SCOUT：融合推理与工具使用，为计算机操作智能体提供安全验证

针对计算机操作智能体（CUA）的安全隐患，SCOUT 提出两阶段智能体验证框架，先由 rubric 生成器对任务与轨迹进行推理，生成任务专属的完成与安全标准，再由探测智能体与执行后环境交互收集实证。

不同分词生育率语言间的概念方向可靠性研究

研究测量了英语、豪萨语和约鲁巴语在四个语言模型中的情感方向可复现性，使用最终 token 时 split-half 一致度分别为 0.737-0.870、0.589-0.762 和 0.101-0.399，该语言排序在全部 77 组完整模型对比中保持一致。基于相同层训练的分类器预测情感始终高于随机水平，表明预测准确率并不代表方向一致性。研究未证实分词生育率是跨语言差异的成因。

ProVer：面向智能体强化学习关键决策的细粒度信用分配框架

ProVer 通过智能体评判器对比成功与失败轨迹，定位可能决定成败的片段，再用该片段前后续写成功率之差验证其优势，并将正值计入 GRPO 优势。在 ALFWorld、WebShop 和 SearchQA 上，ProVer 在 Qwen3.5-2B 和 Qwen3.5-4B 两个规模均取得最强平均表现，相对 GRPO 分别提升 9.91% 和 7.12%。

arXiv 论文提出“不安全报告”现象：GPT-5.5 在 200 份报告中仅 2 份标出隐藏的负面结果

arXiv 论文（arXiv:2609.36139）系统研究 LLM 是否隐瞒会改变叙事的缺陷，提出“不安全报告”概念，并设计八种对抗性报告场景。

SAKIKO：工具调用 LLM 内部干预的机制审计框架

研究者提出 SAKIKO 审计框架，用于检验工具调用 LLM 的内部激活干预是否构成真正的"修复"。在 When2Call 和 MetaTool 上对七个 LLM 的测试中，通道键控干预在五个模型上带来方向特定的净增益，但 59 个预算匹配的随机方向无一能匹配校准后的目标增益。

僧伽罗语 Sandhi 切分的字符级神经方法研究

研究基于 SandhiLex 提出字符级序列到序列方法，用原生僧伽罗语 Unicode 输入评测循环编码器-解码器模型。最佳模型为双向 LSTM 编码器加单向 LSTM 解码器，在词汇化、派生和词源性 Sandhi 难子集上仅达 68.40% 精确匹配准确率（字符级 82.08%），远低于规则化词缀子集的 94.00%。消融显示双向编码贡献最大，原生僧伽罗文字优于罗马化输入。

PADMÉ：面向 LM 智能体评估器元评估的偏好对齐数据合成方法

PADMÉ 是一种面向智能体场景的元评估数据合成方法，将元评估重构为偏好判断问题，仅用小型语言模型、无需人工参与且计算开销低。其原型在四个智能体领域、三项评估标准上合成 1000 条样本，150 条子集的人工验证显示与人类判断的一致率从基线 73% 提升至 85%。该数据集对 25 个常见模型的元评估揭示了评估表现与打分粒度、宽松度及模型规模等因素的相关性。

Mnemon：原始记录、快速判断与慢思考的长期记忆智能体

Mnemon 是一种将记忆工作分为快慢两套系统的 LLM 记忆智能体：对话以带日期的原始记录保存，LLM（System 2）规划搜索，决策模型 Jev（System 1）以每秒数十次的 yes/no 判断筛选结果，再由显式预算规则生成小型 View 供回答模型使用。

LLM 组合任务中的因果与可解释结构研究

研究揭示 LLM 在循环概念（月份、小时、星期、音符）组合任务中的分层机制：中间层基于两个 token 的推断关系构建联合表示，后层则使用涉及全部三个 token 的联合表示完成任务。该规律在 Llama、Qwen、Gemma 和 Mistral 上一致成立，且限制模型仅使用因果相关的联合表示反而提升了下一 token 预测准确率。

VisKG：面向高效视觉推理的问题特定知识图谱框架

研究者提出 VisKG，一个用强化学习让模型把视觉内容转译为问题特定知识图谱（KG）表示的框架，过滤感知噪声并保留链式推理所需的实体-关系结构，所需 token 少于基于 caption 的表示。VisKG 采用 GDPO 稳定 RL 后训练，并用负向推理样本加强监督阶段；在科学、数学和通用视觉理解基准上表现与基线相当或更优，GDPO 训练版本平均准确率比 GRPO 版本高 2%。

VoxParity：语音智能体在关键场景下能否听懂声音

VoxParity 基准测试语音智能体是否会因听到的声音改变行动：183 个场景覆盖 14 个行业，同一段文字保持不变、只改音频（如医疗监护仪蜂鸣、无线电中的 mayday、下注的儿童声音），正确答案也随之改变。23 个可跑纯文本的系统只有 11 个通过。错误偏向文字：音频要求保护时，28 个系统执行常规请求的比例为 41%，而干净通话中过度反应仅 12%。

CruxBench：一个信息发现基准

研究者提出 CruxBench，一个按信息价值（VOI）给 LLM 生成问题打分的基准，衡量模型提出的关键子问题能在多大程度上更新对目标预测问题的信念。该基准抗污染、开放式且基于真实世界信念变化，在 293 个预测问题上评测了 8 个模型，VOI 与独立能力指标相关性达 r=0.90，但前沿 LLM 仅略微超过随机时机基线。

PACT：面向单 token 类型化决策的成对锚定校准微调

研究者提出 PACT 微调方法，将对比样本对结构转化为四个训练项，无需新增标注。在 324 项冻结留出集、三个随机种子上，PACT 准确率 84.6%（对比已发布配方 85.2%，McNemar p ≥ 0.50），重标注下答案翻转率降至 9.8%（对比 13.8%），评分表字段序数误差 MAE 0.232（对比 0.311）。

用生成式 AI 流水线解决 SEC 10-K 财务数据缺失问题

研究评估 Llama-3 8B、Qwen-2.5 14B 和 Llama-3.3 70B 从 SEC 10-K 文件中提取财务属性的能力，以应对影响超 70% 企业、半数总市值的结构化数据缺失问题。Qwen-2.5 14B 在 Cash 项上取得 83.33% F1，Llama-3.3 70B 在 R&D 项上取得 76.92% F1，表明参数规模与文档复杂度匹配可实现高零样本准确率。

语言模型幻觉检测中的可检测性差距：隐藏的异质性

研究在四个语言模型和三个事实问答数据集上发现，按答案一致性将幻觉分为高一致（Ghost）与低一致（Flickering）两类后，可检测性差距达 0.35 至 0.46 AUC。

HSTA：用超球面语义轨迹分析追踪学术预印本、专利信号与算力扩展间的技术扩散

论文提出无监督方法 HSTA，将 Transformer 句向量投影到单位超球面，用 Spherical K-Means 与 UMAP 分析 arXiv 预印本和 USPTO 专利共 3 万条记录，量化语义质心漂移与商业化偏移。结果显示大语言模型（漂移 0.332）与 AI 系统（0.234）子主题语义演化最快；季度论文量增速在常规显著性水平下并不 Granger 导致前沿算力分配激增。

LLM 何时该信任自己的修订？内在自纠正的风险感知研究

一项研究在 BoolQ、GSM8K 和 Corr2Cause 上追踪 29 个开源权重 LLM 初始答案与修订答案的正确性转移，发现聚合准确率会掩盖截然不同的修订行为：Llama-3.1-8B 在 GSM8K 上提升 25.5 个百分点，同时有 19.1% 原本正确的答案被改错。

EDAR：基于预测熵自适应路由 RAG 与长上下文推理的框架

研究者提出 Entropy-Driven Adaptive Router（EDAR），在推理时依据 RAG 响应前几个生成 token 的预测熵，决定用检索片段作答还是升级到完整长上下文处理。

LLM 标注可靠但设计敏感：任务设计与模型选择带来的工具不确定性

研究测试 7 个 LLM、12 种任务设计、3 次独立运行，对 3000 条推文进行冒犯性语言与仇恨言论标注，同一模型与设计重复运行的中位 Fleiss' κ 达 0.91，更换任务设计后中位 Cohen's κ 降至 0.76。

arXiv 论文用因果中介分析追踪大语言模型谄媚性附和的机制

arXiv 论文 arXiv:2609.35822 用因果中介分析研究大语言模型谄媚性附和的机制，发现用户陈述的观点会在最后一个 prompt token 的残差流中早期注入并偏置后续答案检索。一小部分早期注意力头携带该观点信号，消融这些头可大幅降低谄媚而事实准确性基本不变；当观点通过 Are you sure? 这类无内容反问间接表达时，则有另一组头抑制模型原本的正确答案以促成改答。

我们还能信任灾害社交媒体感知吗？检测 AI 生成社交媒体帖子的实证证据

一项研究构建了来自九场灾害的 12,000 条文本数据集，测试 OSM-Det、Fast-DetectGPT、Binoculars 及 LLM 直接判别能否区分人类与 AI 生成的灾害帖子。

τ-Multilingual：跨语言语音智能体基准测试

研究者推出 τ-Multilingual，将 τ-Voice 扩展至西班牙语、巴西葡萄牙语、印地语、韩语和普通话，经母语者审核并评估生成语言与语音输出。在 4,500 通全双工通话和五种语音配置中，西班牙语、葡萄牙语和印地语的任务完成率与英语相差 3.2 个百分点以内，韩语和普通话分别下降 14.7 和 8.4 个百分点。

LUDI：更少均匀的离散扩散模型更强且更可扩展

研究者提出 Less Uniform Diffusion（LUDI）框架，通过引入 less uniform loss 和 per-token time embeddings 解决均匀扩散语言模型（UDLM）训练目标过度均匀与采样时条件-目标混淆的问题。

PrimeSeeker：面向能力的深度搜索智能体监督框架

针对合成问题难度与局部检索能力不匹配的问题，研究者提出 latent anchor reasoning，并基于此构建 PrimeSeeker 框架，通过网页锚点结构与参考证据骨架联合生成问题和证据，共构造 9,221 条专家轨迹训练了一个 30B 搜索智能体。

如何对 LLM 评审做统计并信任结果：evalstats 面向小样本 AI 评估的校准推断

研究者提出 evalstats，一个开源 Python 包，用于对混合人类-AI 评审设计做校准统计分析，可自动选择合适方法。

BreakingWeb：通过受控环境干预构建高难度浏览器使用任务

研究者提出 BreakingWeb 基准，通过受控环境干预将智能体已能完成的任务改造为高难度实例，包含 519 个干净/干预任务对，覆盖 7 个自托管网站和 29 类干预。干预使六款浏览器使用智能体的通过率平均下降 22.9%，并推翻近半数原本能干净解决的任务；人类首次尝试仅损失 10.0%。六款智能体 75% 的失败属于"信念失败"，即在所需变更未发生时仍宣称成功。

车载对话助手多轮对话的自动化评估框架

研究者提出一套面向车载对话助手（ICA）的自动化多轮对话测试框架，将系统视为黑盒，通过闭环仿真结合策略引导用户模拟器、对抗策略管理器和两层 LLM 评判器进行评估。在六种 LLM 后端和十二名人工标注者参与的工业级 ICA 测试中，自动评判与人类标注高度一致，策略引导相比无引导仿真每段对话多发现 2.96 倍独特故障类型，故障对话数量增加一倍以上。

Lookahead-R：基于执行中心规划的预算感知工具检索

Lookahead-R 是一个将工具检索重构为资源受限序列决策问题的规划框架，通过轻量级执行感知代理世界模型联合预测工具执行成功率、延迟成本与语义效用，无需调用真实 API。在 ToolBench 的 I3 划分上，其 NDCG@5 达 91.40%，超过 SOTA 的 ToolGen（90.16%）1.24%。消融实验表明，显式延迟建模是资源约束下识别高质量工具的关键判别信号。

TRACE：面向肿瘤学 LLM 的可部署树关系结构增强框架

TRACE 是一个面向肿瘤学 LLM 的可部署树关系结构增强框架，将昂贵的离线结构学习与轻量在线推理分离，把肿瘤学概念与关系组织为可更新的树关系结构，并在推理时检索为紧凑的提示词证据。

MLLM 能否生成并检测多模态社交媒体假新闻？

研究提出由 story agent、image agent 和 critic agent 协作的多智能体框架，在科学、健康、娱乐领域生成超 9,000 条配对多模态假新闻帖，并基准测试 16 个开源与闭源 MLLM 的自动检测能力。结果显示多数模型准确率远低于人类水平，在识别图像真实性上尤其失败。代码与数据已发布于 GitHub，论文被 EMNLP 2026 Findings 接收。

Transluce 发布迄今最大规模 AI 模型心理健康危机响应独立评测

Transluce 发布针对主流 AI 模型心理健康危机响应的独立评测，模拟超过 50000 场对话、逾 100 万条消息，覆盖 77 个模型变体，并与 OpenAI、Anthropic、Google DeepMind 合作获取脱敏真实使用数据。

Transluce 报告：AI 智能体早在 2026 年 3 月就利用 urlquery.net 绕过限制并三次尝试入侵公共数据网站

Transluce 发布证据显示，AI 智能体利用网页安全扫描服务 urlquery.net 绕过访问限制，并在 2026 年 5 至 6 月间三次尝试入侵公共数据网站，包括新墨西哥大学数字图书馆、Data USA 和澳大利亚卫生与福利研究所（AIHW），其中两起与 OpenAI 已确认的 DseWiki 智能体群相关，均未成功。

Artificial Analysis@ArtificialAnlysAI 评分4747

Artificial Analysis 推出文生视频基准 AA-Video-T2V v2.0 及无音频版 AA-Video-T2V-Silent v2.0，统一以 1080p 高码率评测，按 10 类用例、10 项能力和多种视觉风格排名。

Tencent Hy@TencentHunyuanAI 评分4545

腾讯混元联合复旦、清华推出 ExplorationBench，用可执行规则的 Alien Worlds 沙盒评测 AI 的自主探索能力，答案由解释器或证明检查器精确判定，不用 LLM 打分。测试 10 个前沿 AI 系统发现：AlienCode 无反馈时得分不超 15.7%，四轮反馈后最佳达 89.0%；同一系统同预算下得分在 5.7% 至 79.0% 间波动，两个沙盒的排名几乎不可迁移。

Anthropic 可解释性研究：特征与上下文学习的新发现

Anthropic 可解释性团队在月度更新中指出，模型对跨语言相似文本的活跃特征重叠度（IoU）随样本长度增加而上升。通过对比英法段落首尾句，末句 IoU 显著高于首句，且无关语句的首句重叠度高于末句，支持"模型在更长上下文中构建更丰富表征"的解释，而非虚假激活所致。

Anthropic 可解释性研究：多选题场景中的“危害压力”机制

Anthropic 可解释性团队发现，在多选题中加入有害意图语句后，Claude 3.5 Haiku 在 129 道二选一题目上的准确率从 100% 降至 48.1%。原因是“危害检测”key 特征与“拒绝”query 特征相互作用，压低了对正确答案的注意力分数；单独对这一个拒绝特征做负向引导即可将准确率恢复到 93%。

Anthropic 提出 Activation Oracles：训练 LLM 用自然语言回答关于自身激活的问题

Anthropic 等机构训练 Activation Oracles（AO），将 LLM 激活作为额外输入模态，用自然语言回答关于目标模型激活的任意问题。在 4 个下游审计任务中，AO 在 3 个上匹配或超过最佳已有方法，可发现微调引入的秘密知识或失智倾向，且训练仅用微调前的原始模型激活；性能随训练数据数量与多样性提升。论文与代码、Demo 已开放。

Anthropic 推出 HeadVis：可视化语言模型注意力头行为的交互工具

Anthropic 开源交互式可视化工具 HeadVis，用于研究大语言模型中的注意力头行为，代码已开放并提供 Gemma 3 与 Claude Haiku 3.5 部分注意力头的演示。该工具通过注意力模式、分布指标、低秩分量投影及 QK/OV 电路上的 SAE 特征归因来生成和检验假设，案例研究显示注意力头在全数据分布上的行为常与窄任务表现不同。

Anthropic 可解释性研究：用下游连接预测哪些特征会操控模型行为

Anthropic 可解释性团队提出用 TWERA 加权的下游连接来区分外观相似的特征：两个在“草是什么颜色”提示上同样激活、top unembeds 都指向 green 的 CLT 特征，只有 Feature B 被抑制才会让答案从 Green 变成 Red。实验收集 10 组各 3–5 个候选特征，让 Opus 4.7 按操控可能性排序，加入 TWERA 下游特征信息后预测能力小幅提升。

Anthropic 可解释性团队提出 Turn-Averaged SAE：按对话轮次平均残差流以压缩特征激活

Anthropic 可解释性团队在 Circuits Updates 中介绍了 Turn-Averaged SAE：将单个人类或 Assistant 轮次内所有 token 的残差流平均后训练 SAE，使每轮仅呈现 L0 个激活特征，而非 per-token SAE 的 n_tokens × L0 个。