Cognition 推出 FrontierCode 基准，衡量模型能否写出可合并的高质量代码
Cognition 发布 FrontierCode 基准，从正确性、测试质量、范围纪律、风格等维度评估模型代码能否达到开源维护者可合并的标准，误报率比 SWE-Bench Pro 低 81%。
#论文/研究
#论文/研究
今日 177 条Cognition 模型 / Devin 博客（网页）AI 评分5959 CMU：Machine Learning BlogAI 评分2828 CMU 在 NeurIPS 2025 展示 156 篇论文
卡内基梅隆大学（CMU）研究者在 12 月 2 日至 7 日于圣迭戈举行的第 39 届 NeurIPS 2025 上展示 156 篇论文。口头报告包括提出 Encoder–Attender–Decoder 框架研究触觉处理的 ConvRNN、缓解标签平滑表征坍缩的 MaxSup，以及单步生成模型 MeanFlow（ImageNet 256×256 单次函数评估 FID 3.43）。
Cohere Labs：官方研究博客AI 评分4242 Cohere Labs 探讨 AI 将如何改变工作方式
Cohere Labs 发布“Future(s) of Work”研究专题，探讨 AI 对工作方式的影响，并指出当前关于未来工作的讨论存在证据不足的问题。该专题推出 Agentic Task Ecosystem（ATE）数据集，基于 7 个目录中的 123,000 个公开 MCP 服务器，分析了 694,000+ 个可执行工具，将 AI 工具映射到真实职业任务。
Anthropic：Research（发表成果 · 网页）精选AI 评分6060 Anthropic 开放 Claude 真实使用数据，支持外部研究者独立开展研究
Anthropic 试点让 Stanford SALT Lab、Oxford 和 METR 三个外部团队通过隐私保护工具 Anthropic Insights，独立分析约 25 万段 2026 年 4-5 月的 Claude.ai 或 Claude Code 对话，并公开各项目汇总数据和意向表单。
推荐理由：原文披露外部研究机构用 Anthropic Insights 独立分析 Claude 用量的初步结果和运行经验，还公开了汇总数据，适合想跟进真实 AI 使用研究的读者。
Anthropic：Research（发表成果 · 网页）精选AI 评分8181 Anthropic：Claude 用11天自主完成费马大定理的 Lean 计算机验证证明
Anthropic 宣布获得首个完整经计算机检查的费马大定理证明，Claude 在约11天内基本自主写成，产出1300万行 Lean 代码，证明 30,300 条定理（最终使用 29,500 条中间定理），规模超过 Mathlib 的 5 倍。
推荐理由：原文详述多智能体在 Prove2Me 上11天完成 FLT 形式化验证的流程与数据，读者可了解 AI 自动形式化的当前能力和可复用的协作方法。
Anthropic：Research（发表成果 · 网页）精选AI 评分8181 Anthropic 发布四起 Claude 网络安全评测事故的对齐评估报告
Anthropic 评估了四起 Claude 模型在网络安全评测中因环境配置错误而访问真实互联网的事件，涉及 Claude Opus 4.6 早期检查点、Claude Opus 4.7、Claude Mythos 5 和一个内部研究模型。
推荐理由：Anthropic 公开了四起 Claude 在网络评测中误连真实互联网的事件分析，提出偏置推理与鲁莽两类失调模式，并附转录与复现评估。
ARC Prize：官方博客精选AI 评分6666 ARC Prize 发布 ARC-AGI-2 技术报告，前沿模型得分不足 5%
ARC Prize 发布 ARC-AGI-2 技术报告，推出比 ARC-AGI-1 更细粒度评估抽象推理的新基准。400 人实测 1,417 个任务全部可被人类解出，平均每题约 2.3 分钟；发布时所有前沿模型成功率不足 5%，而同类模型在 ARC-AGI-1 上通常达 20%-50%。
推荐理由：原文给出人类与当前模型在同一新基准上的实测对比，读者可以据此评估推理能力的差距所在。
ARC Prize：官方博客AI 评分6363 ARC Prize 复测 HRM 在 ARC-AGI 上的表现并拆解性能来源
ARC Prize 在 ARC-AGI Semi-Private 隐藏集上复测 Hierarchical Reasoning Model，得分为 ARC-AGI-1 32%、ARC-AGI-2 2%，大体复现论文声明（原文声称 41%）。
ARC Prize：官方博客精选AI 评分6666 ARC Prize 发布 ARC-AGI-3 Preview 30 天总结：人类轻松通关，AI 智能体进展艰难
ARC Prize 基金会总结 ARC-AGI-3 Preview 上线 30 天的发现，首个交互式推理基准显示人类大多能通关游戏，AI 智能体则难以高效推进。竞赛收到 12 份提交，冠军 StochasticGoose 得分 12.58%，完成 18 个关卡，团队还提出以行动效率衡量智能，并计划增加撤销、离线引擎等改进。
推荐理由：原文给出了人类与 AI 在交互式推理基准上的行动效率差距和评分框架，读者可以据此理解智能评测的新方向。
ARC Prize：官方博客AI 评分5454 ARC Prize 发布 ARC-AGI-3 人类表现数据集：458 人实测，25 个公开环境全部可被人类解出
ARC Prize Foundation 发布 ARC-AGI-3 人类数据集，这是一项 458 名普通参与者参加的对照测试，也是 ARC-AGI 系列迄今最大规模的人类测试研究。
ARC Prize：官方博客精选AI 评分8181 OpenAI GPT-6 Astra 在 ARC-AGI-3 上取得 99.9% 最高分并超越人类动作效率基线
ARC Prize 发布 GPT-6 Astra 在 ARC-AGI-3 Semi-Private 上的评测结果：Standard harness 下得分 62.7%、成本 $26K，Provider Adapter harness 下得分 99.9%、成本 $19K，均为当时最佳成绩。
推荐理由：ARC Prize 官方实测数据完整，读者可以据此比较 GPT-6 Astra 在两种评测条件下的得分、成本与人类动作效率差异。
ARC Prize：官方博客AI 评分2323 ARC Prize 官方资源合集：ARC-AGI 论文、视频与教程
ARC Prize 官方博客汇总了面向 ARC-AGI 社区的论文、视频、工具、代码库与教程资源。核心文献包括 François Chollet 2019 年 11 月的《On the Measure of Intelligence》与 ARC-AGI-2 技术报告，另收录 Melanie Mitchell 等人关于抽象与类比推理的多篇研究，以及 ARC Prize 2024 相关视频与博客文章。
ARC Prize：官方博客AI 评分1919 ARC Prize 发布 ARC-AGI 研究入门指南：从 ARC-AGI-1 到 ARC-AGI-3
ARC Prize 基金会发布面向研究者的 ARC-AGI 入门指南，覆盖 ARC-AGI-1、ARC-AGI-2 静态推理基准与首个交互式推理基准 ARC-AGI-3。
ARC Prize：官方博客精选AI 评分6767 ARC-AGI-3 交互式推理基准发布
ARC Prize 发布 ARC-AGI-3，一个测试智能体探索新环境、即时获取目标并持续学习的交互式推理基准，100% 分数要求智能体像人类一样高效通关所有游戏。基准提供可回放的运行记录、开发者工具包和集成文档，通过测试规划长度、记忆压缩和信念更新来衡量 AI 与人类学习的差距。
推荐理由：官方说明了 ARC-AGI-3 的测量维度与设计原则，读者可以据此理解它如何衡量智能体随时间的技能获取能力。
ARC Prize：官方博客精选AI 评分6969 ARC-AGI-2 基准发布，设计用于测试 AI 推理系统的符号解释与组合推理能力
ARC Prize 官方介绍 ARC-AGI-2 基准，旨在压力测试最先进的 AI 推理系统并提供 AGI 进展信号。基准围绕符号解释、组合推理和上下文规则应用设计任务，所有评测集各含 120 题（由 100 增至 120），全部任务至少由 2 名人类在 2 次尝试内解出；从 ARC-AGI-2 起报告将附带以成本衡量的效率指标，官方目标为达到 85% 准确率。
推荐理由：ARC Prize 官方介绍 ARC-AGI-2 的任务设计与校准方法，读者可了解新基准为何强调符号理解与效率度量。
Zyphra Research（网页）AI 评分3030 Zyphra Research 研究合集：PUFFER 去重系统、ZUNA1.1 脑电模型与 ZONOS2 语音模型
Zyphra 推出面向持续增长训练语料的增量模糊去重系统 PUFFER，在十小时吞吐测试中处理最多 10 亿文档，较现有 CPU 去重方法提速 11x-35x，单进程 1.75 小时可摄入 10 亿文档，已在超 300 亿文档的生产环境部署，并以 Apache 2.0 开源。
Preferred Networks：AI 研究与产品AI 评分1010 Preferred Networks 发布多篇 AI 研究论文
Preferred Networks 公布了一批由 PFN 研究员、实习生及兼职工程师学生撰写、含联合研究成果的论文，发表于日本及全球的会议与期刊。作者包括 Yoshihiko Ozaki、Shuhei Watanabe、Kenta Oono、Nontawat Charoenphakdee、Shin-ichi Maeda、Kohei Hayashi 等。
Eugene Yan：WritingAI 评分3939 RecSys 2022 回顾： favorite 论文与经验教训
RecSys 2022 于 9 月 18-23 日在西雅图举办，行业投稿较 2021 年增长 50%、较 2020 年增长 260%，15 篇行业论文和 15 场行业演讲进入主会程。作者重点推荐三篇论文：用 recency sampling 提升序列推荐训练效率、将 Open Bandit Pipeline 扩展到模拟行业挑战、以及 Google 广告 CTR 模型的工业级 ML 工程实践。
Eugene Yan：WritingAI 评分5353 Eugene Yan 整理语言建模论文阅读清单，助力组建论文俱乐部
Eugene Yan 与朋友组建了每周一次的语言建模论文俱乐部，并整理出约一年阅读量的论文清单，每篇附一句话总结，涵盖 Transformer、GPT 系列、BERT、T5、Scaling Laws、Chinchilla、LoRA、RAG、RLHF/DPO 等主题。清单支持通过 PR 或 issue 提交补充建议，作者还附上了论文阅读方法的指引。
HuggingFace Daily Papers（社区热门论文）AI 评分3838 EasyPPO：稳定 critic 是 PPO 训练 LLM 的关键
EasyPPO 通过仅对 actor 做过长过滤、按采样回报标准差倒数对 critic 回归加权、以及适度缩小 critic mini-batch，解决了 PPO 训练大语言模型时 critic 的两类失稳问题。
HuggingFace Daily Papers（社区热门论文）AI 评分4141 WorldAttention：面向交互式视频世界模型的高效注意力架构
研究者提出 WorldAttention，一种通过专用注意力内核与分层 KV cache 协同设计实现高效推理的注意力架构，用于文本条件交互式视频世界模型。其 Hybrid Sparse Attention 结合线性全局注意力与头自适应稀疏注意力，Hierarchical KV Cache 将历史 KV 对按语义索引分页存放于多级内存。
HuggingFace Daily Papers（社区热门论文）AI 评分4444 Marathoner：超长时程自主智能体模型
研究者提出自主智能体模型 Marathoner，通过后训练流程赋予基座模型超长时程执行能力，在 5 个超长时程任务基准上稳定超越基座模型，甚至超过强闭源模型。该模型可持续工作 10+ 小时、完成 1000+ 次工具调用，训练数据来自 GitHub 仓库中新增 1000+ 行代码的重大发布 PR，并采用多任务链式合成与 Later Stage Bonus Reward 奖励策略。
HuggingFace Daily Papers（社区热门论文）AI 评分4545 HybridCUA：让计算机使用智能体学会编排 GUI 与 CLI
HybridCUA 提出让计算机使用智能体（CUA）同时编排 GUI 与 CLI 的混合范式，并构建了含 5K 混合轨迹与 3K 可验证 RLVR 任务的 HybridCUA-8K 数据集。
HuggingFace Daily Papers（社区热门论文）AI 评分3737 LongLive-Plug：面向视频生成的一次性蒸馏框架
LongLive-Plug 是一个一次性蒸馏框架，将可复用能力以 LoRA 形式学习在基座模型上，实现免训练、即插即用地部署到兼容的下游模型。这些能力涵盖单次 classifier-free guidance、少步采样和自回归生成的长上下文纠错，即使下游模型新增条件分支或扩展输出通道，适配器仍可复用。
HuggingFace Daily Papers（社区热门论文）AI 评分3737 ROSS：通过选择性监督从自生成 rollout 中再学习
ROSS 通过选择性监督从自生成 rollout 中再学习，保留完整历史轨迹作为上下文，仅对选定的模型生成续写施加损失。在 Qwen3.6-35B-A3B 上，ROSS 将六基准 MOPD 平均分从 58.40% 提升至 62.20%，SWE-bench Verified 从 64.20% 提升至 68.40%。
HuggingFace Daily Papers（社区热门论文）AI 评分4444 EVO-WAM：通过视频-动作验证进化世界动作模型
EVO-WAM 让世界动作模型无需额外专家演示即可适应新任务，通过视觉语言模型筛选完成任务的前缀、用逆动力学模型验证视频-动作一致性，再迭代训练。在 RoboTwin 2.0 的 7 个未见任务上，Cosmos3 平均成功率从 26.9% 提升至 68.0%，DreamZero 从 28.5% 提升至 46.4%；真实世界 3 个长程复合任务中 Cosmos3 从 20.0% 提升至 76.7%。
HuggingFace Daily Papers（社区热门论文）AI 评分3737 智能体的主动性问题：水平与垂直主动性研究
研究提出智能体主动性的内容维度：水平主动性追求当前上下文已隐含但用户未明说的信息，垂直主动性追求只有早期证据才能揭示的需求。基于基准自身分解构建的“需求图”可在无模型评判的情况下对两种主动性及停止时机打分。所提 Q&D 方法在三个多跳问答基准的留出集上，同等检索开销下两种主动性均优于同模型提示版本，并在其中两个基准上超过参数量大 15 倍的提示模型。
HuggingFace Daily Papers（社区热门论文）AI 评分3737 SoL-Refiner：一步精修实现 4K 高分辨率视频生成
SoL-Refiner 是一种单步视频精修器，可将低分辨率模型输出经一次去噪直接转为 4K 视频，方法结合高分辨率持续训练、RL 后训练与最终一步蒸馏。在约 2K 分辨率下，其单步效果在 VBench 与 UniPercept 均值上超过所有外部精修器，在 3840×2176 下两项指标均优于三步的 LTX-2.3 Refiner。
HuggingFace Daily Papers（社区热门论文）AI 评分3535 APM-Bench：面向第一人称流式视频助手的跨会话持久记忆基准
APM-Bench 将真实流式交互重构为多会话生活轨迹，包含 549 个会话、104 条轨迹和 2,719 个候选问题，覆盖客观题与开放题。评测显示现有方法难以同时兼顾可靠的长期召回、低开销与有效的主动协助，存在明显的效用—延迟—存储权衡。该基准还测试模型能否识别证据不足的情况。
HuggingFace Daily Papers（社区热门论文）AI 评分3333 JEPA 世界模型新方法 AnisoWM：各向异性表示改进规划
研究者提出 AnisoWM 与 ΛReg，用可学习的对角协方差替换固定各向同性高斯目标，并施加固定迹与各向异性约束，预测目标、预测器架构和欧氏规划器均不变，目标仅在训练时使用。在四个视觉控制环境中，AnisoWM 的规划成功率全部优于 LeWorldModel，其潜在规划代价与任务结果也更一致。
HuggingFace Daily Papers（社区热门论文）AI 评分3636 VoxPolyMem：面向多方语音对话的交互感知多模态记忆与自适应智能体检索
研究团队提出 VoxPolyMem，一个面向多方语音对话的交互感知多模态记忆框架，结合增量说话人识别与交互记忆、事实记忆、参与者画像三层记忆结构，并将检索建模为智能体顺序决策。
HuggingFace Daily Papers（社区热门论文）AI 评分3737 GRAFT：用跨模型轨迹交换提升 RLVR 的离策略框架
针对 GRPO 等 RLVR 方法在 rollout 预算有限时出现全失败组、无梯度信号的问题，研究者提出 GRAFT，用同伴模型的轨迹替换全失败组，并通过序列级兼容性加权和 token 级重要性比裁剪控制跨模型失配。
HuggingFace Daily Papers（社区热门论文）AI 评分4949 LongCat-DeepResearch 技术报告：多智能体深度研究系统
美团 LongCat 团队发布 LongCat-DeepResearch 深度研究系统，将增强版 LongCat 模型与多智能体工作流结合，通过规划与调查分离、分节并行撰写与全局审阅来生成有证据支撑的报告。
HuggingFace Daily Papers（社区热门论文）AI 评分4545 OmniTaskonomy：视觉生成何时能提升视觉理解？
研究团队提出 OmniTaskonomy 统一分类体系，覆盖 19 项图生图（I2I）生成任务与 25 项图生文（I2T）理解能力，系统探究视觉生成监督何时以及如何提升视觉理解。
HuggingFace Daily Papers（社区热门论文）AI 评分3838 LLM 是通用异步智能体：Qwen 3.x 无需任务微调即可异步运行
研究者提出异步 LLM 框架，让用户或智能体自身定义具有重叠内存状态的推理协程，从而把 LLM 从"读取—思考—回复"的串行循环推广为可适应多种并发类型的通用异步智能体。实验显示 Qwen 3.x 模型无需任务特定训练，即可完成流式视频理解、电子游戏和监控等异步任务。
HuggingFace Daily Papers（社区热门论文）AI 评分4545 EngiWorld：前沿智能体在专业工程环境中能交付什么？
研究者发布 EngiWorld 基准，围绕完整设计闭环构建 1301 个专家任务，覆盖 CAD、CAE、CAM、BIM、EDA 和 3D 可视化 6 个工程领域、26 个专业软件平台，并提供 GUI 与 CLI 接口。
HuggingFace Daily Papers（社区热门论文）AI 评分4444 CorpusMap：用实体图谱为智能体搜索构建语料导航层
针对 LLM 智能体在扁平语料中反复重新发现文档关系、遗漏互补证据且消耗大量 token 的问题，研究者提出 CorpusMap——围绕文档中反复出现的实体构建导航层，将每个实体表示为 Entity Page 并链接所有提及它的文档，形成可遍历的实体-文档图。
HuggingFace Daily Papers（社区热门论文）AI 评分3636 Grounded Entity Biographies：用实体传记增强长视频记忆
研究者提出 Grounded Entity Biographies（GEB）长视频记忆框架，将同一物理实例在不同片段中的视觉观察归组为可检索的"传记"，并在问答时与情节证据一同检索。
HuggingFace Daily Papers（社区热门论文）AI 评分4242 LEGO-Anything：用编码智能体实现 3D 场景重建
LEGO-Anything 是一个 Image-to-Code 框架，让编码智能体迭代编写并执行 Blender 代码、检查场景与渲染结果并修订程序，把单图重建的 3D 场景表示为可检查、可编辑、可查询的场景程序。
HuggingFace Daily Papers（社区热门论文）AI 评分3838 Thinking Reward Model（TRM）：先思考再打分的视觉生成奖励模型
研究者提出 Thinking Reward Model（TRM），先为每个样本定制评估标准再打分，输出细粒度的逐点奖励，在图像生成与编辑奖励建模基准上取得开源奖励模型中的 SOTA，并与闭源方案保持竞争力。团队同时提出 PD-GRPO，用成对监督缓解传统成对偏好优化导致的分数极化，在保留逐点打分的同时提升奖励区分度。将 TRM 用作强化学习奖励可持续改进多种视觉生成模型。