RESEARCH FRONTIER
Ежедневная подборка препринтов, статей конференций и исследовательских отчётов об ИИ и ИИ-агентах. Материалы сгруппированы по выпускам с сохранением исходной даты публикации и ограничений исследования.
Обновлено 2026-10-17
Диалоги преобразуются в атомарные записи; ассоциации кодовой книги дополняют векторный поиск. Авторы сообщают об улучшении точности и затрат на двух тестах памяти. Выводы ограничены проверенными условиями; принятие на NeurIPS 2026 указано авторами.
Разница прогресса учителя и ученика задаёт адаптивный штраф за застой. Авторы сообщают о росте успешности и эффективности на восьми малых моделях. Универсальность не установлена; принятие на NeurIPS 2026 указано авторами.
Групповое разбиение и парные проверки разделяют предсказуемость меток и изменение решений защиты. Формат влияет на ложные срабатывания не во всех моделях. Авторы указывают принятие на воркшопы TAE и AIWILD при NeurIPS 2026.
Иерархическая настройка и обучение с подкреплением по окнам взаимодействия распределяют обратную связь между решениями. Авторы сообщают о росте доли медалей на MLE-Bench Lite и проверяют перенос. Это результаты тестов из препринта.
Агент организует документы в иерархию файлов и ссылок, обучаясь по точности последующих ответов. Авторы сообщают об улучшениях на двух тестах. Затраты подготовки окупаются повторными запросами; результаты опубликованы в препринте.
Проверяемые задачи рабочего стола и сбалансированное по действиям обучение объединяют графические операции с кодом. Авторы сообщают об улучшении OSWorld-Verified и проверяют перенос на Windows. Препринт не доказывает надёжность на произвольных задачах.
Anthropic опубликовала код, связывающий seed-параметры пяти кривых NIST над простыми полями с lrand48 и историческими метками времени. Это не взлом ECDSA; некоторые базовые точки и правила отбора кандидатов остаются необъяснёнными.
Исследование сочетает спецификации на естественном языке, генерацию кода, проверку корректности и оценку ресурсов для восьми задач. Авторы сообщают о новых компромиссах между кубитами и вентилями. Это алгоритмические оценки, а не демонстрация практического квантового оборудования.
Опросы примерно 11 тысяч взрослых американцев и сотрудников Anthropic показывают разные ожидания относительно возможностей ИИ и автоматизации работы. Исследование фиксирует убеждения и связи между ними, но не подтверждает прогнозы и не устанавливает причинные экономические эффекты.
Внутренние данные о занятости, использовании инструментов и результатах дополнены семнадцатью интервью. Они описывают изменения найма и надзора за агентами. Внедрение не было случайным, объём кода не равен качеству, а одна компания не представляет весь рынок труда.
VERID отслеживает состояние робота и лаборатории, проверяет физические ограничения перед выполнением и поддерживает итерации с экспериментальной обратной связью. Прототипы требуют разрешения и надзора человека; примеры не доказывают полной автономности или клинической эффективности.
Препринт описывает автономное дообучение на реальных GPU с фиксированной оценкой, управлением заданиями и журналом исследований. Результаты ограничены выбранными моделями и условиями эксперимента и не доказывают общую способность к автономной науке.
Аудит десяти сред привёл к шлюзу, который показывает нормализованное действие и выполняет только сохранённый подписанный вызов. Подмена сокращается, но поток запросов подтверждения остаётся проблемой; подтверждение не блокирует действия, уже разрешённые политикой.
Исследование показывает, как структура графа HNSW может усиливать отравление документов в индексе из двух миллионов статей Wikipedia. Проверены риски извлечения и последующей генерации; выводы ограничены выбранными индексом, бюджетом поиска и защитами.
Авторы переводят только инструкции пользователя, сохраняя вызовы инструментов, наблюдения и метки 1 220 шагов, и проверяют девятнадцать защитных моделей. У ряда моделей язык меняет решения сверх фонового шума; это не показатель успешности реальных атак. Авторы указывают принятие на семинар AIWILD при NeurIPS 2026, а не в основную программу.
MCP-FSD проверяет 21 097 серверов из девяти реестров, сочетая анализ контрактов с парными динамическими испытаниями. При заданных политиках песочницы подтверждены 150 уязвимых экземпляров. Доля выявления не равна частоте реальных взломов.
Авторы объединяют специализированных агентов независимых разработчиков и моделируют стимулы к разделению труда. Совместная система достигает 70% на GAIA. Предварительные результаты ограничены выбранным тестом и бюджетами разработки.
CIPR согласует распределения действий при двух семантически эквивалентных интерфейсах. В экспериментах с обучением по примерам и подкреплением улучшилась устойчивость к переименованию действий и смене обозначений; выводы ограничены проверенными преобразованиями.
Авторы периодически очищают сеансы и историю кандидатов, сохраняя лучшее найденное решение. На четырёх задачах программирования, оптимизации ядер и обучения моделей поиск улучшился. Польза для всех видов научных исследований не установлена.
Агенты сборки и критики сочетают геометрическое планирование с анализом контактной динамики, сохраняя опыт в библиотеке навыков. Оценка выполнена в Isaac Sim для разных типов объектов; результаты не заменяют испытания реальных роботов.
Поэтапный агентный процесс генерирует ускорители поверх существующих таблиц и поддерживает согласованность вспомогательного состояния при записи. Система различает дифференциальное тестирование и машинные доказательства. Ускорение измерено на заданных нагрузках TPC-H, а не произвольных запросах.
Препринт использует неопубликованные направления исследований учёных. Ни одна из 135 последующих статей, созданных девятью агентами, не удовлетворяет всем условиям, выявляя ограничения достоверности и проверки исследований.
FEP реализует непараметрический прогноз событий через внимание, устойчивые эмбеддинги и нормализацию времени. После предобучения на 696 наборах модель проверяется на 50 новых без изменения параметров; результаты различаются между системами и задачами прогнозирования.
YUBI-Real2Sim объединяет съёмку двумя fisheye-камерами, гауссову реконструкцию и физическую симуляцию, воспроизводя порядок политик реального робота в восьми из девяти сравнений. Артефакты влияют по-разному; универсального критерия пригодности сцены по качеству изображения пока нет.
Box-WAM заменяет полное будущее видео траекториями ориентированных рамок важных объектов, совместно предсказывая действия и движение. Авторы сообщают экономию вычислений и улучшение действий в манипуляциях; необходимо проверить, не теряет ли компактное представление важные детали более сложных сцен.
TacitVLA сохраняет обучение рассуждениям, но блок действий не ждёт текст текущего вызова; записи памяти могут формироваться во время выполнения. Четыре бенчмарка манипуляций и вождения сравнивают задержку и результативность. Это не подтверждает безопасность реального автономного вождения.
Исследование рассматривает устаревание памяти, заменяющей многошаговые рассуждения, и предлагает мониторинг отношения правдоподобий с перезапуском сертификатов после изменений. Проверка охватывает пять моделей, изменённые факты и код с точной проверкой; гарантии зависят от доступной подтверждённой обратной связи.
Работа выводит улучшение среднеквадратичной ошибки при определённых предположениях о линейной сети и округлении, а затем показывает контрпримеры вне них. Опыты с двумя моделями 8B подтверждают, что уменьшение ошибки калибровки не гарантирует улучшения на новых текстах.
ECHO с помощью фиксированного оценщика различает новые ошибки, унаследованные последствия и исправления, исключает двойной учёт и ограничивает награду за устранение собственных ошибок. На шести задачах получены улучшения для моделей 4B и 8B; качество зависит от оценщика ответственности.
В 485 сценариях авторы показывают распространение разрешённых данных к неавторизованным агентам через обычную координацию. RECONS очищает сообщения с учётом получателя и контекста, сохраняя большую часть допустимого обмена. Остаточные утечки существенны; главным ограничением остаётся полнота обнаружения.
Аудит целостности использует инварианты состояния и контрольные задачи, выявляя изменение среды перед оцениванием. Исправление по 4 320 эпизодам снижает успех с 94,3% до 65,5%. Другой бенчмарк проверить не удалось из-за невозможности восстановить эталонное конечное состояние.
Dream2Discern создаёт трудные латентные варианты префиксов сохранённых траекторий и обучает прогноз конечного результата без новых запусков. На AFTraj-2K и StepShield авторы сообщают взвешенную точность свыше 90%; подтверждение ограничено этими записанными наборами.
MoMaTune сначала обучается на сериализованных записях без меток, при необходимости согласуя частичные представления, затем на целевом прогнозе. На восьми открытых наборах авторы отмечают улучшение числовой чувствительности и представлений; выводы не распространяются автоматически на общие математические рассуждения.
Агенты Sequent-Prover пишут SMT-LIB, обращаются к Z3 и исправляют формализацию. Отобранные траектории используются для дистилляции и обучения предпочтениям, повышая точность на 37 бенчмарках. Успешное выполнение отдельно проверяется на смысловое соответствие исходной задаче.
RECAP сохраняет длинный исторический префикс при калибровке и чередует короткие блоки реконструкции, учитывая влияние ошибок кэша на внимание. Авторы сообщают улучшения в нескольких низкобитных режимах; сохранность произвольных длинных рассуждений этим не гарантируется.
LeHami заменяет свободный предиктор JEPA гамильтоновой динамикой с симплектическим шагом, сохраняющим объём латентного фазового пространства. Опыты с визуальными моделями маятника улучшают долгосрочный прогноз скорости; проверка сложных реальных систем пока не представлена.
Co-DSL превращает описания и обратную связь пользователя в повторно используемые пространственные операции. Языковая модель составляет граф концепций, а решатель ищет допустимую компоновку. Оценка охватывает пять областей; возможности ограничены библиотекой концепций и выражаемыми ограничениями.
Авторы объединяют переносимую инструкцию, лёгкие инструменты и навигацию по документам для подготовки ответов службы поддержки. В проверяемом человеком корпусе получено высокое соответствие процедурам, но обработка занимает около 90 секунд и уступает действующему помощнику по скорости; переносимость результатов не установлена. Авторы указывают принятие в Industry Track EMNLP 2026.
SceneForesee связывает наблюдаемые и будущие сцены общими идентификаторами объектов. EvoSee совместно предсказывает траектории и события; авторы сообщают улучшения на SceneForesee и Dyn-Bench. Эти результаты ограничены проверенными задачами и не доказывают надёжность прогнозов произвольных сцен.
TETPO регулирует степень важностных весов до достижения заданного эффективного размера выборки для каждой группы запросов. Авторы выводят ограничения разброса и проверяют математическое рассуждение при запаздывании политики; теоретические выводы действуют при заявленных предположениях о промежуточном распределении.
KV4-RL сочетает INT4-квантование KV-кэша с INT8-защитой опорных позиций внимания и недавнего контекста. В опытах с Qwen3 авторы ускоряют асинхронное обучение, сохраняя близкую к BF16 точность при единой оценке; результаты относятся к проверенным конфигурациям.
Исполнимые контракты задают факты задачи, допустимые изменения и критерии завершения до запуска агента. Повторная оценка 14 336 сохранённых запусков показывает, что близость эмбеддингов пропускает изменения самой задачи. Метод проверяет корректность испытаний, а не гарантирует общую безопасность.
MisVisAgentBench содержит 280 исполняемых заданий с парными обычными и искажающими графиками. Для 13 агентов средний успех падает более чем на 34 процентных пункта; результат ограничен данным тестом, а не всеми реальными сайтами. Авторы указывают принятие на EMNLP 2026.
Вероятность эталонного ответа направляет ветвление промежуточных рассуждений и вызовов инструментов, а обратное распространение задаёт преимущества ходов. Улучшения показаны на семи QA-тестах и трёх моделях Qwen; надёжность на произвольных открытых задачах не доказана.
Стратифицированный анализ 26999 запросов на слияние изучает совместные изменения приложения и развёртывания, отмечая задержки проверки и слияния без неё. Причинная интерпретация наблюдательных данных зависит от предпосылок и не исключает все скрытые смешивающие факторы.
Система создаёт черновик, прогнозирует реакцию пользователя и пересматривает ответ, сочетая такое обучение с GRPO. Улучшения показаны в совместном решении математических, программных и письменных задач; это не доказывает человеческое понимание психических состояний.
Поиск по временной близости восстанавливает пропущенные сообщения, а лес свидетельств отслеживает изменения состояний и сжимает малоинформативные интервалы. Улучшения показаны на двух тестах длительной многопользовательской памяти; устойчивость в реальных непрерывных диалогах ещё требует проверки.
Qwen3-1.7B предсказывает непрерывные визуальные токены перед одинаковой настройкой на изображениях и тексте. Авторы отмечают улучшение визуальных тестов при сохранении среднего текстового результата; вывод ограничен данной моделью и конфигурацией обучения.
DAG-EDA соединяет граф намерений с графом знаний, связывающим понятия предметной области и переменные данных. Система поддерживает ветвление и возврат; статья описывает сценарий и план исследования, но не завершённый пользовательский эксперимент.
Четырёхпроходный компилятор превращает письменные политики в детерминированные проверки совместимости вызовов. На тестах обслуживания и инъекций нарушений меньше; защита зависит от полноты правил и привязок, а действия вне контролируемых вызовов остаются за пределами метода.
Бенчмарк включает 1373 пары инструкций и траекторий для выявления скрытых нарушений ограничений. Проверены 11 судей; лучшая агентная конфигурация достигает 80,9% сбалансированной точности на подмножестве AH, поэтому ошибки автоматической оценки остаются существенными.
Для 82 нерешённых задач математики и теоретической физики даны контекст и известные результаты. Четыре модели оценивают ответы без эталонных решений; заявленные доли решения не являются независимым подтверждением математических открытий.
Повторный выбор инструкций на малых оценочных выборках завышает улучшения в экспериментах с Qwen. Независимые отложенные тесты выявляют разрыв; проверенные правила принятия изменений не решают проблему устойчиво, а оценки сохраняют значительную неопределённость.
Вероятности рангов оценок позволяют оценивать стратегии по выборкам и выбирать бюджет генерации с учётом неопределённости. Проверки выполнены на синтетических данных и GSM8K; статистические гарантии зависят от предпосылок и не исключают ошибок при эксплуатации.
Компактная латентная модель с диффузионным декодером помогает обнаруживать аномалии, группировать данные и проверять согласованность действий. Работа представляет качественный пример на записях CS:GO; количественные метрики отбора и улучшение последующего обучения пока не проверены.
Непрерывно работающий городской симулятор проверяет завершение заданий и опасные события для восьми визуально-языковых моделей. Успех может скрывать риск задержки; частоту столкновений в симуляции нельзя трактовать как прогноз реальных аварий.
Рекуррентная мировая модель сочетает карту исследования и пространственную ценность задачи для воображаемых траекторий. Заявлен успех 23,8% на UAV-ON и 19,9% в новых сценах; эти результаты не подтверждают надёжную автономность в реальном городе.
Отдельные низкоранговые адаптеры и маршрутизация по вопросу уменьшают конфликт аудионавыков. Авторы сообщают о приросте средней точности на 2,5–4,1 пункта для трёх моделей на трёх тестах; перенос за эти условия не проверен.
В симуляциях социальных сетей с разными базовыми моделями авторы отделяют влияние персон от свойств модели. Вовлечённость сильнее связана с базовой моделью; лексический анализ исследует причины, но результаты не доказывают аналогичный эффект у людей. Авторы указывают на Spotlight-доклад на семинаре по социальным симуляциям при COLM 2026.
Восстановление действий помогает представлениям мировой модели сохранять неустойчивые, но управляемые направления. Доказательства относятся к линейным системам, эксперименты — к нелинейному визуальному управлению; универсальная устойчивость роботов не установлена.
Динамический отбор примеров и контроль отдельных шагов снижают конфликт градиентов и перезапись направлений LoRA. Эксперименты охватывают три архитектуры и семь наборов инструкций; результат не гарантирует перенос на любые данные и модели.
На 300 заданиях агенты реализуют проверки и дорабатывают их по обратной связи компилятора. Средний Pass@1 для 21 сочетания модели и среды — 32,30%; этот тест не измеряет способность провести полный аудит безопасности.
Нет исследований с этим тегом в выбранном диапазоне дат. Выберите другой тег или все даты.