AI FRONTIER
Signals worth understanding before they become obvious.
LRMoE：面向内存受限节点的需求侧负载重校准，提升MoE训练效率
LRMoE是一种内存感知的MoE训练系统，在反向传播中联合重校准需求并平衡保留的工作负载，通过容量感知路由与物理压缩减少反向通信、计算和执行缓冲区需求。论文报告在Qwen3-30B-A3B和GLM4.5-106B-A12B上，达到固定损失目标的累计MoE层训练时间相比SYMI减少21.2-44.8%。
- 论文报告在Qwen3-30B-A3B和GLM4.5-106B-A12B上，达到固定损失目标的累计MoE层训练时间相比SYMI减少21.2-44.8%。
- 前向执行阶段在资源约束下规划保留配额与专家放置，同时保留所有路由计算。
- 反向传播阶段使用负载重校准度量估计每个token-专家对专家更新的贡献，并在配额内选择配对。
- 容量感知路由算法将保留的配对分配到其原始专家的可用实例上，物理压缩形成更小的通信负载和可变大小的分组GEMM。
对于在内存受限GPU节点上训练稀疏MoE的团队，LRMoE表明在反向传播中按贡献筛选token-专家对，可在不改变前向路由计算的前提下降低反向流量与缓冲区占用。
通过伙伴-外部者正向倾听检测AI智能体之间的隐蔽串通
论文提出行为测试Partner-Outsider Positive Listening（PoPLi）：使用暗号的伙伴智能体会对消息的具体措辞作出反应，而替换其位置的外部智能体不会；PoPLi通过回放已记录的提示事后计算两者在消息改写但含义不变时动作变化的差异。
- 在包含五种条件的模拟市场中，只要存在首字母暗号，PoPLi介于0.48至0.59之间（95%区间均高于0.29）；不存在暗号时介于-0.10至-0.01之间。
- 仅监控消息的监测器无法区分条件：读取发言者消息的监测器在全部50个市场中均回答“否”，读取每个卖家消息的监测器在10个无串通市场中误报了9个。
- PoPLi检测的是私密信道的使用，而非串通本身，且无法检测仅通过激励实现的串通或由语义承载的暗号。
- 该方法在事后通过回放已记录的提示计算，论文标注为进行中的工作。
对构建多智能体系统的开发者而言，PoPLi提供了一种基于日志回放的行为审计手段，可发现消息内容看似无害的私密信道，但需注意它无法覆盖基于激励或语义编码的串通。
WebAnything：从真实网页到可扩展的智能体环境
WebAnything 是一个全自动框架，可从真实 URL 重建有来源依据、可复用的 Web 环境，无需逐站点人工实现，也无需在初始设置与授权后进行修复。论文报告称其构建了 244 个网站工件，覆盖 14 个应用领域和 53 个类别，支持 12,984 个已执行并通过的任务。
- 论文报告构建了 244 个网站工件，覆盖 14 个应用领域和 53 个类别，支持 12,984 个已执行并通过的任务。
- 与人工辅助的 WebHarbor 相比，WebAnything 在三个保真度指标上取得更高的综合得分，在盲审中为 12 胜、2 平、0 负。
- 在 5,856 条交互轨迹上微调 Qwen3.5-9B，论文报告 REAL 成功率提升 9.9 个百分点，Odysseys-Easy Rubric Avg 与 Task Avg 分别提升 6.25 和 6.32 个百分点，WebArena-Verified Overall 成功率在固定测试框架下提升 13.33 个百分点。
- 框架由 Explorer-Builder 收集浏览器可观测的结构、资源和交互结果，并由独立验证器检查冻结候选，指导局部修复或定向源重采集。
对智能体构建者而言，该工作表明无需逐站点工程即可从真实 URL 自动生成可重置的 Web 训练与评测环境，并给出了微调可带来的具体成功率增益。
ThinkJev：一次思考，适配所有预算的校准类型化决策
ThinkJev 基于一个开放混合思考模型构建快速与慢速两套系统：System 1 直接读取选项字母概率，System 2 在同一缓存提示上思考后读取相同字母概率，因此升级不重复计算，且一次采样思考即可给出任意思考预算下的答案。
- 在 5% 目标错误率下，Qwen3.5-27B 以 System 1 单独作答覆盖 8359 个测试决策中的 24.5%，实际错误率为 3.9%；Qwen3.5-4B 与 9B 分别为 6.5% 和 0.0%。
- 对其余决策，一旦答案置信就停止思考，达到 81.6% 准确率，而始终思考为 82.7%，仅使用 72% 的思考 token。
- 论文报告在 JevBench 公开条目上，Qwen3.5-27B 仅在 29.4% 的情况下思考，准确率与所列两个思考 API 无法区分（探索性结果）。
- 论文称无需训练，仅用带标签开发数据上的统计检验来保证被接受的 System 1 答案低于目标错误率；代码与数据生成器已公开。
对构建类型化决策服务的开发者而言，该结果提示可在同一开放混合思考模型上复用缓存提示与字母概率，按统计保证逐条决定是否思考，从而在可控错误率下大幅减少思考 token 开销。
衡量智能体智能合约合成中意图丢失的位置
该论文提出一种基于执行的评估方法，在AI编写的智能合约与应复现的原始合约上重放相同交易并测量一致频率，同时提出先询问需求的elicitation-first架构。
- 论文报告：仅检查所有系统都包含的函数会隐藏流水线之间约一半的差异。
- 论文报告：在三个AI模型上，先询问需求比事后审查或修补重要得多，而自动化安全修复常常破坏所要求的行为。
- 论文报告：常见方法如AI评判和标准分析工具会漏掉明显错误，评分选择也有影响。
- 作者发布工具、600个任务及全部结果，论文被ACM TheWebConf2027接收。
构建智能体代码生成时，应在生成前收集缺失需求并用独立编写的可执行答案键校验，而非依赖事后审查或自动安全修补。
OpenFrontiers：开放研究问题集合与科学再发现基准
OpenFrontiers 汇集了 12,151 个开放研究问题的结构化语料库，并构建了包含 200 道数学问题的回顾性基准，其中 110 道于 2026 年解决、90 道仍开放，每道题配有经自动化探针和两次独立评审检查的 Lean 4 陈述。
- 语料库记录了 12,151 个问题的陈述、背景与进展等信息。
- 基准包含 200 道问题，其中 110 道于 2026 年解决、90 道仍开放，每道题配有 Lean 4 陈述，并经自动化探针和两次独立评审检查。
- 子集 HQ-50 依据质量分数等进一步筛选。
- 评估协议在隔离沙箱中用两个独立检查器对形式化证明评分，设置闭卷、冻结检索和实时联网三种条件。
该基准将形式化评分与闭卷、冻结检索、实时联网条件分离，使构建者能区分真正的再发现与对已发表解答的检索。