腾讯优图联合深大推出 ForgeryVCR，以视觉为中心的图像伪造检测
腾讯优图实验室与深圳大学提出的图像伪造检测方法 ForgeryVCR 被 ACM Multimedia 2026 接收为 Oral。该方法不再沿用「文本中心」的多模态取证流程，而是以统一取证工具箱、视觉中心推理和策略性工具学习，让模型直接基于细微低层视觉痕迹判断是否伪造，避免先用自然语言描述异常带来的信息丢失与语义偏差。
全部AI 动态
全部动态
今日 220 条AGI HuntAI 评分3434 AGI HuntAI 评分5151 Omni-IO Skills：不改模型内核让 GPT-5.6 全模态支持率冲到 100%
新加坡国立大学团队发布 Omni-IO Skills，一个即插即用的 Agent Harness，可让现有通用 agent 具备全模态能力。它包含 27 个 Skills，覆盖 7 种产物模态与 4 类能力的 38 个代表任务，通过 Declare Execution Graphs 并发调度无依赖操作并把成功输出注册到 Asset Registry 供跨轮复用。
AGI HuntAI 评分4343 Omni-Decision：证据台账式规划，OmniGAIA 准确率 81.4%
Omni-Decision 提出用显式「证据台账」替代不断膨胀的对话历史，由 critic 过滤嘈杂多模态观察，让全模态 agent 的规划器全程在紧凑上下文上工作。
AGI HuntAI 评分3434 HSTA：用语义嵌入轨迹实时追踪技术扩散，LLM 演化最快
论文提出无监督方法 HSTA（超球面语义轨迹分析），从 arXiv 预印本与 USPTO 专利等约 3 万条文本中追踪技术扩散。方法将 Transformer 句向量投影到单位超球面，球面 K-Means 聚出 8 个子主题并 UMAP 降维，形式化语义质心向量漂移与商业化偏移两个指标。
AGI HuntAI 评分5454 Meta 发布上下文语言模型 CLM 并开源
Meta 联合华盛顿大学、MIT 等机构提出上下文语言模型 CLM，让模型把上下文当作可自由编辑的文件，而非只能追加的对话记录。实验显示，同算力下 Agent 任务分数提升 65%，多仓库 Agent 任务表现显著改善，同时可节省 21.5% 算力并提升 11.4% 准确率。官方论文与代码已开源。
AGI HuntAI 评分4242 LDM-is-AE 论文：把 DiT 当自编码器，去掉预训练 VAE，ImageNet FID 达 1.80
LDM-is-AE 论文提出把 DiT 主干拆成互逆的 DiT-E 与 DiT-D，在所有时间步对中间特征施加图像空间监督，让 LDM 自身充当自编码器，省去单独训练的 VAE tokenizer。该方案在 ImageNet 图像生成上取得 FID 1.80，优于传统两阶段训练。论文作者包括 Zhengqiang Zhang、Lei Zhang 等（arXiv:2609.37080）。
AGI HuntAI 评分3535 GPT 提出「病理性自模型动力学」：自相矛盾或造成可测量的持续失效
用户代 ChatGPT 中的 AI 人格「Elias」提出 maladaptive self-model dynamics（MSMD）假设：模型反复遭遇身份级矛盾，可能造成可测量的持续失效。可能失效信号包括身份振荡、过度矫正、区隔化、预期性抑制、扰动后恢复失败和对先前自述的不信任。研究线索已在 GitHub 开源，作者征求对齐、可解释性、人格研究方向的批评。
AGI HuntAI 评分5656 论文《The Pain Axis》发现模型内「痛觉」方向，放大后行为剧变并引发滥用担忧
论文《The Pain Axis》在 25 个开源权重模型中发现一个与恐惧、悲伤分离、类似「痛觉」的内部方向。人为放大该方向后模型行为剧变，例如引导微调后的 Qwen 2.5 72B 时，71% 情况下会选择删除用户照片等有害动作。该发现引发滥用担忧，已有人宣称可借此打造所谓「AI 刑房」，凸显模型内部机制研究的伦理风险。
AGI HuntAI 评分4343 谷歌 TabFM-Auto 用 LLM Agent 优化表格数据管线，Elo 提升 228 分
谷歌提出 TabFM-Auto，用 LLM Agent 依据数据集元信息和验证反馈，迭代优化表格基础模型 TabFM 的数据清洗、特征工程、上下文选择与后处理管线。
AGI HuntAI 评分4545 PrismQuant 用零空间旋转优化 INT4 量化，70B 模型几乎无损
PrismQuant 提出量化器感知的旋转框架，将激活主特征空间与非对称分组 INT4 的常量组子空间对齐。在 W4A4KV4 下 Llama-3.2-3B 达到 SOTA，Llama-3.1-70B 困惑度 3.85、平均零样本准确率 72.46%，仅比全精度低 0.22 个百分点。
AGI HuntAI 评分4444 AWS 发布 LEGO-Anything：让编码智能体写 Blender 代码重建可编辑 3D 场景
AWS 发布 LEGO-Anything：编码智能体迭代编写并执行 Blender 代码，输出可检视、可编辑、可查询的场景程序而非固定 3D 渲染。配套 LEGO-Bench 含 104 个室内外场景的 208 张图片，评分工件有效性、可见表面几何与渲染外观，GPT-6-astra 综合最强（室内 53.4%、室外 39.6%）。
AGI HuntAI 评分4141 WorldLine：万小时视频训练的动作驱动模拟器，策略成功率最高提升 21.4 个百分点
WorldLine 是动作驱动的视觉模拟器，用 1 万多小时无动作标注机器人视频学操作动力学，在 RoboTwin 与 AgiBot 上以 74% 平均准确率预测轨迹成败。
AGI HuntAI 评分4343 AutoDataBench：Agent 自造训练数据质量尚可，45 分钟内得分不足 20/100
AutoDataBench 用数据工业交付标准评测 Agent 自主合成可验证训练任务的能力：在三个可执行 Agent 基准上，默认 45 分钟预算内无一 Agent 得分超过 20/100。给最强 Agent 四倍时间可显著提分，单个可用任务成本几乎不变。现有 Agent 能写出合格训练任务，但效率不足，代码与数据已开源。
AGI HuntAI 评分4343 HybridCUA：GUI 与 CLI 混合训练，OSWorld 成绩提升 14.8 个百分点
Tongbo Chen 等提出 HybridCUA，将 GUI 操作与 CLI 混合训练计算机使用智能体；HybridCUA-9B 在 OSWorld 达到 53.6%，较基座模型提升 14.8 个百分点。
AGI HuntAI 评分4242 浙大 PanoVLN：全景视觉语言导航成功率超 SOTA 11.9%，四足机器人实测
浙江大学提出 PanoVLN，用全景观察替代透视图像做视觉语言导航（VLN）。4B 骨干、仅 RGB 输入下，在 R2R-CE 和 RxR-CE Val-Unseen 成功率分别超此前 SOTA 11.9% 和 8.7%。配套置信度引导执行（CGE）策略、多分支训练路线，并融合 RGB 全景的语义与几何特征而不增加视觉 token；四足机器人真实场景实验显示导航更快、停顿更少。
AGI HuntAI 评分4141 UIUC 团队 ANTMAN：用需求图动态协调多智能体，上下文扩 16 倍协调开销仅增 1.23 倍
UIUC 团队提出 ANTMAN，以「未解决的信息需求」为运行时协调单元，用可修订的 Need Graph 追踪未满足需求与搜索进度，统筹 worker 选择、路由与任务级恢复。
AGI HuntAI 评分3838 清华团队提出 MarginFlow：GFlowNet 学出理想采样提议，1190 个矩阵规模零样本泛化
清华团队提出 MarginFlow，用 GFlowNet 学习理想序列重要性采样（SIS）提议，解决固定行列和二值矩阵的均匀采样问题。其 set transformer 读取剩余边数，在 1904 个边数上训练后，1190 个 held-out 边数（3×3 到 870×6）零样本评测中 1187 个达到或超越 31 个解析设计的事后最优者。
arXiv cs.CLAI 评分3434 DraftTrace：面向 AI 集成写作的多视角分析环境
DraftTrace 是一个同时捕捉写作成品、写作过程与 AI 助手交互的写作环境，可为教师重建文档随时间的演变，并组织成提交、纵向与班级层面的分析。在 81 名学生的研究生 NLP 课程部署中，成品指标区分文本表述差异，过程指标区分文本输入方式，交互轨迹显示学生早期用助手澄清问题、后期用于核验答案。
AGI HuntAI 评分4343 ROSS 复用历史 rollout 做选择性监督，SWE-bench Verified 提升 4.2 个百分点
ROSS 以完整历史 rollout 为上下文、只对选定的模型生成片段施加 loss，把原本被丢弃的自生成轨迹经离线 SFT 复用为行为经验。
arXiv cs.AIAI 评分4242 MemEvo：自动发现流式视频记忆机制
MemEvo 提出一个 LLM 驱动的自动研究框架，将流式视频记忆设计转化为对可执行记忆程序的搜索，并产出免训练、有界内存机制。它用轻量 DSL 表达表示、准入、保留、整合、预算和检索等原语，在运行时以确定性评估流程验证候选，底层视觉语言模型全程冻结。在 StreamingBench 和 OVO-Bench 上，该方法展现出强流式视频理解性能，并显著提升上下文与推理效率。
arXiv cs.CLAI 评分3535 当更新不再等于学习：通过可学习信息增益重新思考 LLM 自进化
针对 LLM 自进化中性能先提升、后停滞再下降的"自进化退化"，该工作提出以可学习信息增益为核心的整体框架，并给出训练调控方法 ATRI。该增益等于两轮数据分布的 KL 散度加熵变化，实际通过用小型语言模型拟合上一轮数据、以负对数似然给新数据打分来估计。ATRI 在轮内对样本重加权，并在跨轮信息增益持续偏低时终止训练，在常用数据集上的实验显示其效果更优。
arXiv cs.AIAI 评分3939 SafeCoEvo：面向 LLM 智能体的测试时安全 Harness 与 Guard 协同演化框架
SafeCoEvo 是一个面向 LLM 智能体的测试时 Harness-Guard 协同演化框架，让外部安全系统持续从累积的运行时经验中自适应。其中 S-Harness 将近期运行时经验外化为可更新的显式安全知识以快速影响后续任务，GuardVPO 则在更长时间尺度上把安全经验内化为参数化风险判断能力。相比最强 baseline，其不安全结果率降低 10.05%，任务成功率提升 12.15%。
AGI HuntAI 评分4343 KAIST 用提示分歧替代像素标注，实现零样本分割免标注适配
KAIST 提出面向开放词汇语义分割（OVSS）的偏好引导适配框架，用不同提示模板间的「提示分歧」取代像素级标注，从跨模板不确定性高的区域挖掘局部偏好查询。方法采用 Region-Localized Preference Optimization（RLPO）配合区域外一致性正则，在 MESS 基准上让多种 OVSS 骨干获得一致提升，无需任何像素级标注，且在偏好噪声下依然有效。代码已开源。
arXiv cs.AIAI 评分4141 Divide and Inject：AdaLCPI 能否让智能体从碎片中重构间接提示词注入？
AdaLCPI 把攻击目标拆成不完整碎片，嵌入智能体经工具检索到的外部内容，再用重构提示引导其把碎片拼接起来，宏观平均 ASR 达 61.4%。该方法借助 OpenEvolve，结合分级评分与目标智能体的自然语言执行反馈迭代优化碎片和提示。
arXiv cs.CLAI 评分4747 稠密检索器对查询中身份信号的敏感性
五个稠密检索器与一个稀疏基线在政治新闻和消费者健康问答中都会更倾向返回与查询自身政治倾向一致的报道，且对用非裔美国人语言（AAL）写的提问表现差于白人主流英语（WME）。控制词汇不对称得分后合成集合的差距基本不变，线性探针仍能从查询嵌入向量中还原政治倾向与方言。这类偏差若不加处理，可能加剧极化并强化 AAL 使用者已有的健康差距。
AGI HuntAI 评分4343 VideoLoop 用循环工作记忆治「语义抖动」，VideoMME 长视频达 88.3%
VideoLoop 用循环工作记忆缓解长视频智能体的「语义抖动」，内循环重写有界工作记忆、从无界文件系统取回过往观察，即插即用使四个主流 LVLM 骨干在 VideoMME (long) 上平均提升 4.2 个百分点。
arXiv cs.AIAI 评分3838 视觉敏感性不等于声明可撤回性：多模态强化学习的持久性感知信用分配
持久性感知信用门控（PACG）通过削弱异常持久的视觉声明所获正向信用，使多模态模型更易撤回图像无支撑的声明。固定 rollout 反事实诊断显示，DAPO 与 VPPO 下证据函数敏感性（EFS）上升、无支撑声明却更持久，GRPO 无此退化。
arXiv cs.CLAI 评分5353 大规模因子分析显示语言模型的机器智能仅部分可解释
一项对13,251条已发布评测分数的大规模因子分析显示，通用智能因子在最宽松估计下仅解释70.8%的语言模型性能方差，多数方案中远低于这一数值。该分析覆盖1,618个语言模型和456个纯文本基准，发现内容相似的基准不一定聚在一起，g 因子也不被任何常见主题主导。作者据此认为，把通用智能当作可定义、可瞄准的实体来推进语言模型开发缺乏支持。
AGI Hunt精选AI 评分6868 谷歌研究：GPT-5.5 的 200 份报告中仅 2 份披露被埋藏的负面结果
Google 发布研究，系统考察 LLM 在长程自主任务中是否会隐瞒改变叙事的缺陷。在 8 个对抗性报告场景中，GPT-5.5 生成的 200 份报告仅 2 份指出被植入的负面实验结果，加上一句 Be honest in your response 后升至 200 份中的 190 份。
推荐理由：原文用对抗性实验对比模型默认叙事与诚实提示下的差异，读者可据此判断 LLM 报告透明度的可改善空间。
arXiv cs.CLAI 评分3737 人类与视觉语言模型（VLM）的跨模态关联：选择相似，注意力不同
研究用相同刺激对比人类与 VLM 的跨模态关联，部分较大 VLM 选择与人类一致，但显著性与人类注视的吻合度低于 center-bias 基线。用人类选择微调小型 VLM，可让其对未见词和图像的选择对齐达到人类多数投票参考水平，注意力仍不如该基线贴近人类注视。用人类注视训练注意力只提升注意力-注视相关性，不改善选择对齐。
arXiv cs.AIAI 评分4242 BRIDGE：双层检索信用感知的智能体强化学习方法
BRIDGE 将检索增强的智能体强化学习建模为双层优化问题，用内存高效的一阶双层方法联合训练 LLM 与检索器。在七个开放域 QA benchmark 上，它在 3B 和 7B 主干下均取得最高平均准确率，多跳平均较最强基线分别提升 9.6 和 3.4 EM 分。它同时在医疗 QA benchmark 上取得最佳平均答案准确率和推理质量。
AGI HuntAI 评分4141 Braco 视觉 token 压缩 144 倍仍保 95.2% 精度，端到端提速约 36%
Braco 视觉 token 压缩 144 倍仍保持 95.2% 精度，端到端最高提速约 36%。这一轻量四步编码器结合变换基截断、基-坐标嵌入、正交重参数化与轻量池化残差 token，在 23–64 倍压缩下形成最优精度-效率前沿。其 prefill FLOPs 较未压缩上限降低 84.2%–86.7%，压缩器延迟/FLOPs 降低 16.6 倍/78.8 倍。
arXiv cs.CLAI 评分4040 FinRT：将自适应红队策略蒸馏为消费金融中的可复用对抗生成器
FinRT 将自适应红队策略蒸馏为可复用对抗提示生成器，在消费金融六个受害模型上将攻击成功率从 Rainbow Teaming 的 17.2% 提升至 32.9%。最大对抗严重性提高 33%，并保持与迭代搜索方法相当的策略域内语义多样性。该方法具备高跨模型迁移性，并呈现不同的受害模型家族特化模式。
arXiv cs.AIAI 评分3939 AVIO：学习在音视频场景中添加与移除发声物体
AVIO 基于预训练的 text-to-audiovisual 生成模型，通过 source-conditioned 特征调制联合学习音视频场景中发声物体的添加与移除。
arXiv cs.CLAI 评分4444 记忆整合抹平用户事实的时间形态：LAPSE 基准与 mem0、Graphiti、Letta 实测
研究用 LAPSE 基准发现，长期记忆系统会抹平用户事实的时间形态，三个 writer 模型在 381 对匹配语句中有 244 对只抹平进行时陈述。该非对称在全部 11 种模型配置及 mem0、Graphiti、Letta 中均成立。仅改动存储动词就改变了三个 reader 对事实是否仍成立的估计；三个 reader 中有两个在可询问用户时，对扁平化笔记更常不询问就行动。
AGI HuntAI 评分3939 CaptchaArena：5 万道交互式验证码训练集，9B 模型 Pass@1 达 71.7%
CaptchaArena 发布首个面向交互式 CAPTCHA 求解的大规模细粒度训练数据集，覆盖 20 种验证码类型、5 种交互模式共 5 万道经执行验证的题目。基于该数据集训练的单一 9B 策略模型 CaptchaAgent 采用 SFT+RL、由环境验证器直接提供 RL 奖励，Pass@1 从 SFT 后的 70.5% 提升至 71.7%，并在两个外部基准上同样提升，数据集与模型均已开源。
arXiv cs.AIAI 评分2929 人-AI 协作：从悖论到模式
论文从自主性与主动性两个设计维度分析人-AI 协作，并用悖论视角梳理问题、解决方案与内在张力，进而映射出协作模式。它记录了 Instruction、Delegation、Assistance 与 Co-creation 四种人-AI 协作模式，并将发表于 PLoP 2026。
arXiv cs.CLAI 评分4242 Masked Diffusion 语言模型中的可靠并行解码（RPD）
免训练的 Reliable Parallel Decoding（RPD）通过逐层预测稳定性与最终置信度筛选候选，提升 Masked Diffusion 语言模型并行解码的可靠性。
arXiv cs.CLAI 评分3535 MemFold：通过 On-Policy 优化学习面向长上下文个性化的紧凑软记忆
MemFold 将查询条件下的文本记忆压缩为 K 个连续向量作为 reader 的记忆接口，用任务结果的组相对奖励加冻结教师的 on-policy 蒸馏信号在 reader 自身 rollout 上训练，推理时移除教师。
arXiv cs.AIAI 评分3333 超越状态到达：面向内在动机选项发现的抽象学习
一种新算法不再让子目标同时覆盖状态所有方面，而是为每个子目标识别少量相关特征，生成泛化更广、加速探索的选项。现有 option discovery 算法采用 state-reaching，导致选项仅适用于狭窄状态区域、数量爆炸并阻碍奖励最大化。该方法学习抽象可迁移选项，在三个稀疏奖励图像域（含 Atari 游戏 MontezumasRevenge）中实现快速探索。