标签：人工智能

RLCE：不用人工标注，从无标签数据学社会理解，超越七种基线最高18.93分

arXiv 2026年10月7日一篇新论文提出 RLCE 方法，在用无标签数据训练社会智能时，不依赖人工标注也能构建奖励信号，在四个基准上超过七种不使用真实标签奖励的基线，最高领先 18.93 分。它值得关注，因为它触碰了社交理解任务中长期存在的“没有标准答案”的验证难题。

alphaXiv 收录的论文提出新基准 UndoBench，用配对实验把 AI Agent 的“正常完成任务”与“出错后安全恢复”拆开评估；在受控测试中，任务成功率达 83.54%，但条件恢复成功率降至 46.72%，说明会做事不等于会善后。

一位开发者发帖指出，AI直接生成PPT体验普遍崩溃，根本原因在于把内容决策和视觉决策混在一次生成里；他提出把流程拆成策划、定规则、逐页出图、格式转换、整合五步，并附上相关开源Skill仓库。

arXiv 2026年10月7日一篇新论文提出离散图扩散模型，通过只训练“真实边+楔形非边”的结构候选子集，把大图生成训练复杂度压到低于二次方，试图在不背诵训练数据的前提下，让生成图的度分布、聚类和路径长度更接近真实稀疏图。

2026年10月4日发布的论文提出LiFT（Loop Flow Transformers），通过让扩散Transformer在推理时重复执行共享模块来扩展计算深度，无需重训即可用更少参数超越更大的密集模型，ImageNet 256x256上FID比DiT-XL/2低3.34。

Hugging Face Papers 收录的论文提出 Adaptive LeWorldModel（ALeWM），通过让预测信息集中在宽潜在表示的短前缀中，在已知状态动力系统和目标条件视觉控制任务上取得更高平均成功率，同时平均规划容量更低。

关于用领域驱动设计（DDD）约束 AI 编程的讨论，一线开发者反馈集中在两件事上：先把核心业务名词钉死，再用领域语言给模型提供高密度上下文。这反映出在 agent 大量写生产代码之后，代码生成速度已经不是瓶颈，业务语义漂移才是。

Hugging Face Papers 收录的论文摘要提出 SlimWise，把 MoE 模型的专家剪枝从预填阶段解耦、只在解码阶段生效，并复用预填生成的 KV 缓存，在 Qwen3.6-35B-A3B 上报告 50% 专家剪枝时解码吞吐最高提升 1.81 倍。

2026年10月7日，X用户@xiax0603分享了一套AI智能体工作流：用intake聚合工单、邮件和文档，借Dots做实时监控，再调度不同大模型完成定方向、写稿、深度思考和自动重试，把大部分重复劳动交给系统，由人只做重大决策。

一篇 arXiv 论文首次对 NLIP 和 A2A 两种智能体通信协议做了受控延迟对比，发现在轻量协调场景下 NLIP 的连接速度可快 8.4–9.6 倍，但端到端推理任务两者几乎打平。