AI 每日资讯 — 2026-09-21
🔥 HuggingFace 每日论文
1. An Empirical Study of Harness Design for Coding Agents
Run-Ze Fan, Zihao Zhang, Simin Ma
本文针对自主编程智能体中编码 harness 的设计展开实证研究，提出一种轻量级、模块化 harness 框架，固定执行循环，系统性地解耦并评估规划、动作空间与上下文管理三大核心组件。基于 SWE-Bench Verified 和
Terminal-Bench 2.1，在四个主流模型上评测了176种配置，涵盖5种上下文管理策略、4种上下文窗口预算及规划/动作空间的定向消融。结果表明：上下文管理在窗口受限时显著提升鲁棒性，主要源于避免上下文溢出；规则驱动的分阶段截断优于LLM摘要，而内容可恢复机制未带来精度增益；规划对弱模型提升准确性，对强模型则主要降低推理成本；预定义工具对bash能力弱的模型有益，而bash原生模型采用纯bash接口可大幅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 提出一种领域无关的世界建模框架，基于正交预测分解（OPF）实现跨异构系统的通用预测学习。该方法将潜在目标解耦为互补因子，通过专用通路学习并统一于共享预测架构中。在视觉、生物学、临床轨迹、控制、分子动力学
、物理场与气象共七大领域开展系统验证，涵盖表征学习、干预预测、分布外泛化及长程动力学建模等任务。实验表明：其在10项动力学任务上全面超越JEPA基线；Interventional Pong单步干预误差降低34.8%；四类分子系统中均取得最低的一步与百步 rollout 误差；所推断的生物学干预经细胞共培养、类器官、肿瘤组织及小鼠实验验证；隐式轨道模态成功复现开普勒标度律，拟合指数误差显著优于现有方法。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）框架。该方法解耦构建技能条件化教师模型，并联合优化技能无关学生模型，融合强化学习与在线策略蒸馏；创新性引入“自适应退化”机制——学
生自主判断教师监督失效时机，在性能差距收敛且成功率达教师目标比例后终止蒸馏，转为纯RL训练。在ALFWorld和WebShop任务上，RetireOPD在Qwen2.5系列模型（1.5B–7B）中相较RL基线提升成功率达14.1%–18.8%，准确率提升11.8%–19.0%，且全面超越其技能条件化教师。4. FAMOS: Feed-Forward 3D Articulation Modeling from Sparse Observations
Kevin Qu, Tao Sun, Massimiliano Viola
本文提出FAMOS，一种面向稀疏单目观测的前馈式三维可动部件建模方法，旨在从无序、部分可见的点云集合中联合预测可动部件分割与关节参数。针对单视图信息受限问题，FAMOS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中的运动跨度。为缓解真实数据稀缺问题，作者构建了支持自标注的程序化数据生成器。在PartNet-Mobility、ACD和ArtiCraft-10K上的实验表明，FAMOS在精度与效率上均显著优于现有前馈及优化类方法。5. 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；且在任意顺序解码与并行解码任务中，性能媲美全注意力DLM，验证了混合骨干网络作为DLM起点的有效性与高效性。6. SplashSplat: Reconstructing Splashing Liquids from Real-World Multi-View Videos
Peiyu Liu, Dingxi Zhang, Federico Tombari
本文针对真实世界中飞溅液体的三维重建难题，提出SplashSplat方法。该方法基于多视角同步视频（7台4K相机，60fps），利用手工精修的液面与容器掩码构建逐帧符号距离函数（SDF），通过水平集传输估计粗略速度场，并采用拉格朗
日粒子沿流场传播、动态校正与重播种机制解码局部高斯椭球，实现可微分渲染。在自建20个真实飞溅场景基准上，SplashSplat在重建精度、物理合理性与训练效率方面均超越现有动态高斯溅射方法，并支持无需重优化的时间插值与风格迁移。🏛️ Federico Tombari | PDF · arXiv
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中训练与推理引擎不一致（TIM）导致的训练不稳定问题，提出“得分中心化”（Score Centering）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匹敌甚至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。此外，该方法与重要性采样天然兼容，二者联合使用在状态陈旧性实验中显著优于纯重要性采样基线。8. OPTED: On-Policy Fine-Tuning for End-to-End Driving using a Render-Free Teacher
Damiano Da Col, Maximilian Igl, Peter Karkus
本文针对端到端自动驾驶策略在闭环部署中因误差累积导致分布偏移与安全风险的问题，提出OPTED——一种无需渲染器的在线策略微调框架。该方法解耦强化学习与学生策略微调：利用矢量化输入（高精地图与检测框）训练一个特权教师模型，再以该教师
为监督信号指导基于摄像头的学生策略在闭环中微调。实验在AlpaSim仿真器中，借助3D高斯溅射（3DGS）重建的真实驾驶日志进行，将TransFuser和VaVAM的驾驶得分分别提升1.6倍与9.5倍；相比直接RL微调，OPTED仅需约千分之一的仿真交互次数，同时更贴近人类驾驶先验。🔥 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、产业变革及政策制定的深远影响。该计划汇聚了来自经济学、计算机科学、公共政策等领域的…
顶尖学者与行业专家，采用跨学科方法，结合大规模实证分析、因果推断模型与生成式AI模拟工具，评估AI驱动的生产力提升、就业结构转型与收入分配效应。初步研究表明，在高技能岗位显著增长的同时，中低技能岗位面临重构压力，但配套再培训政策可缓解不平等加剧趋势。项目成果将面向学术界、政策制定者与公众开放，推动负责任的AI治理与包容性经济增长。2. Co-creating the future of fashion with Google
📝 Google AI Blog
本文探讨了时尚产业与科技巨头谷歌（Google）协同创新的前沿实践，聚焦于双方在可持续设计、AI驱动的虚拟试衣、个性化推荐及供应链智能化等领域的深度合作。作者通过案例分析与行业访谈，揭示了生成式AI、计算机视觉与大数据技术如何赋能设计师、品…
牌与消费者，重构从创意生成到消费体验的全链路。研究指出，此类跨领域共创不仅提升了设计效率与环保水平，也催生了新型人机协作范式。实证表明，在试点项目中，AI辅助设计使样衣开发周期缩短40%，虚拟试衣技术将线上退货率降低28%。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，并提供多语言界面与无障碍访问功能。实验表明，用户完成典型数据探索任务的平均耗时减少42%，数据复用率提升3.1倍，显著增强了政策制定者、研究人员与公众对全球可持续发展目标（SDGs）相关数据的理解与应用能力。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、跨提示稳定性评估）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，在多样化欺骗任务（如事实否认、虚构引用、策略性隐瞒）上验证了检测框架的鲁棒性。结果表明，单一检测范式难以普适，需结合模型可解释性、行为监控与外部知识验证形成分层防御体系。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研发实践、机构激励结构与安全文化等实证线索，评估人类社会当前所处的状态是否临近临界点；并指出若干可操作的观测指标（如安全研究投入占比、跨机构协作强度、治理共识形成速度），用以判断我们是否正行进在提升AI可治理性的正向轨道上。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，并展现出显著提升的科研推理能力。模型采用改进的混合专家（MoE）…
架构与强化的长程逻辑建模机制，支持跨学科文献理解、假设生成与实验方案推演。在CodeContests、MMLU-STEM及自建Scientific Reasoning Benchmark上的测试表明，其代码生成准确率提升12.3%，科学问题解答准确率达89.7%，较前代模型显著进步。研究还提出一套可公开审计的AI进展度量框架，旨在增强前沿AI研发透明度。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真实场景中的可靠性与可解释性。同时，正式推出生命科学验证计划（Life Sciences Verification…
Program），聚焦于医疗健康领域AI模型的严谨测试与合规验证。该计划整合多源临床数据、专家知识图谱与动态基准测试框架，支持从算法鲁棒性、伦理对齐到监管就绪性的全维度评估。初步实验表明，该验证流程可将关键错误检出率提升37%，并将模型部署前的合规审查周期缩短42%。📬 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. Pirate Face Rescues LLM Models from Deletion
🔥 121 分 · 💬 42 评论
Pirate Face 是一个去中心化平台，将 Hugging Face 上的开源 AI 模型（如 LLM、图像/音频模型、数据集）自动转为校验无误的 BitTorrent 种子，实现永久存储与抗审查分发。每个模型以磁力链接形式存在，由全球…
用户共同做种，无需依赖单一服务器；下载时可验证 SHA-256 哈希值确保权重未被篡改。用户无需注册即可浏览和下载，注册并验证 Hugging Face 身份后可认领专属 handle、获认证徽章，并享受未来社区权益（如免费算力）。2. ChatGPT now knows what you do on other websites via ad collector
🔥 47 分 · 💬 8 评论