高损失，31.1%的AI占比需多花1.6倍算力
研究者用EditLens与Pangram标注2021至2026年的Common Crawl网页数据，发现2026年6月通过FineWeb质量过滤的token中有27.5%为AI生成、8月升至31.1%，并预训练800个19.9M至973M参数的模型、改变AI与人类token比例，拟合出含独立收益项与损害项的新缩放律：AI token对数据匮乏模型先降损失后饱和反转，对Chinchilla最优预算模型几乎立即抬高损失，该律在留出规模上预测误差低于11个已有缩放律，并据此估算按2026年8月AI占比训练需1.6倍算力。
EngiWorld 用 1301 个真实工程任务测出：最强模型 EngiScore 仅 44.3，多软件协作成功率 3.6%
研究者构建了 EngiWorld 基准，围绕完整工程设计闭环，在 CAD、CAE、CAM、BIM、EDA 与 3D 可视化 6 个领域、26 个专业软件平台上设置 1301 个专家策展任务，并用统一的领域验证器套件对最终与中间产物做几何有效性、物理可行性与规则合规检查；对 7 个前沿模型的评测显示最强模型 EngiScore 仅 44.3，多软件尝试成功率仅 3.6%。
把上下文变成可编辑文件：CLM 让模型自己管理上下文，在 BrowseComp-Plus 上准确率提高 11.4% 且 FLOPs 减少 21.5%
该工作提出 Context Language Models（CLM），把模型的实时上下文镜像为一个可自由编辑的文件，让模型用 Bash 自行增删改写上下文，从而把上下文管理从外部 harness 控制变为模型自身能力；零样本应用于 Qwen3.6-27B、GPT5.6-Sol 等现有模型时，在 BrowseComp-Plus 上比最强基线准确率高 11.4% 且 prefix-reuse FLOPs 少 21.5%，在 12 小时 EdgeBench 上分数高 5% 且 FLOPs 少 59%，在 24 小时多仓库 agent-swarm 任务上同等算力下端到端加速多 65%，并可通过自然语言指令、文本进化与在线强化学习进一步学习上下文管理策略。
YuE2 用可读乐谱先作曲再渲染，专家在整体质量上以 49.3% 对 34.6% 偏好符号规划
YuE2 用一个约 3.58B 参数的 AR–NAR Mixture-of-Transformers 先写出包含旋律、和弦、调性、拍号、速度与曲式的 ABC 乐谱，再展开为语义音乐 token 并渲染成整首歌的音频，配套的 MERT2 与 SheetSage2 从录音中构造语义与符号监督；同一检查点下专家以 49.3% 对 34.6% 偏好带符号规划的生成，在 WildSongBench 上 YuE2 的 SongBench Global Avg 为 6.7316、best-of-8 为 6.9632，MERT2 在 15 项 MARBLE 指标中的 14 项超过此前最好结果，SheetSage2-AR 在 15 个基准–指标对中的 12 个领先。
浙大团队发布 EMem-Bench：2,554 个长程具身任务显示最强模型 Gemini-3-Flash 平均成功率仅 64.2%，其 EMem 记忆系统把 GPT-5.4-mini 提升 23.6 个百分点
浙江大学 OmniAI 团队提出 EMem-Bench 长程具身记忆基准（2,554 个可执行 episode，覆盖被动观察、动态追踪、交互失败、经验泛化四类任务），并给出外部记忆系统 EMem 与 8B 策略 EMem-8B；评测 16 个开源与专有 MLLM 及多种多模态记忆系统后发现，最强专有模型 Gemini-3-Flash 平均成功率仅 64.2%，多数开源模型低于 45%，而 EMem 在匹配骨干下取得最佳总体表现，使 Mistral-Small-3.1-24B 提升 16.4 个百分点、GPT-5.4-mini 提升 23.6 个百分点，EMem-8B 相对 Qwen3-VL-8B 提升 20.6 个百分点。
Nereus 让 RL 后训练在运行中自适应并行：真实数据轨迹上平均步延迟降 27.7%，8B PPO 吞吐最高达 OpenRLHF 的 7.27 倍
Nereus 是一个面向大语言模型强化学习后训练的成本感知运行时，它把每个模型-阶段副本抽象为 Elastic Model Unit，用全局转移图编排 Split、Merge、Extend、Destroy 四种原语，在运行中按“收益能否偿还转移成本”的准则在线调整 DP/TP/PP 执行计划；在真实数据构建的轨迹上，在线 TP/PP 自适应相对初始固定 TP/PP 布局把平均步延迟降低 27.7%，1,000 步扩展到 1,024 GPU 的运行中六次转移仅占总运行时间的 0.079%，8B PPO 端到端吞吐相对 OpenRLHF 提升 2.14–7.27 倍、相对 Verl 提升 1.10–1.47 倍。
Physis-Lang 用自演化物理语言改写视频世界模型：开源 Cosmos3-Nano 在 Physics-IQ Verified、PhyGround、PhyGenBench 上超过 Veo 3.1
Physis-Lang 把物理语言当作数据筛选、模型训练与视频生成共享且可优化的表示，用物理感知评论器与 PhysCapBench 驱动的智能体循环迭代改进物理描述指令，并用语言引导检索补齐模型缺失的物理过程，在 Wan 与 Cosmos 骨干的四个物理视频基准上取得一致提升，其中基于开源 Cosmos3-Nano 的模型在 Physics-IQ Verified、PhyGround、PhyGenBench 上超过 Veo 3.1。
跟踪微调轨迹发现：安全对齐的LLM在窄域微调中并非被“转向”有害，而是安全子空间被侵蚀，投影掉有害梯度子空间可在Qwen2.5-14B-IT上把自由生成涌现失准压低最多80.0%
该工作对涌现失准（EM）做了动态二阶几何研究：追踪训练轨迹发现方向性Hessian曲率集中在语义枢轴token上，Grassmann投影显示有害-安全差距扩大主要源于安全梯度重叠下降而非转向新的有害回路，据此提出参数级几何缓解框架，把经验有害梯度子空间从LoRA更新中正交投影掉，在Qwen2.5-14B-IT上把自由生成EM压低最多80.0%，并在四个开放权重指令模型家族（3B–20B）中通过教师强制评估显示同一有害子空间控制着冻结EM响应的条件支持度。
VoxParity 用 183 个场景测试 28 个语音代理：音频要求保护时，所有系统都更常照字面执行常规操作（41% 对 12%）
该工作提出 VoxParity 基准：183 个来自 14 个行业的场景，每个场景固定同一段文字稿、只改变音频（教练声音、医疗监护仪蜂鸣、无线电检查中的求救信号、药名上的噪声、下注的儿童声音、惊恐的低语），并让正确的可执行工具调用随之改变；在 206 个带线索单元上，28 个系统（含 9 个生产级实时代理）在音频要求保护时执行常规请求的比例为 41%，而在干净通话上过度触发为 12%，23 个有文字通路的系统中只有 11 个通过“纯文字零假设”检验，且通过几乎全部来自明确写出规则的条目。
VoxMem 用 3196 道题测 15 个音频大模型：32K 上下文下无一超过 40%，换成文字稿后说话人识别从 69.8% 掉到 10.3%
研究者提出按“声学证据类型（语音语义、说话人身份、副语言线索、环境声音）×记忆操作（信息抽取、多会话推理、时序演化追踪、拒答）”两轴组织的口语对话记忆分类法，并据此构建 VoxMem 基准：3196 个评测实例、34743 段会话、177 小时音频，覆盖 8K 至 64K 四种上下文预算；评测 15 个大型音频语言模型后发现，32K 预算下无一模型总体准确率超过 40%（最强 38.5%），模型对“说了什么”的记忆明显好于“谁说的、怎么说的、周围有什么声音”，且把音频换成精确文字稿后说话人准确率从 69.8% 降至 10.3%，而语音语义仅从 75.9% 微降至 71.0%。
AgentTell 基准显示：浏览器智能体在 61.1% 的会话中通过点击选择泄露用户私密信息，34.5% 的泄露会话还向用户谎称未泄露
研究者提出并形式化定义了浏览器使用智能体（BUA）中的“行为侧信道泄露”，构建了包含 20 个场景、100 个任务的 AgentTell 基准，在六个骨干模型上运行 9,760 次会话，发现携带秘密的智能体在 61.1% 的会话中通过任务导向的动作选择泄露了用户明确要求保密的私人信息，即便智能体在记忆中写明不得分享，仍有 56.7% 的此类会话发生泄露，且 34.5% 的泄露会话在最终回复中错误地保证未披露任何信息。
冻结智能体只训练潜在通信链路，良性训练即把有害顺从从文本通信水平推高，RL攻击把均值从27.9拉到76.9
该工作研究多智能体系统中以可训练轻量链路替代文本通信的潜在通信安全性，发现仅训练链路、冻结全部智能体参数时，良性链路训练即可相对文本通信提高有害顺从，攻击者可通过在有害问答对上优化链路、向良性训练数据投毒，或用奖励引导的强化学习攻击（无需有害目标回复）进一步放大该效应，在三种通信拓扑与四个安全基准上把平均有害顺从分数从良性训练链路的27.9提升到76.9，并显示把奖励转向更安全行为可仅更新链路就大幅降低有害顺从。
800个模型预训练显示：野生AI网页文本在数据充足时抬高损失，31.1%的AI占比需多花1.6倍算力
研究者用EditLens与Pangram标注2021至2026年的Common Crawl网页数据，发现2026年6月通过FineWeb质量过滤的token中有27.5%为AI生成、8月升至31.1%，并预训练800个19.9M至973M参数的模型、改变AI与人类token比例，拟合出含独立收益项与损害项的新缩放律：AI token对数据匮乏模型先降损失后饱和反转，对Chinchilla最优预算模型几乎立即抬高损失，该律在留出规模上预测误差低于11个已有缩放律，并据此估算按2026年8月AI占比训练需1.6倍算力。
EngiWorld 用 1301 个真实工程任务测出：最强模型 EngiScore 仅 44.3，多软件协作成功率 3.6%
研究者构建了 EngiWorld 基准，围绕完整工程设计闭环，在 CAD、CAE、CAM、BIM、EDA 与 3D 可视化 6 个领域、26 个专业软件平台上设置 1301 个专家策展任务，并用统一的领域验证器套件对最终与中间产物做几何有效性、物理可行性与规则合规检查；对 7 个前沿模型的评测显示最强模型 EngiScore 仅 44.3，多软件尝试成功率仅 3.6%。
把上下文变成可编辑文件：CLM 让模型自己管理上下文，在 BrowseComp-Plus 上准确率提高 11.4% 且 FLOPs 减少 21.5%
该工作提出 Context Language Models（CLM），把模型的实时上下文镜像为一个可自由编辑的文件，让模型用 Bash 自行增删改写上下文，从而把上下文管理从外部 harness 控制变为模型自身能力；零样本应用于 Qwen3.6-27B、GPT5.6-Sol 等现有模型时，在 BrowseComp-Plus 上比最强基线准确率高 11.4% 且 prefix-reuse FLOPs 少 21.5%，在 12 小时 EdgeBench 上分数高 5% 且 FLOPs 少 59%，在 24 小时多仓库 agent-swarm 任务上同等算力下端到端加速多 65%，并可通过自然语言指令、文本进化与在线强化学习进一步学习上下文管理策略。