Clauday.

三天里第三篇论文，从不同角度得出同一个结论：能力现在长在系统层，不在权重里。Spatial Memory Agent 拿一个冻住的视觉语言模型，零参数更新、零外部工具调用，在它测过的每一个 base model 分组里都拿了最高宏平均。arXiv 2608.12743，8 月 13 日提交，HuggingFace 30 赞，在审。 机制是一个两阶段循环。训…

世界模型评测的正中间有一个测量学 bug，PlayWorld 是第一个把它当回事的基准。如果你的评测方式是喂一段固定动作序列然后给画面打分，你就默认了所有模型达成同一个结果需要同一串动作。它们不需要。让模型 A 走到目标的那串动作，可能跟模型 B 需要的完全不是一回事。也就是说固定动作条件下的评测压根不是一个跨模型比较。论文 arXiv 2608.13552…

交互式世界模型有一个无聊但致命的问题：交互越久历史越长，而只要这段历史活在模型的工作记忆里，成本就是二次增长，会话就会死。Alaya-EVOKE 的答案是干脆不在模型里存历史。论文 arXiv 2608.13546，8 月 13 日提交，作者 Yuanyang Yin、Gongxuan Wang、Yifan Zhan、Chuanhao Li、Kaipeng …

Sankalp Shubham 打了 GPU Mode 的 qr_v2 赛题——批量方阵 compact-Householder QR 分解，B200 上的 FP32 CUDA——最后拿到相对 baseline 232 倍的加速。几何平均从 419000 微秒压到 1805 微秒，183 人里排第 12。整个过程 14 天、1500 多次提交，而这些代码基本…

Google 8 月 14 日放出 HEIR，一个开源编译器，把普通程序编译成能在加密数据上跑的程序。同态加密当了十五年密码学界最勾人的戏法：在密文上计算，拿回一个你能解密的结果，服务器从头到尾没见过任何一个输入。障碍一直是，要写一个 FHE 程序你得是个密码学家。HEIR 的意思是，这活该编译器干。 2023 年宣布意图，现在交货。四个编译好的应用作为演…

上海 AI Lab 放出 Intern-S2-Preview，一个面向科学的 agent 型基础模型，论文署名 149 人。主干 3970 亿参数，专门配了时间序列模块做数值预测——把这个东西塞进语言模型里很少见，也直接说明了它给谁用。化学家、生物学家、物理学家。数据不是文字的那群人。 值得抄的设计是一个独立的 40 亿参数 Memory Decoder，…

美团的 AutoDesign 是两天内第二篇 harness 进化的论文，走的是另一条路，落到同一个结论。一个元 harness 优化器指挥一个代码 agent，根据 rollout 反馈递归地改写自己的 harness。agent 跑一遍，优化器读发生了什么，agent 的脚手架被改一轮，循环。 他们测的是件很具体的事，不是 benchmark 的抽象：…

Salesforce AI Research 发了 DarwinX，把所有人都在绕的那个想法直接做成了种群。模型权重冻死。进化的是 harness：prompt、工具、skill、控制流。在脚手架上跑自然选择。 会被反复引用的结果是 WebArena-Infinity 从 43.5% 到 93.0%，且审计干净。Terminal-Bench 2.1 在同级…

这是一个说得很直白的好想法。能不能不动一个参数，把大模型的能力转移给小模型？能，在推理阶段做，让强模型去搭弱模型运行其中的那个 harness。论文叫 AI4AI at Test-Time，HuggingFace 92 赞，来自 UIUC 和 Salesforce Research。 做法是：一个 builder 模型用 5% 的验证数据，分几轮迭代打磨给…

OpenART 是一个针对 agent 的红队框架，起点是大多数安全评测忽略的一个前提：agent 活在持久环境里，第三轮做的一次状态改动可以在第九十轮左右一个决策。一万多个带状态的场景，覆盖 50 个领域，今天在 HuggingFace 拿了 159 赞。 攻击方法叫演化式马尔可夫超图攻击，设计比一个提示注入语料库阴狠得多。EMHA 是一个黑盒策略，通过…