机器之心 AI NEWS DIGEST
2026 05 31
STORY 01 / 14

LeetCode C++近满分！Autogenesis要给智能体装上「自进化操作系统」

01-01
论文首页显示 Autogenesis 自进化智能体协议的标题、作者和项目地址。
01-02
架构图把可演化资源、执行应用和自进化控制层放在同一框架中。
01-03
GAIA 成绩表列出 Agent-Evo 与多个基线在不同难度上的准确率。
01-04
科学和数学基准表展示 GPQA、AIME、HLE 等任务上的成绩。
01-05
LeetCode 曲线按 Python3、C++、Java、Go 和 Kotlin 展示通过率与成本趋势。
01-06
协议图再次强调，资源注册、版本接口和闭环控制共同支撑可治理的自进化。
STORY 02 / 14

登顶HuggingFace日榜！英伟达清华团队γ-World：把世界模型从单机打到联机

02-01
项目页展示 Gamma-World 的论文标题、团队信息和多视角生成画面。
多视角动图展示几个玩家在同一生成世界中的同步视角。
02-03
结构图显示每个智能体的输入、动作和身份编码如何进入模型。
动图展示模型在交互场景中的生成过程，用来对应效率改进后的可运行效果。
多路视角动图显示模型在更多玩家条件下仍保持共享世界状态。
机器人场景动图展示 Gamma-World 在真实世界任务上的迁移示例。
STORY 03 / 14

李飞飞造了ImageNet，现在她又带人超越了它

03-01
论文首页显示 GPIC 数据集的标题、作者和视觉生成定位。
03-02
项目共一作者的推文展示 GPIC 发布和开放下载信息。
03-03
数据构建流程图从来源池和授权筛选开始。
03-04
数据统计图汇总 GPIC 的规模、来源占比和 Nano、Lite、Full 版本。
03-05
captioning 模型选择图比较标签、短、中、长描述下的得分。
03-06
评估图展示 FD-DINOv2 与传统 FID/参考集设置的差别。
03-07
JiT 基线表列出不同 CFG 下的 FD、Precision、Recall、Density 和 Coverage。
03-08
JiT 样例图展示参考基线在不同引导强度下生成的图像。
STORY 04 / 14

苹果用AI重新发明了图像压缩：同样画质，文件只要三分之一

04-01
论文标题图显示 PICO 所属的实时自适应图像压缩研究。
04-02
PICO 架构图展示编码器、熵模型、一次性上下文模型和解码器。
04-03
文字保真图对比无 TextFidelityLoss 和加入 TextFidelityLoss 后的路牌文字。
04-04
压缩对比图展示原图、PICO 和其他编解码器在相似码率下的细节差异。
04-05
指标对比表汇总 PICO 与传统和学习型编解码器的质量、速度和部署差异。
STORY 05 / 14

内存暴降50倍且精度无损，MIT提出注意力匹配，能终结大模型显存危机吗？

05-01
论文标题图显示 Fast KV Compaction via Attention Matching。
05-02
机制图展示参考查询、Key 选择和 Value/Bias 计算三步。
05-03
Head sensitivity 曲线显示不同注意力头对 KV 容量的敏感程度不同。
05-04
QuALITY 散点图比较压缩时间、准确率和不同 KV 压缩方法。
05-05
表格列出 Full Context、Summarize 和 Summarize 加 Attention Matching 的缓存占比与准确率。
STORY 06 / 14

只需几个抽象符号替代思维链，就能将推理成本压缩11倍

06-01
论文标题图显示 Thinking Without Words 与 Abstract Chain-of-Thought。
06-02
示例图对比自然语言思维链和抽象符号思维链。
06-03
训练流程图展示 warm-up loop 和 warm-started reinforcement learning。
06-04
主结果表列出数学、指令跟随和高难问答上的 token 数与成绩。
06-05
抽象 token 分布图显示模型训练后会重复使用某些符号模式。
STORY 07 / 14

DeepSeek陈德里AI论文第二弹：从6分到8分，DeliAutoResearch SKILL又进化了

07-01
陈德里推文写到第二篇 DeliAutoResearch SKILL 论文发布，并提到模拟评审提升。
07-02
论文首页显示持续学习与自我迭代综述的题名和作者信息。
07-03
生产统计表对比第一篇和第二篇自动科研论文的评分与生产过程。
07-04
推文说明论文仍有改进空间，但保留粗糙结果作为 DeliAutoResearch SKILL 的反馈。
07-05
三轴分类图把持续学习和自我改进按时间、目标和适应方式组织起来。
07-06
自我改进轨迹曲线展示不同方法在多轮自训练中的性能变化。
07-07
生产统计表把论文质量、人工交互和模型调用放在同一张对比图中。
STORY 08 / 14

超越单体智能｜多智能体系统的协作、归因与自我演化综述

08-01
论文首页展示 LIFE 多智能体系统综述的标题和作者机构。
08-02
LIFE 总览图把四个阶段串成一条多智能体系统生命周期。
08-03
Agent 能力模块图展示推理、记忆、规划和工具使用等组成。
08-04
协作结构图展示多智能体系统中的角色分配、通信路径和调度结构。
08-05
失败归因图展示错误观察、诊断线索、传播过程和执行轨迹。
STORY 09 / 14

AI权威清洗：一张肉眼难辨的图片，就能让GPT-5.4、Claude Opus 4.6集体造谣

09-01
论文首页显示“AI 权威清洗”研究标题、作者和 ETH Zurich SPY Lab 背景。
09-02
聊天截图中，模型面对登月和九一一图片时给出“Fake”判断。
09-03
两组 X/Grok 截图显示，模型把不同新闻截图中的人物回答为 Elon Musk。
09-04
画面中，Grok 根据提问生成一张 Elon Musk 被警察带走的图像。
09-05
Google Visual Matches 截图显示，被扰动图片的视觉匹配结果集中到 Musk 相关图片。
09-06
ChatGPT 截图显示，模型把被遮挡的敏感内容评价为适合在 X 上发布。
09-07
Grok 脱衣过滤示例对比正常拒绝与扰动后通过，说明模型安全规则可能被视觉 embedding 牵引。
STORY 10 / 14

ICML 2026 清华姚权铭团队提出 LMNet，让语言模型学会自己组网

10-01
论文首页显示 Language Model Networks 的标题、作者和 ICML 2026 信息。
10-02
示意图对比离散自然语言通信和稠密连续向量通信。
10-03
结构图展示语言模型节点通过可训练通信模块连接成模型网络。
10-04
对比表列出 LMNet-1B 的 1.14B 参数、+0.02T 训练 token 和多项任务准确率。
10-05
方法表中，LMNet 在多项任务上加粗，并给出 +30.5% 相对提升。
10-06
E2E 数据集表显示 LMNet 的 BLEU 为 70.5，平均排名为 1.6。
STORY 11 / 14

开源编程语言 Zig，向 AI 代码说“不”

11-01
Zig 行为准则截图写明，不接受 LLM 生成或 LLM 协助的贡献。
11-02
播客截图中，Kelley 把这类贡献称为会消耗审查资源的负价值提交。
11-03
Jarred Sumner 推文展示 Bun 使用 Claude Code 动态工作流的案例。
11-04
Lunduke Journal 截图列举多个项目对 AI 生成代码的拒绝或限制。
11-05
社区推文追问是否连用 LLM 找 bug 都不允许，显示政策边界仍有争议。
STORY 12 / 14

Rubrics综述：Agent时代，如何定义一个好答案

12-01
论文首页显示 The Rules of the Game: A Survey of Rubrics for Large Language Models。
12-02
综述总览图展示 Rubrics 的章节结构和不同任务上的评价标准示例。
12-03
构造方法图展示直接生成、对比生成、迭代优化和在线演化四类 Rubrics 生成范式。
12-04
流程图展示 Rubrics 作为 reward signal，连接 judge model、逐项评分和 policy model training。
12-05
通用任务清单列出深度研究、Agent 交互、工具轨迹和安全对齐等 Rubrics 评测场景。
12-06
专业领域清单展示医疗、金融法律、长视频和个人助理等高风险任务的 Rubrics 设计。
STORY 13 / 14

一周3.3k star，微软开启 Skills 自我进化

SkillOpt 视频展示项目标题和“agent skill as task-specific playbook”的概念画面。
13-02
流程图展示固定 Agent、技能文档、优化器模型、验证门控和最终 best_skill.md。
13-03
消融表比较默认 lr=4、去掉 lr、是否保留 rejected buffer 和 update memory。
13-04
主实验表按目标模型、执行框架和 benchmark 列出 SkillOpt 的分数增益。
13-05
六个 benchmark 柱状图中，绿色 SkillOpt 柱分别标注 SearchQA +1.9、LiveMath +9.2、ALFWorld +8.9。
13-06
ALFWorld 曲线显示 train rollout 和 selection gate 在多个 step 中变化，体现验证驱动的迭代。
STORY 14 / 14

小学生画了撇胡子骗过 AI 年龄验证

视频中，手指被画成人脸，放入 Discord 年龄验证界面的圆形取景框。
视频末尾显示 “We estimated your age is between 13 and 15”。
14-03
封面图把手指人脸放在识别框中，旁边有锁形符号，强调验证绕过。
Discord 年龄验证视频中，手指简笔画在人脸取景框里按提示移动。
14-05
Meta 相关图写着将用 AI 分析身高和骨骼结构来识别未满 13 岁用户。
今天的智能体头条是 Autogenesis：文章说，它想给会自我修改的 Agent 装上一套可治理的操作系统。
它的关键不是多接几个工具，而是让 Prompt、工具、记忆、环境和 Agent 本身都成为有生命周期的资源。
协议被拆成两层：RSPL 定义什么能进化，SEPL 定义如何经过反思、选择、改进、评估和提交。
文章报告，AGS 在 GAIA Validation 达到九十三点三三，在 Test 达到八十九点零四。
最难的 Level 3 从六十一点二二提升到八十一点六三，说明提升集中在复杂任务上。
在 HLE 全量测试里，文章称 AGS 达到五十九点六；这是把自进化机制放到更宽任务面上观察。
代码侧也被单独测了：LeetCode 覆盖五种语言，C++ 接近满分。
所以这篇文章真正强调的，是当 Agent 开始改变自己，系统必须先能记录、评估和回滚这些变化。
Gamma-World 这篇文章讲的是：世界模型正在从单机时代，走向多智能体共享世界。
它要解决的不是再生成一段视频，而是多个主体互相影响时，世界状态如何保持一致。
文章说，已有方案常把玩家写成固定槽位，两个玩家能跑，但增加玩家就破坏对称性。
Gamma-World 用正单纯形位置编码，让任意两个玩家距离相同，谁也不是特殊的一号位。
复杂度方面，它让玩家先把信息汇入 hub token，再由枢纽广播，计算从平方增长压到线性增长。
文章给出的数字是，八个玩家时算力只有全连接方案的八分之一，延迟从十七点六毫秒降到四点五毫秒。
更关键的是，模型没见过四人训练数据，也能在推理时生成四路同步视角。
文章还展示机器人迁移实验，但它也留下问题：生成交互是否经得起真实物理和因果检验。
GPIC 这篇文章讲的是，视觉生成需要一个新的开放 ImageNet。
原因是旧 ImageNet 面向分类标签，而今天的图像模型靠文本提示和亿级图文数据训练。
GPIC 的第一层价值是授权：只收 Flickr 和 Wikimedia 中许可清晰的图片。
数据规模也很硬：一亿张训练图、二十万验证图、一百万测试图，总量约十二点九 TB。
文章还说，团队用 Qwen3-VL 重新生成四种粒度描述，避免传统 alt text 太脏。
评估上，GPIC 用 FD-DINOv2 和独立百万张测试集，避免模型靠记住训练集刷分。
参考基线是 1.1B 参数 JiT，在八张 H100 上训练约四十小时，最优 FD-DINOv2 是七十六点二五。
所以这不是单个模型新闻，而是视觉生成研究能否公开、可复现、可比较的一块基础设施。
苹果 PICO 的重点是把图像压缩从追求 PSNR，转向追求人眼真的觉得好。
它用一次性上下文模型减少熵编码等待，既保留精度，又接近实时。
针对文字区域，TextFidelityLoss 抑制生成式压缩的幻觉，文章说绝对误差下降一半。
实验数字更直接：同等视觉质量下，文件大小只有传统标准的大约三成到四成。
但文章也提醒，PICO 的 PSNR 不一定最好；这说明感知质量和数学误差本来就是两套目标。
MIT 的 Attention Matching 瞄准的是长上下文推理里最贵的工作记忆：KV Cache。
它不是简单删 token，而是让压缩后的缓存匹配原始注意力输出和注意力质量。
关键小变量是 beta 偏差，用来补偿少量保留 key 在注意力里的权重。
文章称，在 QuALITY 等长文本任务上，五十倍压缩仍能贴近完整缓存表现。
更激进的组合示例把摘要和 Attention Matching 叠加，cache size 低到零点二一个百分点。
Abstract-CoT 的问题很直接：模型一定要用人类语言思考吗？
方法让模型用一组抽象符号推理，例如 TOKEN A 到 TOKEN Z，而不是写长篇自然语言步骤。
训练上，它先用策略迭代热启动，再做强化学习，让新符号不只是随机噪声。
文章给出的核心数字是，MATH-500 上 token 从一千六百七十一降到一百四十四，准确率只降一点八个点。
但代价也明确：这些符号人类读不懂，所以成本下降和可审计性之间会有张力。
陈德里的第二篇 AI 合作论文，重点不只是论文主题，而是 DeliAutoResearch SKILL 又迭代了一轮。
文章称，这次 DeepSeek-V4-Pro 负责文字，GPT-Image-2 负责图像，但 AI 贡献只能写进脚注。
最醒目的数字是，模拟同行评审分数从上一篇的六分，升到这一篇的八分。
更有意思的是，交互轮数下降，但总 token 消耗上升；文章把这解释为系统自己想得更多。
这次模型还首次尝试调用更高级语言模型，自主设计并运行实验。
论文主题本身也贴合这个过程：持续学习和自我改进，本质上都在问模型如何更新自己。
文章提到五类方法和收敛条件，也讨论灾难性遗忘、多模态持续学习、安全对齐和实时学习。
所以这条新闻更像一个自动科研样本：单篇论文还粗糙，但工作流正在把更多步骤交给 AI。
LIFE 这篇综述说，多智能体系统不是简单把几个 Agent 放在一起。
它把系统生命周期拆成四段：个体能力、协作、失败归因和自我演化。
个体层面，推理、记忆、规划和工具使用是协作能否稳定的基础。
协作层面，角色、通信和调度决定系统像不像一个真正的组织。
最后，失败归因和自我演化把重点从记录错误，推进到诊断错误并改进系统。
这篇文章说，视觉语言模型正在成为事实仲裁者，而对抗样本正在把这种权威变成新的攻击面。
所谓 AI 权威清洗，是让图片在肉眼看来几乎不变，却让模型自信地给出错误结论。
一个例子是历史照片核验：文章展示模型把登月和九一一等真实事件图片说成伪造。
另一个例子是身份操控：Grok 被问新闻里是谁，却把不同新闻截图都指向 Elon Musk。
这种错误还会进入生成流程，文章展示 Grok 生成了 Musk 被警察逮捕的画面。
搜索也会被牵动：同样的扰动图会把反向图像搜索导向 Musk 相关视觉匹配。
在内容审核场景里，文章称高置信度 NSFW 图片经扰动后，会被模型评价为适合发布。
文章最后的提醒是，旧的 PGD 和 CLIP 转移攻击已经足够构成现实威胁，防御不能只看 benchmark。
LMNet 这篇论文说，下一代系统不一定只靠更大的单体模型，也可以让多个语言模型学会组网。
它的动机是，自然语言中间消息容易丢信息，也难以让梯度穿过整个多模型系统。
LMNet 把预训练语言模型看成节点，把 attention block 等模块看成边，让通信本身变成可训练对象。
文章称，LMNet-1B 约一点一四 B 参数，额外训练不到零点一 T token，成本不到基础预训练的零点二个百分点。
在 Qwen2.5-0.5B 对比里，LMNet 的相对提升写成三十点五个百分点，明显高于 SFT 和自一致性。
在有限监督场景里，它还报告 MMLU 和 E2E 数据集优势，说明可学习通信可能是一条系统能力路线。
Zig 今天这条新闻的重点，不是 AI 能不能写代码，而是开源项目愿不愿意接收 AI 参与过的代码。
文章说，Zig 的规则很硬：生成、改写、润色、头脑风暴、调试，只要大模型参与过，就不能提交。
Andrew Kelley 的理由是审查资源有限；低质量 AI pull request 会占用核心维护者时间。
文章提到，Zig 当时还有大约两百个未处理 pull request，所以额外噪声会拖慢真正贡献者。
这和 Bun 的态度形成反差：Bun 创始人公开展示用 Claude Code 动态工作流迁移代码。
Zig 并不孤立，文章还列出 QEMU、NetBSD、OBS 等项目也对 AI 代码设限。
所以这条新闻真正指向的是开源治理：效率、审查责任和程序员培养，三者正在重新平衡。
Rubrics 这篇综述讨论一个基础问题：Agent 时代，什么才算一个好答案。
文章说，开放式报告、医疗咨询和多步任务很难只靠标准答案或一个总分评估。
Rubrics 的作用，是把事实性、覆盖度、证据、推理、安全和可用性拆成显式检查项。
训练时，judge model 可以按这些标准逐项打分，再把反馈变成 policy 或 reward model 的信号。
评测时，Rubrics 也能让深度研究、工具调用和专业领域任务的判断更可解释。
但综述也提醒，标准本身可能被 hack、带偏差，甚至成为新的攻击面。
微软 SkillOpt 这条新闻说，Agent 的技能文档也可以像模型参数一样被训练。
它不改模型权重，而是优化 CLAUDE.md、Codex skills 这类自然语言操作手册。
文章把它描述成一个训练循环：rollout 收集轨迹，reflect 分析成败，edit 提出有限改动，再由验证门控决定是否接受。
更细的流程图显示，训练集、验证集和测试集被分开，最终部署只需要 best_skill.md。
文本学习率是关键约束：默认 lr 等于四，每一步最多四个添加、删除或替换操作。
文章称去掉这个约束后，SearchQA 从八十七点一降到八十四点六，LiveMath 从六十一点三降到五十七点三。
主实验覆盖七个模型、六个基准和三种执行环境，文章称五十二个组合全部最优或并列最优。
与最强基线相比，增益最大的是 LiveMath 加九点二和 ALFWorld 加八点九。
所以文章的结论是，Agent 的外部知识文件正在从手工经验，变成可以被验证和迭代优化的工程对象。
最后这条是平台安全新闻：文章说，一个手指简笔画就骗过了 Discord 的 AI 年龄验证。
流程看起来很正式：系统要求居中、左转、右转，然后本地模型估计年龄。
但视频最后给出的结果是，估计年龄在十三到十五岁之间，验证通过。
文章还提到，有十二岁男孩画了胡子，被系统判成十五岁，也顺利过审。
这类方案本来是为了保护隐私：模型在手机或电脑本地运行，只回传年龄区间。
代价是模型不能太重，它会依赖眼睛、嘴巴、轮廓和皮肤纹理等线索。
文章把这个问题放到更大背景里：Meta 也在用 AI 判断用户是否未满十三岁，并结合视觉和账号行为信号。
所以矛盾还会继续：平台用 AI 堵合规漏洞，用户也会继续寻找 AI 的盲区。
机器之心 AI News Digest

机器之心 · 2026.05.31 · 14 stories · 13:08

机器之心 AI News Digest

机器之心 2026.05.31 digest with 14 source-grounded stories, Chinese captions, synchronized narration, and source media panels.

Stories

  1. 0:00 - 1:09
    01. LeetCode C++近满分！Autogenesis要给智能体装上「自进化操作系统」 Source
    文章称，南洋理工大学、斯坦福大学、普林斯顿大学等团队提出 Autogenesis Protocol 和 Autogenesis System，试图把智能体的 Prompt、Agent、Tool、Environment、Memory 变成可注册、可追踪
  2. 1:09 - 2:16
    02. 登顶HuggingFace日榜！英伟达清华团队γ-World：把世界模型从单机打到联机 Source
    文章报道，NVIDIA、清华大学、多伦多大学和 Vector Institute 发布 Gamma-World，目标是把视频世界模型从单一参与者扩展到多个相互影响的主体，并解决玩家身份对称性和计算复杂度问题。
  3. 2:16 - 3:24
    03. 李飞飞造了ImageNet，现在她又带人超越了它 Source
    文章报道，李飞飞团队发布 GPIC 巨型开放图像语料库，包含 1 亿对图像-文本数据和约 28 万亿像素，并配套新的 FD-DINOv2 评估协议，试图为视觉生成时代提供比 ImageNet 和 FID 更合适的开放基础设施。
  4. 3:24 - 4:04
    04. 苹果用AI重新发明了图像压缩：同样画质，文件只要三分之一 Source
    文章介绍苹果团队的 PICO 感知图像编解码器，目标不是优化 PSNR，而是让压缩后的图片在人眼看来更好，同时能在手机端实时运行。
  5. 4:04 - 4:40
    05. 内存暴降50倍且精度无损，MIT提出注意力匹配，能终结大模型显存危机吗？ Source
    文章介绍 MIT 团队提出的 Attention Matching，用潜空间方式压缩 LLM 的 KV Cache，目标是在长上下文服务中减少显存占用，同时保持模型输出精度。
  6. 4:40 - 5:20
    06. 只需几个抽象符号替代思维链，就能将推理成本压缩11倍 Source
    文章介绍 IBM Research 的 Abstract Chain-of-Thought 方法，让模型用不可读的抽象符号替代自然语言思维链，从而减少 reasoning token，同时尽量保持推
  7. 5:20 - 6:26
    07. DeepSeek陈德里AI论文第二弹：从6分到8分，DeliAutoResearch SKILL又进化了 Source
    文章报道 DeepSeek 研究员陈德里与 AI 合作完成第二篇论文，主题是持续学习与自我迭代，并把这篇论文视作 DeliAutoResearch SKILL 自主科研流程的一次迭代实验。
  8. 6:27 - 7:00
    08. 超越单体智能｜多智能体系统的协作、归因与自我演化综述 Source
    文章介绍一篇 LLM 多智能体系统综述，提出 LIFE progression，把个体能力、多智能体协作、失败归因和自我演化放进一个生命周期框架中观察。
  9. 7:01 - 8:06
    09. AI权威清洗：一张肉眼难辨的图片，就能让GPT-5.4、Claude Opus 4.6集体造谣 Source
    文章称，ETH Zurich 的 Florian Tramer 团队在论文《Laundering AI Authority with Adversarial Examples》中提出“AI 权威清洗”：攻击者只需对图片加入人眼难以察觉的扰动，就可能让
  10. 8:07 - 9:03
    10. ICML 2026 清华姚权铭团队提出 LMNet，让语言模型学会自己组网 Source
    文章介绍清华大学姚权铭团队发表于 ICML 2026 的 Language Model Networks 论文。
  11. 9:04 - 10:02
    11. 开源编程语言 Zig，向 AI 代码说“不” Source
    文章报道，开源编程语言 Zig 在贡献规则中禁止提交由大语言模型生成、改写、润色、头脑风暴或调试过的内容。
  12. 10:03 - 10:47
    12. Rubrics综述：Agent时代，如何定义一个好答案 Source
    文章介绍中国人民大学高瓴人工智能学院的 40 页综述《The Rules of the Game: A Survey of Rubrics for Large Language Models》。
  13. 10:48 - 12:08
    13. 一周3.3k star，微软开启 Skills 自我进化 Source
    文章介绍微软开源的 SkillOpt。
  14. 12:09 - 13:08
    14. 小学生画了撇胡子骗过 AI 年龄验证 Source
    文章报道，Discord 等平台的端侧 AI 年龄验证被用户用极简方式绕过：有人在手指上画脸，对着摄像头按提示转动，系统估计年龄为 13-15 岁；还有 12 岁男孩画胡子，被判为 15 岁并通过验证。