Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你有自己的论文要解读，或者推荐论文，请留言。

今天的主题是：

Reinforcement Learning via Self-Distillation

Summary

大型语言模型越来越多地在可验证领域（如代码与数学）中通过强化学习后训练。然而，当前用于具有可验证奖励的强化学习（RLVR）的方法通常只从每次尝试得到的单一标量结果奖励中学习，从而造成了严重的信用分配（credit assignment）瓶颈。事实上，许多可验证环境能够提供丰富的文本反馈，例如运行时错误信息或评测器（judge）的评估，这些反馈可以解释一次尝试为何失败。我们将这一设定形式化为具有丰富反馈的强化学习（reinforcement learning with rich feedback），并提出 Self-Distillation Policy Optimization（SDPO）。该方法能够在无需外部教师模型或显式奖励模型的情况下，将token 化的反馈转化为密集的学习信号。SDPO 将当前模型在给定反馈条件下的输出视为一种自教师（self-teacher），并把其基于反馈生成的下一 token 预测蒸馏回策略模型中。通过这种方式，SDPO 利用模型在上下文中事后识别自身错误的能力来进行学习。在科学推理、工具使用以及 LiveCodeBench v6 上的竞赛编程任务中，SDPO 相较于强基线 RLVR 方法，在样本效率和最终准确率方面均取得了提升。值得注意的是，在仅返回标量反馈的标准 RLVR 环境中，SDPO 仍然优于基线方法，因为它能够利用成功的 rollout 作为对失败尝试的隐式反馈。最后，当在测试时对单个问题应用 SDPO时，该方法还能加速在困难的二值奖励任务中的解发现过程：与 best-of-k 采样 或 多轮对话策略相比，SDPO 仅需 约三分之一的尝试次数就能达到相同的解发现概率。

原文链接：https://arxiv.org/abs/2601.20802

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你有自己的论文要解读，或者推荐论文，请留言。

今天的主题是：

VibeTensor: System Software for Deep Learning, Fully Generated by AI Agents

Summary

VIBETENSOR 是一个用于深度学习的开源研究型系统软件栈，由 LLM 驱动的编程智能体在人类高层指导下生成。在本文中，“完全生成（fully generated）”指的是代码来源：实现变更由智能体提出补丁（diff）并应用；验证则依赖智能体执行的构建、测试以及差异检查，而不是对每一次变更进行人工逐条审查。

该系统实现了一个 类 PyTorch 的即时执行（eager）张量库：核心使用 C++20（CPU + CUDA） 实现，并通过 nanobind 提供一个 类似 torch 的 Python 封装层，同时还包含一个实验性的 HTTP URL 接口。不同于仅提供薄封装（thin bindings）的方案，VIBETENSOR 还包含：

• 自有的 tensor / storage 系统
• schema-lite 调度器（dispatcher）
• 反向模式自动求导（reverse-mode autograd）
• CUDA 运行时组件（streams / events / graphs）
• 一个按 stream 顺序工作的缓存分配器，并带有诊断功能
• 一个稳定的 C ABI，用于动态加载算子插件

我们将这一发布视为 AI 辅助软件工程的一个里程碑：它表明编程智能体能够生成一个结构连贯的深度学习运行时系统，其范围从语言绑定一直延伸到 CUDA 内存管理，并主要通过构建和测试完成验证。

本文介绍了系统架构，总结了用于生成和验证该系统的工作流程，并对该工件进行了评估。我们报告了代码仓库规模与测试套件组成，并总结了来自一个AI 生成的内核套件的可复现微基准测试结果，其中包括 融合注意力（fused attention） 与 PyTorch 的 SDPA / FlashAttention 的对比。

此外，我们还报告了在 NVIDIA H100（Hopper，SM90） 与 Blackwell 级 GPU 上进行的三个小规模端到端训练任务的基本可行性测试（sequence reversal、ViT、miniGPT）。多 GPU 结果仅在 Blackwell 平台上提供，并使用一个可选的基于 CUTLASS 的 ring-allreduce 插件，该插件需要 CUDA 13+ 与 sm103a 工具链支持。

最后，我们讨论了在生成式系统软件中可能出现的失败模式，其中包括一种被称为 “Frankenstein 组合效应” 的问题：即多个在局部上正确的子系统组合在一起时，可能导致整体性能表现不佳。

原文链接：https://arxiv.org/abs/2601.16238

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你有自己的论文要解读，或者推荐论文，请留言。

今天的主题是：

How AI Impacts Skill Formation

Summary

AI 辅助在各类专业领域中带来了显著的生产力提升，尤其对新手从业者更为明显。然而，这种辅助如何影响人们发展有效监督 AI 所需的技能，目前仍不清楚。对于需要完成不熟悉任务的新手来说，如果过度依赖 AI，可能会在这一过程中削弱自身的技能习得。

我们通过随机对照实验，研究开发者在有 AI 辅助与无 AI 辅助的情况下，如何掌握一个新的异步编程库。研究发现，使用 AI 会削弱参与者的概念理解、代码阅读能力以及调试能力，而平均来看并未带来显著的效率提升。

那些完全将编码任务委托给 AI的参与者确实获得了一定的生产力提升，但代价是未能真正学习该编程库。

我们识别出 六种不同的 AI 交互模式，其中 三种涉及认知参与，即使参与者获得 AI 辅助，也能够保持良好的学习效果。

研究结果表明，AI 带来的生产力提升并不是通往能力提升的捷径。在将 AI 辅助纳入工作流程时应谨慎设计，以保护技能的形成——尤其是在安全关键领域。

原文链接：https://arxiv.org/abs/2601.20245

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你有自己的论文要解读，或者推荐论文，请留言。

今天的主题是：

Shaping capabilities with token-level data filtering

Summary

当前减少语言模型不良能力的方法大多是事后处理（post hoc）的，因此很容易被对抗者绕过。一种更自然的替代方案是在预训练阶段就对能力进行塑造。以移除医疗相关能力这一代理任务为例，我们表明，仅通过过滤预训练数据这一简单干预，就能够在大规模情况下实现高度有效、稳健且成本低廉的效果。

受到数据归因（data attribution）相关研究的启发，我们进一步表明，与过滤文档相比，过滤 token 更为有效：在对不希望出现的能力造成同等抑制效果的同时，对正常能力的影响更小。

通过训练跨越两个数量级规模的模型，我们还展示了：随着模型规模增大，过滤策略的效果也会增强。在我们最大的模型上，token 级过滤会使模型在“需要遗忘的领域（forget domain）”上的计算效率降低 7000 倍。我们还表明，通过 token 过滤训练得到的模型，依然可以在该遗忘领域上进行对齐。

在这一过程中，我们提出了一种方法：利用稀疏自编码器（sparse autoencoders）对 token 进行标注，并蒸馏出低成本且高质量的分类器。我们还证明，只要预训练计算量足够，过滤方法在存在噪声标签的情况下依然具有鲁棒性。

原文链接：https://arxiv.org/abs/2601.21571

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你有自己的论文要解读，或者推荐论文，请留言。

今天的主题是：Kimi K2.5: Visual Agentic Intelligence

Summary

我们介绍 Kimi K2.5，一个开源的多模态智能体模型，旨在推动通用智能体能力的发展。K2.5 强调对文本与视觉的联合优化，使两种模态能够相互增强。这一过程包含一系列技术，例如文本—视觉联合预训练、零视觉监督微调（zero-vision SFT），以及文本—视觉联合强化学习。

在这一多模态基础之上，K2.5 引入了 Agent Swarm，一种自驱动的并行智能体编排框架，能够将复杂任务动态分解为异构子问题，并并发执行。

大量评估表明，Kimi K2.5 在多个领域（包括编程、视觉、推理以及智能体任务）上达到了当前最先进的水平。与单智能体基线相比，Agent Swarm 还可将延迟降低最多 4.5 倍。

我们发布了经过后训练的 Kimi K2.5 模型检查点，以促进未来在智能体智能领域的研究和实际应用。

原文链接：https://arxiv.org/abs/2602.02276

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你有自己的论文要解读，或者推荐论文，请留言。

今天的主题是：

Anamorphic Monero Transactions: the Threat of Bypassing Anti-Money Laundering Laws

Summary

在本文中，我们分析了以隐私为导向的加密货币与新兴打击金融犯罪法律框架之间的冲突，尤其聚焦于欧盟近期出台的相关法规。我们分析了 Monero（门罗币）这一领先的“隐私币”，它也是执法机构重点关注的对象，并研究在新法律下针对 Monero 交易平台必须履行的尽职调查范围，以及这些要求如何映射到 Monero 协议的技术能力之上。我们既指出了该立法中的缺陷，也识别出一些技术层面的陷阱，这些陷阱可能威胁到例如 Monero 交易所的有效合规，或是 Monero 自身的匿名化目标。另一个具有独立研究价值的方面是，我们引入了变形密码学（anamorphic cryptography）（这也是该概念最早的实际应用之一），并利用它在 Monero 区块链中构建了一个隐藏的交易层，用以混淆非法资金流动，并规避欧盟法律在交易层面实施监管的尝试。

原文链接：https://eprint.iacr.org/2025/1961

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你有自己的论文要解读，或者推荐论文，请留言。

今天的主题是：

A Systematic Literature Review of Information Privacy in Blockchain Systems

Summary

在这篇文献综述中，我们对区块链系统中的隐私问题不断发展的研究格局进行了批判性分析，重点关注隐私攻击与防护措施在三个不同层级中的差异：

1. 链上层（on-chain layer）
2. 链下层（off-chain layer）
3. 基础设施层（infrastructure layer），即 点对点网络层（peer-to-peer network layer）

在综述中，我们对常见的隐私攻击进行了分类，例如：

• 交易追踪（transaction tracing）
• 数据泄露（data leakage）
• 网络监控（network surveillance）

并分析这些攻击在不同层级上的具体表现及其影响。

此外，我们还评估了一系列隐私保护技术，包括：

• 密码学方法（cryptographic methods）
• 零知识证明（zero-knowledge proofs）
• 其他隐私保护协议（privacy-preserving protocols）

同时，我们探讨了这些隐私技术与现有区块链系统之间的兼容性。

通过综合当前的研究成果和实际应用案例，本综述旨在：

• 提供对区块链环境中隐私挑战与解决方案的全面理解
• 识别当前研究中的空白与不足
• 为未来**区块链隐私增强技术（privacy-enhancing technologies）**的发展提供指导。

原文链接：https://www.mdpi.com/2624-800X/5/3/65

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你有自己的论文要解读，或者推荐论文，请留言。

今天的主题是：

AI IDEs or Autonomous Agents? Measuring the Impact of Coding Agents on Software Development

Summary

基于大型语言模型（LLM）的编程智能体（coding agents）正越来越多地作为自主贡献者参与软件开发，例如自动生成并合并 Pull Request。然而，与目前广泛使用的IDE 内置 AI 助手相比，这些智能体在真实软件项目中的影响仍不清楚。

我们开展了一项纵向因果研究（longitudinal causal study），分析智能体在开源仓库中的采用效果。研究方法采用分阶段差分中的差分（staggered difference-in-differences）设计，并配合匹配对照组。基于 AIDev 数据集，我们将“采用智能体”定义为仓库首次出现由智能体生成的 Pull Request，并分析仓库按月统计的项目级指标，包括：

开发速度（development velocity）

• 提交次数（commits）
• 新增代码行数（lines added）

软件质量（software quality）

• 静态分析警告（static-analysis warnings）
• 认知复杂度（cognitive complexity）
• 代码重复度（duplication）
• 注释密度（comment density）

研究结果表明：

• 开发速度提升具有明显的“前期集中效应”：
  当智能体是项目中首次出现的 AI 工具时，开发速度会出现显著提升。
• 如果仓库此前已经使用过 AI IDE 助手，那么引入智能体带来的吞吐量提升很小或持续时间很短。

相比之下，代码质量风险则更加持久。在不同情境下都观察到：

• 静态分析警告增加约 18%
• 认知复杂度增加约 39%

这表明即使开发速度优势逐渐消失，由智能体引入的技术债（technical debt）仍会持续累积。

这些异质性效应表明 AI 辅助开发存在边际收益递减的现象，同时也凸显出以下需求：

• 质量保障机制（quality safeguards）
• 代码来源追踪（provenance tracking）
• 对自主智能体进行选择性部署

本研究为理解智能体式工具（agentic tools）与 IDE AI 助手之间的相互作用提供了实证基础，并推动未来研究探索：在 AI 融合的软件开发流程中，如何在开发效率与可维护性之间取得平衡。

本研究的**可复现代码与数据包（replication package）**已通过论文中的链接公开发布。

原文链接：https://arxiv.org/abs/2601.13597

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你有自己的论文要解读，或者推荐论文，请留言。

今天的主题是：

A self-correcting multi-agent LLM framework for language-based physics simulation and explanation

Summary

基于物理的模拟在科学和工程领域至关重要，但构建这类模拟通常需要对数值求解器和控制方程（governing equations）具备专业知识。大型语言模型（LLM）为通过自然语言创建模拟提供了新的可能性，但当提示模糊、不完整或包含多语言时，它们往往会失败。

为了解决这一问题，我们提出 MCP-SIM（Memory-Coordinated Physics-Aware Simulation），这是一个具备自我纠错能力的多智能体框架，能够将信息不充分的提示转化为经过验证的模拟结果和解释性报告。

该系统通过结构化的智能体协作以及持久记忆机制，整合了多个功能模块，包括：

• 输入澄清（input clarification）
• 代码生成（code generation）
• 错误诊断（error diagnosis）
• 多语言解释（multilingual explanation）

与一次性代码生成（one-shot code generation）不同，MCP-SIM 通过迭代式的“计划–执行–反思–修订”（plan–act–reflect–revise）循环来模拟专家式推理过程。

在 12 个复杂度逐步提升的任务上进行评估时，该框架成功解决了所有基准测试案例。在本研究定义的特定评估指标下，它在收敛效率方面优于基于 GPT 的方法以及人类参与（human-in-the-loop）的基线方法。

除了数值精度之外，该系统还能够生成可解释的报告，并支持多语言输出，用于说明每个模拟背后的物理逻辑。

MCP-SIM 向通用型自主科学助手迈出了一步：这种系统能够通过自然语言进行模拟、适应并解释科学问题。尽管在本研究的测试任务中表现出较强的鲁棒性，但在更专业领域以及超出当前基准分布的任务上的表现仍有待未来进一步验证。

原文链接：https://www.nature.com/articles/s44387-025-00057-z

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你有自己的论文要解读，或者推荐论文，请留言。

今天的主题是：Terminal-Bench: Benchmarking Agents on Hard, Realistic Tasks in Command Line Interfaces

Summary

AI 智能体很可能很快就能在多个领域中自主完成具有价值的长期任务（long-horizon tasks）。然而，现有基准测试要么无法反映真实世界任务，要么难度不足以有效评估前沿模型。

为此，我们提出 Terminal-Bench 2.0：一个精心构建的高难度基准测试。该基准包含 89 个任务，全部在计算机终端环境（terminal environments）中完成，并且这些任务都来源于真实工作流程中的问题。

每个任务都包含：

• 独立的运行环境
• 人工编写的参考解决方案
• 完整的自动化测试（用于验证结果）

实验结果表明，当前的前沿模型和智能体在该基准上的得分低于 65%。我们还进行了错误分析（error analysis），以识别模型和智能体在未来需要改进的关键能力方向。

为了支持开发者和研究人员的进一步研究，我们公开发布了数据集和评测框架（evaluation harness），可通过论文中的链接获取。

原文链接：https://arxiv.org/abs/2601.11868