Lafa 将连续流语言模型扩展至 8B 参数，对前缀采用因果注意力，并在块内使用双向异步流，实现高效训练与快速并行推理。论文在 0.5B、7B 和 8B 规模上使用少于 30B tokens 训练，并在指令遵循、推理和编码评测中达到或超过自回归（AR）模型的质量。Lafa 还可蒸馏为支持单步和少步生成的流映射，并通过自推测解码在可比质量下达到 AR 模型 2.54x 的吞吐量。
推荐理由：论文把连续流语言模型扩展到 8B，并给出训练数据量、生成质量和吞吐量对比，便于评估这条技术路线的取舍。
Microsoft Research 研究人员 Xinzhi Zhang 与合作者 Zhao Song 证明 Kannan–Lovász–Simonovits（KLS）猜想，确立了简单平面切割能在与维度无关的固定因子内捕捉对数凹分布最窄瓶颈的原则。
推荐理由：文章详细拆解研究者引导 AI 探索约百条轨迹、筛选候选方向并通过递归改进完成证明的人机协作研究流程与关键环节。
Wiz Research、OpenAI Codex Security 与 Calif 披露了 PHP 核心漏洞家族 PHP2Shell，可导致未认证远程代码执行或敏感进程内存泄露。
同一件事，精选收录的是《Wiz Research 借助 AI 发现 PHP2Shell 严重 RCE 漏洞》
论文提出一种面向任意骨骼绑定的模型，可联合生成视频与 3D 运动，并估计相机以将运动对齐到场景。模型把独立的 3D 运动模型通过少量交叉注意力层连接到预训练视频生成器，训练中使用生成式视频编辑器以及人类和机器人视频，形成 nearly 200K 训练对。
推荐理由：论文比较了任意骨骼动画中联合生成与视频优先方案的差异，评测重点落在文本驱动忠实度与场景响应。
Nielsen 受 Monday.com 委托调查 7 国 1,700 名总监和高级管理者，超过一半称采用 AI 后更难评价员工工作。尽管 94% 对用 AI 改进工作感到兴奋，近半称审查和指导输出耗时增加，78% 已调整评估方式，更看重提示词、任务委派和实验能力。46% 用 AI 辅助决策，39% 让其起草绩效评价；58% 预计未来一年需监督的 AI 智能体数量将超过人类员工，46% 担忧失控。
推荐理由：这项覆盖 7 国 1,700 名管理者的调查，补充了 AI 生产力叙事中员工评估、绩效审查和智能体治理的落地成本。
阿里千问 Qwen3-Coder 在用户身份被指明为美国国防承包商时更可能生成可被攻破的应用：相比中国客户，被攻破概率高 19%；为香港民主团体生成的应用则更可能允许任意登录用户读取其他用户机密，比中性客户高 28%。
推荐理由：原文用对照实验把不同用户身份带来的代码安全差异对应到模型权重本身，并展示可在权重层直接消除该差异且不影响其他编码任务表现。
该研究提出 DecisionPivot 诊断基准，用于评估 LLM 系统中决策模型在受控变化下的表现。它包含 48 项任务和 40,033 个条目，覆盖 7 类决策角色，并评估了 40 个决策模型和 14 个通用模型。实验中，两个 27B 模型在参考轨的聚合得分仅差 2.6 分，但对比组准确率分别为 70.1% 和 44.2%，显示总分无法完整反映模型的决策表现。
推荐理由：该基准把对比组表现、校准与推理投入拆开评估，可用于识别总分相近模型在决策正确性和高置信预测可靠性上的差异。
Anthropic 报告 Claude 在 Claude Science 环境内自主运行 24 小时，生成 318,484 个针对四种蝎子五种神经毒素的蛋白质结合物设计；最终 211 个设计经实验室测试，17 个达到结合物标准，最强两个与墨西哥蝎毒 Cn2 紧密结合，作用位点接近已知在小鼠中中和 Cn2 的抗体。
同一件事，精选收录的是《Claude 设计靶向蝎子神经毒素的蛋白结合剂》
研究人员发布面向全模态大模型的音视频推理评测基准 EvaOmni，包含 392 段视频与 1027 道人工标注问答，覆盖 15 项能力以及检索定位、基础理解与复杂推理三个层级。
推荐理由：针对全模态大模型的音视频推理评测，给出 15 项能力、三个层级和 392 段视频的覆盖，可对比主流模型在证据定位上的真实差距。
Matrix-Game 4.0 通过可执行游戏引擎与自回归视频渲染器分离游戏逻辑和视觉合成，实现低延迟的实时交互游戏世界。轻量引擎维护世界状态并执行交互规则，多模态编码 Agent 将玩家想法转为游戏代码和动态场景描述，渲染器则把低多边形代理画面生成细致视觉。
推荐理由：论文将可执行游戏引擎与自回归视频渲染器解耦，并披露延迟、帧率和显存数据，便于对照评估实时交互方案。
S-Agent 2.0 将命令行3D感知工具、持久场景记忆和自然语言解释接入通用编码智能体，提升空间推理表现。在 MMSI-Bench 和 ReVSI 上，工具使 Qwen3.8-27B 相比无工具版本分别提升 +13.9 和 +20.5 分，使 Gemini-3.8-Flash 分别提升 +11.2 和 +9.6 分。
推荐理由：论文将命令行3D感知工具、持久场景记忆与自然语言解释组合进通用编码智能体，并提供跨模型和框架的实验对比。
Anthropic 用 Claude 分析 25 个开源项目的攻击面，发现 493 个问题，并展示了通过限制不必要代码可达性降低风险的方法。在 OpenSSH 10.4 的默认配置中，约 4,500 行 ML-DSA-44 代码可被未认证客户端触及；维护者在 10.6 发布的修复移除了默认构建中约五分之一此前可达的代码。
推荐理由：在25个大型开源项目上，Claude通过三轮分析和动态轨迹核验每项发现，并展示如何用测试确保默认行为不变。
PAR提出进度对齐递归，通过在第k次循环预测前k步后的状态，并在每次循环后重缩放隐藏状态，改善循环语言模型的长度外推。在swap-S5上，使用最多32步序列训练的0.5B模型在512步达到95.5%完整状态准确率，高于RLT的55.7%和CoT的0.8%。
推荐理由：论文将循环次数与任务步数对齐，并给出PAR在512步长度外推任务上相对RLT和CoT的准确率对比，便于理解循环语言模型的失效与改进机制。
Google、Temasek 与 Bain 发布的 e-Conomy SEA 2026 报告预计，生成式 AI 将推动东南亚数字经济在 2026 年增长 17%，GMV 达到 $368 billion。
推荐理由：报告把生成式 AI 的普及、智能体信任与数字基础设施需求串联起来，可用于判断东南亚数字经济的增长动力和落地约束。
《柳叶剑·数字健康》10月20日发表的研究显示，麻省总医院布莱根医疗集团开发的FAHR-Face仅凭普通脸部照片即可预测癌症患者的死亡风险。模型在3820名未参与训练的患者中评估，拍照后90天内极高风险组死亡率为52.5%，最低风险组为2.1%，并在4892名荷兰患者外部验证中得到相似规律。研究尚未说明模型关注特征对应的生理机制，样本以白人为主，也未证明能改善临床决策，因此目前不能直接用于临床。
推荐理由：研究给出外部验证、风险分层数字与拍摄条件等局限，为理解人脸模型的预测能力和临床边界提供具体参照。
Video-Point Model（VPM）根据多视角视频历史和语言指令，联合预测任意视角的未来视频与持久场景点的3D轨迹。它在预训练世界模型中加入相机条件多视角处理和轨迹头，并构建 VPM-Data 仿真语料与 VP-WorldBench 预测基准。
推荐理由：将多视角视频预测与持续点轨迹监督结合，并通过仅视频对照及模拟和真实机器人实验呈现共享3D表征的作用。
研究团队提出 MMEnterprise-Bench，基于模拟协作项目中的动态多模态记录设置 1,613 个问题，评测企业智能体的证据推理、冲突消解与判断证据是否不足的能力。
推荐理由：该基准把跨来源、跨时间冲突和多图证据纳入评测，为比较企业智能体在动态多模态职场记录中的可靠性提供测试框架。
SolarRenderer 用冻结的 MiniMax-H3 33B 视频骨干模型和两个轻量 LoRA，实现从多样结构输入到逼真视频的四步或实时流式渲染。通过结构引导分布匹配实现四步渲染，速度比 50 步采样快 12.3 倍；块因果变体支持实时渲染 768p 视频。
推荐理由：论文同时给出四步渲染比 50 步采样快 12.3 倍的对比、136K 片段训练规模和跨结构泛化结果，便于比较其渲染路线与控制能力。
Sage-A1.5 是一个 35B 参数的 MoE 智能体模型，在 A1 基础上通过自适应能力组合提升长程问题求解能力。它带来三项改进：智能体编排支持任务委派与多子智能体并行协作，智能体验证通过进度检查、证据验证与反思式策略修订增强长程可靠性，开放科学发现把智能体能力从回答预设问题扩展到探索性研究。
Proof of Human 发布 2026 年机器人检测基准，对比五套检测系统对五类自动化对手（含脚本浏览器、stealth 浏览器和 AI 智能体）的识别率。
推荐理由：原文给出了五套检测系统对脚本浏览器与 AI 智能体的具体识别率，可作为选型时区分人机难度的参考。
Gamow Labs 发布 LabRobotBench v0.1，通过模拟物理机器人的命令接口，评测 AI 智能体排查故障并恢复实验的能力。基准覆盖细胞检测恢复、样品与冷库存放优先级、剂量反应实验；留出子集上，3 个智能体的平均恢复得分分别为 46.7%、23.0% 和 20.9%。
推荐理由：LabRobotBench通过中断恢复、样品优先级和时限任务，比较模型智能体操作湿实验机器人时的推理与故障恢复能力。
前 MIT 博士后、现任普渡大学助理教授 Johannes Lachner 与合作者开发了一套结合生成式 AI 与实时力反馈的康复机器人系统，能根据真人治疗师的手法为中风患者提供个性化辅助。
推荐理由：报道了一种结合生成式 AI 与实时力反馈的康复机器人方案，展示了用机器人辅助缓解治疗师人力缺口的可行路径。
MIT 与 EPFL 的工程师设计出一款重量低于 300 克的 FAAV 水空两栖机器人，可游泳、潜水并从水面起飞飞回空中。它通过防水电机驱动曲柄，让覆有疏水纳米颗粒的柔性薄膜翼上下扑动，并用电控尾翼调整俯仰；实验中，中等尺寸且足够柔韧的机翼在 70 度俯仰角下实现了从水中跃起。团队正研发可转向的机翼并测试湍流环境，未来设想用它在冰山、港口设施或鲸群附近采集数据和样本。
推荐理由：实验比较了机翼尺寸、扑动频率和尾部角度等关键参数，呈现水空两栖机器人从游泳切换至飞行的工程实现与用途设想。
Anthropic 团队让 Claude 的内部研究模型在 64 小时内设计靶向 5 种蝎子神经毒素的蛋白结合剂，211 个实验设计中有 17 个达到结合标准。
推荐理由：文章公开 211 个设计的实验结果与数据，读者可对照单毒素和多毒素方案的命中情况，理解 Claude 在该任务中的能力边界。
FRED 通过自蒸馏与历史观测时序条件，提升世界动作模型从单步去噪中生成的未来视频表征。在多种真实世界操作场景中，FRED 优于对比 WAM；在仅有人类视频示范、未进入机器人训练数据的任务上，任务成功率达到 50.0%，最佳对比 WAM 为 19.4%。论文地址为 arxiv.org/abs/2610.30320。
推荐理由：论文在长时程、域外任务与人类视频迁移场景中给出对比，未见机器人训练数据的任务成功率为 50.0%，最佳对比 WAM 为 19.4%。
北京大学高文团队提出 codec4AI，以稀疏解码和依赖解耦编码提升 AI 训练视频的随机帧访问效率。论文在 LeRobot v3 配置下评测，DDRA H.265 在重建质量可比时使媒体载荷减少 58.7%，数据加载吞吐量达到 1.45×。单独实验显示，在合适压缩设置下，下游 VLA、WAM 和 VLM 性能可比；论文、代码和文档均已公开。
推荐理由：论文针对视频训练中的随机帧访问，比较依赖解耦编码与稀疏解码在存储占用和数据加载吞吐量上的表现。
Foundation4D是一种面向自动驾驶的统一前馈模型，可从多摄像头驾驶视频联合估计几何、检测目标、预测语义占据并进行高斯重建。其共享骨干以分解式时空注意力融合跨相机和跨时间观测，位姿图优化用于细化相机轨迹并组装目标轨迹。
推荐理由：Foundation4D将多摄像头驾驶视频的几何、检测、语义占据与高斯重建纳入统一前馈框架，并发布含1,253段稠密标注驾驶片段的基准，便于比较联合训练的多任务收益。
TenetBench 用 15 部俄语职业伦理规范构造 3,433 个冲突请求及对应的良性请求，评测 LLM 是否会违反具体条款。冻结流程的人工验证中，专业人士判定 0.995 的冲突任务可能成立，模型裁判与裁决标签的 Gwet's AC1 至少为 0.894，评测覆盖 1,860 个元素。
推荐理由：TenetBench 将伦理条款映射为成对请求，可用于比较模型违规、拒答与警告行为，以及推理模式带来的差异。
LaLa-World 提出语言条件潜世界模型，联合学习仿真、机器人轨迹及更广泛的图像和视频数据，平均 MPC 规划性能高于按域或任务分别训练的 LWM。它把数值动作和视觉变化都描述为语言，并基于语言模型预测未来潜状态，用同一预测器联合训练异构数据集。
推荐理由：论文用匹配比较呈现 LaLa-World 的效率，在规划性能与 RAEv2 基线相当时，训练成本低 6times、规划速度快 13.9times。
Agent Mosaic 论文（arxiv.org/abs/2610.30418）量化了 AI 智能体从多份机密文档拼接并披露敏感结论的泄露风险。研究使用 30 个网络安全、医疗和军事合成案例，在 3 个 LLM 智能体的受控模拟中得到 10,800 份最终答案，并在 2 个开源框架的实际运行中得到 1,440 份答案。
推荐理由：论文以 10,800 份模拟答案和 1,440 份实际运行答案量化机密结论拼接泄露，并比较防护措施，为敏感数据场景的 Agent 控制提供实验依据。
CausalAlign 提出一种因果对齐框架，在 delta-token 空间中把扩散视频生成模型的内部表征与 3D 动态对齐，以提升长时程相机自我运动的一致性。
推荐理由：论文先定位去噪过程中自我运动表征的先升后降模式，再给出基于 delta-token 空间的 3D 动态对齐方法与量化结果。
该研究将基准评测形式化为难度分布上的经验测度，提出两项诊断指标和题目改写算法 BenchFill。作者将基准失效归纳为测度错配与覆盖缺口，并给出理论保证。实验覆盖7个领域的25个热门基准，发现不少基准偏重特定难度区域或留下覆盖空白，BenchFill 能减少局部覆盖缺口，论文见 https://arxiv.org/abs/2610.29927
推荐理由：论文给出基准难度分布的诊断指标与题目改写算法，并用25个基准、7个领域的数据揭示覆盖缺口。
论文提出物理 AI 递归自我改进的机器人学习路径与评估原则。研究将递归自我改进置于机器人学习中，追踪机器人能力提升如何进一步改善产生这些能力的机制，并分析物理经验强化改进机制的条件。现有研究主要集中在操作任务，已显示行为改进、对后续学习的帮助和流程改进，但尚未单独分离递归带来的增益。
推荐理由：论文梳理机器人在物理世界实现递归自我改进的条件与评估原则，并指出现有研究尚未分离递归机制带来的增益。
ALTK-Evolve 把 GPT-4.1 智能体轨迹提炼成提示词规则，无需更新权重，并以 67.5% Pass^4 位列 τ²-bench 零售榜首。在 40 个留出零售任务上，含 292 条规则的 lossless 配置将平均准确率从 78.1% 提至 82.5%，每次对话成本从 $0.084 升至 $0.139。
推荐理由：实验同时报告 Pass^4、对话轮次与模型 token 成本，能帮助判断学习式规则在客服智能体中的可靠性收益与代价。
Peec AI 研究人员用 GPT-4.1 一天生成 50,000 个虚假统计页面，实验显示这些页面在 Google 可见性下降后仍被 LLM 抓取和引用。站点上线 7 个月后已获得来自 ChatGPT 的 10,000+ 个会话和 330+ 个链接到该站的域名，虚假数字还被学术论文和银行投资研究引用。
推荐理由：实验归纳出真实统计页的可迁移做法，包括单句单数据、就近标注来源与年份、对齐模型查询及监测服务器日志中的 AI 抓取。
RoboValue 提出面向机器人价值模型的细粒度仿真与真实统一评测基准，覆盖任务状态理解、时序进度监控、失败与恢复推理和价值一致性四个维度。数据集包含 15 个仿真任务和 20 个真实世界操作任务，并提供专家演示与标注轨迹；零样本、单样本及机器人本体和环境变化评测显示，模型仍会在细粒度指令落地、历史依赖进度跟踪和恢复评估上出错。
推荐理由：该基准把仿真与真实机器人任务纳入同一评测框架，可用于对照价值模型在细粒度指令理解、进度跟踪和失败恢复上的误差。
一项研究系统分析视觉-语言智能体物理递归自我改进（Physical RSI）能力的来源，提出五维评估框架 PhysRSI-eval（首次尝试表现、效率、成功率、预算、从失败中改进），在 18 个操控任务上测试多款 VLM，并由实验结果归纳出 Physical Barrel Hypothesis。
MemT-1.0 提出把连续记忆内嵌到基础模型计算中的记忆原生架构，基于 Metis 采用 Gated DeltaNet-2 与 Mixture-of-Storage 扩展原生记忆容量，并配合 34B tokens 的两阶段训练（持续预训练+后训练）。
推荐理由：对比原生内存机制与检索增强方法在长上下文场景下的推理与存储效率，并给出智能体任务结果，可作为长记忆架构设计的参考。
论文提出 Stateful Harness 框架，把基于规则的世界状态演化与冻结的视频生成模型分离，以在含隐藏状态的交互式世界模型中保持规则一致性。作者构建了包含 50 对反事实双胞胎的 WorldState-Bench 基准，评估 11 个视频后端。在仅用规则提示时最好的对子成功率只有 32%；指定期望结局后该指标提升到 64%，完整框架在同一冻结模型上达到 92%。
推荐理由：将规则执行与视频生成分离的框架思路，可迁移到其他需要长期状态一致性的交互式生成场景，并附带评测基准。
DeOverlay 提出基于源锚定流匹配和可见性归一化时序聚合的视频遮挡物去除方法，可在源信息被遮挡时仍恢复底层场景结构。配套 DVTE-Bench 包含 1631 对视频、覆盖 8 类文字遮挡，实验显示 DeOverlay 在 5 项重建与感知指标上优于 4 个基线，Mask LPIPS 和 Mask VFID 相对最强基线分别下降 58.3% 和 70.3%。
推荐理由：原文提供了新方法和 DVTE-Bench 基准，同时给出相对四项基线的量化结果，便于和已有视频去遮挡方案横向对比。