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。
标签： GPT-4
HarnessPro 用递归自改进与 Pareto 优化，兼顾性能与成本
Hugging Face Papers 收录的论文提出 HarnessPro，一种无需标签的智能体框架自改进方法，在提升任务通过率的同时降低执行成本，并可按部署预算输出轻量、均衡、性能三档框架。
视觉智能体工具框架OpenVLHarness论文：多模态记忆加持，22项评测平均提升最高12.6分
Hugging Face Papers 2026年10月19日收录的论文摘要提出 OpenVLHarness，一套面向真实视觉智能体工具调用与持久多模态记忆的推理框架，声称在22项评测上比无工具基线平均高9.7至12.6分。它值得关注，是因为它讨论的是“给模型配外部工具和记忆”，而非继续堆推理算力。
PremiseCheck 提出评审事实核查新框架：准确率接近GPT-5.5，成本约一半
Hugging Face Papers 收录的论文提出 ReviewFact 基准与 PremiseCheck 框架，用于核查人类或 AI 撰写的评审意见是否误述论文内容，在准确率接近前沿大模型的同时把成本降下来。
Artificial Analysis 发布 AA-PersonalityBench，用 8 项人格指数衡量大模型表达风格
Artificial Analysis 于 2026 年 10 月 19 日推出 AA-PersonalityBench，用 30 项人格特质、8 个指数和 21 项沟通特征，衡量大模型“怎么说话”而不只是“答得对不对”。对选型者来说，回答正确之外的默认表达风格，首次有了可量化参考。
WebCoder用可执行项目做强化学习，27B模型前端任务超过Claude-Opus-4.8
alphaXiv 收录的论文提出 WebCoder，用“以可运行应用为准”的强化学习训练通用前端开发智能体，其 27B 模型在自建 Webdev-Bench 上要求满足率升至 72.8，单项指标超过 Claude-Opus-4.8 和 GPT-5.4。它值得关注，因为它试图解决前端智能体“改一处、坏一处”和超…
LAW 统一语言、动作与世界建模，RoboTwin 平均成功率 94.21%
2026 年 10 月，alphaXiv 收录的论文提出 LAW 框架，把语言规划、动作生成与世界模型串成闭环，在 RoboTwin 的 50 项任务上平均成功率达 94.21%，长程真实机器人任务平均成功率 65%。它值得关注的地方在于，机器人长任务失败往往不是单步动作差，而是“做完没有、下一步做什么”的判…
HexaShell让VLM编码智能体操控双臂机器人，RoboDojo成功率39.7%
HexaShell 让基于 VLM 的编码智能体通过命令行操控双臂机器人，在 RoboDojo 的 42 项任务上取得 39.7% 成功率和 48.0 进度分，被论文描述为该基准的新最优。它值得关注的地方不只在于分数，而在于把智能体的经验固化成了可复用的代码工具。
BizBench把”过程合规”纳入考试：Claude Opus 5严格成功率仅64%
Hugging Face Papers 收录的 BizBench 是一套面向支付业务的多轮长程 Agent 评测基准，不只考核任务是否完成，还检查执行过程中是否违反约束。摘要显示，Claude Opus 5 与 GPT-6 Sol 的严格成功率分别只有 64.0% 和 61.3%。
Hugging Face 论文：GPT-6-Astra 跨过具身能力门槛，尚未达到实用具身智能
2026 年 10 月 15 日发布在 Hugging Face Papers 的一篇论文摘要称，GPT-6-Astra 在 12 个机器人操作与导航基准上取得突破性表现，但真实部署仍受演示数据采集成本与物理执行时间制约，结论是“跨过了具身能力门槛，尚未达到实用具身智能”。