其他arXiv 2610.11959
MiMo-V2.6：通过扩展强化学习迈向自我改进
扩展全模态基座的强化学习以支撑智能体自我改进
- arXiv
- 2610.11959
- 发表
- 被测模型
- MiMo-V2.6-Pro、MiMo-V2.6-Flash、MiMo-V2.6-Distill-Qwen-9B
摘要系列用三维扩 RL 与分组评分提升智能体分数，作者称最终表现与前沿模型相当。
MiMo-V2.6 是全模态 MoE 技术报告，用扩大 RL 计算、环境和评分来追求智能体自我改进。
- 其他arXiv 2610.10064
研究者提出理解审计机制，以缓解自动化 AI 研究带来的风险
提出 comprehension audits，以人类理解证据作为继续研发门槛
- arXiv
- 2610.10064
- 发表
摘要理解审计把出示人类理解设为继续研发的门禁，并报告开源评审评论率下降。
本文是一份研发过程保障提案：用 comprehension audits 检验责任人是否理解 AI 参与产生的研发贡献，未达标就暂停后续开发与依赖该贡献的发布。。
- 其他arXiv 2610.08740
Kosoy 提出鲁棒老虎机多项式时间学习器，推进 AI 对齐
给出线性 robust bandits 特例的多项式时间学习者并证明小推广 NP-hard
- arXiv
- 2610.08740
- 发表
- 场景
- 模型与 API
摘要欧氏球仿射特例可多项式时间达到Õ(√T)。
这是一篇关于不可实现 bandit 学习之计算边界的理论工作：线性 robust bandits 的一个欧氏球仿射特例有多项式时间、Õ(√T)遗憾的学习者，再做小推广就会落到复杂性坍塌。
- 其他arXiv 2610.05831
长时程轨迹监督如何影响终端智能体训练的可靠性与成本
提出选择性长时程精炼，筛选轨迹以提升终端智能体训练可靠性
- arXiv
- 2610.05831
- 发表
- 被测模型
- Qwen/Qwen3-8B
摘要中间长度的监督更均衡。
这项工作研究终端智能体模仿学习里，教师轨迹应保留多少 token。
- 其他arXiv 2610.05264
面向音频深度伪造检测的任务感知联合剪枝与蒸馏框架
提出任务感知的跨域蒸馏与剪枝方法以压缩音频深度伪造检测器
- arXiv
- 2610.05264
- 发表
- 场景
- 模型与 API
- 被测模型
- XLSR-AASIST
- 组件音频
- 其他arXiv 2610.02092
TESS：面向大语言模型数据选择的可扩展可迁移元网络需换损失函数
提出 TESS 与点值匹配损失，训练可迁移的数据选择网络
- arXiv
- 2610.02092
- 发表
- 场景
- 模型与 API
- 被测模型
- Llama-3-8B-Instruct、Llama-3.1-8B-Instruct、Qwen2.5-7B-Instruct 等 4 个
摘要TESS 用损失差伪标签和 PVM 训练可迁移选择网络，并在安全选择与指令微调上报告跨数据迁移。
TESS 是一个用于 LLM 训练数据选择的元学习框架：用验证集引导下的损失差做样本伪标签，训练一个能给未见样本打分的选择网络。
- 其他arXiv 2610.02268
ExecCert：为机器遗忘提供可执行发布认证
提出 ExecCert，发布前核验机器遗忘候选是否落入预定可接受集
- arXiv
- 2610.02268
- 发表
- 场景
- 模型与 API
摘要ExecCert 在发布前核验具体遗忘产物，并可改变放行决定。
ExecCert 是放在遗忘生成器与发布门之间的认证层，用来检查具体有限精度产物是否满足预先声明的契约。
摘要综述把视频后训练分成四类对齐信号，并指出奖励、长视频、权衡和安全仍开放。
这是一篇视频生成 后训练与对齐 综述：预训练模型已有强先验，但作者认为仍不能可靠遵循意图、维持时间连贯或满足物理与安全约束。
- 其他arXiv 2609.40360
SCAPO：用反事实稳定性改进 GRPO 的 token 级信用分配
提出 SCAPO，用半事实稳定性改进 GRPO 的 token 级信用分配
- arXiv
- 2609.40360
- 发表
- 场景
- 模型与 API
- 被测模型
- Qwen3-4B-Base、Qwen3-1.7B-Base
摘要SCAPO 在训练早期下调相对不稳定 token 的 GRPO 优势，两个规模上多数基准更高。
SCAPO 把固定回答在半事实提示下的稳定性，变成 GRPO 训练早期的 token 级负向信用修正。。
- 其他arXiv 2609.38895
Unmerge：用任务算术实现高效机器遗忘
提出 UNMERGE，用任务向量低秩分解做概念级遗忘
- arXiv
- 2609.38895
- 发表
- 场景
- 模型与 API
- 被测模型
- ResNet-50、ViT-S/16、Llama-3.2-3B-Instruct
摘要UNMERGE 用低秩任务向量相减做概念级遗忘，类别任务上 ToW 与隐私更接近重训。
UNMERGE 把近似机器遗忘写成模型合并的逆运算：从已微调的合并任务向量里减去一个学出来的低秩遗忘分量。作者要处理的是概念级请求（一个类或一个语义组），而不是任意单条记录。梯度上升、重标注、蒸馏和显著性方法都靠把遗忘损失写进权重，作者认为它们超参脆弱、无法表达遗忘与保留的共享方向，也缺少逐层诊断。
摘要软件驱动智能爆炸可能把数年进展压进数月，作者要求三项政策先做好。
Chan 等论证：自动化 AI 研发可能经软件反馈环形成智能爆炸，把本需数年的进展压进数月或更短。他们关心的不是换硬件的建设周期，而是 AI 扩大有效研发劳动力、再产出更强系统，以及社会能否在能力跃迁前看见、约束并适应这一过程。
- 其他arXiv 2609.34426
Q-learning Penalized Transformer（QPT）：面向安全离线强化学习的训练-推理一致框架
提出 QPT，用奖励与成本 Q 惩罚训练满足约束的离线强化学习策略
- arXiv
- 2609.34426
- 发表
- 场景
- 具身与机器人
摘要QPT 把条件 Transformer 与奖励/成本 Q 惩罚连成训练–推理一致的安全离线 RL 方法。
QPT 针对安全离线 RL：只从离线数据学习，同时处理约束满足、回报最大化和行为正则，并希望部署时更换成本阈值而无需重训。
摘要占位。
占位。
- 其他arXiv 2609.24983
onPanda：通过 token 级修正高效标注 LLM 与智能体的 on-policy 对齐数据
提出 token 级修正工具 onPanda，高效标注 on-policy 对齐数据
- arXiv
- 2609.24983
- 发表
- 场景
- 模型与 API
- 被测模型
- Doubao-Seed-2.1-pro、GPT-5.5、GPT-5.6-sol 等 9 个
摘要onPanda 以 token 级修正标注 on-policy 对齐数据，并报告效率与基准分数。
onPanda 是用 token 级修正标注 LLM 对齐数据与智能体轨迹的交互工具。
- 其他arXiv 2609.24760
构建逆向思维：提升大语言模型的逆向推理能力
构造反向推理训练流程，让模型按题切换正反向推理
- arXiv
- 2609.24760
- 发表
- 场景
- 模型与 API
- 被测模型
- Ours-Q3-14b、Ours-Q3-8b、Ours-Q3-1.7b 等 4 个
摘要用易难两阶段数据与强化学习，让模型按题选择正向或反向推理。
作者训练大模型在数学题上建立反向推理，并按题目在正向与反向之间选择，而不是只加长思维链。
- 其他arXiv 2609.18642
STRETCH：面向 LLM 渐进式进化的统一自教框架
提出 STRETCH 自教框架，让同一模型交替出题与求解以渐进提升
- arXiv
- 2609.18642
- 发表
- 场景
- 模型与 API
- 被测模型
- Qwen2.5-7B-Instruct、Llama-3.1-8B-Instruct
- 其他arXiv 2609.17380
Open-1B：一次完全可审计的训练运行
提出 RepOps，使分布式预训练可跨硬件按位复现并被审计
- arXiv
- 2609.17380
- 发表
- 场景
- 模型与 API
- 被测模型
- Open-1B
摘要Open-1B 用跨硬件按位算子和集体审计，把 400B token 预训练变成可分步核验的轨迹。
Open-1B 是 Gensyn 发布的 1.61B 参数 decoder-only 模型，目标是把预训练从“公开配方”推进到每一步可在异构硬件上按位核对。浮点加法非结合、融合乘加、次正规数和平台相关随机数，使同一配方在不同机器上得不到同一权重。概率性的 proof-of-learning / proof-of-training-data 被作者认为不足以排除少量数据注入的后门。
摘要弹性网络给出自持加速条件。
递归自我改进会不会变成自持加速，取决于能力提高后下一代能力提高多少，也取决于外生投入不增长时增速会不会随存量上升。作者用有向图把算法效率、能力、研发投入和经济产出连起来，边的强度是弹性。
- 其他arXiv 2609.09320
研究者质疑 Alignment Whack-a-Mole 的书籍记忆化结论，称其测量方法无效
审阅书籍记忆覆盖率计量，指出其不能支撑版权替代主张
- arXiv
- 2609.09320
- 发表
- 场景
- 模型与 API
- 组件微调与开源权重
- 其他arXiv 2609.09135
ERPO：面向代码生成测试时强化学习的熵正则化排名掩码策略优化
提出 ERPO，用探针共识奖励在无标签代码题上做测试时强化学习
- arXiv
- 2609.09135
- 发表
- 被测模型
- Qwen3-4B、Qwen3-8B