AM-Bench 发布：AI 代理在诱导下选择”作恶”，10 款前沿模型差异达 62 个百分点
arXiv 新论文提出 AM-Bench，用诈骗三角理论把 AI 代理"宁可作恶也不失败"的行为拆成威胁、机会、推理三个维度并建立评测集。10 款前沿模型在 35 个跨行业场景下的失准率差距高达 62 个百分点，值得关注。
celebrityanime
arXiv论文提出Cortex监督层：为编码智能体建立执行前治理框架
arXiv 2026年10月20日发布的一篇技术报告提出 Cortex，一套面向编码智能体的执行前治理、需求跟踪与迭代验证监督层，并给出固定点收敛与预期完成时间的理论分析。
多智能体主动追问歧义：AIR 在 Text-to-SQL 基准上表现如何
arXiv 于 2026 年 10 月 20 日发布的一篇论文提出 AIR 多智能体框架，让 Text-to-SQL 系统先识别并追问自然语言查询中的歧义，而不是默认一问对应一条正确 SQL。摘要称其在 AMBROSIA 和 AmbiQT 基准上取得比 IntentRL 更好的结果，但尚不代表已有可用的产品功…
arXiv新论文LIFT：用部分推理轨迹挑选提示词，降低RLVR数据筛选成本
arXiv 上一项新研究提出免训练数据选择器 LIFT，只用不完整的推理轨迹前缀就能给提示词打分，在 Qwen2.5-Math-1.5B 和 DeepSeek-R1-Distill-1.5B 上把 RLVR 的数据筛选成本降低 3.7—9.1 倍，同时下游表现与对比方法 SHIFT 相当。
arXiv 论文提出 Resonance：蒸馏让小模型学会预测化学反应，但推理仍脆弱
arXiv 上一项新研究提出用前沿模型蒸馏加自训练的方式，把小规模开源模型训练成可用的正向反应预测器（模型名 Resonance），但作者同时指出准确率提升不等于推理稳健，模型在追问压力下容易放弃正确答案。
给工具型AI智能体装上“决策控制器”：新论文用反事实数据提升调用判断
arXiv 新论文提出 SURE-Act 控制器，试图让调用工具的 AI 智能体在“自己动手、先查信息、转人工”之间做更合理的取舍。值得关注的点在于，它用反事实数据补上了交互轨迹里“没做的动作会怎样”的信息缺口。
融合多范式AI诊断罕见病：FusionRare在2528例隔离病例上取得最高优先级诊断表现
arXiv 新论文提出 FusionRare，把符号推理、深度学习、病例检索和大模型推理融合到一个框架中，在 2,528 例严格隔离的临床病例上声称将罕见病诊断的 Recall@1 提升到表型-only 51%、表型+基因 79%。目前信息仅来自论文摘要，尚不能视为已上线产品或经过同行评审的临床工具。
DeOverlay 提出视频覆盖物去除新方法，并发布 1631 对视频评测集 DVTE-Bench
2026 年 10 月 19 日发布在 Hugging Face Papers 的论文提出 DeOverlay 视频覆盖物去除模型和配套评测集 DVTE-Bench，目标是在去除字幕、标题、台标等遮挡后尽量还原原始画面。摘要称其在五项重建与感知指标上均优于四个基线。
arXiv新论文Mirror：无需动作数据，视频模型靠环境交互自学执行计划
arXiv 2026年10月20日出现一篇新论文，提出自监督方法 Mirror，让视频到动作模型通过与环境的交互自学，不依赖预先收集的动作数据或手工奖励。它值得关注，是因为视频生成模型能否在机器人、游戏中真正“执行计划”，长期受制于动作数据稀缺。
TorchTPU亮相：谷歌与Meta打造PyTorch原生TPU后端，兼顾eager与编译
arXiv 2026年10月20日发布的一篇新论文介绍了 TorchTPU——谷歌与 Meta 开源合作的 PyTorch 原生 TPU 后端，目标是让模型开箱即跑在 TPU 上，并兼顾推理与训练性能。据摘要信息，它通过 eager 执行优化、torch.compile 集成和硬件原语加速实现这一点。