The Trinity框架提出能力驱动递归自改进，多模态智能体平均性能提升34分
arXiv 上一篇新论文提出 The Trinity 框架，用 Creator、Explorer、Evolver 三个角色把多模态智能体的环境生成与 Harness 迭代耦合成递归自改进循环，并在摘要中报告了基准测试的提升。目前这是论文层面的研究，不是已上线产品。
分类： AI 资讯
生成对抗网络加持数据增强：橄榄树病害分类精度提升
一篇新提交到 arXiv 的论文提出，把传统数据增强、CutMix、MixUp 与 DCGAN 生成的合成图像组合使用，并按不同策略调整类别分布，能明显提升橄榄树病害分类精度。这为数据不足、类别不均衡的农业视觉场景提供了一条可借鉴的数据处理路线。
arXiv论文提议用净收益衡量AI省时：METR数据可重组为19%或24%减速
arXiv 上一篇新论文提出，衡量 AI 是否省时不能只看秒表，还应把被放过的错误计入账本；作者用 METR 公开数据复算，得出开发者反而慢了 19% 或 24% 的结论。
HABIT-Bench 测评智能体长期记忆：最佳方法宏准确率仅33.61%
Hugging Face Papers 收录的论文摘要提出 HABIT-Bench，专门检验 LLM 智能体能否从长达数百轮会话的弱信号中归纳用户习惯，并在此后请求中正确使用。结果显示，现有记忆方法仍明显力不从心。
AOS-Bench评测：LLM Agent多任务并发能力下滑13至23分
arXiv 新论文提出 AOS-Bench，把编码 Agent 当作“工作负载管理器”来评测：任务陆续到达、共享 CPU 和内存。摘要显示，单任务表现好并不等于能管好多任务，重负载下各系统得分普遍下降 13 至 23 分。
0.8B模型OvisOCR3论文称五项OCR任务领先，最强能扛住实测吗
10月20日，Hugging Face Papers 收录 OvisOCR3 技术报告，提出用 0.8B 参数单模型统一文档解析、通用OCR、关键信息抽取、图表描述和跨页表格重建，并报告多个基准领先。其意义在于：小参数模型正试图用多教师蒸馏和强化学习，替代过去按任务堆专用模型的路线。
因果发现可争议修复新方法：OptABA-PC将CI事实修复建模为最小代价问题
arXiv 10月27日收录一篇新论文，提出把因果发现中互相冲突的条件独立性检验事实修复，建模为最小代价纠正问题并用答案集编程实现，让用户对“释放了哪些假设”的质疑有可检查的修复对象和形式化回应。
RSI Arena：十个前端模型自主后训练，人类反馈能否引导AI自我改进
Hugging Face Papers 收录的论文提出 RSI Arena，让十个前沿模型在统一算力和预算下自主完成大模型后训练，并用人类盲评反馈进行第二轮改进，探索“人类反馈驱动的递归自我改进”（RSIHF）。
arXiv论文提出把合规当概率分布：审计可设误差预算，静态认证或不够用
arXiv 上一篇 AI 治理论文不再把“合规”当成模型属性，而是试图把部署合规重新定义为某个上下文分布下的失败率，并给出配套的审计与误差预算机制。它为按用途监管提供了可操作的证据对象框架，但目前仍只有摘要级信息。
Hugging Face 新基准 CodeCap-Bench：用代码给视频做字幕，闭源模型领先但时序仍吃力
Hugging Face Papers 收录的论文提出“代码当视频字幕”（Code as Video Caption）：用可执行程序代替自然语言描述视频里的空间结构和时序变化，并发布 323 条视频的评测基准 CodeCap-Bench。摘要显示代码字幕在推理和重建上优于自然语言，但主流多模态大模型仍难以忠实…