13项技能把捏造检出率推至92%

重点关注

01 Agent｜13项技能让自动写论文留下证据

让AI写出一篇像论文的长文本早已不稀奇，真正难的是让每条结论经得起追问。Spark-to-Paper把研究拆成13项可组合技能，覆盖文献检索、实验执行、按证据修订主张和可编辑制图，并直接运行在现有编码助手中。它先确定实验需要提供哪些证据，再观察结果、修改甚至放弃原有主张，避免成稿反过来挑选有利数据。系统结合确定性完整性检查与自我审查，并限制反复实验持续否定原始目标的「自我反驳循环」。

摘要报告，在8个受控研究主题中，完整审查栈把捏造内容的检出率从单轮草稿的14%提高到92%，同时达到99.5%的引用有效率和96.4%的图表可编辑率。每篇论文平均消耗1190万token、成本8.1美元、耗时3.2小时，这组数字让它更像可实际运行的研究流水线，而非昂贵的演示项目。不过样本只有8个主题，指标定义、任务难度和失败案例仍需看全文确认。对构建研究Agent的团队来说，最值得复用的设计原则很明确：先让每个环节留下可复核证据，再讨论最终论文写得像不像真的。

原文：Spark-to-Paper: End-to-End Research Paper Generation as a Composable Skill

02 推理｜不改参数，弱模型的表现也能接近翻倍

把弱模型的平均表现从0.49拉到0.91，这次靠的不是重新训练，而是让强模型在测试前搭好一套执行框架。强模型用5%的数据反复调试流程，把不稳定的推理转移到确定性代码、任务路由和严格的答案格式中，再交给弱模型执行。真正意外的是，提升主要不是来自让弱模型「想得更久」，而是重新设计了它所处的推理环境。但这也留下一个关键疑问：执行框架究竟沉淀了可复用的任务结构，还是强模型在前置阶段已经替弱模型完成了大部分推理；目前结果仅来自四个心智理论基准，泛化能力还需看全文和更多任务验证。因此，评估这类方案不能只比较目标模型的单次调用价格，还要计入强模型构建、验证和维护执行框架的成本。

原文：AI4AI at Test-Time: Strong-to-Weak Capability Transfer via Harnesses

03 安全对齐｜自动生成攻击场景成为新流水线

Agent安全评测的生产方式正在变化：过去靠人工搭建环境、预先放置少量提示注入，如今可以批量合成带状态、可执行的对抗工具环境。ToolHazard通过环境模拟器、攻击者Agent和用户模拟器，自动寻找可行的注入点、生成环境专属攻击载荷，并构造与状态关联的长流程任务。这让工程团队有机会把环境合成接入持续测试，将不同工具、权限组合和注入位置纳入测试矩阵。摘要披露的实验显示，注入时机与位置会影响攻击效果，而生成的对齐数据能在两个基准上提高安全性，同时保留正常任务能力。不过，自动生成的场景是否贴近真实业务流程仍需看全文和实际验证，不能把场景数量直接当作评测质量。

原文：ToolHazard: Scaling Adversarial Environments for Security Evaluation and Alignment of LLM-based Agents

04 多模态｜StateFlow用渲染反馈访问3D世界状态

StateFlow把场景元素和相机配置保存在持久、结构化的3D状态中，并通过构建、演化和访问三个阶段组织预演流程。构建阶段将2D内容提升为连贯的3D世界；演化阶段保留世界记忆，将用户意图转成结构化状态变化；访问阶段利用渲染反馈反思，把相机计划修正为视觉上可行的轨迹，而非只依赖VLM语义。最终视觉质量则是另一层问题——框架仍借助现成视频模型提升画面，因此实验中的高质量结果不能直接等同于状态层本身的能力。对预演工具团队而言，更值得验证的是世界记忆在多轮演化后能否保持一致，以及渲染反馈能否稳定改善相机轨迹；这两项应与成片画质分开评估。

原文：StateFlow: Building, Evolving, and Accessing 3D World States for Previsualization