AI 论文日报 | 2026-10-02

🏆 今日重点论文 Top 3

1

Qiushi Han, Keya Hu, Linlu Qiu, Cathy Wu, Kaiming He (MIT) · arXiv:2610.02200 · researchmultimodal-researchbenchmark

VISTA 是一个不修改底层模型架构的轻量级"视觉 harness"框架，为多模态模型提供无损的持久视觉记忆。在 ARC-AGI-3 基准上，将 Claude Opus 5.0 的人类行动效率分从 40.68 提升至完美 100 分，意味着仅用首次人类测试者 57.4% 的行动次数即完成全部 25 道测试题。代码已开源：https://github.com/microsoft/agent-harness

2

Fewer Tokens, Better Action：GPT-6 Astra 机器人智能体以 65% 更少 Token 实现 14% 更高成功率

Ruiyang Si et al. (复旦大学、上海AI实验室) · arXiv:2610.01939 · researchagent-researchmultimodal-research

提出 PyRUA-Lean，一种交互式代码执行框架，将经典机器人原语与 VLA 策略结合，辅以选择性观测。在 LIBERO-PRO、RoboTwin 2.0 和 RoboCasa365 的 700 个仿真任务中，LLM调用预算相同的情况下，整体成功率从 63.1% 提升至 71.7%，推理 Token 减少 65%，Llama 调用减少 49%。

3

OmniSeek：多轮音视频推理的原生工具集成智能体框架

Haibo Wang et al. (Adobe Research, UC Davis) · arXiv:2610.02181 · researchagent-researchmultimodal-research

将多模态大模型转化为具有原生工具使用的主动式多轮推理智能体。通过构建 OmniTraj-170K 多跳思维链数据，采用两阶段强化学习（可验证奖励），并提出音视频必要性目标以惩罚单模态捷径，在多项基准上持续改进音视频推理性能。

🚀 新模型发布与权重

NEW

Gemini 4 Argon — Google DeepMind 全新旗舰模型

Google DeepMind · llmreasoning 输出上限：100 万 token | 法律推理/金融/网络安全突出

谷歌时隔半年推出的全新旗舰模型。在 AAII（Artificial Analysis Intelligence Index）榜单中仅次于 Claude Opus 5.5 与 Sonnet 5.5；DeepSWE v1.1 得分 77.9%，领先 GPT-6 Astra 和 Claude Opus 5.5 近 4 个百分点。首批面向网络安全合作伙伴限控开放，尚未公开全面发布。
官方公告 →

NEW

Claude Fable 5.5 (疑似内部灰度) — Anthropic 下一代旗舰

Anthropic · llmreasoning 业界推测为首次全新预训练的旗舰

2026 年 10 月 1 日前后被开发者意外发现，Claude 网页端已悄悄灰度至下一代旗舰（界面仍显示 Fable 5.1）。能力被评测者评价为"强的离谱"——断网不调用工具即可准确识别热点梗，图像理解也有显著跃升。据判断为 Anthropic 首次全新预训练的旗舰模型，官方尚未正式官宣。

NEW

BLIP3-o — Salesforce 开源多模态模型

Salesforce AI Research · multimodalmodel-weights CC BY-NC 4.0 · 权重已开源

放弃传统像素空间解码器，采用 Diffusion Transformer 架构，训练速度提升 30%。在文档 OCR 和图表分析等文字密集型任务上准确率达 95%。配套发布 BLIP3-OCR-200M 数据集（200 万图文对）。
Hugging Face 演示 →

NEW

GPT-OSS-120B / GPT-OSS-20B — OpenAI 首次开源大模型

OpenAI · llmmodel-weights Apache 2.0

OpenAI 自 GPT-2 (2019) 以来首次开源大模型，标志战略转向。120B（MoE，5.1B 激活）适配单卡 H100；20B（3.6B 激活）面向边缘设备（16GB 内存）。128K 上下文，配套开源 o200k_harmony tokenizer。
Hugging Face 权重页面 →

NEW

DGX Spark 64GB 版本 — NVIDIA 桌面 AI 超算新配置

NVIDIA · llm 2026-10-02 发布 · 10 月 23 日发售

GB10 Grace-Blackwell 超算芯片，64GB 统一内存（可用约 56GB），起售价 4,999 美元。单机最高可运行 1000 亿参数模型（Qwen3.8-27B / Gemma 4 26B-A4B 等）。支持双机集群扩展（ConnectX-7 直连），2 台 64GB 组合后性能最高提升 1.7 倍。预装 Agent Toolkit、CUDA-X AI、Nemotron 等。

说明：以上模型发布日期均为 2026 年 10 月 1-2 日范围内。部分模型（Fable 5.5、GPT-OSS）尚未获官方正式公告，信息来自开发者社区爆料及第三方报道。

📄 按方向分类论文列表

🧠 LLM / 大语言模型

Agents are systems, not models: Rethinking agentic evaluation

Luis Wiedmann, Leander Girrbach (TUM / Helmholtz Munich) · arXiv:2610.01618

提出智能体评估的多维轴系框架（Reasoning、Information、Verification、Tool use），揭示"智能体是系统而非模型"的评估新范式，在 astrophysics 和 genomics 基准上验证。

llmagent-researchbenchmark
Do Your Own Research: Learning to Forecast by Learning to Search

Yusuf Afifi, Artur Kiulian, Anton Polishko et al. (Future Principle) · arXiv:2610.01955

基于 Polymarket 2100+ 已解析问题的预测智能体环境。使用 Qwen3.5-35B-A3B（3B 激活）在 GRPO+Brier Score 下训练，校准度提升 30-40%，搜索次数从 3.8 降至 2.25，击败所有参测前沿模型（含 Claude Opus 4.5），成本仅 5%。

llmreasoningmodel-research
Selection-Based Structured Reasoning: Toward Efficient Multimodal Search Agents

Feiyu Gavin Zhu, Xiaoyu Zhu, Jiqi Yang et al. (Carnegie Mellon / Google DeepMind) · arXiv:2610.01892

将多模态智能体的自由文本推理重构为从预定义候选中选择，无需辅助任务头。在 2B/4B 模型上，逐轮推理延迟降低 90%+，整体推理延迟降低 28-54%，成功率与同规模领先搜索智能体持平。

llmmultimodal-researchagent-researchmethod

👁️ 多模态研究

VISTA: A Visual Harness for Reasoning in an Interactive World

Qiushi Han*, Keya Hu*, Linlu Qiu*, Cathy Wu, Kaiming He (MIT) · arXiv:2610.02200

轻量级视觉 harness，为多模态模型赋予持久视觉记忆：无损保留所有历史观测，支持主动检索与重组。ARC-AGI-3 人类行动效率从 40.68 → 100，在 GameWorld、AI GameStore、BabyVision 三项视觉基准上均显著提升。

multimodal-researchagent-researchbenchmark
OmniSeek: Native Tool Integration for Multi-turn Audio-Visual Reasoning

Haibo Wang, Jiteng Mu, Jialu Li et al. (UC Davis / Adobe Research) · arXiv:2610.02181

将 Omni-LLM 转化为主动多轮音视频推理智能体，动态决定"看哪段/听哪段"以获取关键证据。构建 OmniTraj-170K 数据，通过两阶段 RL 优化，并引入音视频必要性目标惩罚单模态捷径。

multimodal-researchagent-researchmethod

🤖 Agent 研究

Fewer Tokens, Better Action: GPT-6 Astra Robot Agents with 14% Higher Success Rate but 65% Fewer Tokens

Ruiyang Si, Jianxin Bi, Shunyu Yang et al. (Fudan Univ / Shanghai AI Lab) · arXiv:2610.01939

PyRUA-Lean 框架通过交互式代码执行与选择性观测，在同等 LLM 调用预算下，将机器人任务成功率从 63.1% 提升至 71.7%，Token 消耗降低 65%。

agent-researchmultimodal-researchmethod

🔒 安全与对齐

ATLAS: 确定性且可审计的 AI 安全风险评估框架

Yixuan Huang, Basel Halak, Boojoong Kang (University of Southampton) · arXiv:2610.01436

提出证据驱动的 AI 安全评估框架，将评估形式化为确定性决策函数：规范化异构产物、编译 MITRE ATLAS 技术谓词、输出可追溯的技术可行性与影响级别，并通过形式化验证保证边界性、全定性、有序语义一致性和单调性。

ai-safetymethod
Safer Content or Firmer Refusals? A Hybrid Perturbation Defense for Alignment under Harmful Fine-tuning

Muhammad Zeeshan Akram, Mufid Kamel Marican et al. (Univ. of Louisville) · arXiv:2609.36862

针对恶意微调攻击，提出 VaccineBooster 混合防御：将嵌入扰动（Vaccine）与梯度衰减（Booster）结合。在 Llama-2-7B 上实现最低 OpenAI 审核分数 0.315（内容安全最优）及 50% 拒绝率（拒绝行为保留最优），揭示了两种机制之间的权衡关系。

ai-safetymethod

🧮 推理与方法

Do Your Own Research: Learning to Forecast by Learning to Search

Future Principle 团队 · arXiv:2610.01955

使用单一 epoch GRPO + Brier Score 奖励直接训练预测智能体的"搜索策略"，使模型学会如何高效收集证据而非盲目搜索，代表了 outcome-based RL 在预测场景的新进展。

reasoningmethodmodel-research

📊 基准评测

VISTA 在 ARC-AGI-3 上的突破性表现

MIT 团队 · arXiv:2610.02200

VISTA 框架在 ARC-AGI-3 基准上实现了完美的人类行动效率（100 分），并在 GameWorld、AI GameStore、BabyVision 等四项独立视觉基准上验证了方法的泛化性，为"简单 harness 能否大幅提升现有模型"提供了有力证据。

benchmarkmethod

📈 排行榜变动（截至 2026-10-02）

Chatbot Arena (lmarena.ai) — 文本综合榜 Top 15

#	模型	Elo	投票数	价格 ($/MTok)	上下文
1	gemini-4-argon-high 🆕 NEW	1533 ± 9	4,942	$2 / $10	1M
2	claude-opus-5.5-high ↑ 上升	1512 ± 10	3,932	$4 / $20	1M
3	claude-fable-5.1-max	1511 ± 6	11,241	$10 / $50	1M
4	claude-opus-5-max	1507 ± 5	28,351	$5 / $25	1M
5	claude-opus-4.6-high	1504 ± 3	77,193	$5 / $25	1M
6	claude-opus-5-high	1503 ± 4	58,380	$5 / $25	1M
7	claude-opus-4.6	1498 ± 3	81,769	$5 / $25	1M
8	gemini-3.8-flash-high	1496 ± 5	24,828	$0.75 / $3.75	1M
9	claude-fable-5-high	1492 ± 4	37,900	$10 / $50	1M
10	mimo-v2.6-pro ↑	1491 ± 9	4,074	$0.43 / $0.87	1.1M
11	claude-opus-4.7-high	1490 ± 4	64,607	$5 / $25	1M
12	muse-spark-1.3-max	1490 ± 6	11,698	$1.25 / $4.25	1M
13	gemini-3.7-flash-high	1487 ± 5	20,851	$0.75 / $3.75	1M
14	gemini-3.5-flash-high	1481 ± 4	47,981	$0.75 / $4.50	1M
15	qwen3.8-max	1481 ± 5	22,809	$1.69 / $5.07	1M

来源：arena.ai · 更新时间：2026-09-30

LMArena.ai 排行榜摘要（2026-10-02）

#	模型	Elo	亮点
1	Claude Fable 5	1525	text #1 · 旗舰推理
2	Claude Opus 5	1522	新旗舰 (Jul 24)
3	GPT-5.6 Sol	1514	OpenAI 旗舰档
4	Claude Opus 4.8	1512	prior text #1
5	Grok 4.5	1499	cheapest frontier
6	Gemini 3.1 Pro Preview	1500	science leader
7	Kimi K3 (open)	1500	coding #1 · 开源权重
8	DeepSeek V4 Pro (MIT)	1462	$0.435/$0.87 · 性价比旗舰

来源：swfte.com/lmarena · 2026-10-02

🏷️ 排行榜关键变动摘要

Gemini 4 Argon 🆕 上线首周即登顶 Text Arena，Elo 1533，超越所有现有模型，是本月最大变动
Claude Opus 5.5 强势攀升至第二（1512 Elo），成为 Anthropic 最新旗舰代表
MiMo V2.6 Pro (小米) 以 1491 Elo 跻身 Top 10，是开源模型中排名最高的之一（MIT 协议）
GLM-5.2 以 1483 Elo 继续代表中国开源模型表现（MIT 协议）
榜首 Elo 首次突破 1530，进入 1500+ 俱乐部的模型数量持续增加
开源模型与闭源模型的差距在缩窄：Kimi K3、MiMo V2.6 Pro、GLM-5.2 等均进入 Top 15

🔥 Hugging Face 热门趋势（2026-10-02）

本周最热门模型：

openbmb/MiniCPM-V-4.6 — 更新于约 3 小时前，80.6k 下载，761 收藏
SulphurAI/Sulphur-2-base — 更新于约 22 小时前，1.05M 下载，1.11k 收藏
Supertone/supertonic-3 — TTS 模型，24k 下载，多语言语音合成
unsloth/Qwen3.6-27B-MTP-GGUF — Qwen3.6 27B 量化版，268k 下载
unsloth/Qwen3.6-35B-A3B-MTP-GGUF — Qwen3.6 MoE 量化版，238k 下载

热门 Spaces：

TencentARC/Pixal3D — 高保真像素对齐图像到 3D 生成（164 Spaces）
r3gm/wan2-2-fp8da-aoti-preview-2 — Wan2.2 14B 快速预览，图像生成视频（1.23k Spaces）
Supertone/supertonic-3 — lightning-fast on-device TTS
techfreakworm/LTX2.3-Studio — 文本/图像/音频生成视频