AI 与科学前沿 · 2026-10-18

CRBugBench用1800个由人工修复确认的缺陷考代码审查智能体：最强配置在top-5评论里抓到79.6%合并前缺陷，但换到企业私有仓库上性能明显下降。

CRBugBench用1800个由人工修复确认的缺陷考代码审查智能体：最强配置在top-5评论里抓到79.6%合并前缺陷，但换到企业私有仓库上性能明显下降。

VLMEvalKit新增审计层，复用已完成的评测逐题输出并加一次去图重跑，在MMStar上测得20.2%的题目图像不带来平均准确率增益，扣除逐题置换零假设后仍超出。

VLMEvalKit新增审计层，复用已完成的评测逐题输出并加一次去图重跑，在MMStar上测得20.2%的题目图像不带来平均准确率增益，扣除逐题置换零假设后仍超出。

线性探针此前靠对话位置和文本长度就能在标准评测里拿到0.91–0.98 AUROC，把同一时刻的干净对照和无害仿写加入训练后，六个开源模型上对无注入对话的误报从41–80%降到4–27%。

线性探针此前靠对话位置和文本长度就能在标准评测里拿到0.91–0.98 AUROC，把同一时刻的干净对照和无害仿写加入训练后，六个开源模型上对无注入对话的误报从41–80%降到4–27%。

用户模拟器在生成下一句话之前先写出对助手这一轮的内心评价，包括1到5分打分和批评或称赞的判断；在真实用户与ChatGPT的交互日志上，这种模拟器比同规模提示式模拟器更贴近真人，并让助手多轮强化学习在效果持平的同时把算力降到不足一半。

用户模拟器在生成下一句话之前先写出对助手这一轮的内心评价，包括1到5分打分和批评或称赞的判断；在真实用户与ChatGPT的交互日志上，这种模拟器比同规模提示式模拟器更贴近真人，并让助手多轮强化学习在效果持平的同时把算力降到不足一半。

一种无反向传播的训练路径在CIFAR-10无条件生成上把FID做到3.64，与反向传播的3.54接近，并首次让平衡传播训出CIFAR规模的生成模型。

一种无反向传播的训练路径在CIFAR-10无条件生成上把FID做到3.64，与反向传播的3.54接近，并首次让平衡传播训出CIFAR规模的生成模型。

世界动作模型可以只凭任务指令重新生成已学任务的完整轨迹，经截断与物理一致性筛选后回放，在四个LIBERO套件和五项真实任务上把顺序微调的遗忘降低九成以上，且不保留任何旧任务数据。

世界动作模型可以只凭任务指令重新生成已学任务的完整轨迹，经截断与物理一致性筛选后回放，在四个LIBERO套件和五项真实任务上把顺序微调的遗忘降低九成以上，且不保留任何旧任务数据。

机器人世界模型HF-WM把人类第一视角操作视频和扰动出的失败动作一起训练，在动作条件视频生成上取得当前最好结果，并让预测成功率与真机部署表现高度一致。

机器人世界模型HF-WM把人类第一视角操作视频和扰动出的失败动作一起训练，在动作条件视频生成上取得当前最好结果，并让预测成功率与真机部署表现高度一致。

在视觉、语言和多任务循环网络上，原本找不到单元级模块化的网络，经可逆线性变换后能对内容与风格、句法与语义、以及不同认知任务做出选择性消融，即关掉一个子空间只损伤对应功能。

在视觉、语言和多任务循环网络上，原本找不到单元级模块化的网络，经可逆线性变换后能对内容与风格、句法与语义、以及不同认知任务做出选择性消融，即关掉一个子空间只损伤对应功能。

从真实代码提交中挖出的、保持功能不变的代码变换，能让前沿漏洞分析智能体在CyberGym任务上的平均成功率从63.3%降到36.8%，而同类合成混淆只降到49.7%。

从真实代码提交中挖出的、保持功能不变的代码变换，能让前沿漏洞分析智能体在CyberGym任务上的平均成功率从63.3%降到36.8%，而同类合成混淆只降到49.7%。

一种把延迟奖励按“解释”而非时间远近重新分配的信用分配框架，在Crafter、WordCraft、KuaiRand和工业级生成式推荐器上，把稀疏终端奖励的学习信号追回到数百步之前真正起作用的动作。

一种把延迟奖励按“解释”而非时间远近重新分配的信用分配框架，在Crafter、WordCraft、KuaiRand和工业级生成式推荐器上，把稀疏终端奖励的学习信号追回到数百步之前真正起作用的动作。

FlowCred把文生视频联合后训练里的同一份终端奖励拆成提示级信用与生成器残差，并在LTX-2.5上把严格匹配的联合训练对照从61.47提升到64.46（T2V-CompBench），且不增加解码视频或奖励模型调用预算。

FlowCred把文生视频联合后训练里的同一份终端奖励拆成提示级信用与生成器残差，并在LTX-2.5上把严格匹配的联合训练对照从61.47提升到64.46（T2V-CompBench），且不增加解码视频或奖励模型调用预算。

VEPA把智能体护栏写成可执行符号规则，由大模型根据部署反馈提出补丁、确定性验证器只放行结构合法且无冲突的策略，在三个智能体安全基准上按活跃策略覆盖的事件取得最高F1，并随部署逐步扩大确定性执行的范围。

VEPA把智能体护栏写成可执行符号规则，由大模型根据部署反馈提出补丁、确定性验证器只放行结构合法且无冲突的策略，在三个智能体安全基准上按活跃策略覆盖的事件取得最高F1，并随部署逐步扩大确定性执行的范围。

预训练视觉语言模型不必先学机器人动作，把以工具中心点为中心的动作坐标系投影进腕部相机画面并用文本接口输出动作后，27B模型零样本在简单操作任务上平均成功率79.4%，接近用约30条演示微调过的VLA模型。

预训练视觉语言模型不必先学机器人动作，把以工具中心点为中心的动作坐标系投影进腕部相机画面并用文本接口输出动作后，27B模型零样本在简单操作任务上平均成功率79.4%，接近用约30条演示微调过的VLA模型。

长上下文RLVR的rollout生成改用稀疏注意力起草、全注意力验证，在Qwen3-1.7B与Qwen3-8B上把端到端训练吞吐提高到自回归的1.39倍和1.35倍，同时保持任务表现相当。

长上下文RLVR的rollout生成改用稀疏注意力起草、全注意力验证，在Qwen3-1.7B与Qwen3-8B上把端到端训练吞吐提高到自回归的1.39倍和1.35倍，同时保持任务表现相当。

跨区LLM推理调度把引擎的批处理与排队状态纳入决策后，在MLPerf的每token时延目标下，相对轮询策略最多减少60%的碳排放，平均SLO违规约3%。

跨区LLM推理调度把引擎的批处理与排队状态纳入决策后，在MLPerf的每token时延目标下，相对轮询策略最多减少60%的碳排放，平均SLO违规约3%。

把单条示范中的运动与指尖接触力编码成有序提示，冻结的策略在未见物体上执行擦、转、插三类接触任务，总体成功率78.7%，比最强对照高13.0个百分点。

把单条示范中的运动与指尖接触力编码成有序提示，冻结的策略在未见物体上执行擦、转、插三类接触任务，总体成功率78.7%，比最强对照高13.0个百分点。

AgentCIScope把隐私案例变成跨11个应用环境的936个可执行智能体任务，测出12个智能体的单次泄露率从32.5%到94.4%，且任务完成得好并不等于守得住上下文完整性。

AgentCIScope把隐私案例变成跨11个应用环境的936个可执行智能体任务，测出12个智能体的单次泄露率从32.5%到94.4%，且任务完成得好并不等于守得住上下文完整性。

Mistral发布首个时间序列基础模型系列Timestral，最大型号仅2.09亿参数，在GIFT-Eval、TIME和fev-bench三个公开预测基准上排名第一，参数只有此前最优模型的三分之二。它支持多变量概率预测与过去、已知未来协变量，四个尺寸覆盖500万到2.09亿参数，无需GPU即可推理，8线程服务器CPU上从三周15分钟粒度历史预测未来一天耗时10毫秒（5M）到140毫秒（209M）。

Mistral发布首个时间序列基础模型系列Timestral，最大型号仅2.09亿参数，在GIFT-Eval、TIME和fev-bench三个公开预测基准上排名第一，参数只有此前最优模型的三分之二。它支持多变量概率预测与过去、已知未来协变量，四个尺寸覆盖500万到2.09亿参数，无需GPU即可推理，8线程服务器CPU上从三周15分钟粒度历史预测未来一天耗时10毫秒（5M）到140毫秒（209M）。

瑞士Apertus项目发布1.5版8B与70B模型，在1.0基础上继续预训练，新增图像与音频理解、可选思考模式，并把上下文窗口扩到262,144个token。多模态走早期融合路线：图像和音频被切成离散token，与文本token排进同一序列，不另设视觉编码器，因此模型架构不变、训练仍按纯文本速度运行。模型只理解图像和音频、输出仍是文本，语音处理仍属实验性；项目自述整体仍落后于前沿开放权重模型。

瑞士Apertus项目发布1.5版8B与70B模型，在1.0基础上继续预训练，新增图像与音频理解、可选思考模式，并把上下文窗口扩到262,144个token。多模态走早期融合路线：图像和音频被切成离散token，与文本token排进同一序列，不另设视觉编码器，因此模型架构不变、训练仍按纯文本速度运行。模型只理解图像和音频、输出仍是文本，语音处理仍属实验性；项目自述整体仍落后于前沿开放权重模型。

在按结局抽样的队列里，协变量只对部分受试者采集，直接套用常规生存模型会让预测偏离目标人群。一种带抽样权重的梯度提升机把权重并入训练与调参，用加权积分Brier分数选择迭代次数，并证明该经验风险收敛到对应的积分Brier风险。模拟中它在高维与非线性设定下优于Cox模型，在铀矿工癌症数据上测试集C指数为0.803，与Cox模型的0.801接近。

在按结局抽样的队列里，协变量只对部分受试者采集，直接套用常规生存模型会让预测偏离目标人群。一种带抽样权重的梯度提升机把权重并入训练与调参，用加权积分Brier分数选择迭代次数，并证明该经验风险收敛到对应的积分Brier风险。模拟中它在高维与非线性设定下优于Cox模型，在铀矿工癌症数据上测试集C指数为0.803，与Cox模型的0.801接近。

针对太小而无法编目的空间碎片，一项研究把雷达探测与贝叶斯种群模型接起来，让雷达在每次观测后选择下一次指向的仰角。在300个模拟世界中各给24次观测，带服务权重的自适应指向在最后一次观测时比固定指向少留41.2%的不确定性，比随机指向少15.4%，比预先排好的多仰角计划少5.35%；而服务权重本身相对不加权自适应只多降1.55%，95%区间跨零。

针对太小而无法编目的空间碎片，一项研究把雷达探测与贝叶斯种群模型接起来，让雷达在每次观测后选择下一次指向的仰角。在300个模拟世界中各给24次观测，带服务权重的自适应指向在最后一次观测时比固定指向少留41.2%的不确定性，比随机指向少15.4%，比预先排好的多仰角计划少5.35%；而服务权重本身相对不加权自适应只多降1.55%，95%区间跨零。

在783份去标识化的乳腺钼靶、下肢全长与脑部磁共振自由文本报告上，一个由三个通用小模型加主席模型合成的“LLM议会”整体准确率为83.56%，低于医疗专用模型MedGemma 4B的88.72%，两者差异主要由下肢全长报告分类任务驱动。议会内部单个成员Qwen3-4B-2507在全部任务上取得最高准确率91.69%，高于议会与MedGemma；议会每份报告需四次模型调用、峰值显存约为MedGemma的2.44倍。

在783份去标识化的乳腺钼靶、下肢全长与脑部磁共振自由文本报告上，一个由三个通用小模型加主席模型合成的“LLM议会”整体准确率为83.56%，低于医疗专用模型MedGemma 4B的88.72%，两者差异主要由下肢全长报告分类任务驱动。议会内部单个成员Qwen3-4B-2507在全部任务上取得最高准确率91.69%，高于议会与MedGemma；议会每份报告需四次模型调用、峰值显存约为MedGemma的2.44倍。

北极海冰浓度预报长期受制于多时间尺度信息难以协同融合，统计模型抓不住非线性关系，数值模式又依赖初始场。STICEnet把U-Net的编码解码路径改成严格单向的时间因果卷积与转置卷积，并在跳连处嵌入通道与空间注意力，用NSIDC海冰浓度和ERA5大气海洋变量训练。在1至6个月预报中，它的RMSE、MAE和R2均优于CNN、ConvLSTM、IceNet与MT-IceNet，第6个月RMSE为7.51%、R2为0.925。

北极海冰浓度预报长期受制于多时间尺度信息难以协同融合，统计模型抓不住非线性关系，数值模式又依赖初始场。STICEnet把U-Net的编码解码路径改成严格单向的时间因果卷积与转置卷积，并在跳连处嵌入通道与空间注意力，用NSIDC海冰浓度和ERA5大气海洋变量训练。在1至6个月预报中，它的RMSE、MAE和R2均优于CNN、ConvLSTM、IceNet与MT-IceNet，第6个月RMSE为7.51%、R2为0.925。

一个42.7万参数的两层Transformer在有限域离散对数映射上出现了顿悟：先长期记忆，随后在p=113上把留出测试准确率推到99.8%。研究进一步做了从9万到1440万参数的12个模型容量扫描，顿悟在多个规模上重现，中间存在一段随训练数据量改变结果的非单调区间；隐藏状态在泛化时逐渐对齐乘法特征结构，素数阶子群与训练中未见生成元的对照也保持成功泛化。

一个42.7万参数的两层Transformer在有限域离散对数映射上出现了顿悟：先长期记忆，随后在p=113上把留出测试准确率推到99.8%。研究进一步做了从9万到1440万参数的12个模型容量扫描，顿悟在多个规模上重现，中间存在一段随训练数据量改变结果的非单调区间；隐藏状态在泛化时逐渐对齐乘法特征结构，素数阶子群与训练中未见生成元的对照也保持成功泛化。

自动舞蹈动作质量评估此前多沿用动作识别思路，只判断跳的是哪支舞，难以区分同一支舞里执行好坏。RSDQ-Net把目标动作与参考示范统一到19节点骨架，用可学习的相位对齐建立软对应，再把空间执行偏差与时间相位偏差分开建模，并用序数标签与人对比较统一约束一个潜在质量变量。在ImperialDance的编舞不重叠五折协议下，其QWK为0.814、序数MAE为0.207，优于最强基线2T-GCN的0.755与0.261。

自动舞蹈动作质量评估此前多沿用动作识别思路，只判断跳的是哪支舞，难以区分同一支舞里执行好坏。RSDQ-Net把目标动作与参考示范统一到19节点骨架，用可学习的相位对齐建立软对应，再把空间执行偏差与时间相位偏差分开建模，并用序数标签与人对比较统一约束一个潜在质量变量。在ImperialDance的编舞不重叠五折协议下，其QWK为0.814、序数MAE为0.207，优于最强基线2T-GCN的0.755与0.261。

膝骨关节炎的多模态诊断数据分散在不同机构，集中训练既贵又易泄露隐私。一套异步联邦学习方案把结构化病历、半结构化记录与影像先融合成可查询数据表，再在十家模拟机构上按纵向切分的特征列各自计算梯度，服务器端用Bulyan聚合与自适应差分隐私过滤恶意更新。在5580例膝骨关节炎数据上，该方案报告准确率99.64%、AUC 0.998，通信开销285MB，攻击成功率1.8%。

膝骨关节炎的多模态诊断数据分散在不同机构，集中训练既贵又易泄露隐私。一套异步联邦学习方案把结构化病历、半结构化记录与影像先融合成可查询数据表，再在十家模拟机构上按纵向切分的特征列各自计算梯度，服务器端用Bulyan聚合与自适应差分隐私过滤恶意更新。在5580例膝骨关节炎数据上，该方案报告准确率99.64%、AUC 0.998，通信开销285MB，攻击成功率1.8%。

LangChain在Interrupt NYC与London发布LangSmith多项新功能，让团队在生产环境中拥有自己的智能。此前排查对话只能靠传统过滤器，现在AI Search按语义理解trace，可以直接问“用户是否受挫”或“是否泄露了PII”。同一批更新还包括Managed Deep Agents v0.9、带红队测试的Engine v2、Trajectories、Custom Apps与Fine-Tuning，覆盖构建、理解与改进智能体的环节。

LangChain在Interrupt NYC与London发布LangSmith多项新功能，让团队在生产环境中拥有自己的智能。此前排查对话只能靠传统过滤器，现在AI Search按语义理解trace，可以直接问“用户是否受挫”或“是否泄露了PII”。同一批更新还包括Managed Deep Agents v0.9、带红队测试的Engine v2、Trajectories、Custom Apps与Fine-Tuning，覆盖构建、理解与改进智能体的环节。

单基因糖尿病基因中大量变异因证据不足被归为意义未明变异，ClinVar 里长期积压。一项分析用 22 个相关基因的 7706 个已明确分类单核苷酸变异训练可解释分类器，在 771 个留出变异上取得 ROC-AUC 0.9989、AUPRC 0.9970，并对致病类召回 1.00。特征消融显示高分部分来自特征与 ACMG 判读标准的重叠，但在无法直接援引计算证据的非错义变异上仍以 99.0% 对 87.0% 超过多数类基线，随后对 6306 个意义未明变异给出逐变异解释的排序。

单基因糖尿病基因中大量变异因证据不足被归为意义未明变异，ClinVar 里长期积压。一项分析用 22 个相关基因的 7706 个已明确分类单核苷酸变异训练可解释分类器，在 771 个留出变异上取得 ROC-AUC 0.9989、AUPRC 0.9970，并对致病类召回 1.00。特征消融显示高分部分来自特征与 ACMG 判读标准的重叠，但在无法直接援引计算证据的非错义变异上仍以 99.0% 对 87.0% 超过多数类基线，随后对 6306 个意义未明变异给出逐变异解释的排序。

ai-memory 把编码智能体的长期记忆从单个工具、单台机器里搬出来，放到用户自建的服务器上，让二十多个编码工具共用同一份记忆。此前 Claude Code、Cursor 等各自记笔记，换工具或交给同事时这些笔记就看不到了。记忆以 git 仓库中的普通 Markdown 文件为准，数据库只是可重建的索引；默认路径不调用大模型，捕获、检索和交接都不需要 API 密钥。

ai-memory 把编码智能体的长期记忆从单个工具、单台机器里搬出来，放到用户自建的服务器上，让二十多个编码工具共用同一份记忆。此前 Claude Code、Cursor 等各自记笔记，换工具或交给同事时这些笔记就看不到了。记忆以 git 仓库中的普通 Markdown 文件为准，数据库只是可重建的索引；默认路径不调用大模型，捕获、检索和交接都不需要 API 密钥。

面向多设备可穿戴传感器的临床诊断，一套跨平台框架把数据流筛选、类别不平衡校正与时空特征学习串成一条链路。此前不同传感器模态、采样率和传输特性各自为政，稀有异常样本稀少，推理结果随设备变化而不稳。在心血管与IoMT两个公开数据集上，该框架的AUC分别为0.966和0.947；在24路数据流下准确率0.9348、精确率0.9305、敏感度0.9615，假阳性率0.0915。

面向多设备可穿戴传感器的临床诊断，一套跨平台框架把数据流筛选、类别不平衡校正与时空特征学习串成一条链路。此前不同传感器模态、采样率和传输特性各自为政，稀有异常样本稀少，推理结果随设备变化而不稳。在心血管与IoMT两个公开数据集上，该框架的AUC分别为0.966和0.947；在24路数据流下准确率0.9348、精确率0.9305、敏感度0.9615，假阳性率0.0915。

在下行NOMA系统中，功率分配此前多依赖固定、均分或集中式学习，难以同时兼顾吞吐与弱信道用户。Kampala International University团队把每个用户建模为独立学习智能体，用共享奖励协调各自的局部观测，并在学习环境中显式计入不完美SIC留下的残余干扰。三用户仿真中，该方法在30 dB信噪比下取得约18 bps/Hz和0.96的公平指数，10 dB时中断概率低于10%。

在下行NOMA系统中，功率分配此前多依赖固定、均分或集中式学习，难以同时兼顾吞吐与弱信道用户。Kampala International University团队把每个用户建模为独立学习智能体，用共享奖励协调各自的局部观测，并在学习环境中显式计入不完美SIC留下的残余干扰。三用户仿真中，该方法在30 dB信噪比下取得约18 bps/Hz和0.96的公平指数，10 dB时中断概率低于10%。

开源编码智能体 OpenCode 把内置智能体分成两档：build 是默认的全权开发智能体，plan 只读、默认拒绝文件编辑并在执行 bash 命令前请求许可，适合探索陌生代码库或规划改动。两者可用 Tab 键切换，另有一个通用子智能体处理复杂检索与多步任务。安装覆盖脚本、npm、brew、scoop、pacman、mise、nix 等多种渠道，并提供桌面应用。

开源编码智能体 OpenCode 把内置智能体分成两档：build 是默认的全权开发智能体，plan 只读、默认拒绝文件编辑并在执行 bash 命令前请求许可，适合探索陌生代码库或规划改动。两者可用 Tab 键切换，另有一个通用子智能体处理复杂检索与多步任务。安装覆盖脚本、npm、brew、scoop、pacman、mise、nix 等多种渠道，并提供桌面应用。

DeepSeek V4.1 Flash 1017 已在 AI Gateway 上线，是对 DeepSeek V4.1 Flash 的一次小幅更新，在推理、编码、智能体任务和图像理解上有所改进。编码提升体现在终端操作以及整仓库的构建与编辑，智能体提升体现在多步自动化；处理图像时，模型在可调用工具的情况下读图表和视觉推理更准确。相比上一快照，它完成任务更快、输出更短，因此智能体运行通常耗时更少、消耗的输出 token 更少。

DeepSeek V4.1 Flash 1017 已在 AI Gateway 上线，是对 DeepSeek V4.1 Flash 的一次小幅更新，在推理、编码、智能体任务和图像理解上有所改进。编码提升体现在终端操作以及整仓库的构建与编辑，智能体提升体现在多步自动化；处理图像时，模型在可调用工具的情况下读图表和视觉推理更准确。相比上一快照，它完成任务更快、输出更短，因此智能体运行通常耗时更少、消耗的输出 token 更少。