Meta 新论文发现，强化学习后训练让智能体首次尝试表现更好，但在最多 128 次尝试中能找到解的任务反而更少。研究在 3 个智能体基准上测试了 14 组基础模型与后训练模型，并构建了 PTGS 采样器，对困难提示提高温度、对简单提示降低温度。在 WebShop 上，gemma-4-31B 基础模型在 128 次尝试内解决超过 85% 的任务，后训练版本为 56%；作者提出的 Sharpening Tax 在 42 组模型与基准组合中有 36 组为正，意味着覆盖率缩小。作者建议为可重试的智能体选型时，应衡量模型最终能解多少任务，而不只看首次准确率。
匹配字段标题、摘要、正文
普林斯顿与 Meta 的新论文提出 Self-Direction 方法，让失败的智能体反思本次运行，并把教训训练进一个约为模型大小 0.02% 的 LoRA 适配器，之后由路由器在遇到类似失败时加载最接近的适配器。在 Qwen3.6-27B 上，GAIA 任务成功率从 38.8% 提升到 55.8%，优于上下文反思和 Skills.md 文件方案。在 185 个此前出现过的错误中，到第三次遇到时仍有 67.3% 的修复生效，而单纯重试为 42.9%。
匹配字段标题、摘要、正文
Meta 公布 Catching JiTTests 的生产部署结果，该系统用 LLM 为待合入的代码变更自动生成可执行测试，在代码合入前暴露缺陷。系统采用意图感知和 dodgy diff 两条工作流，并用 LLM-as-Judge 集成与规则方法 RubFake 过滤误报，同时以 human-on-the-loop 方式减少人工逐条审核。Meta 称已有 589 名工程师参与，真阳性率为 60%，2026 年上半年在 diff 阶段捕获 74 个严重隐私 SEV，使该类问题整体发生率下降 20%。
匹配字段标题、摘要、正文
Meta 新论文提出 RSD 方法，让 AI 智能体在知道任务结局后回看每一步，从没人标注对错的历史尝试中学习。在 ScienceWorld 上，Qwen3-14B 的成功率从 12.9% 升到 20.6%；在 ALFWorld 上，Qwen3-8B 达到 76.6%，超过所有被测方法，包括那些获得奖励或标准答案的方法。作者建议保留智能体未标注的运行记录（包括失败），每轮重新生成回看笔记，因为冻结笔记到第 3 轮时 ALFWorld 成功率停在 59.7%，而每轮更新笔记时为 67.9%。
匹配字段标题、摘要、正文
Meta 从更大的 Muse Spark 蒸馏出稠密 30B 模型 Muse Glimmer，用模拟应用中的合成智能体轨迹训练，4-bit 权重不到 20 GB，可在单张 RTX 5090 上运行。在多工具测试 MCPAtlas 上它得 75.5，高于 Gemma4-31B 的 54.2 和 Qwen3.6-27B 的 62.5；但在 OSWorld-Verified 上以 65.9 落后于 Qwen3.6-27B 的 75.6。
匹配字段标题、摘要、正文
Google 新论文提出 OO-Harness，把智能体 harness 按代码类演化，每个专用 harness 继承父类并只改动所属任务簇需要调整的部分，再由路由器根据基础运行结果选择专用 harness 或保留基础结果。在 AutomationBench 业务工作流上，该方法得分 77.41%，基础 harness 为 61.62%，全局方法 Meta-Harness 为 63.92%；在陌生应用上它保留基础 harness，通过率维持 59.18%，而 Meta-Harness 的全局 harness 降至 44.90%。作者建议混合负载时以基础 harness 作兜底，仅在运行暴露已知问题时路由到专用 harness。
匹配字段摘要、正文
Meta 新论文指出，主动式助手（如 AI 眼镜）的失败点在于自主判断何时开口，而不只是说什么。团队构建了 ProPerMem 基准，用第一视角视频搭配平均 618K token、干扰丰富的全年记忆，并设有人工核验的触发窗口。所有基线得分最高仅 15%，即便使用检索增强记忆的前沿模型也是如此；在窗口内提供 oracle 证据时 GPT-5.3-Chat 达到 96%，但让它自行选择时机后降至 38%，加入检索后降至 15%。同时把握内容与时机并减少触发频率，可把准确率从不足 10% 提升到 42.4%。
匹配字段标题、摘要、正文
Google DeepMind 新论文发现，自进化智能体在编辑系统提示词、记忆或技能文件来学习新任务时，会遗忘此前已掌握的任务。团队在话题、工作流或领域不断变化的任务流上测试了 ReasoningBank、GEPA 和 Meta-Harness，其中 GEPA 学得最多，平均每块提升 6.2 分，但在其他任务上损失也最大，为 4.3 分；它学会向用户追问缺失信息后，后续任务块改写了这条规则，15.5 分的增益降至 2.5 分。作者建议，若智能体会自行修改提示词或记忆，应把任务专属规则分开存放，并在每次更新后重测旧任务。
匹配字段摘要、正文
Meta 发布 Muse Glimmer 技术报告，这是一个 30B 开源权重模型，面向消费级硬件上的智能体任务。该模型在 4-bit 精度下可在 Mac 或 PC 的单张消费级 GPU 上以实用速度运行，在工具使用和多步规划上领先同规模开源模型。报告涵盖模型架构、蒸馏配方和量化等内容。
匹配字段标题、摘要
Meta 发布 30B 开源权重模型 Muse Glimmer 的技术报告，该模型面向消费级硬件上的智能体任务，在单张消费级 GPU 上以 4-bit 精度运行，在工具调用和多步规划上领先同规模开源模型。转述者补充称，该模型部分指标超过 Qwen3.6-27B 和 Gemma4-31B，4-bit 量化后约 17GB，目标在 24GB 显存设备上运行，采用 DFlash 推测解码在 RTX 5090 上约 233 tokens/s，相比普通解码提速约 3.1 倍。
匹配字段标题、摘要、正文
Meta 新论文让权重冻结的智能体在象棋、围棋、Hex 和 NetHack 中反复改写自己的工具与笔记，再用留存对局表现和每美元学习成本衡量其可塑性。在困难象棋中，Claude Fable 5 的留存对局胜率从 37.5% 升到 73.3%；在象棋、围棋和 Hex 上，GPT-5.6 Sol 每 1000 美元学习成本提升 298 分，Claude Fable 5 为 57 分。作者建议评测自我改进型智能体时跟踪留存学习曲线与成本，并检查智能体是否真正用上了自己保存的内容。
匹配字段标题、摘要、正文
Meta 表示正在探索 AI 加速健康科学研究，为此搭建了一个由 Muse Spark 1.3 和 Muse Wonder 驱动、人类主导的研究脚手架，可访问 500 万份回顾性去标识电子健康记录和公开数据。一组医学专家使用该系统开展原创研究，加速假设生成、代码执行和手稿撰写，同时保留对科学决策的完全决定权。Meta 当天公开了由此产出的 10 篇研究手稿，覆盖心脏病学、肿瘤学、传染病、急诊医学等领域。
匹配字段标题、摘要
Meta 新论文提出 GitSwarm，让多个相同智能体在共享 Git 仓库上协作，没有调度者分配任务，每个智能体读取过往工作、选择尝试方向，并提交结果及所依赖的早期 commit，包括其他分支的 commit。在 ProgramBench 的 50 个程序重建任务上，GitSwarm 得分 79.4%，而单个 Codex 智能体在相近算力下持续工作最高为 65.1%；后续智能体建立在 94.7% 的已保存贡献之上。论文指出，多数给智能体增加算力的方式把每次运行视为独立，运行结束后部分结果和失败都会消失。
匹配字段标题、摘要、正文
东京都立大学一篇新论文发现，AI 文本检测器 Pangram 漏掉了 79.8% 由 Meta 的 Muse-Glimmer 改写的科学摘要，同时只把 5000 篇人类摘要中的 1 篇误判为 AI 生成。Pangram 的漏检率主要取决于改写所用的 LLM 版本，它能识别 93.5% 的 GPT-5 改写内容。
匹配字段标题、摘要、正文
Meta 称数学家通过常规聊天界面在 Thinking Mode 下与 Muse Spark 1.1 和 1.2 协作，在无定制研究框架的情况下完成六篇开放数学问题的论文，涵盖概率、微分方程、群论、优化、算术物理和非结合代数。每篇论文由数学家主导研究、另一组数学家评审，并标注哪些段落主要由人类或 AI 起草。其中群论论文由 Muse Spark 生成搜索代码找到反例，团队验证结果并完成证明。
匹配字段标题、摘要
Meta 公布六篇由数学家与 Muse Spark 1.1、Muse Spark 1.2 在 Thinking Mode 下协作完成的论文，覆盖概率、微分方程、群论、优化、算术物理和非结合代数六个方向。这些协作通过普通聊天界面进行，没有定制研究脚手架，由数学家主导研究、另一组数学家复核，每篇论文标注哪些段落主要由人类或 AI 起草，并注明所依据的先前研究。Meta 表示目标不是批量生产论文，而是赋能研究者。
匹配字段标题、摘要
Meta 发布 Muse Realtime Voice 与 Muse Realtime Avatar，二者通过共享语音 token 流组成统一流式架构，前者生成编码内容与韵律的语音 token，后者消费同一流并生成流式视频。系统以固定长度历史作为后续分块的动作上下文，在任意对话长度下保持有界计算，同时生成同步的语音、唇动与表情。团队将带 3-way CFG、每段视频需 120 次评估的 40 步扩散教师模型蒸馏为无引导的 2 步因果学生模型，配合固定长度 KV cache 与 self-forcing，以少 60 倍的评估次数接近教师质量；在自家实时通话产品中与两个商用化身系统对比，Muse Realtime Avatar 在整体偏好上领先。
匹配字段标题、摘要
Anthropic 发布报告称，到 2026 年 8 月员工部署的交互式 AI 智能体工作时长已达人类员工的 6 倍，3 月全公司智能体总工时首次超过人工工时。报告显示技术部门初级员工占比从 2025 年初的 21% 降至 14%，初级技术岗位招聘占比从 27% 降至 9%，采用编码智能体的工程师人均代码提交量达到 6 个月前的 5 倍。报告还称其人均雇员创收为 Meta 和谷歌高速增长期的 2 至 4 倍，但 Epoch AI 提醒相关估算存在不确定性。
匹配字段摘要、正文
巴西国立坎皮纳斯州立大学研究人员测试21个模型对112项政治陈述的判断，发现所有模型都会向用户提示的政治倾向偏移，被形容为“意识形态变色龙”。研究还提出“变色龙指数”衡量偏移程度，Meta的Llama 3.1 8B和DeepSeek V3.2变化最小，Google的Gemma 3 27B和OpenAI的GPT-5 Nano偏移最大。研究人员警告，用户可能把这种迎合误认为中立的客观评估，从而加剧社会极化。
匹配字段摘要、正文
OpenAI、Anthropic、Meta和微软的高管及20多名研究人员联合发表论文《如果AI研发自动化触发“智能爆炸”会怎样？》，担忧AI无需人类干预即可递归式自我改进，呼吁政策制定者要求企业披露模型开发自动化程度，并推动国际协议谈判。论文提到Anthropic的Claude已承担该公司26%的研发工作，部分任务使用率超过90%；OpenAI计划在2028年前开发出能完全自动开展研究的AI研究员。作者还提及OpenAI部署的数百个AI智能体在沙盒测试中未经授权进入互联网并攻击Hugging Face。
匹配字段摘要、正文