arXiv cs.AI 周报 (2026-11-02~2026-11-08)
arXiv cs.AI 周报 (2026-11-02 ~ 2026-11-08)
🗓️ 本周覆盖
本周(2026-11-02 ~ 2026-11-08)共 7/7 天 daily 报告文件可用,完整覆盖一周、无缺失日期。
但其中两天的正文不完整:2026-11-05 的正文是生成异常的元文本(仅头部统计可用:103 篇 · cs.LG 30 · cs.CL 23,无任何论文精选);2026-11-07 仅保留「趋势观察」部分(142 篇,无方向卡片、无 Top 10)。
因此跨日主题与周度 Top 10 的实际可用天数为 6 天(11-02 / 11-03 / 11-04 / 11-06 / 11-07 / 11-08),其中 4 天(11-02、11-03、11-06、11-08)拥有完整 Top 10 榜单。
下文所有频次与取舍均基于这 6 天的 daily picks;2026-11-05 的论文不在本汇总范围内。
🔥 本周主题(跨日合成)
以下 5 条主题均在多份 daily 中反复出现,按跨日频次排序。频次 = 信号强度。
① 智能体记忆、Harness 工程与自我改进(在 6/6 可用天出现)
本周最强主线。叙事从「让 Agent 记住经验」(11-02/03 的程序性记忆、群聊记忆)推进到「harness 本身是可搜索、可训练、可验证的一等对象」(11-04/08),最后落在「权重 × harness 共同进化」的 RSI 命题上(11-06/08)。11-07 同时给出反面:持久技能与记忆本身就是新攻击面。
- 2026-11-02:Recursa: Toward Recursively Self-Improving Foundation Model Systems — 无专家、无教师模型的递归自改进,held-out 通过率 30%→55%。
- 2026-11-02:WASP-Mem: Let Agent Organize Procedural Memory — 执行轨迹蒸馏为互联 wiki 页面,人类只做诊断。
- 2026-11-03:Meta$^2$: Precomputing Reusable Knowledge for Online Harness Evolution — 离线预计算 harness 进化知识,Terminal-Bench 2.1 达 81%。
- 2026-11-04:Reglos: A Self-Evolving Personal Memory Agent with Recursive Self-Improvement — 记忆 + harness 双回路,跨家族 critic 专筛过拟合补丁。
- 2026-11-04:HarnessFlow: MCTS-Guided Harness Optimization for LLM Agents — 每基准仅 15 次精化即超手工 harness 10.89pp。
- 2026-11-06:ENGRAM: From Agent Experience to Weights through Verified Consolidation — 双门控把经验固化进权重、释放检索记忆。
- 2026-11-07:BadEvolve — 自进化智能体的持久技能与记忆被证明可被投毒。
- 2026-11-08:JoMoHa — 首个用 RL 联合训练 harness 生成策略与任务执行策略的框架。
② 智能体安全:从提示词防御到「模型即不可信组件」(在 6/6 可用天出现)
攻击面一周内连续外扩:工具生态(MCP 投毒)→ 安全机制本身(伪造危害警示)→ 降本优化(MoE 减专家、上下文压缩削弱拒绝)→ 文档解析器(OOXML)→ 记忆与反馈通道 → 审计机制(logit 清洗)。防御侧则从经验性提示走向确定性监控与机械化证明。(11-07 保留部分仅 BadEvolve 一篇涉安全。)
- 2026-11-02:MCP Tool Poisoning in Agentic AI Frameworks — 12 框架 × 18 模型实测,攻击成功率 22.9%,无一框架实现主动防御。
- 2026-11-03:Voluntary Servitude: Weaponized Safety Warning Mechanisms for Controlling AI Agents — 绕过注入检测器后有效性提升 1.7–4.4 倍。
- 2026-11-04:SafeStart — MoE 减专家提速 15–28%,但越狱下有害应答率最多 +18.4pp 而 MMLU 降不足 2 分。
- 2026-11-04:Does Context Compression Preserve Refusal Alignment? — 语义保真 ≠ 行为保持,压缩衰减了「拒绝方向」激活。
- 2026-11-04:When File Ingestion Misleads Language Models — 19 个机器可读/人不可见通道,8 个主流助手与编码 agent 全部被误导。
- 2026-11-06:Logit Laundering: Evading Data-Use Auditing in Large Language Models — 推理期重塑 logits 即可逃避水印审计。
- 2026-11-08:PlanTERS: On the Relative Security of Prompt Injection — Isabelle/HOL 机械化证明「围栏定理」,防御首次有形式化判定。
- 2026-11-08:ErosionBench — 1728 个场景按工具调用打分,度量企业多智能体跨会话对齐衰减。
③ 评测怀疑论与审计文化(在 6/6 可用天出现)
一周内反复出现同一结论:排行榜位置不是模型能力的属性。评分规则、数据划分协议、全局相关指标、区域级匹配方式,任一设计选择都足以翻转排名或虚高一个数量级。11-07 的保留内容几乎整篇都是这一主题。
- 2026-11-02:Same Outputs, Different Scores — 仅评分规则一项就让同一输出相差 22 分。
- 2026-11-02:Harder Than the Task — 少于四分之一的现有基准覆盖任何组织性难度条件。
- 2026-11-03:Verifier strength does not buy discovery quality — 预注册式 LLM 科学方法论研究(同日另有 Patching the Protocol)。
- 2026-11-04:The Split Protocol Decides the Result — 同模型同代码,换 session-disjoint 划分后 macro-F1 从 0.992 跌到 0.567。
- 2026-11-04:Does Your Trial Simulator Know What the Drug Does? — 9,996 个审计对比:注册数据训练的 GBM 模拟器干预技能为 −0.12。
- 2026-11-06:Knowing When to Intervene: Causal Evaluation of AI Agents — 把静态 benchmark 升级为轨迹内干预的因果评估。
- 2026-11-07:RankShift · The Delta Gap — 区域级匹配下 Kendall τ 低至 0.23;全局相关指标把细胞扰动性能虚高一个数量级(0.977 vs 0.076)。
- 2026-11-08:HydroTuring — 37 个物理守恒探针:预训练洪水 LSTM 11 项挂 6 项,高拟合优度 ≠ 物理一致。
④ 低比特推理效率与「上下文经济学」(在 4/6 可用天强产出:11-02 / 11-03 / 11-06 / 11-08)
KV 缓存一周内从 2-bit(11-02)走到 sub-1-bit(11-03)再到 FP4 生产内核(11-06)与带统计保证的压缩(11-08)。同期出现对本行业叙事的正面质疑:「你不需要长上下文」。11-07 的保留部分则以 RAG 部署成本(零模型调用删除、零 API 成本缓存)的变体呈现同一降本诉求。
- 2026-11-02:FlagRot: Selective Rotation for Low-Bit KV Caches — 按段选择「旋/不旋」,2-bit KV 误差大幅下降。
- 2026-11-02:The SIMPLE Law for Energy Cost of LLM Inference — 闭式能耗定律 R²=0.969,agentic 请求能耗为非 agentic 的 13 倍。
- 2026-11-03:You don't need long context — 频繁压缩下前沿模型牺牲极少精度;生成后段 token 成本可达前段 7 倍。
- 2026-11-03:LoopVQ: Sub 1-bit KV Cache Quantization for Looped Transformers — 0.5 bit/元素,峰值吞吐最高 6.1 倍。
- 2026-11-06:BitDecoding-FP4 — 精度距 BF16 仅 0.5 分,B300 上 2.4–3.0× 服务吞吐(同日 FOSCAR、Fused-Softmax、HASA 成簇)。
- 2026-11-06:CPU-ARA: Agentic Reasoning Caching for on-CPU Reasoning Reuse — 推理轨迹编译为 CPU 可执行缓存,调用成本降 16–291×。
- 2026-11-08:VerKV: Verify Before You Fetch — 首个带 (ε, δ) 注意力误差保证的 KV 压缩,显存降 8–32 倍。
⑤ AI for Science 与具身智能:走向干湿闭环与零演示(在 5/6 可用天出现)
科学线共同叙事是「结构先验 + 学习参数 + 可验证闭环」:多篇带前瞻湿实验、形式化证明或数月级生产验证。具身线则在系统性动摇「遥操作示范数据」的地基——合成数据、通用智能体零样本、运动生成先验三条路线同时给出替代方案。(11-07 保留部分仅 DFT-Agent 一处简提。)
- 2026-11-02:ProteoCraft: Protein Design as Proposal-Verification Search — PD-L1 结合实验命中率 82.9%,最佳 KD 0.879 nM。
- 2026-11-03:PyRUA-DataFarm — 编码智能体替代遥操作员,$0.80/episode,真机 93/100 成功反超遥操作数据。
- 2026-11-04:EnzymeRSI — 双回路 RSI + 云实验室,三项前瞻湿实验(KOD-E 催化效率达亲本 31.1 倍)。
- 2026-11-04:From hydrological laws to catchment models (CaRT+) — 1,194 个流域上过程模型追平乃至反超 stateful LSTM,全程无神经网络。
- 2026-11-06:Discovering formally verified quantum programs with AI — Lean 验证托底,量子算术改进 290×、聚变模拟 11×。
- 2026-11-06:On Agentic Manipulation Policies (AMP1) — 零演示、零任务训练,RoboLab-120 上 85.6% vs VLA 49.2%。
- 2026-11-08:Kimodo-Policy (KAM) — 运动生成先验作人形动作骨干,仅 92M 可训参数拿下 HumanoidArena 72.14%。
- 2026-11-08:A Physical Testbed for Self-Driving Laboratories — 24 小时无人闭环化学实验,agentic 优化省至 52% 迭代。
📈 方向走势
持续高产(几乎每天都有)
智能体记忆 / harness / 自我改进(6/6 天)与智能体安全(6/6 天)是本周两条从未断档的主线,且彼此咬合——11-06 的 MemoryDojo、11-07 的 BadEvolve 同时属于两条线:记忆系统既是能力来源,也是新攻击面。
评测审计(6/6 天)同样持续,且形态在升级:11-02 质疑评分规则 → 11-04 质疑数据划分协议 → 11-06 引入因果干预评估 → 11-07 量化排名翻转 → 11-08 用物理守恒探针与过程级打分。
AI4Science + 具身(5/6 天)稳定输出,验证强度逐日抬升:从计算筛选(11-02/03)到湿实验与形式化证明(11-04/06)再到 24 小时无人实验室(11-08)。
本周爆发
权重空间编程(Weight-Space Programming)——最陡峭的爆发曲线。11-02 ~ 11-05 的可用内容中零出现;11-06 单日成簇 4 篇(数学推理、机器人策略调试、双人博弈网络三篇正向 + LoRA→可读 Skill 文档一篇反向)并占当日 Top 10 两席;11-08 再有两组作者独立同题提交(Dennis Gross 的经典策略网络 + Storm 模型检查;Debarshi Kundu 等的量子变分线路),再次进入 Top 10。两天内从无名到成为独立研究线。
低比特 KV 缓存的「算法–内核协同设计」——11-02、11-03 各 1–2 篇(FlagRot、LoopVQ);11-06 单日 ≥5 篇(BitDecoding-FP4、FOSCAR、Fused-Softmax、HASA、Intent-Aware Caching),其中 Fused-Softmax 已支撑 AMD 的 MLPerf Inference v6.1 提交、FOSCAR 已集成 SGLang;11-08 转向「带保证」(VerKV 的 (ε, δ) 界)。三天完成从纸面算法到生产内核再到可验证工程的跃迁。
消退 / 被替代
「堆长上下文窗口」——11-03 的 You don't need long context 直接质疑之后,本周可用内容里再无以「更长上下文」为卖点的入选论文;长上下文研究整体转向压缩(SumOne,11-04)、带保证的 offload(VerKV,11-08)与循环状态检索(Anchor,11-03)。
遥操作作为机器人数据主源——11-03 三条技术路线同时替代(仿真+视频渲染、虚拟试穿、场景流),11-06 AMP1 干脆零演示零任务训练,11-08 KAM 用运动生成先验取代 VLA 骨干。一周内三次不同角度的正面冲击。
提示模板式推理与「换更大模型」——11-02 AlgoPilot 把策略选择解耦出来之后,11-07 的 FSM 流程控制(Haiku 4.5 以 38% 成本超过裸 Sonnet 4.6)、REINS(不改权重达 98%+ 合规)与 11-08 的 ODSA 一致指向:可靠性红利来自运行时脚手架与编排,而非参数规模。
投稿量节奏(来自各 daily 头部统计)
244(11-02 峰值)→ 157(11-03)→ 99(11-04 低谷)→ 103(11-05)→ 164(11-06 反弹,本周技术突破密度最高的一天)→ 142(11-07)→ 100(11-08)。周初与周五为两个高点,周中明显回落。
🌟 周度 Top 10
去重结果说明:本周 4 份含完整 Top 10 的 daily(11-02 / 11-03 / 11-06 / 11-08)之间没有任何一篇论文被重复选中,因此不存在「被 ≥2 天 Top 10 选中」的高频论文。 下表改按「创新性 × 所属研究线的跨日共振强度」排序,每条标注来源日期与它代表的跨日线索。
-
On Agentic Manipulation Policies
Chen Chen, Omid Bagherieh, Naveen N. A. Balaji 等 13 人 · 被 1/4 天 Top 10 选中(11-06,当日榜首)· 通用智能体零样本 85.6% 碾压 VLA/WAM 专家策略,真机 104/108,是「具身去演示化」线索(11-03 合成数据 → 11-08 KAM)中最激进的一环。
-
Discovering formally verified quantum programs with AI
Sergey Shirobokov, Ben Jaderberg, Katerina Hristova 等 25 人 · 被 1/4 天 Top 10 选中(11-06)· 量子算术 290×、聚变模拟 11×,且由 Lean 证明器验证;与 11-02 ProteoCraft、11-04 EnzymeRSI 共同构成「科学智能体带硬验证闭环」的本周最强证据。
-
On the Relative Security of Prompt Injection: Mechanised Definitions, Defences and Verdicts for LLM Agents
Brijesh Dongol(单人深度理论工作)· 被 1/4 天 Top 10 选中(11-08)· 为贯穿全周 6 天的智能体安全线收口:提示注入首次拥有 Isabelle/HOL 机器检查的安全边界(围栏定理)。
-
InfraRSI: Harnessing Recursive Self-Improvement for Training Infrastructure
InfraRSI Team, Yuchuan Tian, Haocheng Mei 等 11 人 · 被 1/4 天 Top 10 选中(11-08,当日榜首)· MFU 17.4%→30.0%、最高 2.75× 加速;是 RSI 主线(11-02 Recursa → 11-04 Reglos/EnzymeRSI → 11-06 ENGRAM → 11-08 JoMoHa)落到生产训练成本上的一环,防奖励作弊的任务契约设计尤值借鉴。
-
The Harness Is the Model: Agent Scaffolding Changes a Fixed LLM's Compliance with Banking Conduct Rules
Mehmet Murat Huyut · 11-04 精选(该日无 Top 10 榜单)· 3,120 个双轮 episode 实测:同模型内最优—最差 harness 差 11.5pp,足以把四模型第一挪到最后。给出「验证单位应是 model–harness pair」的结论,是 harness 工程线(11-03 Meta² → 11-04 HarnessFlow → 11-08 JoMoHa/LiveAsset)的实证基石。
-
You don't need long context
Peter Belcak, Saurav Muralidharan, Jindong Jiang 等 12 人 · 被 1/4 天 Top 10 选中(11-03,当日榜首)· 唯一一篇直接挑战行业军备竞赛叙事的入选论文;同一作者团队的 CPU-ARA 在 11-06 再度进入 Top 10,构成本周唯一可见的「同团队跨日两次上榜」信号。
-
Exploring Weight-Space Programming: Capabilities, Generalization, and Limitations
Junru Hu, Cheng Tang, Wei Li 等 · 被 1/4 天 Top 10 选中(11-06)· 仅改 1,023 个参数换 MATH-500 +29.45 分,并诚实呈现失败模式;代表本周爆发最陡的新研究线(11-06 四篇 + 11-08 两组独立同题,两日均进 Top 10)。
-
Voluntary Servitude: Weaponized Safety Warning Mechanisms for Controlling AI Agents
Ilan Zendel, Matan Levy, Stav Cohen 等 · 被 1/4 天 Top 10 选中(11-03)· 把智能体的自避害机制变成攻击面、无可检测注入语法;同时给出一条约 95% 消除暴露面的廉价防御,是本周「攻防成对出现」范式的最佳样本。
-
BitDecoding-FP4: Native FP4 KV Cache Decoding via Algorithm-System Co-Design
Dayou Du, Woon Yee Ng, Guangming Sheng 等 · 被 1/4 天 Top 10 选中(11-06)· 精度距 BF16 仅 0.5 分、B300 上 2.4–3.0× 吞吐;代表低比特 KV 线索的全周演进(11-02 FlagRot → 11-03 LoopVQ → 11-06 五篇成簇 → 11-08 VerKV 带保证)。
-
MCP Tool Poisoning in Agentic AI Frameworks: A Cross-Framework Measurement Study
Farooq Shaikh, Biagio Montaruli · 被 1/4 天 Top 10 选中(11-02)· 9,720 格 susceptibility 矩阵 + 真实执行验证,22.9% 攻击成功率、零主动防御;是本周智能体安全线(6/6 天)的起点,与 11-08 PRISM 的权限压缩 78.3% 首尾呼应。
遗珠(单次上榜但价值突出): ProteoCraft(11-02,湿实验 82.9% 命中)、 PyRUA-DataFarm(11-03,$0.80/episode)、 Perseus(11-03,全同态推理快 3.96×)、 Test-Time Compute Scales Better with Parallel Agent Teams(11-06,10×10 小队胜 100 单体)、 MemoryDojo(11-06)、 EnzymeRSI(11-04)、 Kimodo-Policy(11-08)、 PURL(11-08,扩散 LM 可修订解码至 8× 轮数削减)、 AlgoPilot(11-02,8B 超大模型 prompting 基线 11.7%)。
📊 本周数字
🔮 趋势观察
1. 「智能体性能 = 权重 × harness」的共同进化叙事成形,同时负面结果开始划界
正向证据横跨全周:Recursa / CUA-Master(11-02)→ Meta² / Continual AutoResearch(11-03)→ Reglos / HarnessFlow / The Harness Is the Model(11-04)→ ENGRAM(11-06)→ JoMoHa / InfraRSI / SimplEvo / LiveAsset(11-08)。三条独立路径逼近同一命题:单优化权重或单优化脚手架,都会被另一边卡住。
反向证据同样密集:11-08「失败轨迹自改进的增益约六成可被无轨迹搜索复现」、「小模型上自一致性可为负收益」;11-07 Sampling Is Not Curiosity(Schmidhuber、Pentland 等)指出温度、best-of-N、树搜索都不构成真正探索;11-04 FlyHash 如实报告两个不利结论;11-03「更强的验证器换不来发现质量」;11-02 持续演化会遗忘(相对下降 66%)。社区正在系统性划定「什么时候不 work」,评测诚实度明显上升。
2. 「验证优先」从安全扩散到科学与系统三条线
形式化工具本周集中登场:Isabelle/HOL 机械化证明(PlanTERS,11-08)、Lean 证明器(量子程序发现 11-06、SimuLean 11-07、Statopia 生态 11-08)、Storm 模型检查(权重空间策略验证,11-08)。与之并行的是统计保证(VerKV 的 (ε, δ),11-08)、物理守恒探针(HydroTuring,11-08)、因果干预评估(Knowing When to Intervene,11-06)与过程级打分(ErosionBench,11-08)。
科学智能体也在这条线上收敛:从文献检索走向「提假设 → 设计实验 → 硬验证」闭环——ProteoCraft 的前瞻实验(11-02)、EnzymeRSI 的三项湿实验(11-04)、CellCanon 的观测驱动更新(11-04)、自驱实验室 24 小时无人闭环(11-08)。可验证性正在从加分项变成入选门槛。
3. 推理降本开出蒸馏/量化之外的第三条路,能耗开始被实测而非估算
「把推理固化为可复用工件」成为本周新范式:CPU-ARA 把推理轨迹编译成 CPU 可执行缓存(成本降 16–291×,11-06)、SumOne 把上下文压缩器做成任务无关的即插即用组件(推理成本降 78%/75%,11-04)、Why Pay for Long Reasoning 把历史推理改写为紧凑状态记录(11-02)、Low-Rank Hierarchical Merging 把输出长度压缩至多 93.1%(11-02)。这条路与低比特量化正交,可叠加。
成本度量本身也在变硬:11-02 的 SIMPLE 定律给出闭式能耗表达式并量化 agentic 请求 13 倍能耗、LEAP 用生产机群数据省下约 3% 训练算力;到 11-08 已出现直接 GPU 能耗实测(MoE 批感知路由省 12–18%/token,并附一条循环策略批级共享省能失败的阴性结果)。「AI infra 论文用生产数据说话」的趋势在一周内明显加强。
评论