📄 AI 论文日报

2026 年 9 月 15 日 · 过去 48h 热点汇总

🔥 今日重点论文 Top 3
1
Atria Dawn: The Dawn of Agentic Superintelligence
上海人工智能实验室 · Intern Large Models · cs.AI
744B 参数 MoE 智能体模型，MIT 协议全开源。在 BrowseComp 取得 92.5%（排名第 1），AutomationBench 53.8%（第 2），BFCL v4 工具调用 77.0%（领先 DeepSeek V4 Pro），16 项基准中 5 项登顶，是目前开源智能体模型的最强代表。
参数量：744B (MoE) 协议：MIT BrowseComp 92.5% #1 BFCL v4 77.0%
model-research agent-research model-weights llm
🔗 Hugging Face →
2
PhysBrain 1.5: From Vision-Language Models to Physical Foundation Models
深度机智 DeepCybo · cs.AI
具身理解基础模型（8B / 2B），在 28 个具身基准测试平均得分 72.5，成为开源模型第 1，与 GPT-6 Astra（73.3）和 Gemini 3.6 Flash（73.0）差距仅 1 分，14 项基准登顶开源榜首，是物理世界推理方向的重要突破。
参数量：8B / 2B Dense 28 benchmarks 均分 72.5 #1开源
model-research multimodal model-weights
🔗 arXiv →
3
How Good Are Frontier Models at Physics? Expert Re-Grading Reveals Broken Evaluations
MIT、耶鲁等 · cs.AI
专家重新评分发现现有物理基准存在错误参考答案和模糊问题，GPT-5.6-Sol 经修正后 HLE-Physics 得分从 47.3% 升至 78.7%，接近饱和，表明需要更严苛的评估基准，对 AI 推理评测方法论提出挑战。
benchmark reasoning
🔗 arXiv →
🚀 新模型发布与权重
Atria Dawn Preview
上海人工智能实验室 · 744B MoE · MIT 协议
智能体超级智能模型，2026-09-11 发布预览版。FP8 量化版本同步开源。
BrowseComp 92.5% #1 AutomationBench 53.8% SkillsBench 66.4% BFCL v4 77.0% #工具调用
llm agent-research model-weights
ZGCM-1-7B
中关村学院 ZGCAGI · 7B Dense · CC BY 4.0
面向数学推理与智能体搜索的高效基础模型，训练效率较同等规模模型提升约 4.2 倍，可与 Qwen3-235B、GLM-5.1 竞争。权重、训练代码、数据全部开源。
协议：CC BY 4.0 效率：提升 4.2×
llm reasoning agent-research model-weights
PhysBrain 1.5 (8B / 2B)
深度机智 DeepCybo · 8B / 2B Dense
从 VLM 到物理基础模型的演进，28 个具身理解基准均分 72.5，开源模型第 1，距离顶级闭源模型仅 1 分差。
multimodal model-weights model-research
Vidu S2
清华大学 · 实时 720p 视频生成 · CC BY 4.0
支持实时交互、可编辑、空间一致的视频生成模型，具备语音交互能力。
video-gen multimodal
LynnReal-Omni
—— · 32B Shared Multimodal Diffusion Transformer
原生多模态视频生成模型，统一文本到视频、图像条件生成、参考引导生成等多种任务，面向 Agent 视觉工作流。
video-gen multimodal
📑 按方向分类论文列表

大语言模型 · LLM

Atria Dawn: The Dawn of Agentic Superintelligence
上海人工智能实验室 · cs.AI
744B MoE 智能体模型开源，在多项智能体和工具调用基准上取得开源最强成绩。
llm agent-research model-weights
ZGCM-1: A Fully Open and Extremely Efficient Foundation Model for Math and Agentic Search
中关村学院 ZGCAGI · cs.AI
7B dense 模型，数学推理与 Agent 搜索性能对标 Qwen3-235B，训练效率提升 4.2 倍，全链路开源。
llm reasoning agent-research model-weights

多模态 · Multimodal

PhysBrain 1.5: From Vision-Language Models to Physical Foundation Models
深度机智 DeepCybo · cs.AI
VLM 到物理基础模型的跨越，28 项具身理解基准均分 72.5，开源模型第一。
multimodal model-research
LynnReal-Omni: Native Multi-modal Video Generation for Agentic Visual Workflows
—— · cs.CV
32B 共享多模态扩散 Transformer，统一文本到视频、图像条件生成、参考引导生成等多种任务。
multimodal video-gen

Agent 研究 · Agent

Atria Dawn: The Dawn of Agentic Superintelligence
上海人工智能实验室
面向智能体超级智能的 744B MoE 模型，工具调用、网页浏览、自动化任务全面突破。
agent-research model-weights
When Tool Calls Succeed but Workflows Fail: Anomalies at the Agent-Tool Boundary
Artem Trofimov, Boris Novikov · cs.AI, cs.DB
提出效应历史模型，识别 8 种外部效应异常，发现 MCP 工具的注释词汇仅提供粗略调用级提示，无法表达细粒度事务能力。
agent-research method
VRL-Bench: Benchmarking Agents on Computer Control Tasks
Yu Bai et al. · cs.AI
提出公平评估有限试验预算下试错学习的基准，发现 Reflection 方法存在利用-探索权衡，提出 VEX² 调度器在所有设置中均取得正向提升。
agent-research benchmark
Dream-RSI: Recursive Self-Improvement through Evolving Worlds
Google · cs.AI
通过演化世界实现递归自我改进的探索框架，为 Agent 自我进化提供新路径。
agent-research method

推理 · Reasoning

How Good Are Frontier Models at Physics? Expert Re-Grading Reveals Broken Evaluations
MIT、耶鲁等 · cs.AI
专家重评发现物理基准存在错误参考答案和模糊问题，GPT-5.6-Sol 修正后 HLE-Physics 得分从 47.3% 升至 78.7%，接近饱和，需更严苛评估。
reasoning benchmark
Rethinking Heterogeneous System Disaggregation for Subquadratic Attention
Cornell 大学 Vijay Reddi 团队 · cs.AI
提出 SQD disaggregation scheme，按二次/次二次注意力拆分推理，在 GLM 5.2、Nemotron 3 Ultra 等模型上获得 53%/31% tokens/J 提升。
reasoning method

安全与对齐 · AI Safety

SoK: Rethinking Jailbreaking in the Era of Agentic AI
Md Jueal Mia 等 · cs.AI
系统化 AI Agent 时代的越狱安全研究，提出统一攻击/防御分类学，发现强原生对齐不代表对抗性越狱鲁棒性，低最终响应成功率可能掩盖严重的中间层妥协。
ai-safety method
Reproducing and Evaluating the Generalizability of Subliminal Learning
Daan van der Weijden 等 · cs.AI (EMNLP 2026 Workshop)
复现并评估子暗学习在开放权重模型中的泛化性，验证教师模型通过语义无关数据传递行为偏好特征的能力。
ai-safety benchmark

视频生成 · Video Gen

Unified Agentic Video Editing Across Levels of Complexity and Creativity
Surabhi S. Nath 等 · cs.AI, cs.HC, cs.MM
统一的 Agent 视频编辑方法，覆盖场景预览、视频摘要、电影预告片三种复杂度任务。
video-gen multimodal

效率与系统优化 · Method

Grouped Value Attention: Efficient KV Caching via On-Demand Key Reconstruction
—— · cs.AI
减少 KV 缓存 45–47%，保持与 GQA 相当的准确率，为长序列推理提供高效方案。
method llm
📊 排行榜变动（2026-09-15 更新）

Chatbot Arena — Text Arena 全球 Top 10

#模型机构Elo
1Claude Fable 5.1-max Anthropic1507.58
2Claude Opus 5-maxAnthropic1504.96
3Claude Opus 5-highAnthropic1504.92
4Claude Opus 4.6-highAnthropic1502.96
5Claude Opus 4.6Anthropic1497.54
6Gemini 3.8 Flash-highGoogle1494.67
7Claude Fable 5Anthropic1492.63
8Gemini 3.7 Flash-highGoogle1490.49
9Claude Opus 4.7-highAnthropic1490.00
10Muse Spark 1.3-maxMeta1489.74

📌 Claude Fable 5.1 从 GPT-5.4 手中夺回榜首；Coding Arena 中 Kimi K3 以 ~1679 Elo 领跑，成为首个登顶榜单的开源模型；DeepSeek V4 Pro (MIT) 以 ~1463 Elo 成为最接近前沿的开源模型。

MMLU 排行榜 Top 5

#模型机构MMLU
1GPT-5 OpenAI92.5%
2Seed 1.8ByteDance92.3%
3o1OpenAI91.8%
4GPT-4.1OpenAI90.2%
5DeepSeek V4 Pro BaseDeepSeek90.1%

Hugging Face Open LLM Leaderboard 动态

阿里巴巴通义模型占据前 10 名中 7 席，Qwen3.8-27B 以 64.4M/月下载量成为社区最爱（14.5K likes）。开源模型已进入前 10 中的 6 席，70B 级模型 MMLU 达 89.3%，HumanEval pass@1 达 82%。
benchmark llm

C-Eval 状态

⚠️ C-Eval 排行榜已于 2025 年 7 月 26 日宣布停止维护，测试集已公开至 Hugging Face，供社区自行评估。最终历史领先者：讯飞 Spark 4.0 Max（均分 91.8%）、Wenge YAYI-Ultra（87.7%）。
数据来源：arXiv、Hugging Face Daily Papers、LMArena.ai、BenchLM.ai  |  生成时间：2026-09-15