今日重点论文 Top 3
🔥 SoL-Pi: 递归扩展的自主研究循环
NVIDIA · 2026-09-19
agent-research
热门
提出一种递归扩展的自主研究循环框架，使AI Agent能够自动进行假设生成、实验设计和结果分析。该框架在多个基准测试中展现出显著的性能提升，为构建更智能的研究型Agent提供了新范式。
查看论文 →
🔥 JEPA-Anything: 跨世界预测模型学习
Meta AI · 2026-09-19
multimodal-research
热门
扩展JEPA架构至多模态领域，实现跨世界（文本、图像、视频）的统一预测建模。该方法通过学习多模态数据的联合表示空间，在多个视觉理解任务上取得了State-of-the-Art性能。
查看论文 →
🔥 WeVisDoc: 端到端文档解析能力研究
腾讯 · 2026-09-19
multimodal-research
热门
提出端到端的文档解析框架，融合视觉理解和语言建模能力，实现高精度文档结构识别、文本提取和语义理解。在多个文档理解基准上达到领先水平，特别擅长复杂布局文档的处理。
查看论文 →
新模型发布与权重
Step 5 Preview
阶跃星辰 StepFun · 2026年9月20日发布
参数量: 600B (激活27B/token)
架构: 稀疏MoE + 窄深Transformer
上下文: 1M tokens
协议: 预计2026-10-15开源
当前仅开放API预览版， Artificial Analysis综合智能指数44分（开源前三），单任务成本仅为美国旗舰模型的1/8。支持文本+视觉输入，原生多模态能力。
官网链接 →
BLIP3-o
Salesforce AI Research · 2026年9月15日发布
版本: 8B / 4B
架构: Diffusion Transformer + CLIP
协议: CC BY-NC 4.0
特性: 训练速度+30%
统一图像理解与生成的多模态模型，文档OCR准确率达95%，单次GPU推理约1秒/图。基于Qwen2.5VL-7B backbone开发，支持文本到图像生成。
Hugging Face →
GitHub →
dQwen3.5 (混合注意力扩散语言模型)
arXiv · 2026年9月17日
参数量: 0.8B / 2B / 4B / 9B
架构: 混合注意力 + 扩散模型
协议: CC BY 4.0
效率: 训练效率×2
基于Qwen3.5的AR模型适配为扩散模型，引入混合注意力机制和双向RNN层，支持并行解码。相比全注意力控制模型，训练效率提升约2倍。
arXiv链接 →
Zarya (混合AR-MDM语言模型)
arXiv · 2026年9月17日
参数量: 0.6B / 1.7B / 4B
架构: 自回归 + 掩码扩散双重目标
协议: CC BY 4.0
推理: 双模式支持
统一自回归(AR)和掩码扩散(MDM)双重目标的混合语言模型，采用可变大小slot训练策略，支持MDM采样和Slot级推测解码两种推理模式。
arXiv链接 →
按方向分类论文列表
🤖 Agent 研究
Collective Loss of Control in LLM Agent Systems: An Epidemic Account of Mutation, Contagion, and Recovery
Xiangfan Wu et al. · 2026-09-16
agent-research
研究多智能体系统如何从局部偏差演变为集体失控。提出"流行病"解释框架，包含意外突变、传播和恢复三个阶段。实验显示在注入不安全轨迹后，执行伤害从0-5%激增至40-95%。
arXiv:2609.18460 →
When Agents Slow Down: Understanding LLM Agents' Test-Time Strategies via Elo-per-token Analysis
Kaiyuan Liu et al. · 2026-09-14
agent-research
提出Elo-per-token分析方法，追踪每个token预算下的最佳解。研究发现智能体初期转化效率高于独立采样，但边际收益递减。在FrontierCS任务上将100M tokens拆分为10个并行会话可获得+355 Elo提升。
arXiv:2609.15309 →
Rollback the World, Keep the Reflection: Rollback-Induced Reflection for Long-Horizon LLM Agents
Yi Yu et al. · 2026-09-16
agent-research
针对长程任务中错误累积问题，提出回滚诱导反思(RIR)框架。在恢复执行状态的同时保留可复用知识，三个长程基准测试显示RIR能持续提升任务性能。
arXiv:2609.18304 →
An Empirical Study of Harness Design for Coding Agents
Zoom Communications · 2026-09-19
agent-research
benchmark
系统性评估编程Agent的Harness设计，分析不同提示策略、工具调用方式和反思机制对编码性能的影响，为构建更高效的编程Agent提供实证依据。
Hugging Face Papers →
🎨 多模态研究
Layers, Sinks, and Scaling: Adaptive Evidence Selection for Multimodal Large Language Models
Zhenbin Wang et al. · 2026-09-15
multimodal-research
提出AREA方法，通过单个probe token从固定骨干层读取视觉和文本相关性，自适应决定是否干预、证据量及刷新时机。在KB-VQA和7个标准多模态基准上取得训练无关highlighting方法的最好性能。
arXiv:2609.16795 →
Semantic-Spatial Agreement Verification for Mitigating Object Hallucination in Multimodal Large Language Models
Ziheng Ren et al. · 2026-09-15
multimodal-research
提出SSAV训练无关方法缓解MLLM物体幻觉。通过语义等价查询聚合估计语义支持，结合交叉查询区域持久性、空间重叠和相对候选支配力进行验证。LLaVA-1.5-7B在POPE Popular/Adversarial上精度分别提升1.81和3.17个百分点。
arXiv:2609.17269 →
Mage-VL: An Efficient Codec-Native Streaming Multimodal Foundation Model
微软研究院 · 2026-07-27
multimodal-research
multimodal
高效编解码器原生流式多模态基础模型。Mage-ViT自定义tokenizer选择性编码动态高熵区域，视觉token消耗减少75%以上。基于5.6亿未标注图像和1亿视频帧训练，静态任务匹配Qwen3-VL-4B，视频理解速度提升3.5倍。
arXiv:2607.24904 →
🔒 AI 安全与对齐
Beyond Routine Compliance: Cunning Data Cultivates Safety Vigilance in Large Language Models
Youjia Wang et al. · 2026-09
ai-safety
研究"狡黠数据"如何培养大模型安全警惕性，探索通过精心设计的训练数据提升模型在面对有害请求时的抵抗能力，18页完整论文。
arXiv:2609.18515 →
Easy to Catch a Liar, Hard to Clear an Honest One: Language Models Diagnosing a Corrupted Reward Channel from a Verified Record
Arman Nik Khah · 2026-09
ai-safety
研究语言模型如何从验证记录中诊断被篡改的奖励通道。15页论文，含9个表格，代码、提示词、答案密钥和所有评分输出已公开，为奖励 hacking 检测提供新视角。
arXiv:2609.17226 →
🧠 推理与语言模型
DeepSeek-V4.1-Flash: KV Cache压缩极限
DeepSeek · 2026-09-19
llm
reasoning
热门
DeepSeek-V4.1-Flash版本聚焦于KV Cache压缩技术的极限探索，在保持推理性能的同时显著降低内存占用，为长上下文推理提供新思路。
Hugging Face Papers →
排行榜变动
Chatbot Arena 文本榜 (2026-09-13更新)
| 排名 |
模型 |
分数 |
机构 |
| 1 |
Claude Fable 5 |
1506±5 |
Anthropic |
| 2 |
Claude Opus 4.6 High |
1505±4 |
Anthropic |
| 3 |
Claude Opus 4.7 High |
1502±4 |
Anthropic |
| 4 |
Muse Spark 1.2 xHigh |
1500±11 |
Meta |
| 5 |
Claude Fable 5.1 Max |
1498±8 |
Anthropic |
💡 动态：Gemini 4 Pro 疑似以 gemini-3.8-flash-high 代号匿名"偷跑"进入 Arena 测试，社区猜测其为 G4P-ARGON 代号，上下文超1000万 token。
查看完整榜单 →
Open LLM Leaderboard 开源榜 (2026-09-18更新)
| 排名 |
模型 |
BenchAlign v5 |
机构 |
| 1 |
Qwen3.8 Max |
73.2 |
阿里巴巴 |
| 2 |
GLM-5.3 |
66.9 |
Zhipu AI |
| 3 |
GLM-5.2 |
66.7 |
Zhipu AI |
📊 Qwen3.8 Max 领先第二名约 6.3 分，为9月以来最强开源模型，共103个开源权重模型参与排名。
查看完整榜单 →
C-Eval 中文基准 (2026-09-18更新)
| 排名 |
模型 |
得分 |
机构 |
| 1 |
Qwen3.6 Plus |
93.3% |
阿里巴巴 |
| 2 |
DeepSeek V4 Pro Base |
93.1% |
DeepSeek |
| 3 |
Qwen3.5 397B |
93.0% |
阿里巴巴 |
| 4 |
Claude Opus 4.5 |
92.2% |
Anthropic |
| 5 |
DeepSeek V4 Flash Base |
92.1% |
DeepSeek |
查看完整榜单 →
AI 行业重大新闻
⚖️ AI 四巨头反垄断诉讼：涉嫌协调放缓开发速度
Anthropic、OpenAI、xAI（SpaceX AI）、谷歌四家被诉"非法协议"协调放缓 AI 开发速度，违反美国反垄断法。原告为四家公司付费订阅用户，称此举降低消费者价值。该诉讼于加州北区联邦地方法院提交（9月18-19日）。
🚀 Gemini 4 Pro 疑似"偷跑"匿名测试
据36氪等媒体报道，Gemini 4 Pro 疑似以 gemini-3.8-flash 马甲在 LMSYS Arena 匿名测试，表现全面超越 GPT-6 Astra 和 Claude Fable 5。代码能力DeepSWE v1.1达88.7%，Terminal-Bench 2.1达95.3%，暗示Google正押注RSI（递归自我改进）技术路线。
🏥 清华发布青年AI技术榜单：多模态推理居首
2026年清华人工智能青年大会发布《青年最关注的改变未来五大AI技术榜单》：1) 多模态推理与生成大模型 2) 具身智能基础模型 3) 长程任务智能体与多智能体协同 4) 递归自我改进 5) 可交互世界模型。
💡 阿里巴巴发布 Qwen3.8-Omni-Flash
9月18日发布下一代原生全模态模型，支持文本/图像/音频/视频输入，1M token 上下文窗口。在29项评测中平均分提升超过25%，音视频性能接近 Gemini 3.8 Flash，音频性能超越 Gemini 3.8 Flash。
🤖 GitHub 热门AI项目更新
anthropics/claude-code ⭐146,377（本周+1,620）— Claude Code agentic coding工具；
Tencent/WeKnora ⭐27,070（本周+4,703）— 开源LLM知识平台：RAG + 自主Agent + Wiki；
JustVugg/colibri ⭐26,628 — C语言实现的轻量级MoE模型推理引擎。