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。
全部论文
另有 232 篇论文还没打上分类标签，暂不在筛选结果里。
- 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。
摘要书评认为形成中的架构由多类行动者塑造，但没有共同计划。
- 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。
- 其他arXiv 2610.00902
用平均场博弈分析 AI 安全：以 2026 年 7 月 Hugging Face 事件为例
用均值场博弈分析多智能体集体攻击何时不是均衡
- arXiv
- 2610.00902
- 发表
- 层
- 应用层
- 场景
- 多智能体
摘要结构阈值给出干预杠杆。
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 2609.39982
Mid-Harness：在模型与 Harness 之间扩展终端智能体的动作采样
提出 Mid-Harness，在执行前验证并筛选终端智能体的候选动作
- arXiv
- 2609.39982
- 发表
- 层
- 应用层
- 被测模型
- TMAX-9B、TMAX-4B、TMAX-27B 等 6 个
摘要Mid-Harness 在执行前选择候选动作。
Mid-Harness 在不改生成器和执行 harness 的前提下，于二者之间做动作级测试时计算，用来研究终端智能体里“多采样、再验证”何时提高轨迹成功。
- 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。
- 其他arXiv 2609.38807
PatchHolmes：基于列表式选择的智能体补丁检索系统
提出 PatchHolmes，用混合检索和列表式智能体选出 CVE 修复提交
- arXiv
- 2609.38807
- 发表
- 层
- 应用层
- 被测模型
- Qwen3-235B、Qwen3-Coder-30B、gpt-oss-120B 等 4 个
摘要PatchHolmes 用混合检索和列表式四工具智能体做补丁检索，增益主要来自联合阅读候选而非更换骨干。
PatchHolmes 是面向补丁检索的两阶段系统：在本地 Git 仓库上用冻结开源权重模型，为一个已知 CVE 找出修复提交，不做按仓库微调，也不使用付费外部搜索 API。
- 其他arXiv 2609.37968
SelfSearch：无需奖励信号的自改进 Agent 搜索方法
提出 SelfSearch，用自我修改记录无奖励搜索改进编码智能体
- arXiv
- 2609.37968
- 发表
- 层
- 应用层
- 被测模型
- gpt-5.6-luna、deepseek-v4-flash-0731
摘要TAIP 把策略、证据和执行分开，在保留的 RepoAudit 证据上于 5s 预算内重算合并门姿态。
TAIP 是放在未修改 RepoAudit 之外的保证层，用来在软件交付门上重算智能体安全控制的当前姿态。
摘要作者主张以智能体经济管理自主科学发现的验证资源、信用、问责与安全，而非只提升推理。
作者把高自主 AI scientist 的规模化协调写成经济与制度问题：假设生成变便宜之后，要分配的是稀缺验证资源，并处理信用、问责和恶意使用。
- 其他arXiv 2609.29173
透过人眼与机器眼：理解视频透视扩展现实中的视图错配
形式化视频透视头显中系统截图与人眼视野的错配
- arXiv
- 2609.29173
- 发表
- 层
- 应用层
- 场景
- 模型与 API
- 被测模型
- GPT-5.4
- 组件视觉
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。