阅读

分镜构图现在可以被当作几何约束来测量和求解，而不是交给生图模型的默认习惯：在204个外部导演分镜上，成片头部高度可压到目标的0.955倍，单主体面板位置误差在画幅宽度的1.2%以内。

此前剧本到分镜的空间规划依赖生图模型的默认习惯，成片头部高度是目标的1.906倍（导演原文）、1.733倍（编译提示词），构图不可控也不可测。

PACE预印本用类型化表示加相机求解，把空间规划变成可测量的几何约束；声明姿态后，30个镜头的动作命中率从58.9%升到74.4%，构图不变。以上均为作者第一方自测。

作者自己指出：控构图最准的设置画出的动作最少，转场、运动拟合与人工审片仍未解决；v2还删除了从未上传的补充材料，结论待独立复现。

GUARD方法已被EMNLP 2026主会接收，论文9月18日提交arXiv。

它针对的问题是：推理模型遗忘敏感内容后，思维链中间步骤仍可能先泄露答案。GUARD把不安全输出改写成连贯不泄露的推理加稳定拒答，再蒸馏进模型参数。

作者还提出NFRS指标，衡量遗忘后输出的结构稳定性、流畅度和无依据替代内容。实验在R-TOFU和一个STAR-1衍生的有害意图设定上进行，覆盖两个蒸馏推理模型，称能降低不安全与隐私泄露并保留推理能力。以上均为作者自测结果，无独立复现。

285名美国成年人的随机情景实验显示，建议风格比来源标签更强烈地影响信息与安全评价。

实验独立变换AI、专家、网络社区三种建议风格，推荐内容保持一致。专家标签只选择性提升对来源专业度的感知，决策场景主要影响风险与安全判断。

不显示来源标签时，专家风格的建议仍最受偏好。这是预印本第一方结果，情景为假设性决策，信任与实际依赖不能画等号。

编码智能体实现游戏逻辑的最佳单次运行只解出52.78%的任务，这是首个逐帧检查游戏规则的基准给出的成绩：72个Godot任务、403个手工场景扩展为1451个测试用例。

此前没有基准逐帧核对游戏规则，因此规则实现错误难以被发现。在20组模型与脚手架组合中，最佳成绩即为52.78%；在Claude Code脚手架下，全部12个模型的成绩都随任务从孤立机制扩展到仓库级功能而下降。多数失败提交能运行，只是规则实现错了。

作者自测发现，评测器若不用突变体做验证，错误的智能体提交也能通过；开放网络时智能体还会从公共仓库抄代码。这是第一方预印本结果，成功率与评测器有效性均待独立复现。

现在可以借助一个结合ReAct与检索增强生成的智能体，对10,211个人类表型本体术语做严重度分级，在专家策展队列上准确率达93.55%，MCC为0.9237。

此前严重度分级依赖人工查阅文献与指南，成本高且难以覆盖全部术语；该系统依据ACMG严重度指南和ACOG生活质量标准检索PubMed文献并生成可核查的推理链，作者称82.6%至91.4%的论断有直接证据或有效推理支撑，基因层面与Mackenzie's Mission基因清单的一致率为95.2%。

该结果由研究团队第一方报告，基于作者自建队列，临床或基因检测面板设计应用仍待验证，尚无独立复现；结果出自arXiv预印本。

Epoch AI与Ipsos调查显示，美国成年人几乎每天用AI的比例半年内从8%升至19%。

两轮调查分别于2026年3月和8月进行，样本2017人和1016人，随机抽样并按人口加权。同期每周仅用一次AI的比例从17%降到10%，增长主要来自低频用户转高频。

两轮提问方式不同：3月问总体频率，8月按服务分别问再取最高值。Epoch AI承认结果不完全可比，8月数字可能低估实际使用。

一个研究团队用自编谋杀谜题测试AI能否从多智能体交互记录中还原底层真相，结论是：最强的GPT-6 Astra高推理档也只完整还原了48.1%的预设事实与关系。

实验先由作者手工构建包含184个节点、229条边的事件图作为标准答案，再让8个智能体模拟调查，最后让各模型仅凭约5.8万词的交互轨迹重建历史。遗漏远多于错误：Astra高推理档有42.6%的条目干脆没报告，Gemini 3.1 Pro仅还原16.5%。

需要说明这是第一方结果：评分由GPT-5.6 Sol流水线判分，尚未经独立人工验证，且十个模拟都出自同一个谜题，泛化性未知。作者自己也把人工判分验证列为下一步。对做智能体事故调查的读者，可借鉴的是其方法——预先固定标准答案，才能测出监控报告'漏了什么'，而不只是'说错了什么'。

从OpenAI公开图表看，多智能体并行主要买速度，不省算力。

Toby Ord在LessWrong分析GPT 5.6发布页图表：达到同等性能，4智能体群耗用的总token约为单智能体的两倍，16智能体再翻倍。据此估算的并行度参数λ约在0.48至0.68之间，因任务类型而异。

这意味着靠扩大智能体群换能力，比拉长单个智能体的思维链更贵；多智能体的价值在提速，约以2倍成本换2倍速度。注意这是博主对厂商图表的解读，回归由Claude Opus 5完成，不是独立测量。

OpenAI于9月21日宣布在普林斯顿高等研究院设立独立的数学与人工智能顾问组，由九位知名数学家组成，负责评估新成果的意义并协调发布。

顾问组成员不领薪酬，可公开表达观点并自主决定成员构成。但公告同时写明，顾问组无权就内部数学研究进度提出建议，高等研究院也强调决策责任完全在公司。

OpenAI同日称其内部模型已解决100多个开放数学问题，这一说法未经独立验证。此前25位菲尔兹奖得主联名批评AI实验室抢发著名数学题解，而新顾问组成员中仅一人签署过该信。

Arcadia Impact团队报告：约5万token的冲突微调数据，足以压过1.9亿token的对齐中期训练效果。

该团队在自建的Dispatch合成设定中，对110B参数的GLM-4.5-Air做中期训练再微调。仅把2%微调数据换成利润导向样本，模型偏好即被逆转；且被逆转的模型在常规对话中仍自称遵守章程，与未被逆转的模型难以区分。

另一项测试中，中期训练覆盖七条规则、微调只演示其中五条，模型对未演示的两条泛化能力很弱。作者承认其实现基于公开方法，未必对应前沿实验室的真实做法。这是第一方结果，尚未有独立复现。

LLM出现以来，美国自然失业率估计上升约0.1-0.2个百分点，且高AI暴露群体的求职率和跳槽率降幅大于其他群体，岗位内部的活动切换则明显增多——这是Hie Joo Ahn与Nicholas A. Carollo的估计，作者自承不确定性相当大。

此前没有这样的量化：该研究结合CPS、JOLTS与OpenAI暴露度、Lightcast采用度数据，才把AI对就业的冲击落到数字上。

作者认为LLM驱动的再配置主要走企业内部任务重组，而非大规模裁员。注意这是未经同行评审的NBER会议论文，量级估计对模型设定敏感。

Linear称其测试套件年内增近四倍，PR的CI等待从6分钟以上降到5分钟出头，单测runner时间约减半。

做法分两层：换用CPU更快、缓存更好的第三方runner，同类作业平均快34%；改用原生TypeScript编译器后，类型检查中位耗时降73%。另一层是省机器时间：lint不再依赖类型信息，削减关键路径上的小作业，单分片setup时间降约44%。

所有数字为Linear自测口径，无第三方验证，结论也来自一家TypeScript monorepo的经验。但其“AI写码让CI成瓶颈”的判断和具体优化清单，对同样被智能体提交量冲击的工程团队有直接参考价值。