标签：大模型

正确性反馈反成证据杀手：Verus审计揭示AI代码验证盲区

arXiv 一篇新论文发现，在 Verus/Rust 代码验证任务中，专为修复错误设计的“正确性反馈”反而会抹掉审查规范完整性所需的关键证据，导致认证通过的程序实际上违反真实意图。

Hugging Face Papers 收录的论文摘要显示，Intern-Decision 提出 0.8B、2B、4B 三档多模态决策模型，用自回归掩码语言建模直接输出结构化选项和候选概率，试图把智能体里的“下一步选什么”从自由文本生成变成轻量分类任务。

arXiv 上一篇新论文提出，当主流基准测试因模型分数趋近满分而饱和时，模型解题的完整记录仍可能保留区分能力的信息。研究用历史基准回溯模拟饱和，初步发现“两两对比评判”效果最好，但这只是摘要结论，不是已落地的产品功能。

arXiv 上一篇新论文提出用有向无环图和行为树来编排规划、机器学习、约束编程与大语言模型等异构 AI 组件，试图把“单模型打天下”变成“多模型协同干活”。目前仅为论文摘要，尚无落地产品验证。

arXiv 新论文提出 Plant Memory，用技术语言处理把 SAP PM 工单整理成带置信度和证据的 ISO 14224 维护本体，并通过 MCP 服务器向 AI 代理开放已验证知识。

OmniCompass 是一个面向全模态视频理解的新基准，同时考察视觉语言与音视频联合模型在时间定位、空间定位和问答上的能力，并首次把“同一目标用文字和图文两种方式指定”作为配对评测条件。

一篇 arXiv 新论文认为，用“推断队友意图的准确率”来认证多智能体协调模块存在系统性缺陷，并提出一种部署前评估的 Blind-Spot Gate。这对依赖大模型做多智能体协作的开发者有直接参考价值。

Hugging Face Papers 收录的论文提出 Terminal-RSI，用递归自改写与策略精炼交替训练终端智能体，在 Terminal-Bench 系列基准上给出可核查的阶段性分数，核心价值在于把验证器结果更有效地转化为策略更新。

arXiv 2026年10月15日发布的一篇新论文提出 The Agentic Scientist，一个让人类研究者与编码代理协作完成计算科研的端到端流水线，其开发版系统辅助提交的一篇论文已被 ALIFE 2026 接收。

Hugging Face Papers 收录的论文 SWE-at-Scale 提出反向利用真实软件修复记录，自动合成可执行的软件工程任务，用来评测编码智能体，缓解真实任务供给不足的问题。