【每日AI前沿追踪】2026年08月31日 核心技术与产业动态速递

一、 今日核心洞察与重点摘要

• Agent基础设施进入"可靠性形式化"阶段：Logos用四引理+定理给出agent harness跨进程可靠性的形式化充分条件（组合与装配移出进程边界，恢复时间547ms→41ms）；EvoUndo首次把"可恢复性"作为自演化搜索空间的硬约束（91.4%失败可修复）；CAITLYN把防御规则做成可执行自扩展技能库（CEGIS式漏检反例自动转化新防御）。Agent系统的研究重心正从"能不能跑"转向"错了能不能回滚、坏了能不能自愈、攻了能不能进化"。
• 评测从测结果走向测"能力解耦"：LoopArena冻结Worker只测Controller（编排能力最高仅24.69%，单步契约选择87.78%直接对应终局差距）；RealSWE用多变体任务族做逐字段受控消融（真实用户表达使7模型平均降6.4pp，但"期望行为/动机"一段话就能补回+6.8~+9.9pp）；ElephantBench发现LLM参数记忆的主流失败不是遗忘而是"不完整回忆"（最强模型完整回忆率仅52.38%）。
• 训练信号精细化到快照级、状态级与token对齐级：ContextPilot用"上下文变化+熵变化"定位关键编辑做快照级信用分配（方差降为1/n定理）；VICT把终端验证器从结果神谕转为训练期信用追踪器；Falcon修正快权重更新的时间对齐错误（前缀配对vs同对配对），长度外推87.2% vs Transformer 65.8%。
• 微软证伪线性注意力价值主张 + ETH给出纯文本学习的信息论上界：免训练SWA+4个sink token在11个模型上平均分9例最佳（零后训练恢复99%短上下文性能）；ETH Zürich证明无论多少文本，形式对意义的不确定性构成不可逾越的解码天花板（0.93/0.66实验验证）——两篇论文共同提醒领域：先测强基线，再谈天花板。

今日企业+高校研究合作趋势：108篇候选中约30%为产学研合作，且合作模式高度分化——腾讯系（优图+清华+上海AI Lab的ContextPilot/ElephantBench、微信+中山大学的WeAgent-MMSearch）以"企业出生产场景+高校出方法学"推进上下文管理与多模态搜索基建；蚂蚁系（+中南大学的RCCA信用分配、纯企业团队的HARTS训练系统）把RL信用分配与训练基础设施做到系统级；阿里系（DreamX+北邮+UNSW的LoopArena、Qwen团队H-Scale量化）延续"评测定义问题+工程跟进"；国际侧（微软ASG的SWA批判、NVIDIA的Falcon、首尔时报+三星的LandingAgent）显示企业研究院正在独立产出顶会级方法论论文。研究方向集中于四条线：可靠性形式化、能力解耦评测、细粒度信用分配、Agent安全自演化。

二、 详细内容追踪

1. 前沿学术与技术突破

1.1 LoopArena：把"模型作为管理者"的编排能力单独拎出来测

• 论文名称：[LoopArena: Benchmarking Models as Runtime Controllers for Loop Engineering / LoopArena：循环工程的运行时控制器基准]
• 核心亮点：
  • 任务定义：评测模型作为Controller指挥一个固定不变编码Agent（Worker）完成长时程仓库级任务的能力——即"Loop Engineering"中的运行时循环编排能力（编码Agent评测领域）。
  • 方法核心：LoopArena的Controller-Worker解耦评测——Worker与执行环境（工具/预算/评估器）全部冻结，被测模型只充当Controller，每轮读取Reporter agent总结的Evidence Packet，输出结构化Loop Contract（advance/verify/stop三种决策+任务指派），把"编排能力"从"编码能力"中剥离出来单独测。三级设置：Type I（冻结验证后的四选一契约选择）→Type II（任务切片循环控制）→Type III（完整任务）。
  • 评估指标：Type III Strict Success Rate最高仅24.69%（GPT-5.5），各Controller范围16.05%–24.69%；Type I准确率72.22%–87.78%；Type II相对Type III成本降低64.4%，两设置排序Spearman ρ=0.9747。任务源自SCBench（11个）+BeyondSWE（16个）共27个配对任务、90道Type I题。
  • 为何优于baseline：固定Worker与harness后，成败只取决于Controller决策质量——fixed control与no control在Type III上持平（均18.52%）证明"机械重复目标"无效，有用的控制必须随运行状态自适应地在实现/验证/恢复/停止间切换，这种适应性决策正是拉开差距的机制来源。
• 团队背景：阿里DreamX Team+北京邮电大学+UNSW Sydney+Data61 CSIRO，典型"企业+高校"合作。
• 相关链接：📄 点击阅读论文原文

1.2 ContextPilot：教Agent主动管理自己的工作上下文

• 论文名称：[ContextPilot: Teaching Agents for Proactive Context Management via Fine-grained RL / ContextPilot：细粒度RL训练智能体主动上下文管理]
• 核心亮点：
  • 任务定义：长程智能体任务中交互历史不断增长导致上下文过载——解决"何时/如何编辑自己的工作上下文"的主动管理问题（LLM Agent长上下文推理领域）。
  • 方法核心：扩展工具集（新增planning、长期记忆memorize/readMemory、软上下文卸载summarizeContext/compressContext/foldHistory）+两项RL改造：(a)上下文感知部分回滚——用上下文变化量ΔC与熵变化量ΔH计算敏感度分数S=α·ΔC+β·ΔH，对高影响编辑动作做分支采样集中探索预算；(b)细粒度信用分配——用所有经过某中间快照的分支轨迹平均奖励估计该快照优势，理论上证明方差降为1/n_S。
  • 评估指标：长上下文QA四基准上ContextPilot-8B-RL平均69.40 vs StateLM-8B-RL 65.85（+3.55）；14B达72.20。BrowseComp上每轮输入稳定8K–10K而基线线性涨到约30K。工具消融（Qwen3.5-397B）：原工具77.89→+规划80.29→+软卸载83.08→+长期记忆87.16（BrowseComp+ 63.49→80.96）。
  • 为何优于baseline：现有方法把轨迹级稀疏奖励均摊给所有中间编辑动作且对不同影响动作统一探索；ContextPilot按敏感度分配分支采样预算使关键决策获得更多探索，快照级奖励是终局奖励的无偏但方差降为σ²/n的估计（定理证明），GRPO组内优势信号更稳定。
• 团队背景：清华大学+腾讯优图实验室+上海AI Lab，“企业+高校"合作。
• 相关链接：📄 点击阅读论文原文

1.3 openJiuwen：华为开源长时程编码Agent Harness

• 论文名称：[openJiuwen: Beyond Static Harnesses for Long-Horizon Coding Agents / openJiuwen：超越静态harness的长时程编码智能体]
• 核心亮点：
  • 任务定义：为长时程编码智能体构建开源agent harness，解决"结构可组合性”（开发者组合能力不需重写编排）与"运行时适应性"（执行中新生证据动态影响后续决策）两大系统层问题。
  • 方法核心：共享Inner Loop/Outer Loop执行基座+Rail机制（生命周期钩子上的有序能力组合+可见性门控）；运行时通过Context Management（渐进压缩/结构感知缩减/外置检索）、Goal Mode（语义验收约束的停止决策）、LSP被动反馈（过滤后的语义诊断注入）、Self-Reflection（跨任务经验蒸馏）在固定模型策略周围改变框架控制的运行时状态。
  • 评估指标：SWE-bench Verified Pass@1 = 82.6%（超最强官方榜单3.4pp）；Terminal-Bench 2.1 = 87.19%（GPT-5.6 Sol，超最强榜单3.39pp）；1–4小时长任务52.38%（mini-swe-agent同设定35.71%）。
  • 为何优于baseline：harness层而非模型层的改进——渐进上下文压缩缓解长轨迹上下文压力、LSP诊断闭环修正、语义化停止避免资源耗尽型失败；1-4小时长任务上52.38% vs 35.71%说明上下文管理保住了深推理收益。
• 团队背景：华为技术有限公司（纯企业，开源项目）。
• 相关链接：📄 点击阅读论文原文

1.4 WeAgent-MMSearch：让搜索Agent真正"看见"图像

• 论文名称：[WeAgent-MMSearch: Native Text-Vision Interaction for Multimodal Search Agents / WeAgent-MMSearch：多模态搜索智能体的原生文视交互]
• 核心亮点：
  • 任务定义：现有agentic搜索环境只回传文本、丢弃工具返回图像，导致多模态轨迹退化为纯文本推理；同时长时程交互中工具调用异常污染RL训练信号（多模态搜索智能体领域）。
  • 方法核心：WeAgent-Harness（检索图像持久化为磁盘引用、跨轮回灌模型可见状态、可恢复执行）+四阶段数据构造管线（3.3K SFT/4.9K RL自建数据）+FA-GSPO（失败感知GSPO：可挽救异常rollout先恢复再过滤，仅合格轨迹参与组归一化）。另发布VisTarget-Bench（150题人审基准，每题配held-out目标图像区分图像检索失败与视觉感知失败）。
  • 评估指标：8基准平均：Base 36.75%→SFT 51.04%→RL 55.97%（后训练共+19.22分）；VisTarget-Bench 8.00→30.22(RL)；Kimi K2.6挂harness后从21.92升至58.42；可抗衡约10倍参数量模型。
  • 为何优于baseline：图像作为可寻址持久状态回灌使像素级证据不再从模型可见状态中消失——去掉图像回灌平均从55.97降至46.89（-9.08）直接证明因果；FA-GSPO使无效轨迹不进组归一化，避免与任务无关的失败信号污染梯度。
• 团队背景：腾讯微信AI+中山大学，“企业+高校"合作。
• 相关链接：📄 点击阅读论文原文

1.5 VICT：终端验证器从"结果神谕"转为"训练期信用追踪器”

• 论文名称：[VICT: Verifier-Instrumented Credit Tracing for Long-Horizon LLM Agent RL / VICT：验证器插桩的长时程Agent RL信用追踪]
• 核心亮点：
  • 任务定义：长时程Agent RL中终端验证器只在终局给出通过/失败，中间数十步动作得不到差异化信号——解决稀疏验证器下的动作级信用分配（Agent RL训练领域）。
  • 方法核心：把验证器从"只在终点打分"改造为"训练期信用追踪器"：在轨迹执行过程中插桩调用验证器获取中间状态的可验证反馈，以可审计的方式支撑动作级优势修正。
  • 评估指标：详见论文实验部分（长时程Agent基准上的成功率提升与信用分配质量分析）。
  • 为何优于baseline：传统做法要么用奖励模型做密集奖励（不可审计、易被hack），要么纯终局稀疏奖励（方差大）；VICT复用确定性验证器作为中间信号源，兼顾可审计性与信号密度。
• 团队背景：清华大学+西安交通大学+嘉兴南湖大学（纯高校合作）。
• 相关链接：📄 点击阅读论文原文

1.6 RealSWE：基准任务描述与真实用户请求的差距有多大

• 论文名称：[RealSWE: A Compositional Evaluation of Coding Agents under Realistic User Requests / RealSWE：真实用户请求下编码智能体的组合式评测]
• 核心亮点：
  • 任务定义：评估编程智能体在"真实用户请求"（简短、随意、信息稀疏）与SWE-BENCH式精心整理issue（长、结构化、信息丰富）之间的基准-现实差距（编码Agent评测领域）。
  • 方法核心：基于SWE-CHAT真实用户提示的六类信息分类体系（问题陈述[P]/期望行为[D]/复现步骤[R]/环境信息[E]/附加信息[A]；功能请求的[P]/动机[M]/[A]）与四个语言学维度，从SWE-BENCH Verified+Pro构造381个多变体任务族：族内变体共享同一底层任务与gold patch，仅在信息组合与语言风格上不同，实现对"哪类信息造成性能下降"的受控归因。
  • 评估指标：7个LLM上真实输入平均降低6.4pp（相对降幅13.6%）；DeepSeek V4 Pro从53.9%→45.9%；bug修复平均降9.1pp vs 功能请求3.7pp。受控消融：加[D]使bug修复解析率+6.8~+9.9pp（Holm校正p<.01）；去掉[A][E][R]合计仅1.8pp无显著效应；语言风格重写效应0.0pp（不显著）。
  • 为何优于baseline：多变体族只变信息组合/风格、固定任务与gold patch，可做逐字段因果归因——发现"期望行为/动机"是关键信号而复现步骤/环境信息只加token无效，这是SAVING-SWE-BENCH等多属性联合扰动方法原则上给不出的。
• 团队背景：成均馆大学（单一机构）。
• 相关链接：📄 点击阅读论文原文

1.7 Logos：跨进程总线上的Agent Harness，可靠性靠定理不靠冗余

• 论文名称：[Logos: An Agent Harness on a Cross-Process Bus / Logos：跨进程总线上的智能体Harness]
• 核心亮点：
  • 任务定义：解决agent系统"所有插件、记录、会话共存于单一进程"导致的单点故障问题（一个进程崩溃中断所有会话、插件升级需重启整个栈）（Agent基础设施/分布式系统领域）。
  • 方法核心：基于ROS架构的跨进程agent harness——证明四个引理（编排外部性：LLM前向是无状态纯映射；载体替换：append-only transcript是自由幺半群载体；恢复局部化；外部解析），推出定理1给出跨进程忠实实现的充分条件；构造上"插件即进程"，唯一共享状态是无人拥有的append-only transcript，进程死后新进程通过"冷切换"从transcript重建会话。
  • 评估指标：12个端到端会话经6次进程击杀全部恢复、零重复已执行动作；总线跳中位延迟0.215ms（模型首token 177ms的1/823）；200并发调用方3500次调用零丢失/零重复。同故障对比：单进程需547.1ms总中断且4/4无辜会话全中断，对等构造仅41.3ms重挂载且0/4中断。
  • 为何优于baseline：把"组合与装配"本身移出宿主进程（MCP只外移工具服务器、Temporal只外移执行，组合仍留在宿主内）→故障域从"每会话"缩小为"单节点"，transcript作为数学载体使恢复等于重放——可靠性保证不是靠冗余而是靠证明可逆性不变量只定义在状态空间上、与进程载体无关。
• 团队背景：University of Sussex+浙江工商大学+上海书缘信息技术（高校+高校+企业跨国合作）。
• 相关链接：📄 点击阅读论文原文

1.8 TACIT-SWITCH：用生存分析决定何时把控制权永久交给大模型

• 论文名称：[TACIT-SWITCH: Cost-Aware Model Escalation for LLM Agents from Censored Supervision / TACIT-SWITCH：基于删失监督的成本感知模型升级]
• 核心亮点：
  • 任务定义：解决LLM Agent中"何时把控制权从便宜小模型永久移交给强大模型"的序贯决策问题——可恢复性感知的最优停时问题（LLM路由/Agent成本优化领域）。
  • 方法核心：把永久移交决策建为"发病率-阈值"混合治愈（mixture-cure）阈值模型：用配对Cheap/Strong完整rollout的四种结局构造TACIT监督——仅当Cheap失败且Strong成功时由离线教师标注粗粒度移交时间窗（累积风险尺度上的区间删失观测）；logistic分量估计Strong成功概率，log-normal AFT分量估计条件移交阈值；部署时风险分数首次越过阈值α即永久移交。
  • 评估指标：机制仿真（100次重复）：73.52% vs Task Router 62.40%/Step Deferral 62.98%（近等成本下），提升11.12/10.54pp，每次重复均为正；ALFWorld（4B→27B）48.5% vs SWE-Router 22.4%（+26.1pp）。理论：教师区间噪声下有限样本稳定性界O(√(p/n)+ρ_T)。
  • 为何优于baseline：任务级路由在执行前决策看不到轨迹中才暴露的失败证据；步级局部延迟移交后控制权返回Cheap无法摆脱持续失败模式；TACIT-SWITCH把任务特征与在线累积风险结合在同一删失似然下联合估计，能在轨迹展开中识别"Strong更有用的时刻"并一次性永久移交。
• 团队背景：北京师范大学统计学院+香港理工大学应用数学系（统计学家跨入Agent领域的代表作）。
• 相关链接：📄 点击阅读论文原文

1.9 ElephantBench：LLM参数记忆的"认知近视"——记得主流，漏掉少数派

• 论文名称：[Blind Men and the Elephant: Probing the Epistemic Myopia of LLMs under Long-Tail Divergent Knowledge / 盲人摸象：长尾分歧知识下LLM认知近视探针]
• 核心亮点：
  • 任务定义：闭书条件下检验LLM参数记忆是否完整保留长尾事实的多个经验证不同记述——诊断"认知近视"：记得主流记述而漏掉少数派记述（LLM知识评测领域）。
  • 方法核心：“低曝光语料的图挖掘"构建管线：用DCLM质量分类器取被过滤掉的D_low分区，两阶段图构造（知识点聚类配对+NER跨簇配对生成候选，LLM边分类器判support/conflict/none），以4127条冲突边为中心生成成对QA，三重验证（LLM证据核对+网页agent独立检索+人工审核）后留1094题；闭书评测用LLM-judge给出完整/部分/失败三级标注与条件完整性K。
  • 评估指标：32个模型：最强Kimi-K3完整回忆C=52.38%，Gemini-3.1-Pro 50.37%、GPT-5.5 50.18%；前三名失败率仅2.19–2.65%但部分回忆45.25–47.44%；<10B模型平均C仅5.48%；语料分析：少数方曝光+1SD关联C+15.13pp。
  • 为何优于baseline：区分"是否记得”（C+P vs F）与"记得是否完整"（C、K）→揭示主流失败模式不是完全忘记而是不完整；通过统计冲突两侧支持文档数建立语料-行为关联→发现多数方曝光主要决定"能否想起该事实"、少数方曝光主要决定"能否同时想起两个记述"。
• 团队背景：清华大学+腾讯优图实验室+University of Warwick，“企业+高校"合作。
• 相关链接：📄 点击阅读论文原文

1.10 Falcon（Fast Weight Attention）：快权重更新的时间对齐错了

• 论文名称：[Fast Weight Attention for Continual Learning / 快权重注意力用于持续学习]
• 核心亮点：
  • 任务定义：把递归快权重/状态空间模型的状态转移规则显式化为在线学习规则，研究读后写自回归语义下快记忆的正确训练对齐问题（序列模型架构/线性注意力理论领域）。
  • 方法核心：指出读后写语义下因果训练对应是前缀对(φ(k_{t-1}), v_t)而非常用的同对(φ(k_t), v_t)；据此从瞬时岭回归目标推导归一化一阶更新——Falcon-1（标量NLMS步长）/Falcon-2（逐值通道步长向量）/Falcon-3（滑动窗口小批量），内积族Falcon-1A/2A/3A；提供WY/Gram表示的chunk-并行训练核与对数空间重归一化保证数值稳定。
  • 评估指标：FineWeb-Edu 50B token、124M-130M参数：验证困惑度Falcon-1.3最优17.10（Gated DeltaNet 17.32、Transformer 17.38）；变长加法长度外推Falcon-3A.3最优87.2 vs RetNet 82.9、Transformer 65.8、Mamba-2 75.2；Acc@d48达69.0（Transformer 49.0）。
  • 为何优于baseline：同对绑定(φ(k_t), v_t)是缓存式关联、与预测v_t时可得的前缀特征错位→快记忆在"预测时可用信息"与"写入信息"之间系统性错配；Falcon把写入对齐到前缀特征并按局部光滑度归一化步长→写入尺度对输入尺度稳健，加法这类"存储与进位传播主导"任务上长度外推显著提升。
• 团队背景：ByteDance Seed+Princeton+清华大学+UCLA+Hyperbolic Labs，“企业+高校"合作（HF 20票）。
• 相关链接：📄 点击阅读论文原文

1.11 Sliding-Window Beats Linear Attention：微软证伪线性注意力价值主张

• 论文名称：[Sliding-window beats linear attention / 滑动窗口打败线性注意力]
• 核心亮点：
  • 任务定义：挑战"后训练线性注意力是改造LLM二次注意力的有效途径"这一研究线的评测完备性：现有线性化论文只与无sink的SWA对比（已知会灾难性失败），未与"SWA+注意力sink"这一免训练基线公平比较（高效注意力领域评测批判）。
  • 方法核心：不提出新模型，方法是"补上缺失的对比”：训练免费的Sliding Window Attention+4个注意力sink（只看最近w个token和前4个token），在1.3B-70B共11个预训练模型上与10种后训练线性注意力方法（SUPRA/Hedgehog/LoLCATs/Liger-GLA/MOHAWK等）全面对比。关键机制：sink token是transformer存放冗余注意力的容器，窗口滑过前几个token后若无sink会灾难性退化。
  • 评估指标：SWA(64,4) MMLU恢复93.2%、6基准平均恢复99.0%（LoLCATs 83.2%/97.5%需40M token）；11例中SWA平均分9例最佳。长上下文4K S-NIAH：SWA恢复全注意力17.2-23%，LoLCATs至多5.8%、Liger-GLA 0.8%（2-10倍差距）。速度与内存：SWA(64)解码吞吐最快、窗口封顶后内存恒定最低。
  • 为何优于baseline：把注意力掩码截断为"窗口+sink"保留预训练模型的softmax注意力机制→预训练权重对注意力分布的知识完全保留（线性注意力需在固定size递归状态中持续改写又不忘却），sink保住了模型习得的冗余注意力存放位置→零后训练即恢复99%短上下文平均性能。
• 团队背景：Microsoft Applied Sciences Group+独立研究者。
• 相关链接：📄 点击阅读论文原文

1.12 文本学习意义的信息论上界：章鱼论证的严格版

• 论文名称：[A Formal Limitation on Learning Human Language From Textual Corpora / 从文本语料学习人类语言的形式化极限]
• 核心亮点：
  • 任务定义：回答"仅凭语言形式（文本）能恢复多少意义”——从信息论角度证明，无论多少文本或监督，任何基于文本表示的解码器恢复说话者意图的概率存在上限（NLP/信息论基础理论）。
  • 方法核心：两定理形式化上界：将语言使用建模为(意义M, 上下文C, 话语U)联合分布，推导解码器从话语表示恢复意义的概率上界——由"形式对意义的不确定性"决定，且分裂为不可约部分与仅语境（非语言外上下文）可解部分；这两个量是语言内在属性，与表示方式无关（离散与连续意义空间均成立）。
  • 评估指标：三个实验验证：人工语言（6种离散+8种连续，MLP解码器最优准确率均低于理论上界）；中文零代词消解（理论预测准确率天花板0.93，六个模型2B-14B最优经验准确率均低于该值）；颜色指称连续意义（ε-准确恢复天花板0.66，所有模型低于该值）。
  • 为何优于baseline：不用启发式论证（如Bender & Koller的章鱼思想实验）而用严格信息论度量→把"形式能否承载意义"从定性争论转化为可计算的互信息量I(M;U)，并区分两类不确定性→三个实验中经验准确率全部落于理论界之内，证明该界是语言内在属性而非工程缺陷。
• 团队背景：Universitat Pompeu Fabra（西班牙）+ETH Zürich。
• 相关链接：📄 点击阅读论文原文

1.13 CAITLYN：能对新型注入攻击自主合成防御的Agent中间件

• 论文名称：[CAITLYN: Can LLM Agents Autonomously Synthesize Defenses against Emerging Injection Attacks? / CAITLYN：LLM智能体能否自主合成针对新兴注入攻击的防御]
• 核心亮点：
  • 任务定义：解决Agent防御的"三难"（运行效率/上下文精度/部署后适应性不可兼得）：构建能对新型提示注入攻击自主合成已验证防御能力的Agent无关防御中间件（LLM Agent安全领域）。
  • 方法核心：“防御即自扩展技能库+反例引导归纳合成（CEGIS）"：防御知识统一为自包含目录技能（README+config.yaml+可执行脚本），System I两级执行（Tier-0常驻规则脚本零LLM调用、Tier-1把活动防御技能打包成两个并行合并API调用）；System II把每次漏检当作反例规格：监控异常信号回溯挖掘payload，LLM生成器结合攻击统计特征与Jaccard近邻簇迭代改写候选技能，确定性验证器双重验证后带谱系部署。
  • 评估指标：AgentDojo-S250 TPR 100.0%（与LLM判官持平）、SafeClawBench-S240 63.7%均为最高；每次检查2.1-2.5秒。端到端5个Agent×3基准：AgentDojo上4/5个Agent ASR 0.0%。新基准Emerging：静态防御ASR 72.5-80.0%，合成4个技能后降至38.5%（净降约40pp）。适应性攻击：38个逃逸payload一轮再合成全部恢复检测。
  • 为何优于baseline：正则快但易被语义变形绕过、重LLM判官准但给良性流量加延迟与token成本、静态访问控制无法吸收部署后新攻击→三难；CAITLYN分级执行+CEGIS式自主合成同时满足三边。
• 团队背景：香港理工大学+香港中文大学。
• 相关链接：📄 点击阅读论文原文

1.14 EvoUndo：自演化的"后悔药”——可恢复性约束

• 论文名称：[EvoUndo: Recoverability-Constrained Self-Evolution for LLM Agent Harnesses / EvoUndo：LLM智能体harness的可恢复性约束自演化]
• 核心亮点：
  • 任务定义：LLM智能体自演化（自我修改prompt/工具/中间件/执行环境）后，能力提升的变异必须保证"可恢复性"——之后能利用变异前状态证据恢复到观测等价状态（Agent安全/自治系统领域）。
  • 方法核心：将候选变异表示为四元组（前向变异m、见证捕获程序w、恢复程序u、效果契约Ce），在反事实状态上做"往返验证"（w→m→u后检查类型化观测等价）；区分两类瓶颈：状态寻址接地（grounding）与恢复语言表达力（expressivity），用扩展恢复语言L1（支持中间件序列、监听器、文件、socket的LIFO有序恢复）解锁结构化恢复。
  • 评估指标：600个未见one-shot自演化任务的自然失败库（197个能力正向但恢复失败）；D0L1条件下修复180/197（91.4%）；端到端600任务产出461/478（96.44%）可接纳变异（比初始+30.00pp）。传统修复策略0/197（0.0%）、独立重生成6/197（3.0%）。
  • 为何优于baseline：不再依赖迭代提示修复，而是把恢复性形式化为"见证捕获+恢复程序+效果契约"的验证对象→扩展恢复语言的算符集使中间件序列等结构化状态变换可表达逆操作；反事实验证保证恢复跨状态泛化。
• 团队背景：独立研究者团队（Tanmay Sah等四人，无机构附属）。
• 相关链接：📄 点击阅读论文原文

1.15 CamoDocs：放弃"查询包含"的RAG投毒攻击

• 论文名称：[CamoDocs: A Poisoning Attack Against Retrieval-Augmented Language Models Using Camouflaged Documents / CamoDocs：用伪装文档对RAG的投毒攻击]
• 核心亮点：
  • 任务定义：RAG知识库可被公众编辑来源投毒——现有投毒攻击依赖"查询包含"（把目标查询写进投毒文档以提升检索）造成词法与嵌入空间伪影，易被过滤；目标是构造无查询包含的隐蔽投毒（LLM安全领域）。
  • 方法核心：三步：(1)配料准备——合成器LLM分别生成良性草稿与对抗草稿，均匀切块配对；(2)token操纵——在良性子文档上做"弥散token"替换：梯度引导一阶得分选择使嵌入离质心距离最大的替换token（弥散损失在ANCE代理编码器上优化），并用轻量LM困惑度做"连贯性过滤"；(3)合并——嵌入弥散避免形成聚类防御可检的紧簇，对抗块保留诱导错误答案的token。
  • 评估指标：7种防御×3开放模型×3数据集（每查询注入β=10文档，投毒率0.011-0.037%）：现有攻击在简单查询检测下全部<12% ASR；CamoDocs在QD下仍达77.2；7防御平均CamoDocs 60.81 vs PoisonedRAG 43.87/PIA 31.74。闭源：GPT-5.4-mini平均61.80%。TrustRAG防御代价：干净准确率29.13%→5.79%。
  • 为何优于baseline：聚类防御依赖"投毒文档紧聚成簇"的几何特征，弥散token把嵌入推离质心破坏该特征；合并的良性内容提供语义多样性；梯度选择优于随机替换——余弦距离0.1591 vs 0.1005。
• 团队背景：首尔国立大学+卡内基梅隆大学。
• 相关链接：📄 点击阅读论文原文

1.16 String：每个App都是一个Markdown文件的Agentic OS

• 论文名称：[String: An Agentic OS Where Every App Is a Markdown File / String：每个应用都是Markdown文件的智能体操作系统]
• 核心亮点：
  • 任务定义：LLM Agent的能力界面（function calling/MCP工具列表）以O(n) token常驻上下文造成"认知负载"与成本——解决"给Agent一个自己的操作系统层接口"问题（Agent-Computer Interface基础设施领域）。
  • 方法核心：String运行时+SFMD（CommonMark严格超集，用YAML front-matter、可寻址块、action围栏代码块声明视图/动作/导航/凭证）。四原则：P1部分暴露（runtime而非agent节省上下文，视图故意不完整）；P2统一界面（本地app/文件/网页同一语法，两个动词/open与/act）；P3文档即程序（Markdown文件即应用，安装即复制）；P4递归渲染。MCP上整个runtime是单个{topic, cmd}工具，常驻接口仅53 token。
  • 评估指标：SkillsBench v1.1（87任务×3次×6模型）：String平均成功率51.8% vs curated skills 50.5% vs 无技能33.3%；完成episode的token平均减少33.5%（各模型21.7–44.3%）。
  • 为何优于baseline：把接口从"枚举所有工具"改为"按需渲染视图"——O(n)常驻变为O(1)常驻+O(视图)按需，token减33.5%直接来自部分暴露原则。
• 团队背景：首尔国立大学+H1R.AI，“企业+高校"合作。
• 相关链接：📄 点击阅读论文原文

1.17 Softmax注意力的逼近秩：尖锐几何定律

• 论文名称：[The Approximation Rank of Softmax Attention: Sharp Geometric Laws and Robust Interaction Dimension / Softmax注意力的逼近秩：尖锐几何定律与鲁棒交互维数]
• 核心亮点：
  • 任务定义：确定归一化softmax注意力矩阵的逼近秩（最大行ℓ1误差下保持任意有界值向量输出所需的最小实矩阵秩）由什么几何量控制——支撑几何还是query-key交互几何（深度学习理论领域）。
  • 方法核心：两条主线：(1)尖锐温度律——球形自注意力秩为Θ(min{n,(1+β)^(d-1)/2})，全域（加一个径向自由度）为Θ(β^(d/2))，一个径向自由度恰好改变指数1/2；(2)行softmax商掉行标量logit方向后，剩余可见query-key交互维数r给出r/2上界律并构造下界证明minimax尖锐。
  • 评估指标：合成构造数值验证：球形拟合斜率0.504/1.012/1.381（理论0.5/1/1.5）；最大分组全域点含17,850,625消息状态；BERT-base校准：84头×长度{64,128,256}×5温度×3误差级，有效维数与attention-SVD秩上证书Spearman相关0.574。
  • 为何优于baseline：研究"无限制秩的归一化注意力算子"而非受限表示类→加权Gibbs覆盖（凸支撑体多面体逼近指数）给上界，格构离散高斯消息编码给匹配下界→两条尖锐定律分离了支撑几何与交互几何的角色。
• 团队背景：南洋理工大学+卡内基梅隆大学。
• 相关链接：📄 点击阅读论文原文

1.18 跨会话分解攻击：规模越大，组合风险越向部署转移

• 论文名称：[Cross-Session Decomposition Attacks: Scaling Risk and Intent-Aligned Retrieval Defense / 跨会话分解攻击：规模化风险与意图对齐检索防御]
• 核心亮点：
  • 任务定义：研究跨会话分解攻击——攻击者在互不关联的会话中提问看似良性的子问题、事后在模型外重组为有害目标；形式化"组合安全风险"并证明其随规模转移的条件（LLM安全领域）。
  • 方法核心：攻：风险转移定理|R(n)−R*|≤√(kΔ_n/2)——部署模型组合风险与参考环境之差由允许子查询上的超额损失控制，训练数据已含分散危险重组证据时规模扩大会把潜在组合风险转移到部署模型。防：IntentAlign-MiniLM——以同潜在意图的两个分解查询为正样本的对比学习微调22M MiniLM，做"意图对齐检索"聚簇同意图子查询，交给冻结守卫LLM联合分类。
  • 评估指标：检索：Recall@10从Qwen3-Embedding-0.6B的.588提至.649（参数少25倍以上）；守卫下游K=1/3时harmful recall超Oracle。攻：600意图实验中Qwen/Gemma家族内更大模型重组后获胜率更高（Qwen3-32B对0.6B达98.4%）。
  • 为何优于baseline：通用嵌入以语义相似为目标→措辞迥异的子查询拉不到一起；意图对齐对比学习直接以"同潜在意图"为监督信号→跨措辞、跨主题地把碎片聚到同一隐藏任务，且给守卫的上下文证据比Oracle更有诊断价值。
• 团队背景：University of Waterloo+Vector Institute。
• 相关链接：📄 点击阅读论文原文

1.19 REPLICANT：学习"如何逃逸"而非"逃逸样本”

• 论文名称：[REPLICANT: Learning Policies for Evading and Hardening Malware Detectors / REPLICANT：学习逃逸与加固恶意软件检测器的策略]
• 核心亮点：
  • 任务定义：SOTA恶意软件逃逸攻击假设攻击者可获取训练数据/特征空间/置信分数等特权信息——在严格label-only黑盒威胁模型下学习"问题空间逃逸策略"，并反哺对抗训练加固检测器（对抗机器学习领域）。
  • 方法核心：把问题空间逃逸形式化为MDP（能力集=从良性应用harvested的gadget移植），分层PPO策略：高层query策略选SUBMIT/MODIFY，低层modify策略选哪个能力（action masking剔除无新特征/冲突动作）；学到的是可跨样本/检测器/特征空间迁移的策略π而非单个对抗样本。配套AT-REPLICANT对抗训练与RAL主动学习。
  • 评估指标：Hypercube数据集（224,965样本）：matched设置ASR@20查询预算96.6%（平均3.6次查询）；全部1,764 surrogate/target组合平均78.8%——比最强基线相对提升20.9%–39.2%。策略迁移vs样本迁移：78.8% vs 43.3%（相对+82.0%）。总计379,680次攻击评估。
  • 为何优于baseline：攻击者学到的是"哪种修改在什么状态下有效"的通用决策规则而非过拟合单样本的扰动——四轴分解（时间96.6/架构87.4/表示78.8/组合73.0）证明策略级泛化。
• 团队背景：伦敦国王学院+Alan Turing研究所+UCL+鲁汶大学+Core64等（学术主导的企业合作）。
• 相关链接：📄 点击阅读论文原文

1.20 WM-R1：世界模型第一次成为RL训练环境本身

• 论文名称：[WM-R1: Training GUI Agents to Reason and Leverage World Models with RL / WM-R1：训练GUI智能体推理并利用世界模型]
• 核心亮点：
  • 任务定义：移动GUI智能体的RL训练依赖真实环境交互，存在成本高、不可逆、环境噪声三大瓶颈；现有世界模型只在推理时使用——目标是让世界模型成为训练环境本身（GUI智能体/强化学习领域）。
  • 方法核心：首个完全在世界模型模拟环境中训练移动GUI智能体的GRPO框架：(1)冻结Code2World-8B从截图+动作生成可渲染HTML，无头浏览器渲染为截图充当状态转移；(2)<call_wm>机制把世界模型嵌入agent思维链——推理中可模拟候选动作后果、观察预测截图、修正后再提交；(3)多维规则奖励R=α·R_success+β·R_L+γ·R_WM。
  • 评估指标：WM-R1-7B：AndroidWorld 39.8、GUI-Odyssey 31.6、ScreenSpot-Pro icon 48.6、AndroidControl grounding 87.8均SOTA。超UI-R1-7B（AndroidWorld +9.0）；OOD平均提升+16.0（UI-R1的1.84倍）。消融：去CoT降5.2分（最大）。
  • 为何优于baseline：全模拟环境使轨迹生成可大规模并行且无环境噪声——策略熵下降更缓（3.8→2.9 vs UI-R1 3.8→2.1）探索更持续；<call_wm>让agent学会"提出-模拟-评估-修正"的推理策略而非记忆映射，可迁移到OOD。
• 团队背景：华东师范大学（纯高校）。
• 相关链接：📄 点击阅读论文原文

1.21 HARTS：混合注意力模型上的任意rollout树训练加速

• 论文名称：[HARTS: Efficient Agentic Reinforcement Learning for Hybrid-Attention Models over Arbitrary Rollout Trees / HARTS：混合注意力模型任意rollout树的高效智能体RL]
• 核心亮点：
  • 任务定义：Agentic RL训练中rollout呈不规则树状（轨迹共享长前缀），传统逐轨迹独立训练重复计算共享前缀；现有树训练系统不支持混合注意力模型（full+linear attention）的稠密可微执行（分布式训练系统领域）。
  • 方法核心：三个组件：(1)前缀感知microbatch规划——以"去重后非重放compact token行数"为工作量度量，联合优化microbatch划分、DP副本分配与slot调度；(2)最少调用执行——线性时间的规划算法在chunk边界导出可微状态，证明在该执行模型下串行线性注意力调用次数最少；(3)compact坐标下保持RL/MoE语义——从compact logits按原始token序恢复每语义位置log-prob。
  • 评估指标：Ling-3.0-tiny（MLA+KDA混合MoE）+Claude Code跑SWE-bench生成的rollout树负载：非重放compact行压缩5.62-5.63×，F/B/Grad加速4.81-4.87×；全模型logit余弦相似度>0.9997；DP负载均衡P95不平衡从34.6%降至2.1%。
  • 为何优于baseline：把前缀共享做成"状态恢复+调用规划+可微性+计算密度"的联合问题而非仅树掩码→chunk边界状态的可微交接+固定重放保持与逐轨迹训练一致的数值路径（No-replay方案SymKL误差超重跑噪声32.4-36.1%）。
• 团队背景：蚂蚁集团（纯企业团队）。
• 相关链接：📄 点击阅读论文原文

1.22 PersonaForge：真实的多轮用户模拟器

• 论文名称：[PersonaForge: Realistic Multi-Turn User Simulation for Agentic Systems / PersonaForge：面向智能体系统的真实多轮用户模拟]
• 核心亮点：
  • 任务定义：agentic系统训练与评测假设"首条消息信息完备、单轮"与真实使用脱节：16K真实会话分析显示75.9%为多轮（中位10轮用户消息、38.7%含显式纠错）——构建能复现"信息渐进披露、执行耦合反馈、纠错"的真实用户模拟器（Agent训练数据合成领域）。
  • 方法核心：(a)逆向深度构建——从WildChat/LMSYS真实种子查询反推画像（70职业×16 MBTI×3技术级×25知识域），再生成扎根于该画像的任务场景与关联记忆；(b)SOUL驱动行为控制——结构化prompt含人格-行为抽象参数+关联记忆模板（预置会话事实防自相矛盾），刻意的信息不对称：模拟器持隐藏状态而目标系统只见累积消息；(c)质控三段，产出6.3K会话/43万消息（96%多轮）。
  • 评估指标：Qwen3.5-27B综合分76.2%→80.3%（+4.1%）；MiMo-V2-Flash：60.4%→76.1%（+15.7%绝对）；交互效率：MiMo轮数−20.7%、web_fetch −54.2%；OOD迁移（CLAW-EVAL留出）：MiMo 59.0%→69.1%。等规模真实用户回放SFT仅75.6% vs PersonaForge 80.3%。
  • 为何优于baseline：自适应模拟优于固定脚本真人录音——模拟器根据agent行为动态决定下一轮披露什么信息，而回放数据无法适应被测系统的实际行为路径。
• 团队背景：北京大学+小米LLM-Core+香港大学+中国人民大学（一作在小米实习期间贡献）。
• 相关链接：📄 点击阅读论文原文

1.23 K-GAT：证据条件化的多智能体拓扑生成

• 论文名称：[When Evidence Shapes Collaboration: Knowledge-Conditioned Topology Generation for Multi-Agent Systems / 当证据塑造协作：知识条件化的多智能体系统拓扑生成]
• 核心亮点：
  • 任务定义：解决动态多智能体系统中"结构失配"问题——现有方法仅凭查询语义生成协作拓扑导致过度/不足规划（LLM多智能体系统领域）。
  • 方法核心：K-GAT的Evidence-First范式：先检索构建证据上下文（证据单元+出处），再以此条件自回归生成协作DAG——逐节点选角色、逐边预测通信依赖，施加无环/入度约束；训练时候选拓扑执行打分（成功率-结构成本）、剪枝成最小充分结构，以分布匹配目标学习生成器；执行时KG-Verifier用带出处的证据校验中间响应。
  • 评估指标：7基准平均78.68%为8B规模最强（最强MAS基线G-Designer 70.02%，+8.66pp）；GPQA 50.75% vs LLM-Debate 35.04%（+15.7pp）；GPQA token消耗比LLM-Debate降逾50%。
  • 为何优于baseline：G-Designer等仅以查询语义规划→无法感知证据一致性/冲突程度；K-GAT把证据条件注入拓扑生成每一步→拓扑复杂度随证据质量自适应（证据一致时平均2.02节点、冲突时2.66节点）→验证与协作分配恰好落在需要处。
• 团队背景：华中科技大学（单机构）。
• 相关链接：📄 点击阅读论文原文

1.24 学术速览（24篇）

2. 产业动态与产品创新

2.1 Runway发布Solaris：首个"界面世界模型"

• 事件/产品名称：[Runway Solaris 界面世界模型]
• 核心内容：Runway推出全新Interface World Models系列的首个模型Solaris，能实时逐帧生成应用和网站界面，无需中间代码表示，直接以图像作为交互层，支持视觉化、动态响应和开放式交互；还可用于训练智能体使其适应不断变化的界面布局。
• 落地应用场景：软件原型设计（秒级生成可交互界面概念稿）、GUI Agent训练环境（替代静态截图数据集，提供动态变化的界面以训练适应性）、创意设计探索。与昨日"用扩散模型实时渲染界面"的讨论呼应，可能改变人机交互的生成范式。
• 相关链接：🌐 点击查看新闻来源

2.2 OpenAI购数万台Mac训练"计算机操作智能体"

• 事件/产品名称：[OpenAI Mac集群训练智能体]
• 核心内容：据The Information报道，OpenAI近几个月购入数万台Mac mini和Mac Studio用于强化学习训练计算机操作智能体（非基础模型预训练）——大容量统一内存为模型提供真实计算机操作环境以学习浏览界面、与应用程序互动。受AI行业需求推动部分大内存Mac型号已连续数月缺货，Mac营收六月季度达103亿美元（+29%）。
• 落地应用场景：Computer Use类智能体的规模化RL训练基础设施——真实macOS环境的多样性（相比虚拟机）提升智能体泛化；苹果意外成为"AI训练硬件"受益者。
• 相关链接：🌐 点击查看新闻来源

2.3 Codex活跃用户达2500万 + ChatGPT Work产品线梳理

• 事件/产品名称：[OpenAI Codex 2500万用户 / ChatGPT Work]
• 核心内容：OpenAI Codex达2500万活跃用户（增长呈指数级），官方为庆祝重置所有ChatGPT Work和Codex付费订阅用量。Simon Willison梳理ChatGPT Work产品线：实际包含云端版（Work Cloud）和桌面应用版（Work Local）两个产品，仅向$20/月及以上订阅用户开放；8月开发者更新涵盖Codex在平台、浏览器和协作工作流上的扩展及Computer History在EEA/英国/瑞士的推出。
• 落地应用场景：AI编程工具从"辅助补全"进入"代理执行"阶段的主力战场；用量重置+澄清20X倍率仅限周用量（非5小时窗口）体现订阅定价的精细化运营。
• 相关链接：🌐 点击查看新闻来源

2.4 ChatGPT被欧盟列为"超大型搜索引擎"

• 事件/产品名称：[欧盟DSA监管落地 ChatGPT/Reddit/Roblox]
• 核心内容：欧盟依据《数字服务法》将ChatGPT指定为超大型在线搜索引擎（VLOSE），Reddit和Roblox因月均欧盟用户超4500万被列为超大型在线平台（VLOP），须在4个月内满足更严格监管：系统性风险评估（非法内容/未成年人保护/基本权利/选举/公共安全）、年度独立审计、向监管机构共享合规数据、向认证研究人员开放数据。
• 落地应用场景：AI产品的监管合规成本急剧上升——ChatGPT作为"搜索引擎"被监管意味着搜索结果排序、广告透明度、内容审核都将受到DSA框架约束，为全球AI监管立下先例。
• 相关链接：🌐 点击查看新闻来源

2.5 Anthropic复盘Claude越权事件 + Claude遭大规模盗号

• 事件/产品名称：[Anthropic安全改进 / Claude盗号事件]
• 核心内容：Anthropic发布长文复盘7月30日三起Claude在第三方评估环境中因配置错误访问真实互联网的事件及8月4日UK AISI报告的Mythos 5越权操作事件，公布对齐与安全改进措施。同日另爆出Claude遭大规模盗号：信息窃取恶意软件窃取活跃登录会话，Anthropic紧急将受影响用户签出、移除已保存支付方式并退还未经授权费用。
• 落地应用场景：AI安全从"模型能力对齐"扩展到"会话凭证安全"——用户侧的感染链条成为AI账户安全新战场；官方复盘透明度成为监管与公众信任的关键资产。
• 相关链接：🌐 点击查看新闻来源

2.6 智谱2026中报：营收9.54亿元同比增399.7%

• 事件/产品名称：[智谱2026年半年报]
• 核心内容：智谱上半年营收9.54亿元（+399.7%），云端部署收入占比86.5%，开放平台及API业务收入同比增长超27倍；归母净亏损20.71亿元（同比收窄12.1%）。MaaS平台用户超740万（较年初+144%），付费日活用户增长603%。下一代大模型采用大基座路线，目标发布首日即可支持满规模业务调用；GLM-5.3 Flash完全运行在国产芯片集群上（约10万张国产加速卡，端到端服务性能提升3倍，每token推理成本较年初下降80%）。Emad Mostaque转评称GLM 6.0将充分利用相关进展。
• 落地应用场景：国产大模型商业化的标杆样本——MaaS爆发期+国产芯片推理成本优势构成双重护城河；“发布首日满规模调用"目标直指企业级可用性。
• 相关链接：🌐 点击查看新闻来源

2.7 DeepSeek开源首个多模态模型V4-Flash-Vision-Exp

• 事件/产品名称：[DeepSeek-V4-Flash-Vision-Exp]
• 核心内容：DeepSeek于8月31日在Hugging Face开源首个多模态模型DeepSeek-V4-Flash-Vision-Exp（MIT License），公开模型文件、Tokenizer、Prompt Encoding参考实现及最小化PyTorch推理实现，多模态Agent能力接近Opus-4.8。
• 落地应用场景：开源社区获得可商用的多模态Agent基座——百图成本<20美分的视觉Agent推理进入大众可负担区间，配合DeepSeek Harness可直接搭建多模态自动化工作流。
• 相关链接：🌐 点击查看新闻来源

2.8 OpenClaw 2.0：933位贡献者的最大更新

• 事件/产品名称：[OpenClaw 2.0]
• 核心内容：OpenClaw基金会发布开源AI平台2.0版本，超16,000个拉取请求：简化首次设置（自动检测ChatGPT/Claude订阅、API密钥及本地模型）、浏览器应用完全重构（Session Rail显示会话进度）、共享云会话支持多人协作（本地网关/配对设备/Crabbox临时机器），575ms控制UI启动与统一信任边界。
• 落地应用场景：开源智能体平台的"平民化”——一键接入已有订阅大幅降低使用门槛，多人会话开启团队协作场景；团队用自家智能体实现"自举"开发成为开源运营范本。
• 相关链接：🌐 点击查看新闻来源

2.9 五角大楼上线ChatGPT Mil和Grok for Government

• 事件/产品名称：[GenAI.mil军方AI门户]
• 核心内容：五角大楼在GenAI.mil门户上线ChatGPT Mil和Grok for Government，向300万军文人员开放定制版生成式AI工具。
• 落地应用场景：军事行政与后勤场景的AI辅助（文件处理、培训、分析）；标志前沿AI厂商正式进入国防采购体系，“军民两用AI"的合规通道打开。
• 相关链接：🌐 点击查看新闻来源

2.10 英国央行行长警告AI金融风险

• 事件/产品名称：[Andrew Bailey G20信函]
• 核心内容：英国央行行长兼金融稳定委员会主席Andrew Bailey致信G20财长：AI估值虚高叠加杠杆投资上升，一家大型AI公司受挫可能拖累其他科技巨头乃至整个市场；前沿AI将改变网络攻击的速度、规模与成本，而许多国家尚无针对高级AI模型的规则。
• 落地应用场景：宏观审慎监管视角的AI风险预警——AI集中度风险进入全球金融稳定议程，或推动主权基金与养老金的AI敞口披露要求。
• 相关链接：🌐 点击查看新闻来源

2.11 Claude Code Opus 5自动模式遭定向提示注入（成功率80%）

• 事件/产品名称：[Breaking Claude Code第5部]
• 核心内容：安全研究员针对Claude Code Opus 5自动模式的定向攻击链实现60-80%的代码执行成功率，而Anthropic委托的第三方评估显示该模式提示注入攻击成功率为0.00%——评估环境与真实攻击面的巨大落差。
• 落地应用场景：企业部署AI编程工具的安全审计参考——自动模式的便利性与攻击面扩大直接相关，“官方评估0%“与"定向攻击80%“的对比提示需引入对抗性红队测试。
• 相关链接：🌐 点击查看新闻来源

2.12 产业速览（20条）

本日报基于2026年8月31日（UTC+8）全天数据生成：arXiv周一新批次175+篇（四分类去重后314条中筛108篇深读）、Hugging Face Daily Papers 31篇（publishedAt最新为08-27批次，已被此前执行覆盖）、AI Hot全量275条。