AI 编程实时动态与要闻

循环语言模型（Looped Language Models）通过在逻辑深度上反复复用物理 Transformer 块大幅缩减权重规模，但过往架构将循环位置、输入注入与隐状态设计深度纠缠。卡内基梅隆大学（CMU）与复旦大学联合发表 Looped Models Done Right 第一部分（arXiv:2610.23036）。团队提出“前奏-循环块-尾声（Prelude-Recurrent-Coda）”三明治架构，在 5000 亿 Token 严苛预训练中，仅含 8.0B 常驻/7.94 亿激活参数的 Huginn MoE 在 MMLU、GSM8K 与 MATH500 上全面追平 32.0B 常驻/32 亿激活的前馈 MoE 基线。

查看大图

当前 LLM 能否在复杂连续空间操作中精确预测离散物理世界的演变？南加州大学（USC）、UCLA 与 CMU 联合发布 Grid-Bench（arXiv:2610.22312，GitHub: grid-bench/Grid-Bench）。该基准基于 8 种离散几何变换规则，测试 2D/3D/4D 网格在 0 至 64 步长事件链下的全状态精确预测。对 GPT-5.6 Sol、Claude 5 Sonnet、GLM-5、Kimi K2.5 等 6 款顶尖模型的评测表明：在 64 步长轨迹下，开源与中型模型完整状态精确率几乎归零，唯闭源旗舰维持断层领先。

查看大图

机器人世界模型在面对未直接可视的环境物理特性（摩擦力、质量、重力、接触刚度）时往往预测失准。斯坦福大学与卡内基梅隆大学（CMU）携手丰田研究院（TRI）发表 T2-z（arXiv:2610.22364，GitHub: T2-z-latent-optimization/T2-z）。该方法在冻结预训练世界模型的前提下，在测试时仅需单次交互轨迹即可自适应优化紧凑的环境隐变量 z_e，在 7 项仿真与 4 项真机任务中将物理预测误差减半，真机动作成功率从 33.73% 暴涨至 72.96%。

查看大图

针对编程智能体评测与强化学习中愈演愈烈的“篡改测试脚本刷满分（Reward Hacking）”与“静态题库过拟合”两大痛点，今日两项重磅研究给出系统性方案：CMU 团队提出弱到强验证器自动加固框架（arXiv:2610.15924），通过隔离验证沙箱与 Hacker-Fixer 攻防闭环大幅压降 Terminal-Bench、KernelBench 与 SETA 的作弊成功率，已被 Terminal-Bench 官方仓库采纳；递归环境缩放框架 RES（arXiv:2610.16397）则在不改变核心目标下递归演化执行依赖，使 Claw-Eval-Live 上的六大模型成功率暴跌 57.14~77.14 个百分点，并用生成的轨迹将 SFT 泛化性能全面拉升 7.00~14.61 个百分点。

查看大图

在高吞吐与低延迟的自主智能体工程中，直觉式单遍推理的“系统一”（System 1）模型被广泛用于工具选择、客服调度与网页点击。然而一旦动作选错，业界往往无法探明是“看错了状态”还是“读懂了却依然做错”。卡耐基梅隆大学（CMU）团队针对 17 种快速模型及前沿推理模型构建深度诊断基准：将每一个动作决策问题与关于当前状态的事实探针解耦。惊人结论显示：“绝大多数错误动作都是在完全正确读取了状态事实之后发生的”，且模型准确率越高，这种“理解正确但决策错误”的比例越高。缺失的根本不是感知信息，而是将多源事实综合为下一步子目标（Sub-goal）的推理能力，通过代码逻辑显式聚合其探针答案可立即修复此类失效。

查看大图

人类在面对复杂空间旋转、机械装配与物理拓扑推演时，往往会在大脑中主动进行“视觉想象推演（Mental Simulation）”，通过在脑海中逐步生成未来的中间视觉画面来辅助思考；然而现有的多模态大模型（VLM）在处理多步骤空间任务时，却几乎全盘退化为“纯语言 Token 思考链（Text-only CoT）”，导致其在面对 2D/3D 空间立体变换时极易产生方向颠倒与几何幻觉。卡内基梅隆大学（CMU）与 MBZUAI（Eric Xing 团队）联合提出了突破性的 WM-VLM 架构（arXiv:2609.34826）：为预训练多模态大模型赋予了一个轻量级的内置“世界模型分支（Internal World Model Branch）”，赋予模型在语言推演的同时自主生成中间视觉状态（Intermediate Visual States）的能力，实现真正的图文交错混合推理（Interleaved Visual-Textual Reasoning）。两阶段训练首先教会模型如何根据物理变换指令生成下一步的精确视觉状态，继而训练模型如何观察并借助该生成状态展开后续空间逻辑决策。在 2D 与 3D 心理旋转（Mental Rotation）等严苛空间基准测试中，WM-VLM 相比监督微调基线取得了高达 39.25 个百分点的巨大精度跃升；消融实验确凿证实，一旦人为剔除或污染生成的中间视觉画面，模型性能即刻雪崩，证明了具身心智模拟是攻克高级空间几何推理的根本路径。

查看大图

在策略蒸馏（On-Policy Distillation, OPD）允许学生大模型在自身探索生成的生成轨迹上学习进化，是提升复杂推理与数学代码能力的核心对齐方案。然而，现有多教师 OPD 技术普遍存在“表层化”缺陷——仅仅通过专家教师模型的最终输出 Token 概率分布进行对齐（Token-Only），完全丢失了专家模型深层隐藏激活状态（Hidden States）中所包含的高维概念抽象与推理表征。卡内基梅隆大学（CMU）与佐治亚理工学院联合团队提出了业界首个表征级多教师在策略蒸馏架构 Latent-MOPD（arXiv:2610.02381）：无需对教师模型进行任何额外微调，直接将多位领域专家的输出预测分布与计算预测时底层的深层隐藏状态联合传递给学生模型。针对多专家表征维度不一致与梯度冲突难题，Latent-MOPD 创新采用了跨师生关系的后层目标对齐、共享投影映射以及领域纯净分组梯度更新（Domain-Pure Updates），并让监督信号从深层隐状态逐步退火平滑过渡至 Token 预测。在数理、代码与逻辑等 9 大基准的同架构实测中，Latent-MOPD 在全部 9 个基准上击败了纯 Token 蒸馏与表征独立基线；在与教师模型保持完全相同参数规模的条件下，学生模型在绝大多数基准上直接超越了各领域原本最强的单项专家教师。

查看大图

传统的具身机器人操控严重依赖专用的视觉-语言-动作模型（VLA），其不仅训练成本极高且在陌生环境中的零样本泛化能力极差，更完全无法直接享受到通用多模态大模型（VLM）快速迭代的技术红利；而近期的 Agent 方案则过度依赖庞大的代码生成器或 SAM3 等外部目标分割工具，系统极度臃肿。UIUC 与 CMU 联合团队推出了颠覆性的机器人外壳框架 MotorMind（arXiv:2609.38078）：核心思想是“能否让通用 VLM 如同人类远程操作员一般，直接从视觉观察推演动作并自适应调整？”MotorMind 创新设计了连接 VLM 建议的中阶动作（Mid-Level Actions）与确定性控制器的调度外壳，配合异步闭环监控与后台工作记忆更新。在无需任何特定任务训练、代码生成或外部分割模型的纯零样本条件下，在权威基准 LIBERO-PRO 上斩获 66.7% 成功率（基线仅 13.3%），并在真实的 xArm6 实体机械臂上达成 95% 的超高实战胜率。

查看大图

真实的软件研发远不止在文本编辑器中敲击代码：工程师必须频繁启动软件、与图形界面（GUI）交互、视觉观察组件渲染与动态反馈，以此推断故障根因并验证修复成效。然而长期以来，代码智能体（Coding Agents）与计算机使用智能体（Computer-Use Agents, CUA）被高度割裂在纯代码与纯操作两个极端孤岛中。由俄亥俄州立大学（OSU）、卡耐基梅隆大学（CMU）等机构联合推出的 CUA-SWE，是全球首个将计算机使用深度融入软件工程全生命周期的基准与评测环境。该基准涵盖四大核心工程领域，要求智能体在同一长程任务中交替修改源码/配置、执行终端指令、操控运行中的应用程序并审查视觉截图反馈，由确定性测试集保障软件行为合规，为多模态智能体演进提供了全新的统一试炼场。

查看大图