LayerEditor 将指令引导的图像编辑与可控的 RGBA 图层生成统一建模，在单一 token 序列中表示编辑画布和有序图层。其 In-Context RGB-Alpha Token Modeling 支持语义编辑与单图层内容控制，Compositional Edit-Prior Distortion 将编辑先验迁移到编辑画布及预测图层合成图像。
推荐理由：论文将指令图像编辑与可复用 RGBA 图层生成统一建模，并构建配对数据集和专项基准，便于对照分层编辑方案。
Jev 决策模型控制器使 Claude Sonnet 5.5 终端智能体每次尝试成本增加 19%，通过率与无控制器基线同为 73.0%。在 Terminal-Bench 2.1 的 21 个留出任务、315 次试验中，Jev 的成本比 Claude Haiku 5.5 控制器低 19%，但比采样开发阶段选择频率的安慰剂控制器高 22%，未检测到组间通过率差异。
推荐理由：研究固定智能体循环并比较无控制器、规则、小型 LLM 与 Jev，量化了决策信号排序与实际干预效果之间的落差。
ECHO 将多时间跨度预测直接集成到模型主干，以因果自递归和动态深度采样替代辅助模块，分别改善预训练效率与推理草稿生成。其最终层预测所有跨度，DDS 以随深度衰减的概率选择训练深度，使预训练模型能够充当自身草稿器。论文称，相较于训练所有深度的 MTP，额外训练开销减半，且优势在 token 预算加倍、重复预训练和监督微调后仍存在。
推荐理由：论文将多步预测从辅助模块移入主干，并通过 DDS 控制深度成本，便于比较其与 MTP 的训练效率。
EdgeKernelBench 与 LEKA 提出面向异构边缘后端的 LLM 内核生成统一评估和分层优化框架。EdgeKernelBench 通过统一 IR 和编译器接口连接目标后端，以 TVM 为参考编译器验证，基准范围从单个算子逐步扩展到紧凑模型图。
推荐理由：论文以统一 IR 跨边缘后端评估内核生成，并比较 LEKA、直接生成与 Claude Code 的性能达标结果。
Anthropic 在 2026 年 10 月发布的文章介绍，Claude 通过推理发现 NIST ECDSA 曲线 P-192、P-224、P-256、P-384 和 P-521 的种子均来自 C 库的 lrand48 随机数生成器，并由 1997 年 5 月至 1998 年 4 月之间的 Unix 时间戳初始化，并非此前猜测的哈希算法。
同一件事，精选收录的是《Claude 半小时破解 NIST 椭圆曲线 20 年种子悬案》
Google Research 发布三项研究进展，目标是把 AI 智能体接入湿实验室的闭环实验：通过 VERID 数字孪生框架把机器人命令、3D 状态和安全校验联动起来。
推荐理由：VERID 数字孪生与适配体、蛋白设计的闭环结果同时给出，读者可据此参考 AI 智能体在湿实验中的可行路径与边界。
Mercor 发布 Benchmark Map 研究，把 29 个 AI 基准题目映射到美国劳工部 O*NET 的 923 个职业、18,797 项任务上，结果显示仅 208 个职业的任务有至少 5 个基准题目覆盖，对应约 10% 的美国工作时间，其余 90% 缺乏有效基准评估。
推荐理由：把 29 个 AI 基准映射到 O*NET 职业任务，量化了基准对美国实际工作的覆盖比例，提示了评估模型经济能力时的显著盲区。
Claude Mythos 5 在 8 类量子电路任务上给出优于 SOTA 的新方案，部分用例中 qubit 与 gate 数同时显著下降，整体提升超过一个数量级。
推荐理由：用 Claude 在八类量子电路设计任务上得出优于 SOTA 的方案，给出了 AI 参与受限科学推理的可迁移闭环流程。
作者提出 SpecAgent 协作协议，由小模型起草工具调用步骤、大模型做并行语义验证，把强模型从逐步生成改为整体审阅。在 τ²-Bench 上成功率与强模型相差约 1 分，并大致减半内存访问与端到端时延；在 AutomationBench、VitaBench 与 MCP-Atlas 边缘云部署中分别回收 44–75% 与 53–75% 的强弱模型质量差，且强模型生成 token 数最多减半。
推荐理由：给出小模型起草、大模型并行语义验证的工具调用协作协议，并附带 τ²-Bench 等基准上时延、内存访问与质量回收的对比数据。
一篇发表于 Wiley 旗下期刊（DOI 10.1002/aaai.70113）的学术论文，探讨如何让快速直觉式的大语言模型展现出需要深思熟虑的推理能力。该论文被分享至 Hacker News 后获得 35 分和 19 条评论。
Cammarata 发布新论文重读 mechanistic interpretability 中的 superposition 理论，主张 InceptionV1 的'猫车神经元'等早期范例是被误读的概念叠加证据，实际可解释为 V 形检测器等单一概念，并非网络任意打包无关概念。
推荐理由：文章对比了 Cammarata 对 superposition 理论的重读与 Nanda 等研究者对其方法的不同判断，便于评估可解释性进展的实际份量。
FDE-Gym 是一个面向真实客户交付场景的 AI 代理评测基准，包含 20 个客户场景、18 个行业的 95 个端到端任务，由行业专家从真实项目改写而成。基准按客户业务指标的归一化提升（0 到 1）打分，并对消息、试运行与等待时间扣分；评估七家厂商共 13 种模型配置的结果显示，最佳配置平均得分仅 0.56、仅完成 14 个任务（得分≥0.8 且无事故），发现隐含约束被指为主要瓶颈。
推荐理由：针对代理在真实客户交付场景的能力缺口，给出了由行业专家改写的 95 个端到端任务基准与瓶颈定位。
Data World 是一套多智能体数据合成引擎，先指定文件背后的世界机制再生成数据环境、任务与评分规则，用于训练模型的开放性分析能力。
推荐理由：给出了一套先描述世界机制再合成数据环境与任务的方法，使开放式分析题也能用 RL-zero 训练并通过审计评估。
OneWM 在统一因果训练框架下交替进行动作预测与未来帧生成，并用自己的预测继续推演。论文展示了堆叠色块、放入收纳单元和准备早餐等真实机器人演示，并提供了项目页和 GitHub 训练部署代码。
推荐理由：论文展示了世界模型与动作策略在统一因果训练中互相促进的方法，并附带真实机器人演示和开源代码，读者可以据此评估可迁移性。
MJev-Spatial 把三类空间推理任务统一为单次前向分类，免去自回归解码生成的答案 token。它基于 Qwen3.5-4B、用 1230 万问答对训练，整体得分 65.64%，在 12 项基准中拿下 7 项第一，推理速度达自回归基线的 5.6 倍。
推荐理由：把空间推理统一为单次前向分类，免去答案 token 的解码开销，在 12 项基准中拿下 7 项第一，可作为高效多模态推理的参考方案。
OmniVerifier-C1 提出一种分级视觉验证器，将复杂多模态规则自动拆解为细粒度子问题并给出逐点评分，替代传统二元 True/False 判断。论文引入 Decoupled RL 训练策略，联合优化子问题级二元判断和全局对齐评分；在 text-to-image 场景中逐点评分验证器显著优于二元验证器。
推荐理由：原文把视觉验证器从二元判断扩展为逐点分级评分，并配套 Decoupled RL 训练策略与成对验证理论分析，读者可对照 Maze 和 Sudoku 实验评估其迁移到结构化世界建模的可行路径。
OpenGCUA 提出开源通用电脑使用智能体完整栈，整合视觉与程序化界面、harness-to-model 决策迁移与代码执行能力。在 OSWorld-v2 上，8 个评估模型（含 GPT-6 Astra 和 Claude Opus 5）任务均分提升 19.6 分，报告步数平均减少 53.0%。项目开源实现、prompt 与评估轨迹，并发布跨设备 SDK 与真实设备 harness 的初步版本。
推荐理由：原文给出开源通用电脑使用智能体的完整栈实现、基准评测结果与跨设备 SDK 雏形，读者可据此与闭源方案对比设计取舍与执行效率。
AutoSFT 提出一个多智能体系统，将监督微调中的执行、分析与合成分离，自动化完成比例调整、修剪、修复、替换和合成等数据动作。
推荐理由：对比单智能体与多智能体分工在各基准上的提升幅度，能看出执行-分析-合成拆解对 SFT 数据研究自动化的实际收益。
Mosaic 提出多会话智能体强化学习方法与 critic-free 分层优化，在 BrowseComp 上以 Qwen3.5-4B 验证，在 context compaction 与 subagent forking 两类场景下均优于广播基线，且平均使用更少会话。其轨迹级融合会话使用信号、会话级按边际贡献调整优势的机制被视为后续多会话智能体 RL 的潜力方向。
论文提出 MRTPO，在多奖励强化学习训练中把每个奖励的优势仅分配给其验证器实际检查的相关 token，避免被均匀摊到整个回复上。该方法通过对每个奖励重放带和不带验证器信息的下一 token 分布，以 Jensen-Shannon 距离衡量 token 相关性，无需辅助模型或 token 级标注。
推荐理由：针对多奖励 RL 中优势被均匀分配到全序列的问题，给出可复用的 token 级 credit assignment 思路与实测任务。
MLExpert 是一个 35B 的 MoE 智能体模型，通过分层智能体 SFT 和 Windowed Interaction RL（WIRL）进行后训练，用于自主完成长链路机器学习工程工作流。
推荐理由：原文给出了分层 SFT 与 WIRL 后训练方法及在 MLE-Bench Lite 上的具体成绩，可作为评估自主机器学习工程智能体的参照。
Waypoint-OPD 通过门控教师早晚期策略变化的方向一致性来改进从强化学习教师到学生的策略迁移蒸馏，在数学和代码推理六个领域-学生设置上均取得最高领域平均分。该方法以 Qwen3-4B 为教师、Qwen3-8B/14B/30B-A3B 为学生，相比仅用端点策略变化只需额外一次冻结教师打分；消融显示移除或打乱门控会降低数学推理表现。论文地址：arxiv.org/abs/2610.21601。
推荐理由：原文提出按教师早晚期策略变化的方向一致性来门控策略迁移蒸馏，为相关蒸馏改进提供了一种可复用思路。
VLA-Δ 用当前与未来观测之间的物理状态变化作为显式监督目标，在 LIBERO 和 RoboTwin 上取得与 SOTA 可比的成绩，并在真实机器人实验中优于 π0.5，且推理阶段不增加额外开销。作者为此构建了大规模预训练数据集与物理状态变化标注，代码已开源至 https://github.com/ZJU-OmniAI/VLA-Delta。
推荐理由：论文给出以物理状态变化为显式监督目标的 VLA 训练与数据构建方法，并开源全部代码，可作为机器人策略学习中状态建模方案的参考。
SCOPE 基于 GRPO 提出语义跨度感知的目标函数，将文本到图像提示改写的强化学习策略更新与语义结构对齐，无需额外渲染。在 Qwen-Image、SD3 与 FLUX.1-dev 上，SCOPE 相对 vanilla GRPO 在 GeneVal 平均提升 9.48%，在 T2I-CompBench 提升 7.62%。
Intern-Decision 提出 0.8B/2B/4B 三种规模的多模态决策模型，通过在完整 assistant JSON 骨架中放置决策占位符的自回归掩码语言建模目标，一次前向返回结构化选项及概率。
Terminal-RSI 提出交替进行递归轨迹自改写（RSR）与策略优化（RPR）的方法，从 Qwen3.8-27B 基础模型出发经 RSR-1、RPR-1、RSR-2、RPR-2 五个阶段得到 Terminal-RSI-27B。
推荐理由：给出了五阶段自改写与策略优化的训练框架，并在 Terminal-Bench 系列基准上提供完整数字，可作为终端 Agent 自训练方法的可迁移参考。
3DCodeVerse 是一个面向 3D 内容生成的研究生态，让编码智能体通过可执行代码产出可编辑且可验证的 3D 内容，包含大规模数据集、多智能体验证框架与系统实验。
推荐理由：把 3D 内容生成统一到可执行代码路径，并配套 2M 数据集与多智能体验证框架，为开放模型的 3D 编码能力提供了可复现的基线。
Velox 提出一种无需训练的注意力路由方法，通过几何视锥块匹配为长视频扩散生成筛选历史 KV 缓存，保留视觉连贯性。在 chunk 48 时，注意力加速 4.36 倍，去噪加速 2.43 倍；在 158 例 WBench navigation 划分上，与稠密 LingBot-Fast-Cam 的平均分差仅 0.15 个 API-free 点。
推荐理由：论文给出了无需训练的注意力路由方案，以及在 WBench 上的速度与画质数字，便于横向比较长视频生成的工程取舍。
RPO（Routing Policy Optimization）把注意力路由作为随机探索动作引入扩散生成器，使其在不改变原始确定性采样器的前提下完成在线强化学习对齐。
推荐理由：原文给出相比 Flow-GRPO 类方法近 4 倍的训练效率提升和完整的路由机制描述，便于与 rollout 扰动类扩散 RL 方法做对比。
本文提出 JevAgentHarness，用小决策模型在 Agent harness 中分流 LLM 的多选决策，配合拟合的置信度阈值降低成本与延迟。
推荐理由：原文给出 Agent harness 把工具选择分流到小决策模型的阈值训练方法与实测成本收益，可供同类 Agent 工程参考。
研究提出 Speculative Forcing 框架，将中间去噪估计当作草稿并预测何时可提前接受 token，在保持质量的同时降低自回归视频生成所需去噪步数。
推荐理由：论文给出可迁移的加速框架与具体对比数据，读者可直接判断它在长视频与世界模型生成场景下的收益。
NVIDIA 与 IIT Madras AI4Bharat 联合发布约 2.8 万亿 token 的 Nemotron-pretraining-Indic-v1 印度语言预训练语料。
推荐理由：22 种印度语言共 2.8 万亿 token 的预训练数据与可复现的生成流水线一并开源，团队可在自有数据上沿用这套方法。
谷歌当地时间10月15日发布声明，其量子AI团队在Willow量子芯片上验证名为"魔态培育"（Magic State Cultivation）的新技术，使特定量子态的错误率降低约40倍，制备出的量子态准确率达99.99%。相关研究成果已发表于《科学》期刊。
推荐理由：原文给出 Willow 芯片在《科学》发表的实验结果，读者可据此判断该错误率降幅对量子纠错的实际意义。
Bold Agent Kit 对约 14,000 通客户来电的分析显示，人类接待员在入站意向转化上比 AI 接待员高出约 4 倍。AI 接听的电话出现无进展挂断的比例比人类高出 700%，而人类接待员的漏接率比 AI 多约 15%。文章认为企业应衡量每次成功转化的成本，而不是只比较接听成本。
推荐理由：用一手对比数据揭示 AI 接待员在接通率与转化率之间的权衡，为读者评估自动化收益提供具体参照。
研究提出 EvalResearchBench（ERB），让 AI 智能体在试运行中修订任务与评分器，以测试它们能否为递归式自我改进自动构建反馈。在固定时间和 API 预算下，实验涉及 9 个 researcher 智能体、13 个候选模型和 14 个目标基准；最佳评测器与目标评测在约 75% 的候选对排序上保持一致，低于目标分歧所设的 91% 上限。
推荐理由：论文在固定时间和 API 预算下比较 9 个 researcher 智能体与 13 个候选模型，呈现自动评测器相对 14 个目标基准的一致性和成本表现。
OpenMOSS-Team 发布 MOSS-Image 技术报告，提出一个 5B 单流 DiT 开源文生图模型，结合意图感知的智能体 Prompt 增强模块，用于生成包含长文本与复杂版式的图像。
推荐理由：原文给出了 5B DiT 的训练配方与两个新评测基准，读者可据此复现或在长文本排版任务上横向对比现有开源模型。
DiscoveryRSI 用多智能体进化搜索和递归学习生成可验证的科学假设,在生命科学四个领域将假设质量从 4.86 提升至 5.39。DiscoveryRSI-27B 在模型截止后新发表论文上的假设对应率为 6.3%,高于 GPT-6 的 2.5% 与 Claude Opus 5 的 2.3%。文章同时给出 DFM-Bench 多维度评估基准与项目主页。
推荐理由：原文用 DFM-Bench 把假设生成拆成可复测的多维度评分，并给出 DiscoveryRSI-27B 与 GPT-6、Claude Opus 5 的对照数据。
该论文提出 MIST 评测，把场景搭建与指令执行拆开，用来定位视频世界模型中记忆失败的瓶颈；并提出 M3-Agent，通过递归修正输入指令的细节来推动模型执行指令。在 MIST reveal 指标上，M3-Agent 相对基线提升超过三倍；在 WRBench 上 score T 提升 26.1%，MBench-T 上 score U 提升 52.7%。
推荐理由：原文把场景搭建与指令执行拆开定位视频世界模型的记忆瓶颈，并给出 M3-Agent 修正指令细节的具体方法与基准提升幅度。
MTEdit 提出基于打包轨迹画布的多轮图像编辑数据集生成方法，包含 50 万条最多 8 轮、平均 5.38 轮的编辑轨迹，并同步推出 MTEdit-Bench 基准，用于评估指令遵循、内容一致性与视觉漂移等能力。
推荐理由：原文给出多轮图像编辑的数据集、基准与训练方法，对评估编辑模型的多轮一致性和视觉漂移有参考价值。
MambaAct 用紧凑的 Mamba 动作专家替换 π0.5 的 Transformer 动作专家，并通过轻量级 Context Compressor 压缩 VLM token，以降低流匹配 VLA 的去噪推理开销。
推荐理由：MambaAct 同时给出动作专家规模、LIBERO 与真实机器人上的延迟和成功率变化，便于对照具身智能模型推理优化的工程收益。