AI 日报 2026-06-04 · Self-Improve、Domino、Harness-1

开源项目

Vibe-Trading

基于 LLM 的个人交易智能体框架，通过自然语言交互完成市场研究、策略回测、多智能体协作交易等全流程。亮点在于内置 452 个预构建量化因子、支持 7 个市场数据源自动回退、提供 36 个 MCP 工具可嵌入 Claude 等外部 Agent，且近期新增 Robinhood 等券商实盘交易连接器（需用户授权并受严格风控约束）。

HKUDS原文

opendataloader-pdf

专为AI数据提取设计的PDF解析器，输出结构化Markdown/JSON（含边界框），支持RAG/LLM管道。混合模式下用AI处理复杂表格、公式、扫描件，综合解析准确率0.907，排名第一。与PDF Association合作，首次开源实现PDF自动标签生成（Tagged PDF），可验证的PDF/UA合规流程，大幅降低无障碍改造成本。

opendataloader-project原文

airllm

针对大模型推理的内存优化方案，允许70B模型在仅4GB显存显卡上直接运行，无需量化、剪枝或蒸馏。通过分层加载和块级量化压缩，实现3倍推理加速，并支持405B Llama3.1在8GB显存运行。亮点是兼容主流模型（如Qwen、ChatGLM、Llama），代码简单易用，适合资源受限场景下的本地大模型部署。

lyogavin原文

论文

TASTE问题：提升Agent基准测试的覆盖度与难度

随着Agent能力的提升，现有基准如 τ^2-Bench 正逐渐饱和。然而，构建新的基准任务仍然复杂、昂贵且劳动密集。此外，标准方法先将场景用自然语言描述，再映射到工具序列，这仅覆盖了Agent可能使用的工具模式的狭窄子集。

Tomer Keren原文

Harness-1: 使用外部化状态绑带的搜索代理的强化学习

问题：搜索代理常被训练为在增长记录上的策略，模型需同时决策如何搜索、记忆已见内容、证据有用性、开放约束及已验证声明。这种设定将过多日常状态管理置于策略内，强化学习被迫优化语义搜索决策与可恢复的簿记，而环境本可更可靠地维护后者。方法：我们提出 Harness-1，一个 20B 参数的搜索代理（检索子代理），在状态化搜索绑带内通过强化学习训练。

Pengcheng Jiang原文

Domino: 在推测解码中将因果建模与自回归起草解耦

推测解码通过并行起草多个令牌并由目标模型验证来加速 LLM 推理，但其实际加速受限于起草质量与起草成本之间的权衡：自回归起草器建模令牌间的因果依赖但引入顺序开销，并行起草器降低起草成本但削弱了块内依赖建模。本文提出 Domino 框架，将因果依赖建模与昂贵的自回归起草执行解耦。

Jianuo Huang原文

Linear Ensembles Wash Away Watermarks: 论 LLMs 中分布扰动的脆弱性

水印通过在 AI 生成文本中嵌入统计特征来实现检测与归属。然而，我们发现一个根本性漏洞：当用户访问多个模型（当今现实）时，水印轻易失效。水印使输出分布偏离原始分布，而在竞争市场中，不同提供商的扰动通常是独立的。我们理论证明，平均输出概率分布可恢复未加水印的分布，误差至多为二阶项。实验表明，仅平均 3-5 个模型即可抵消这些扰动。

Zhihao Wu原文

多智能体强化学习何时提升大语言模型工作流？工作流、规模与策略共享权衡

多智能体大语言模型工作流通过路由推理至专用角色来提升端任务准确率，但联合强化学习训练这些角色时存在不稳定性，其机制尚不明确。本研究系统比较了共享策略训练（所有角色更新同一个策略）与隔离策略训练（每个角色有自己的参数），在 Eval-Opt、Voting 和 Orch-Workers 三种工作流、数学与代码任务以及三个模型尺度（0.6B、1.7B、4B）上展…

Yifan Zeng原文

LVSA：面向长视频扩散的无需训练的稀疏注意力

密集自注意力是长视频扩散推理的计算与质量瓶颈：计算成本随序列长度二次增长，且超出训练范围时模型输出趋于静态（即“冻结”重复视频）。现有方案要么成本过高（例如需要重训练），要么无法兼顾性能与质量的可扩展性。为此，我们提出长视频稀疏注意力（LVSA），一种无需训练、模型无关的块稀疏注意力机制，用于视频扩散 Transformer。

Gael Glorian原文

MCP-Persona: 通过环境模拟对真实个人应用中的LLM智能体进行基准测试

模型上下文协议(MCP) 已成为将大语言模型(LLM)与外部数据源和工具连接起来的变革性标准，并迅速被个人应用和开发平台采用。然而，现有基准测试主要关注通用信息检索工具，未能捕捉个人社交应用带来的实际挑战——这些应用中的工具需与个人账户或本地数据库交互。

Wenhao Wang原文

LongLive-RAG: 面向长视频生成的通用检索增强框架

问题: 自回归(AR)视频扩散模型支持变长合成，但长时生成常出现误差累积和身份漂移。现有方法多采用滑动窗口注意力，导致生成轨迹不可逆：一旦活动窗口累积外观误差，后续生成只会进一步漂移。方法: 本文将长视频生成建模为检索增强生成(RAG)问题。提出LongLive-RAG框架，将先前生成的潜变量作为动态、可检索的历史。

Qixin Hu原文

通过新奇信号实现联合智能体记忆与探索学习

在开放环境中，探索是自主智能体的基本能力，但当前语言模型智能体在此方面存在困难。有效探索需要记忆，但保留原始交互历史在长轨迹中计算成本过高。潜在记忆虽能压缩交互历史，但其训练缺乏可靠的监督信号。本文提出JAMEL（Joint Agent Memory and Exploration Learning）框架，通过新奇驱动交互联合训练智能体记忆与探索策略。

Shizuo Tian原文

语言代理的策略与世界模型协同训练

强化学习（RL）通过教导语言模型代理哪些动作能带来高回报来改进其性能，但对这些动作如何影响环境却缺乏监督。世界建模（WM）可弥补这一不足，但现有方法通常需要独立的模拟器、额外的训练阶段或额外的推理时计算。我们观察到在策略RL rollout已经包含了所需信号：每个转移对（动作及其导致的下一观察）。

Ning Lu原文

OpenWebRL: 揭秘视觉网页代理的在线多轮强化学习

构建能力强的视觉网页代理需要长程推理、精确接地以及动态真实网站的稳健交互。尽管进展迅速，最强系统仍主要是专有的，而开源代理严重依赖在大型策划的网页轨迹集上的监督后训练，造成可扩展性瓶颈：高质量演示收集成本高，静态数据集覆盖有限。虽然在线 RL 在文本代理中显示出潜力，但其直接在真实网站上训练视觉网页代理的潜力尚未充分探索。

Rui Yang原文

AFUN: 迈向用于功能理解的可供性基础模型

可供性理解连接视觉感知与物理行动，是机器人在开放非结构化真实环境中进行可解释操控的接口。然而，构建一个不仅理解交互位置与方式、还能跨环境、物体和任务泛化的可供性基础模型仍是长期挑战。现有方法通常只解决部分问题：或定位任务相关区域而未指定可执行运动，或预测运动但扩展性有限。本文提出AFUN模型，向功能理解的可供性基础模型迈进一步。

Zhaoning Wang原文

SVI-Bench: 战略视频智能的动态微观世界

真正的视频智能不仅需要识别可见内容，还需要推理事件发生的原因、预测不同条件下会发生什么变化，以及决定下一步行动。我们将这一从感知到因果推理、模拟再到战略规划的进阶过程称为战略视频智能（SVI）。现有基准均无法评估这一能力栈：真实视频缺乏因果和战略问题的可验证真相，而合成环境又牺牲了真实多智能体系统的复杂性。

Yulu Pan原文

Agent 技能不应仅限于文本：视觉技能的必要性

可复用技能是扩展 agent 能力的关键机制，使 agent 能够积累经验并解决日益复杂的任务。然而，现有的大多数技能学习方法仅将可复用经验存储为纯文本资产，例如指令、推理轨迹或总结后的轨迹。我们认为，这种纯文本范式在视觉密集型任务中造成了根本性瓶颈，因为这类任务的可复用知识往往依赖于空间布局、视觉定位、细粒度外观和局部状态变化。

Binxiao Xu原文

MineExplorer: 评估MLLM智能体在Minecraft中的开放世界探索

多模态大语言模型（MLLM）在感知、推理和动作生成方面展现出强大能力，但其在动态开放世界中的持续探索能力仍不明确。现有具身和游戏基准常将交互压缩为短视任务，或使成功与领域特定游戏机制纠缠不清。本文提出 MineExplorer 基准，用于评估 MLLM 智能体在 Minecraft 中的开放世界探索能力。

Tianjie Ju原文

PARCEL: 基于池锚定重采样与条件弹性查询的高效视觉-语言理解

大型视觉-语言模型（LVLMs）将视觉输入映射为密集的token序列，导致推理时存在二次计算瓶颈。弹性视觉token压缩通过训练单一模型以支持多种视觉token预算来解决此问题。然而，现有方法在激进压缩下表现不佳。空间-only压缩（如嵌套池化）相当于不完美的低通滤波器，会引入频谱混叠，模糊细节。

Selim Kuzucu原文

SOCO: 在视觉基础模型中评估语义对象对应关系

衡量视觉基础模型的结构化对象理解仍具挑战，原因在于评估协议不一致以及部分级监督有限。语义对应（Semantic Correspondence, SC）通过测试对象部分能否在实例和类别间匹配（外观、视角和几何差异大）来评估该能力。

Olaf Dünkel原文

通过激活修补测量大语言模型遗忘的深度

大型语言模型遗忘已成为隐私保护和人工智能安全的关键事后机制，但审计目标知识是否被真正擦除仍具挑战性。现有的输出级指标无法检测到当这些知识可从内部表示中恢复时的情况。最近的白盒研究揭示了此类残余知识，但通常依赖辅助训练或数据集特定适配，缺乏通用指标。

Jaeung Lee原文

现成 LLM 作为过程评分器：数学推理中 PRM 的无训练替代方案

问题：使用更强的评分器从多个小模型样本中选择最佳响应是一种简单的推理时策略，但当小模型已陷入错误推理路径时，该方法会失效。PRM 引导搜索通过在生成过程中对候选续写进行评分来避免此问题，但需要经过步骤级标注训练的奖励模型。方法：我们提出 Chunk-Level Guided Generation，一种无训练替代方案，使用现成大语言模型作为过程评分器。

Atoosa Chegini原文

Multi-Agent Computer Use

当前计算机使用智能体（Computer Use Agent, CUA）主要以单智能体串行方式部署，这在需要任务分解、并行执行和基于新信息持续重规划的复杂长时任务中表现欠佳。本文提出转向构建和评估多智能体计算机使用（Multi-Agent Computer Use, MACU）系统，通过规划与并行执行缓解单智能体的不足。

Jing Yu Koh原文

动态

OpenAI Codex可快速将想法变为交互式网站或应用

Building apps has never been easier. With Sites, Codex can turn your work, ideas, and plans into an interactive website or app your team can explore, use, and share with a URL. Rol…

jason原文

OpenAI预告新发布

起飞的时候到了。

OpenAI原文

Google发布Gemma 4 12B多模态模型

Meet Gemma 4 12B! A unified, encoder-free multimodal model designed to bring high-performance intelligence directly to your laptop, and released under an Apache 2.0 license. Bridgi…

Matt Wolfe原文

转推关于AI价格变得荒谬

RT @alanrice: AI prices are getting ridiculous https://t.co/4FHI4wjwxM

dax原文

Claude Devs将触发词从workflow改为ultracode

我们将触发词从 "workflow" 改为 "ultracode"。您仍然可以说 "use a workflow for this"，但当您明确指代其他事物时，Claude 不会启动动态工作流。如需显式触发，请使用 "ultracode"。感谢您的反馈！

ClaudeDevs原文

OpenAI为生命科学研究推出GPT-Rosalind新能力

我们正在为GPT-Rosalind带来新能力，这是一个专为企业级生命科学研究设计的模型系列。它将GPT-5.5的代理编码和工具使用与更强的智能相结合，用于药物发现、分析、设计和实验工作流程。

OpenAI原文

ChatGPT已成为AI同义词，未来与agent同义

ChatGPT 无论你是否理解这个名字，它已经存在并持续发展。它是过去、现在和未来。与AI同义，很快将与代理同义。还有很多要构建。

Tibo原文

呼吁美国在AI领域领先，开发最佳模型并确保安全

美国应该通过继续开发最好的模型、确保它们的安全，并将网络工具交到可信防御者手中，来在AI领域保持领先。新的行政命令取得了平衡。

Sam Altman原文

使用Claude自动化商业分析的最佳实践博客

如何用Claude自动化商业分析？新博客文章介绍了我们在构建执行数据分析的agent时，关于技能、数据基础和评估的最佳实践： https://t.co/mfEJMAQFBU

ClaudeDevs原文

庆祝Gemma 4模型下载超1.5亿，新12B模型强大且可在本地运行

Celebrating the milestone of a massive 150+ million downloads of Gemma 4 with the release of the new Gemma 4 12B model! It's incredibly powerful for such a small model and it’s tin…

Demis Hassabis原文