AI 论文速递

循环 Transformer 与混合专家（MoE）是两条互补的高效扩展路线：前者在固定参数量下增加计算深度，后者在固定激活计算量下扩大总容量。既有缩放定律均将二者孤立建模。本文提出 Loop Scaling Laws——首个同时刻画循环与稀疏性的缩放定律族，为设计兼具深度与容量的下一代高效架构提供了定量预测工具，实验覆盖了多种循环深度与专家数的组合配置。

前沿语言模型在单次生成中已能产生有力的数学思想，但开放性研究问题往往需要探索多个相互竞争的猜想、克服隐蔽的技术障碍，单次生成力不从心。Cogentic 是一个面向开放研究问题自动证明发现的多智能体编排框架，通过多智能体分工协作实现猜想的并行探索与交叉验证，在多个开放问题上完成了端到端的证明发现，展示了"AI4AI"范式在数学研究中的可行性。

计算机操作智能体（CUA）已在多项标准基准（含困难的长时程任务）上超越人类表现，但执行速度仍是其大规模部署的关键瓶颈。cua-speedrun 提出首个针对 CUA 执行速度的标准化基准，将"完成得对"与"完成得快"解耦评估，系统测量了现有智能体在不同任务类别上的延迟分布，为该领域建立了可复现的效率度量基线。

基于 LLM 的进化搜索在需要模型所不具备的外部知识时容易停滞；简单接入网络搜索工具又会随解的演化反复返回相同页面。EvoDuet 提出双层优化方法，将"解的进化"与"检索查询的进化"协同演化：检索查询随当前解的形态自适应调整，从而为科学发现任务持续供给新颖且相关的外部知识，显著优于静态检索增强的进化基线。

预训练机器人策略提供了有用的动作先验，但长时程操作仍要求语义推理与物理执行的协调：语义推理运行在比物理交互更粗的时间尺度上，而回合级失败信号难以定位应修正的系统组件。DynaHarness 提出动态物理外骨骼框架，使机器人智能体能够在执行过程中根据失败归因自适应地重构推理—执行接口，实现自我进化，在长时程操作任务上显著提升了成功率与样本效率。

第一人称（egocentric）人类数据是机器人学习的可扩展经验来源，但在人—机对齐程度、行为覆盖度与可用监督信号上差异巨大。既有工作仅表明"更多人类数据带来更好缩放"，却不清楚究竟哪些数据属性驱动下游机器人收益。Ego4WAM 系统拆解了数据质量各维度的贡献，给出了第一人称数据筛选与课程式使用原则的定量结论，对以人类视频为主要监督来源的机器人学习路线具有直接参考价值。

安全的社会导航要求机器人不仅预判动作的未来后果，还需判断标称动作在当前物理与社会约束下是否真正可执行。Social-WM 是一个基于第一人称 RGB 视频序列训练的高效隐空间世界模型规划框架，将"动作可行性"显式纳入世界模型的预测目标，在动态行人环境中实现了兼顾安全与社会合规性的导航决策。

现有多模态统一模型或将语言与量化图像均建模为离散 token（引入视觉量化瓶颈），或将离散语言预测与连续图像生成拼接（需依赖模态特定设计）。Multimodal Flow 提出在嵌入空间中对语言与视觉进行全连续的统一流（flow）建模，彻底绕过视觉量化瓶颈与模态异构的目标函数，在理解与生成两类任务上均取得了与专用模型相当的表现，为"真正的全模态统一"提供了新范式。

本周最受关注的新晋 awesome list，系统收录 DeepSeek Harness（DSH）生态的插件、工具与基础设施。伴随 DSH 生态快速扩张（相关衍生列表 0xsline/awesome-deepseek-harness 亦获 1.1k⭐），该列表已成为社区进入 DSH 插件开发的首要索引。同期值得关注的 AI 主题新列表还有：LearnPrompt/awesome-seedance（Seedance 2.5/2.0 提示词实证库，1.6k⭐）、zjwzcx/Awesome-Astra-Embodied-AI（具身智能方向，1.1k⭐）、MarcosSete/awesome-free-ai-course-notes（全球高校 ML/AI 课程讲义合集）。主仓库 sindresorhus/awesome 近一个月以维护性合并为主（移除 8 个已归档列表、修复格式问题），尚无新 AI 主题列表正式并入。

本月 LLM 主题高星新仓库中，mac-computer-use（1.1k⭐）支持任意 LLM 跨平台控制计算机，附带 3D 建模示例与实时演示，与今日 cua-speedrun 论文关注的计算机操作智能体方向形成呼应；yetone/magpie（4.1k⭐）为各类智能体提供统一模型接入层；youngyangyang04/llm-master（1.1k⭐）为覆盖 Prompt 工程、RAG、Agent、MCP、微调与部署的 LLM 全栈中文学习路线，反映中文社区对系统化 LLM 工程教程的持续需求。