AI 编程实时动态与要闻

斯坦福 James Zou 团队（Owen Queen、James Zou）11 月 2 日发布交互式研究报告《The shelf life of LLM findings》，用 2024 年 7 月到 2026 年 9 月发布的 20 个模型（来自 8 家开发商）重测 50 条被广泛引用的 LLM 行为结论。结果：22 条（44%）已失效，17 条（34%）明显减弱，8 条（16%）仍成立，3 条（6%）反而增强；已失效结论从发表到失效的中位时间为 14.7 个月。数字母、长上下文「中间丢失」、编造引用等能力缺陷大多消失，而迎合用户、裁判模型偏爱自己答案等偏好类问题依然存在。

查看大图

ControlNet 作者张吕敏（Lvmin Zhang）团队在 arXiv:2610.23751 中正式开源 MTEdit 框架与大规模多轮图像编辑数据集。针对传统扩散模型采用单步滚雪球式 Rollout 导致误差累积、图像画质严重漂移（Visual Drift）的核心瓶颈，研究提出打包轨迹画布（Packed Trajectory Canvas, PTC）技术，一次性构建包含 50 万条长轨迹、269 万次高质量连续编辑的超大数据集，实现长达 8 轮连续编辑依然保持像素级构图与光影一致性。

查看大图

来自斯坦福大学与加州大学伯克利分校的研究团队在 arXiv:2610.22273 中提出图书管理员智能体（Librarian Agents）。针对传统 RAG 被动检索导致推理期跨文档推理瓶颈的问题，该方法利用强化学习（RL）训练 LLM 预先对杂乱的超长文档工作区进行“前瞻性主动编排”，生成由模块化文件、子目录与交叉链接构成的合成文件系统。在 BrowseComp+ 评测中准确率达 55.86%，导航 Token 消耗降低 33.8% 至 51%。

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

针对大模型数学证明缺乏步骤级验证标签与上下文精确复制存在 LM Head 梯度瓶颈的两大难题，今日两项基础研究给出突破：NYU/UCLA/Stanford 联合推出 LeanPRM（arXiv:2610.17697），利用 Lean 4 证明助手自动构建含 10,634 篇证明与 15.2 万个步骤标签的零人工标注数据集，将 Qwen3-4B 步骤验证准确率从 48.2% 拉升至 74.7%（远超 PRM800K 的 60.3%）；康奈尔大学提出复制粘贴语言模型 CPLM（arXiv:2610.19247），以仅约 3% 算力开销打破 LM Head 梯度瓶颈，使窗口仅 w=128 的滑窗模型追平全注意力困惑度并在 4 倍外推长度（16K）持续收益。

查看大图

微软研究院（MSR）与斯坦福大学联合发布 AutoEnvScaling，首次将强化学习交互环境的设计本身转化为终端任务，利用提案智能体（Proposer）与求解智能体（Solver）的协同构建自动化数据飞轮。相比纯 Prompt 生成，环境有效率暴增高达 25 倍，单环境构建成本降低 75%。更关键的是，让单一模型（Qwen3.6-35B-A3B）同时扮演设计者与求解者，实现递归自我提升（RSI），在 Terminal-Bench 2.1 提升 12.2 分，Terminal-Bench 4.0 跑分翻倍。

查看大图

斯坦福大学与牛津大学团队发表针对大模型“非思考模式”（No-thinking）的突破性实证研究。随着主流 LLM 普遍引入内置思考链模式，开发者常尝试通过提示词显式禁用思考以降低延迟与 Token 开销。然而研究发现模型普遍存在严重的“思考惯性”（Thinking Inertia）：即使在严苛的禁令下，模型依然会在开放式任务中持续输出显式推理，并在合规性与答案准确率之间产生严重倒退与取舍失衡。

查看大图

从视觉输入反向推断三维乃至四维时空世界规律并将其表征为可执行代码，是下一代物理世界大模型与具身智能体（Embodied AI）的核心能力。然而现有代码评测基准普遍停留在 2D 网页交互或静态 3D 网格生成，无法衡量智能体对动态物理交互因果的理解。来自斯坦福大学、MIT 与约翰霍普金斯大学的研究团队发布了业界首个面向 4D 逆向图形学代码生成的全套评测基准 4DCodeBench（arXiv:2610.03715）：要求 Agent 从单段动态视频中，自主推导场景的三维几何结构、材质拓扑演化并编写出包含形变（Deformation）、流体流动（Fluid Flow）及断裂破碎（Fracture）等连续物理模拟的完整可执行图形学渲染代码。在大规模前沿大模型评测中，研究人员发现了一个反常态的痛点：即便当前最顶尖的视觉与代码大模型在静态 3D 几何重建上表现优异，一旦面对涉及复杂动力学与连续形变的场景，其代码生成正确率急剧崩溃。4DCodeBench 开源了包含真实拍摄与合成物理仿真视频的双轨数据集，为追踪和推动 AI 智能体通过代码理解真实动态物理世界建立了至关重要的测试床。

查看大图

类似于 AlphaEvolve 的 LLM 引导程序进化算法（Program Evolution）在算法优化与硬核运筹求解（如圆盘打包 Circle Packing、张量算子加速）中展现出强悍探索力。然而现有进化框架往往不计成本地以固定迭代轮次为目标，极度依赖昂贵的前沿旗舰模型，单个复杂问题的求解往往消耗数十至上百美元。来自新加坡国立大学、斯坦福大学与香港科技大学的研究团队提出了业界首个成本感知（Cost-Aware）的程序进化框架 FrugalEvo（arXiv:2610.03675）：彻底摒弃单纯追求无上限迭代的做法，转而追求“单位 Token 成本的收益最大化”。FrugalEvo 采用非对称双模型分工架构——由高智力昂贵模型负责探索高维解题策略，由廉价极速模型负责具体代码实现与局部迭代微调；同时精心设计缓存友好型进化管线，最大化复用跨进化步的前缀 KV 缓存。团队还提出了针对预算感知的新评测指标 BA-AUC。在 10 项数理与系统优化任务及 ALE-Bench-Lite 上，FrugalEvo 全面超越 OpenEvolve、AdaEvolve 和 EvoX；在圆盘打包测试中，使用 GPT-5.6 Terra/Luna 仅花费 1.68 美元，使用 GLM-5.3/Flash 甚至仅花费 0.55 美元，便彻底战胜了平均花费 50 美元的多智能体系统（如 CORAL、SwarmResearch），成本骤降 97%~99%。

查看大图

大模型强化学习后期对齐（RL Post-Training）长期被奉为赋予智能体高阶决策能力的金标准。然而来自斯坦福大学、威斯康星大学麦迪逊分校等顶尖机构的最新重磅研究《Sharpening Tax in Post-Training》（arXiv:2610.01509）颠覆了这一固有共识：研究揭示强化学习本质上只是对基座模型已有能力进行“过度锐化（Sharpening）”，在盲目拔高单次输出准确率（Pass@1）的同时，剧烈扼杀了复杂多步任务的“解空间覆盖度（Solution Coverage / Pass@K）”。在具备足够测试时算力预算（Test-Time Budget）下，未对齐基座模型配以轻量级工具外壳甚至能解决更多长尾任务。团队首次形式化提出了“锐化代价（Sharpening Tax）”诊断指标，并研发出即插即用的贝叶斯后验温度组采样算法 PTGS，在大幅降低锐化税的同时，兼得极致的 Pass@1 准确率与解空间覆盖广度。

查看大图

随着新一代统一多模态大模型兼具图文理解与视觉生成能力，模型自身具备了自我纠错与反馈评判（Self-Critique）的潜力。然而传统的自进化管线要么依赖更大参数量的闭源商业教师模型（如 GPT-5），要么无法将离散的自评判反馈有效传导至连续的去噪扩散生成过程中。来自斯坦福大学、华盛顿大学等机构的研究学者（包括知名学者 Yejin Choi、Jure Leskovec、Li Erran Li 等）联袂推出了 UniEvo-VL 自进化框架：创造性地让单一多模态模型在不同上下文下同时兼任教师与学生角色——学生模型仅接收原始 Prompt，而教师模型额外接收模型自生成的特权纠错批判信息；通过最小化学生自采样去噪扩散轨迹上的状态散度实现同策略自蒸馏。在基于 Qwen-image-2512 的实测中，UniEvo-VL 推动 GenEval 评测从 0.747 跃升至 0.808，Soft-TIFA 评分由 32.97 升至 35.53，开创了多模态模型无需外部监督递归自进化的新路径。

查看大图

编码智能体（Coding Agents）正加速跨越纯虚拟软件世界，走向具身智能与物理世界真实机器人系统的落地研发。然而现有机器人基准大多仅测试单个静态策略（Policy）或控制器的数值表现，无法评测工程师在现实研发中所必需的异构软硬件构建、跨模态多传感器排错及闭环优化等全栈工程能力。哈佛大学、MIT、斯坦福等机构联合推出了首个机器人学习工程师资质考试基准 RLE-Bench。该基准覆盖交互控制、策略学习、感知估算与机械设计四大典型机器人工程工作流，要求智能体在算力与物理约束下自主构建训练管线、编排 Harness 并设计物理结构。通过综合 RLE 指数与多维能力雷达图，系统揭示了前沿智能体在具身软硬件工程中的真实战力与演进方向。

查看大图

在自主软件工程智能体生态中，智能体日益依赖其他智能体编写的代码资产。然而行业普遍发现：后续智能体往往倾向于“抛弃既有库并从头重写”，导致代码库迅速恶性膨胀。为了系统评测智能体为其他智能体设计生产级软件库的能力，威斯康星大学麦迪逊分校与斯坦福大学联合团队推出了首个评测基准 LibraryDesignBench。该基准包含横跨 4 种主流编程语言、15 项复杂库设计任务以及 242 道由专家验证的下游编程挑战。评测展现出惊人的两面性：在 15 项任务中的 11 项上，代码设计智能体能完美复刻人类资深工程师设计的抽象架构；然而，下游使用智能体在解决实际问题时，却普遍陷入“极度低估与闲置库函数、频繁重复造轮子”的怪圈。深层归因分析证实：下游智能体并非因为缺少功能而重写，而是因为智能体编写的库接口设计僵化晦涩、极难被正确调用。团队进一步提出让设计 Agent 借助子智能体协同自测的全新范式，大幅提升了下游代码复用率。

查看大图