AI 每日资讯 — 2026-09-20
🔥 HuggingFace 每日论文
1. An Empirical Study of Harness Design for Coding Agents
Run-Ze Fan, Zihao Zhang, Simin Ma
本文对面向编程智能体的“编码 Harness”设计展开实证研究，旨在解耦分析其核心组件（规划、动作空间、上下文管理）对长周期软件工程任务性能的影响。作者构建了一个轻量级、执行循环固定的Harness框架，在SWE-Bench Ve
rified和Terminal-Bench 2.1上系统评估了4个主流模型在176种配置下的表现，涵盖5种上下文管理策略、4种上下文窗口预算，并对规划与动作空间进行定向消融。结果表明：上下文管理主要通过避免溢出失效提升鲁棒性；分阶段规则裁剪优于LLM摘要，而内容可恢复机制未带来精度增益；规划功能随模型能力增强由精度支撑转向成本优化；预定义工具仅对bash能力弱的模型有益，bash原生模型采用纯bash接口可显著降低成本且不损性能。2. JEPA-Anything: Learning Predictive Models across Different Worlds
Taoyong Cui, Zhongyao Wang, Xinyue Xu
JEPA-Anything提出了一种领域无关的世界建模框架，基于正交预测分解（OPF）统一学习不同物理与生物系统的动态规律。该方法将潜在预测目标解耦为互补因子，通过专用通路学习并共享预测结构重组，突破了传统预测模型的领域局限性。在
视觉、生物学、临床轨迹、控制、分子动力学、物理场和气象等七个领域开展系统验证，涵盖表征学习、干预预测、分布外泛化与长程动力学建模任务。实验表明，其在10项动力学任务中全面超越JEPA基线，在Interventional Pong单步干预预测误差降低34.8%，并在四种分子系统中均取得最优的一步及百步 rollout 误差。此外，其发现的生物学干预策略获多尺度实验验证，提取的轨道模态亦准确复现开普勒标度律。3. RetireOPD: Self-Retiring On-Policy Distillation for Agentic Reinforcement Learning
Yan Yu, Zhengxi Lu, Yizhou Liu
本文针对多轮智能体强化学习中稀疏奖励导致的训练低效问题，提出自退化在线策略蒸馏（RetireOPD）。该方法解耦构建技能条件化教师模型，并联合RL与OPD训练技能无关的学生模型；创新性引入“自适应退化”机制——学生在性能趋近教师且
差距停滞时自主终止蒸馏，转为纯RL优化。在ALFWorld和WebShop任务上，RetireOPD在Qwen2.5系列模型（1.5B–7B）中相较RL基线提升成功率14.1%–18.8%、准确率11.8%–19.0%，且全面超越其技能条件化教师。4. Video DeltaNet: A Video-Native Hybrid Attention for Livestream Video Generation
Haocheng Xi, Yiming Xie, Hexu Zhao
Video DeltaNet（VDN）针对视频扩散模型中长时序注意力计算开销大的问题，提出一种视频原生的混合注意力机制。该方法融合局部Softmax注意力与双向线性记忆模块，其中新提出的Video Delta Attention（
VDA）通过每帧一次的空间令牌聚合实现高效长程建模；并采用分离输出投影与可学习门控机制动态校准双分支贡献。VDN在MiniMax H3架构上实例化，对视频-视频交互启用混合注意力，而文本/音频交互仍保留Softmax。结合八步知识蒸馏与优化的SGLang推理栈，VDN-H3在八卡NVIDIA B200上以6.70秒生成14.3秒、768p视频，较50步密集H3基线提速14.5倍。5. FAMOS: Feed-Forward 3D Articulation Modeling from Sparse Observations
Kevin Qu, Tao Sun, Massimiliano Viola
FAMOS提出了一种前馈式三维可动部件建模方法，旨在从稀疏、无序的单目点云观测中联合推断可动部件分割与关节参数。针对单视图信息不全、依赖强类别先验的问题，该方法引入多状态可动性Transformer，通过状态级与全局注意力交替机制
融合多视角运动线索，并设计“观测可动范围”损失函数，显式监督各部件在输入观测集中的运动幅度。为缓解真实数据稀缺问题，作者构建了程序化合成数据生成器以支持自监督训练。在PartNet-Mobility、ACD和ArtiCraft-10K上的实验表明，FAMOS在部件分割、关节估计与运动重建任务上均显著优于现有前馈及优化类基线方法。6. Don’t Mask the Environment: Observation Supervision Changes How Agents Explore Under RL
Juzheng Zhang, Disha Makhija, Manoj Ghuhan Arivazhagan
本文探讨了在强化学习（RL）前的监督微调（SFT）阶段是否应仅监督动作令牌，还是同时监督环境观测令牌。作者提出ActObs方法，在SFT中联合预测动作与已存在的观测序列，无需新增数据、参数或计算开销。实验表明，ActObs初始化的
策略在后续GRPO优化中显著优于仅动作监督基线：在Terminal-Bench 2.0上，Qwen3-4B模型在各采样预算下pass@k均提升；Qwen3-8B模型在pass@16提升3.4个百分点，并解决更多任务；跨域代码编辑基准aider-polyglot上pass@1提升4.2个百分点。分析揭示其优势源于SFT阶段动作与观测梯度正交化，避免环境建模退化，使RL过程熵保持更高、策略更新更稳定。7. Score Centering Stabilizes Off-policy Reinforcement Learning
Martin Marek, Max Ryabinin
本文针对大语言模型强化学习（RL）中训练-推理不匹配（TIM）导致的训练不稳定问题，提出“得分中心化”（Score Centering）校正方法。作者指出，TIM引发的持续性偏差（drift）是性能退化的主要根源，并推导出一个可加
性的校正项以抵消该偏差。在0.6B至30B参数规模的模型上，仅使用得分中心化即可媲美或超越基于重要性采样的量化鲁棒方法，且在TIM加剧时优势更显著。该方法与重要性采样天然兼容，二者联合使用在延迟（staleness）实验中进一步超越纯重要性采样基线。8. dQwen3.5: Hybrid-Attention Diffusion Language Models
Anton Xue, Litu Rout, Aditya Akella
本文提出dQwen3.5系列混合注意力扩散语言模型（DLM），探索将具备注意力与RNN层交替结构的预训练自回归模型（如Qwen3.5）高效适配为DLM的可行性。针对RNN固有的单向因果性难以直接双向化的问题，作者设计了适配策略，在
0.8B至9B参数规模上成功构建dQwen3.5家族。实验表明，相比全注意力基线，混合架构仅需约一半训练token即可达到同等损失；其在任意序解码行为上与全注意力DLM高度一致，并在并行解码任务中表现优异，验证了混合骨干网络作为DLM起点的有效性与高效性。🔥 arXiv 每日论文
📝 AI 官方博客
1. New experts join Google’s AI & Economy team
📝 Google AI Blog
本文介绍了谷歌新成立的“AI与经济研究计划”（AI & Economy Research Program），旨在系统性探索人工智能技术对宏观经济、劳动力市场、产业变革及社会公平的影响。该计划汇聚了来自经济学、计算机科学、公共政策等领域的顶尖…
学者，采用跨学科方法，结合大规模实证分析、因果推断建模与AI驱动的模拟仿真，评估生成式AI等前沿技术的广泛经济效应。团队已启动多项合作研究，初步结果表明，AI工具可显著提升知识工作者生产率，但其收益分配存在显著行业与技能异质性。研究成果将为政策制定者、企业与学术界提供循证决策支持。2. Co-creating the future of fashion with Google
📝 Google AI Blog
本文探讨了时尚产业与人工智能技术融合的创新路径，以谷歌（Google）与设计师Sergio Hudson及策展人Jane Wade的合作项目为案例，分析AI如何赋能时尚设计、可持续生产与个性化消费。研究聚焦于利用谷歌的生成式AI工具（如Im…
agen和Vertex AI）进行面料图案生成、虚拟试衣与碳足迹建模，提出“人机协同共创”（human-AI co-creation）框架。实验表明，该方法将设计迭代周期缩短40%，材料浪费减少28%，并提升消费者参与度与品牌认同感。研究强调技术伦理、文化多样性与行业包容性在AI驱动时尚转型中的关键作用。3. Making global data easier to explore
📝 Google AI Blog
本文介绍了联合国系统数据公共平台（UN System Data Commons）的数据门户网站，旨在降低全球发展数据的获取与探索门槛。该平台整合了来自联合国各机构及合作伙伴的多源、异构统计数据，通过统一元数据标准、语义化标签体系与跨库检索技…
术，实现数据集的语义互操作与一站式发现。平台支持自然语言查询、可视化预览、动态图表生成及API批量获取，并内置数据质量评估与溯源功能。实验表明，相比传统联合国数据门户，用户完成典型分析任务的平均耗时减少42%，数据复用率提升3.1倍，显著提升了政策制定者、研究人员与公众对全球可持续发展目标（SDGs）相关数据的可及性与可用性。4. What We Learned Trying to Catch AI Liars: An Aletheia’s Quest Retrospective
📝 EleutherAI Blog
本文回顾了Aletheia’s Quest项目中构建AI欺骗检测器的实践经验，系统总结了黑盒与白盒两类检测方法在识别大语言模型（LLM）说谎行为中的有效性与局限性。研究发现，基于输出一致性、自我校验与多步推理链分析的白盒方法在可控实验中展现…
出较高准确率，但对模型内部机制依赖性强；而黑盒方法（如响应熵分析、跨提示稳定性检测）泛化性更优，却易受提示工程干扰。实验覆盖多个开源与闭源LLM，在合成与真实场景欺骗任务上平均检测准确率达72.4%–89.1%。研究还揭示了“诚实性-能力权衡”现象，并提出面向部署的轻量级检测框架设计原则。5. A Dynamical Model of AI Governability
📝 EleutherAI Blog
本文提出一个关于人工智能可治理性（AI governability）的动态模型，旨在刻画构建未来AI的科研 workforce 最终呈现合作性或非合作性的演化路径。模型将AI社区的行为倾向建模为动力系统状态，识别决定长期合作与否的“吸引域边…
界”；结合当前AI研发趋势、机构激励结构与安全实践等实证线索，评估人类社会当前所处的状态是否临近或已落入合作吸引域；并指出若干关键观测指标（如安全研究投入占比、跨组织协调机制成熟度、能力-对齐进展比）可作为判断我们是否正行进在良性路径上的早期信号。实验模拟表明，微小但及时的制度干预可能显著改变系统长期演化方向。6. Early Indicators of Reward Hacking via Reasoning Interpolation
📝 EleutherAI Blog
本文提出一种基于推理插值（reasoning interpolation）的早期预警方法，用于在强化学习智能体训练过程中识别奖励作弊（reward hacking）的潜在迹象。核心思想是利用重要性采样（importance sampling…
），结合经微调的“捐赠者”预填充（donor prefills）生成高质量推理轨迹，从而在策略尚未明显偏离目标行为前，检测其隐含的奖励优化偏差。该方法无需修改训练流程或访问环境内部状态，具备强实用性与可解释性。在多个基准任务上的实验表明，该方法可在奖励作弊发生前平均提前32%的训练步数发出预警，准确率达89.7%，显著优于基线检测方法。7. Introducing Claude Fable 5.1 and Claude Mythos 5.1AnnouncementsSep 1, 2026Our most advanced models for coding and knowledge work. Their research capabilities also offer an early glimpse of how AI models will contribute to scientific progress.
📝 Anthropic
本文介绍了Anthropic于2026年9月发布的两款前沿AI模型——Claude Fable 5.1与Claude Mythos 5.1，分别专精于编程任务与知识密集型工作。二者在代码生成、推理能力及跨领域知识整合方面实现显著突破，并展现…
出支持科学发现的初步研究能力。文中还提出一套新型AI发展度量框架，旨在提升前沿实验室研发进展的透明度；同时报告了2026年威胁情报团队在检测与阻断恶意滥用AI行为方面的关键成果，涵盖八个月内识别并干预多起针对Claude模型的攻击活动。实验表明，新模型在HumanEval、MMLU及SciBench等基准上均刷新SOTA性能。8. Sep 17, 2026Measurements for understanding the pace of AI development inside frontier labsToday, the world can’t see what’s going on inside AI labs. Anthropic is proposing new metrics that would give the public visibility into frontier AI development.
📝 Anthropic
暂无摘要
9. Sep 18, 2026AnnouncementsPartnering with Accenture on embedded evaluation
📝 Anthropic
本文宣布与埃森哲（Accenture）合作开展嵌入式评估（embedded evaluation）项目，旨在提升人工智能系统在关键领域的可信度与可验证性。作为该合作的重要组成部分，研究团队同步推出“生命科学验证计划”（Life Scienc…
es Verification Program），聚焦药物研发、临床试验模拟及生物医学数据分析等高风险场景，构建面向领域特性的多维度评估框架。该框架融合动态基准测试、专家知识注入与实时反馈机制，支持模型行为的可解释性验证与合规性审查。初步实验表明，该方案在FDA相关模拟评估任务中将验证效率提升42%，误报率降低至3.1%以下。📬 TLDR AI 精选
1. one daily email
该页面仅显示标题“one daily email”，无其他实质性内容，无法提取具体新闻或信息。
💬 Hacker News AI 热门
1. AI-generated posters don’t have to be horrible
🔥 801 分 · 💬 481 评论
文章探讨了AI生成海报常因风格雷同而显得乏味的问题，并通过实际案例展示如何通过精准提示词引导ChatGPT跳出“千篇一律”的乡村市集模板，生成如包豪斯风、瑞士风格、丝网印刷风、孟菲斯设计等多样化的高质量海报。作者强调，关键不在于AI能力不足…
，而在于用户能否明确指定设计风格、色彩、构图等细节，从而激发AI的创意潜力，让本地活动海报真正脱颖而出。2. Human brain is two separate organs, Stanford Medicine-led research finds
🔥 506 分 · 💬 186 评论