PBC：校准概率分布，改善第三第四周天气预报
Advancing subseasonal forecasting with machine learning
用历史预测与观测校正概率分布，结合分位偏差与近期趋势；历史对照和2025实时竞赛有改善。RPSS低基线翻倍不代表通用准确率翻倍，需本地历史数据验证。
论文库
按研究主题查找论文，阅读方法与局限，查看原文或导入 Zotero。
全部论文
GreenWAM：让不同机器人共用动作坐标
GreenWAM: A World Foundation Model for Robotics
20类机器人映射79个解剖槽位，联合训练预测与控制；保留画面预测改善随机化场景。14日创建的模型库可下载四组权重，但各评测仍需后训练，真实实验仅一台机器人和一个任务。
PAT：Deep Review的论文预审技术基础
Towards Automating Scientific Review with Google’s Paper Assistant Tool
6月预印本介绍分段验证、推理预算与投稿前反馈；10月14日公开服务的新版本不能沿用旧实验成绩，作者反馈也不是独立检错准确率。
SPACER：从空间转录组解释细胞为何聚集在特定位置
Interpretable AI model reveals spatial codes of cell recruitment in tissues
可解释多实例学习分析37组空间转录组数据，寻找局部细胞招募规则。抗原呈递与T细胞接近、黏蛋白与屏障及部分癌种免疫治疗反应相关。代码开放，观察线索仍需干预验证；本轮未获取付费正文。
TokenRouter：让大小模型按词接力的推理系统
TokenRouter: Efficient Serving System for Token-Level LLM Routing
TokenRouter将逐词路由策略与运行时调度分开，为不同模型维护异步服务与缓存，并用延迟聚批降低频繁交接的空转。作者在指定Qwen模型、A100服务器及五种策略下报告解码吞吐提升；不能外推为普遍API成本降幅。论文10月8日提交，本期补看。
OneSearch-VL：把画面线索连到网页证据
OneSearch-VL: Unified Multimodal Deep Research Agent for Image and Video
以视觉证据图连接图片区域、视频帧、网页事实和回答操作，同时用于构造训练数据、强化学习评分与评测。团队公开8B模型权重、数据和代码；主要多图/视频增幅来自作者自建基准，外部网页变化限制复现。论文10月8日提交，本期补看。
Learn2Play：用陌生游戏检查Agent是否从试错中学习
Learn2Play Bench: How Well Do LLM Agents Learn from Experience in Unfamiliar Environments?
20种隐藏规则文字游戏要求Agent从多轮行动反馈中修正规则。在部分匹配模型比较中，保留原始交互记录优于过早总结；但更费上下文，也非通用结论。论文10月6日初稿、10月8日修订，本期补看。
AgentGarten：用程序世界与神经渲染器训练Agent
AgentGarten: Code Worlds for Evolving Agents
模拟器保留明确状态与规则，共享神经渲染器生成第一视角画面；Agent每轮留下playbook供后续练习。四轮与传统强化学习千万局不是同口径效率比，完整环境和练习循环尚未开源；本期补看。
COAP：把机器人策略写成可执行代码
Embodied Turing Machines: Stateful Code for Robot Recursive Self-Improvement
编码Agent离线开发共享策略库，机器人运行时由代码跟踪状态并选动作。作者在RoboDojo双臂仿真任务报告70.24%成功率；依赖已知场景参数，尚无真机与跨场景证明。论文于北京时间10月9日01:29提交，本期作为近期补看。
Carbon-A：跨物种标注候选蛋白编码区
Unified Eukaryotic Genome Annotation: From Gene Prediction to Carbon Annotation Database
单个1.2B模型在22,617个分类单元的基因组中预测5.66亿个蛋白编码位点。42基因组基准与四种生物的Iso-Seq提供初步支持；候选不等于蛋白或功能已验证。
Long-WAM：让机器人有效利用更长的视觉历史
Long-WAM: Scaling the Context of World-Action Models
自回归视频预训练后适配动作任务，在RoboCasa GR-1延长历史有收益，双向预训练对照无净增。10月7日提交，本期作为近期补看；实机结果还需独立复测。
AutoSella：Agent改写分子几何优化器
Optimizing the Optimizer: Language Models Discover Faster Molecular Relaxation
让多个模型修改Sella优化程序，用防止早停和留出分子泛化的准入门筛选。作者在r2SCAN-3c设置下报告，同等能量下降所需受力调用为原方法的40.2%—77.2%；这不是总耗时的同比降幅。论文于北京时间10月5日23:55提交，10月7日作为近期补看收录。
textGrain：在文本生成时留下可检测的统计水印
textGrain: Entropy-Calibrated Watermarking for Language Model Text
OpenAI技术报告用带密钥的词块采样和熵损预算控制水印强度；短文本、数学和同义改写会显著降低检出，检测结果不能证明作者身份或内容真实。10月5日机构报告，收录于10月6日期。
生成界面操作轨迹，训练电脑Agent
AutoGUIWorld: Image Generators as Visual World Models for GUI Agent
无需运行对应软件，规划器指定操作、图像生成器合成下一帧。作者在OSWorld等任务报告改善，但Chrome下降，合成状态仍须真实环境核验。
视频生成能否遵守程序写好的事件
ROWBench: Do Video Models Render What the Program Specifies?
用程序记录的状态、事件和时间线核查视频结果，而不只看画质。基准覆盖有限，部分指标依赖视觉语言模型判别。
Google联邦学习：让服务器上的隐私处理可审计
Toward provably private learning from federated data
设备加密上传并限定可运行程序，TEE密钥服务、公开策略日志与可重建代码让外部审计者核查处理边界。Gboard已采用；TEE侧信道和软件正确性仍有限制。论文9月25日首次提交。
高斯点椭球拟合的锐阈值
The Strict Threshold for Gaussian Ellipsoid Fitting
数学家与Muse Spark协作给出高斯随机点可被同心椭球精确拟合的阈值；阈值处尚未解决。Meta承认8月已有三组独立同期成果。
特定非线性波方程中的有限时爆发证明
Finite-Time Blow-Up of Radial Negative-Energy Solutions for the Mass-Critical Biharmonic Nonlinear Schrödinger Equation
论文在径向、负能量等限定条件下排除“只在无限时间爆发”的可能。Muse Spark辅助计算与论证修订，数学家主导并复核；不能泛化到所有波动模型。
RoboCoach：世界模型帮机器人决定下一步该学什么
RoboCoach: World Models as Active Coaches for Compositional Robot Skills
用动作条件世界模型试跑技能，找出最先卡住的子任务，再定向采集真实示范并更新对应专家。两种实机平台的固定预算实验有明显提升；论文9月30日晚提交，10月2日期补看，不能当日首发。
SynthID Bio：给AI设计的蛋白质留下可检测水印
Function-preserving watermarking of AI-generated proteins
在蛋白序列采样与AlphaFold 3结构预测中嵌入来源信号。三个结合靶标的湿实验未见明显功能损失；主动去水印和跨机构识别尚待验证。
Ataraxos：在看不到对手棋子的游戏里作判断
Scalable decision-making for games of imperfect information
稳定自博弈策略结合对隐藏棋子的信念抽样与行动前搜索。论文报告击败顶尖Stratego选手，真实世界迁移仍未验证。
机器人把失败经验写成操作手册
Recursive Harness Distillation across Agents for Robot Manipulation
强Agent将干预经验整理为可复用playbook，轻Agent执行后反馈修订，无需更新VLA权重。作者在指定实机与仿真任务报告提升，跨机器人泛化仍需验证；27日论文列为近期补看。
少量实验优化耐热RNA疫苗配方
Accelerated discovery of thermostable mRNA–lipid nanoparticle vaccines using data-efficient AI
用贝叶斯优化选择下一批辅料比例，在一个月内完成六轮优化。结果来自固态制剂与动物验证，正式全文需订阅，尚非获批人用产品。
InternW0-Δ：预测特征直接用于机器人动作
InternW0-Δ: A World Action Model Bridging Predictive Dynamics and Actions with 20K+ Hours of Open Data
训练用未来监督形成动作相关特征，执行时不生成未来视频。处理后混合语料超过两万小时，跨具身需后训练，代码与模型仍待发布。
Jev安全评测：排序有效，阈值仍需任务内校准
Just Ask Jev: Reinforcement Learning for Calibrated Decisions as a Zero-Shot Detector of AI Alignment Failures
一次调用多个类型化判断，用44个基准拆开评估措辞、上下文和阈值。分数排序较好不等于固定阈值可迁移；对照费用为特定基准按公开标价估算。
编码Agent为机器人写可复用规划程序
Coding Agents for Generalized Task and Motion Planning Problems
在模拟器内试错合成程序，冻结后处理新实例，测试时不再调用LLM。实验提供完整状态，每实例运行时间不包含前期程序合成，尚未验证视觉实机任务。
两路文本叠加：Transformer能否一次处理两段话？
Your Transformer Can Hold Two Thoughts at Once: Evidence of Linear Superposition in LLMs
逐位置平均两段文本的词向量后，模型仍保留部分双流预测信号。微调改善内容词，但吞吐未超过普通双请求批处理，生成质量仍有差距；9月24日提交，9月27日期补看。
WROP：用遮挡与碰撞题训练视频世界模型
Training Object Permanence in World Models
150类合成物理任务、150万视频与300题测试。16B续写模型盲评提升；合成环境表现尚不能外推真实机器人。9月26日期近期补看。
StudentBench：用真实后测比较AI与人类辅导
StudentBench: AI and human tutoring yield equivalent GRE learning gains
2,383名英语成人参加一小时GRE辅导实验，论文报告AI与专家人类导师的即时学习增益统计等效。未测试长期保持，也缺单独自学练习对照；9月23日提交，9月25日期补看。
ART：Claude从基因序列中发现未知反转录酶系统
Autonomous AI agents discover reverse transcriptases with tandem repeat arrays
多Agent搜索在非编码DNA中识别此前未归类的重复阵列；实验观察到短RNA，但功能未知，十次完整重跑未再找回。
MentalHealthBench：给心理支持AI加上专家评判尺
MentalHealthBench: An Expert-Informed Benchmark of AI Capabilities in Realistic Mental Health Conversations
1215段合成对话覆盖日常困扰与危机；专家和用户对好回答的侧重点不同。中文样本仅1条，不能据此推断中文表现。
RRSI：让Agent改自己的外壳，同时限制对评测题过拟合
RRSI: Regularized Recursive Self-Improvement of Agent Harnesses
冻结基础模型，自动修改提示、控制流、工具、记忆和上下文，并用泄漏审查、噪声门槛、成本规则与裁剪筛选修改。搜索集增益大于分布外增益，完整流程依赖多个模型角色与昂贵评测；代码已开放，本期补看。
RecreationWorld：让Agent重做一个正在运行的应用
RecreationWorld: Scalable and Verifiable Environments for Hybrid Computer-Use Agents
只给Agent一个运行中的参考应用，要求它在GUI探索、写代码和运行验证之间往返，再用隐藏程序与视觉测试检查结果。250项任务中，Astra总分58.1%，但全程序测试通过覆盖仅2.8%；论文、环境、代码和数据集已开放，本期补看。
CodeMidas：从现有源码自动构造Agent训练环境
CodeMidas: Scaling Agentic Coding RL Environments from Code Itself
让Agent从源码反推功能、生成可执行测试并反复验证，从3185个仓库构造5545项任务。训练实验在多项Coding Agent基准上提升，但任务质量仍取决于自动测试能否覆盖原功能；本期作为MiMo-V2.6配套论文补看。
MiMo-V2.6：怎样把Agent强化学习做大
MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement
小米披露每步约2.5万条长轨迹的混合任务强化学习，并把组内评分、奖励投机防护、任务调度和MoE路由故障写进报告。团队结果显示固定环境中的能力持续提高，但递归自我改进尚未自行运转，7000多个环境也仍需明确公开入口。
DeepSeek-V4.1-Flash：分别压缩全局与持久缓存
DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression
输入处理与生成分别激活80亿与160亿参数；全局KV缓存890字节/token约为前代对应部分1/4，持久缓存约1/8。比例不等于整机显存或API价格，稀疏选择及近似重建仍存在边界条件。
FAMOS：从稀疏观察推断物体活动部件
FAMOS: Feed-Forward 3D Articulation Modeling from Sparse Observations
综合多个状态的点云预测部件、关节类型与转轴。单RTX5090、两状态各2048点的推理65.6毫秒，不含上游三维重建。陌生形状、小部件和噪声仍难处理，尚非机器人操作成功率。
SoL-Pi：降低Agent运行开销的代价
SoL-Pi: Recursively Scaling Auto-Research Loops for Efficient Agent Harness
优化工具调用、上下文和日志处理。在51个留出任务上，Sol的全机制配置减少49% token与33.2% API成本，得分从44.833降至42.003；最佳成绩配置不同。代码公开，前期搜索成本与任务泛化仍有限。
JEPA-Anything：跨领域的预测学习框架
JEPA-Anything: Learning Predictive Models across Different Worlds
将内部表示分成互补部分，分别预测再组合，覆盖视觉、生物、控制与天气等七类领域。各领域仍有独立任务设置；生物验证含样本与小鼠，不是人体临床疗效。核心代码和领域工件可查，尚未独立复现。
Claude优化生物模型：前向提速、内存与精度的权衡
Accelerating open-source biomolecular models with Claude
36套实现覆盖30多个生物模型；13个结构预测模型Fast前向平均提速4.1倍，Exact为另一组14模型平均1.6倍。单节点为八卡，计算机设计评分不等于湿实验结果。
Goodfire：用内部激活监测奖励作弊
Monitoring and Discovering Reward Hacking with Internal Representations during LLM Evaluations
简洁激活探针从模型内部表示识别可疑行为，并补充文本监控。标签依赖大模型裁判，误报与漏报并存；相关信号不证明人的主观意识，也不等于事故已被阻止。
Zing-0.5：键盘与文字共同控制连续视频
Zing-0.5: Toward Playable Worlds with Real-Time Joint Action and Text Control
50亿参数交互式模型，在832×480配置下每张RTX5090运行一路24帧视频。权重和推理代码可获取，但物体状态与行动后果未必长期保留，尚非完整游戏世界。
Edge0：从SSD读取MoE专家的本地推理
The Other Half of the Memory Wall: Serving 35B MoEs from SSD with Trained Routing Prediction
提前预测路由并读取专家，以LoRA补偿损失。在24GB Mac上35B版本约20token/秒、MLX短上下文活跃内存2.9GiB；整机内存与页缓存另计，当前只支持Apple Silicon。
Paper2Agent：把论文方法封装成可调用的研究工具
Reimagining research papers as interactive and reliable AI agents
从论文、代码与数据构建MCP工具，运行测试后供Agent调用，展示跨论文分析。并非所有代码库都能成功转换，研究者仍负责方法选择与结论判断。
ModAR：机器人规划需要怎样的未来预测
Modality-Autoregressive World-Action Models
依次预测运动轨迹、语义特征与深度，再生成动作；额外生成RGB在限定实验中没有稳定收益。实机仅三个任务，代码尚待开放，未证明广泛泛化。
ImpossibleRubrics：自动评分会不会奖励编造
ImpossibleRubrics: Stress-Testing Generated Rubrics as Reward Signals
用证据不足或前提错误的任务攻击模型生成的评分细则，统一150任务中被利用比例为8%—26%。测量对抗可利用性，不是日常幻觉率，困难子集另行区分。
Atria Dawn：面向科研与工程的开放权重 Agent 模型
Atria Dawn: The Dawn of Agentic Superintelligence
基于744B MoE模型，以可执行环境和外部检查连接任务与训练经验；权重与部署入口可见。报告16项评测及研发人机分工，5项领先仅限表中已报告对象，人员自评不等于对照效率实验。
NGU：让训练把更多尝试机会留给难题
Learning to Solve Hard Problems in RL for LLMs by Never Giving Up
做对的题提早让出预算，未解决题回队列继续采样，并保留概率放弃。匹配算力的数学实验改善难易题取舍；几乎全是难题时未必有效，异步旧样本也有代价。
ModaLens：换一张影像，医疗模型的答案会变吗
ModaLens: Measuring Image Sensitivity in Report-Conditioned Medical VLMs
保持报告与问题不变，只替换图像，比较有无报告时的回答改变率。主实验293位患者，测量的是换图敏感性，并非误诊率；没有独立影像标注，不能据此认定依赖报告就是错误。
LIT：减少机器人把背景当成动作线索
Breaking the Vision-Action Shortcut: Latent Interface Training for Generalizable Robotics Foundation Models
先用无图像训练建立动作基础，再让视觉通过受目标位姿监督的中间表示进入动作模块。四种架构与三个实机任务有改善；换机位后合计成功率仍只有46.7%，需扩大验证。
SAS：直接学习长上下文中的内容优先级
SAS: Simple Attention Sparsification via End-to-End Optimization of Context Ranking
让最终预测误差训练稀疏注意力选择器，避免只模仿原模型注意力。公开训练评测代码；速度收益主要在长上下文逐词解码，不包含输入处理。
SNAP3D：让生成的3D零件可以连接与装配
SNAP3D: Physically Grounded 3D Parts for Assembly from a Single Image
修正零件重叠，生成连接结构，再用物理模拟优化。100模型仿真与六件打印实例提供初步验证，尚未解决一般装配顺序，代码待发布。
Mi-Ripple：处理图片反复编辑后的格纹与颗粒
Mi-Ripple: Restoring Images Degraded by Iterative AI Editing
先判断伪影能否与正常细节分离，再选择定向滤波或清理参考图后重新生成。研究样本有限，重新生成可能改变细节；本期补看。
GenV：求解器通过，也要检查题意是否翻译正确
Beyond Solver Verdicts: Generative Reward Models for Autoformalization
学习判断逻辑表达式与指定参考答案是否等价，捕捉最终判定相同的错误翻译。系统增益多数来自增加采样，分数仍不等于符合人的全部原意；本期补看。
X-AuT：逐步压缩语音编码器，比较整套流程提速
X-AuT: Progressive Audio-Encoder Compression for Speech LLMs with Cross-Scale Distillation
通过删层测试、较大模型指导和恢复训练，把音频编码器从18层减到14层。公开权重和简化微调示例；局部延迟改善大于端到端收益，结果为单次实验。本期补看。
小米 CocktailASR：从多人语音中识别指定的人
Xiaomi-CocktailASR-1 Technical Report
参考声音与混合音频一起编码，直接转写目标说话人，并学习拒绝非目标声音。评测需同时看词错误率和误拒绝率；本期补看。
Nemotron 数学推理：生成、检查与修改证明
An Open Recipe for IMO Gold: Training Nemotron for Olympiad Mathematics
三个模型检查点反复写证明、评判和修改；报告公开计算资源与模型评审盲点。权重9月3日已发，本期补读技术报告。
NCP：词元与概念联合预测
NCP-ArchPreview Technical Report: Moving towards Latent Space Language Models through Next Concept Prediction
在8.9B模型中同时训练词元和概念预测。参数匹配对照显示优化优势，但中期训练后下游收益缩小，长上下文尚待验证。
SenseNova-U1.5：原生统一视觉模型
SenseNova-U1.5: Towards Native Unified Visual Intelligence
9月11日新公开技术报告，模型8月已发布。通过空间重建和多专家蒸馏兼顾读图与生成，完整训练流程仍待开放。
MaP-WAM：用长期记忆生成下一段动作计划
Memory as Plans: World-Action Modeling with Memory-Grounded Planning
规划器读取历史，执行器保持短上下文。实机实验仅两类任务、每项50次测试，代码仍待发布。
NSD：通过负向自蒸馏改善数学推理
Negative Self-Distillation: Learning to Reason by Avoiding Flaws
利用模型自身易错条件形成训练信号，不使用题目的标准答案。多规模数学实验有提升，代码及检查点可查。
DeepSeek V4.1 Flash：长任务先从缓存省起
DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression
输入与输出采用不同激活规模，通过跨层复用和局部重放压缩两类缓存；权重已公开，节省比例不等于整机成本降幅。
Show-Harness：给机器人一组模型看得懂的动作
Show-Harness: Just a VLM Agent Can Play Robots
离散语义动作接口打通示范采集与机器人控制；实机评估和代码均可检查。
补看：游戏规则交给程序，世界模型负责画面
Programmable World Model
由程序记录世界状态和交互规则，再让视频模型生成画面；补看完整论文，推理代码与权重尚未公开。
Anthropic 2026 年 9 月 AI 滥用报告
Detecting and countering misuse of AI: September 2026
七类案例揭示模型如何参与持续运营，以及账号封禁后的控制范围；归因来自供应商，不能据案例推算整体发生率。
AuK：用同一个模型生成和修改语音
AuK Technical Report: An Open-Source Foundational Model for Speech Generation and Editing
通过指令与音频统一生成、编辑和恢复任务；权重已开放，Flash提速为作者同条件测试。
OpenWAM：视频模型怎样帮助机器人行动
OpenWAM: An Open, Modular Exploration Towards Systematic World-Action Model Pretraining
把视频底座、动作网络、信息流与数据配方拆开比较，研究未见场景的泛化。
GPN-Star：用物种演化关系理解DNA变异
Predicting genome-wide functional constraints with GPN-Star
将序列对齐和物种树引入基因组模型；不同任务适合不同演化尺度，预测不等于诊断。
OPRD：弱模型怎样帮助更强的模型训练
Eliciting Weak-to-Strong Generalization with On-Policy Reverse Distillation
验证器提供正确性信号，弱老师的变化方向调整学生学习力度；当前代码仓库仍为占位。
带外力条件下的 Navier–Stokes 有限时间爆破证明
Finite time blowup for Navier–Stokes
OpenAI 公布分析证明与 Lean 形式化材料。阅读时需要核对外力假设、定理范围及研究过程争议；本期未独立复核证明。
Uno：用离散扩散加速自回归模型推理
Unlocking Lossless Speedups in LLMs via Discrete Diffusion
并行提出多个 token，再验证是否接受。“无损”指保留模型的采样分布，实际加速取决于硬件与任务配置。
τ^τ-Bench：评测 Agent 能否完成客服系统交付
τ^τ-Bench: An Environment for End-To-End, Realistic Agent Construction
把业务理解、工具配置、部署和预算限制放进同一套任务，检查模型能否交付可用的客服系统。
RISE：利用模型自身的训练变化构造蒸馏目标
RISE: Recursive Improvement via Self-Extrapolating Policy Distillation
根据策略在训练中的变化外推教师信号，尝试降低后训练成本；论文实验不等于模型可以无限自我提升。
WorldSculpt：从视频生成可拆分的三维场景
WorldSculpt: Generating Compositional Worlds from Grounded Videos
将场景表示为多个可独立操作的物体。方法依赖分割、位姿等输入，生成结果的物理性质仍需另行验证。
蛋白质衰老时钟：分析一项药物试验的探索性结果
Integration of proteomic aging clocks in a phase 2a clinical trial supports simultaneous geroprotective assessment
在临床试验子集中比较多种衰老时钟的变化。指标变化不能直接证明延寿，也不能推广到健康人群。
Principia：检查视频模型是否理解物体间的物理关系
Principia: Relational Physics Tests for Video Models
通过物体之间的相对运动与关系检验视频生成结果；连续评分不能当成答对题目的比例。
Random Attention：随机删减推理过程中的 KV 缓存
Random Attention: Rethinking KV Cache Eviction for Efficient Reasoning
保留提示词缓存，随机淘汰推理过程中的部分缓存，考察省去缓存评分能否提高吞吐。效果受上下文与实验配置限制。
Editable Visual Design：让 AI 设计稿保留可编辑文字与布局
Editable Visual Design
用生成模型制作视觉素材，再用 HTML/CSS 组织文字和版式，使设计稿能继续修改。现有演示主要围绕单页设计。
LLaDA-Image：先学习图像，再加入语言监督
LLaDA-Image: Building Strong Image Generators with Fully Open Training Recipes
研究图像生成与编辑的开放训练路线。Base 与 Turbo 已提供相应材料；采样步数不等于实测速度，开放范围以仓库为准。
Terminal-Universe：把 Agent 操作记录恢复为训练环境
Terminal-Universe: Turning Agent Trajectories into Scalable Terminal Environments
从历史轨迹还原工作区，再补齐文件与依赖，让一次性演示变成可重复执行的环境。需关注还原质量与评测条件。
Compile by Training：把自然语言任务变成本地神经函数
Compile by Training: Turning Natural-Language Specifications into Local Neural Functions
先用大模型生成任务样本，再训练小型适配器，在本地解释器上运行。适合关注固定任务成本的人继续研究，需计入编译训练开销。