下载：跟上AI与试管婴儿的未来 →
这期日报新闻简讯涵盖了人工智能的最新发展和在生育医学中的新兴应用。它强调了AI创新的快速步伐及其在传统科技领域外的其他行业中扩大的角色。
AI News - Oscar's News
BrickAnything：几何条件化的可构建砖块生成与结构感知标记化 →
BrickAnything提出了一个几何条件化框架，用于使用结构感知标记化从3D形状生成物理上可构建的砖块结构，该标记化建模了砖块组装约束。该方法结合了基于偏好的对齐和有效性约束解码，以提高稳定性和几何保真度，同时减少无效的中间状态。这解决了从多样化3D表示自动生成可行、可构建结构的关键挑战。
大语言模型能自我反省吗？现实核查 →
本文质疑了最近关于大语言模型能够真正对其内部状态进行自我反省的声明，主张观察到的成功反映的是模式匹配而非真正的自我意识。通过精心设计的实验，研究人员证明了模型无法可靠地区分内部篡改和输入操纵，这表明当前的证据不足以建立元认知监控。这些发现阐明了大语言模型理解自身状态的能力的基本限制。
智能体记忆是数据库吗？重新思考长期AI智能体记忆的数据基础 →
本文提出了有规律的演变记忆（GEM），一个将长期智能体记忆视为数据管理工作负载的框架，其中正确性是状态轨迹的属性而非单个记录的属性。作者识别了当前系统中的四个反复出现的故障模式，并提出了MemState，这是在属性图后端上的原型实现。这项工作很重要，因为可靠的持久记忆对于部署的长期运行智能体至关重要。
在长期用户交互中个性化具身多模态大语言模型代理 →
POLAR引入了一个多模态记忆增强框架，通过知识图谱捕捉语义记忆和先前交互的情节记忆来个性化具身代理。结果表明在多个MLLM骨干上都有一致的性能改进，特别是当代理需要跨交互推理或在一段时间内追踪上下文更新时。这很重要，因为通过累积的上下文进行个性化对于真正有用的长期代理帮助至关重要。
约束获取需要更好的基准 →
MPMMine提出了一套标准化的基准套件，用于使用开放一致格式的多种域知识工件来评估约束获取算法。该基准为每个问题提供多个模型，包含数千个解决方案和非解决方案，以及自然语言描述，以支持文本到模型的方法。这通过实现可重复性和跨研究比较来解决约束获取研究的成熟化问题。
你的代理也在老化：已部署系统的代理生命周期工程 →
AgingBench引入了一个纵向可靠性框架，测量已部署的AI代理如何通过压缩、干扰、修订和维护老化机制随时间推移而降级。数百次运行的结果显示，行为测试可以通过，但事实准确性会下降，派生状态追踪会崩溃，显示代理可靠性不是单维的。这是关键的，因为已部署的代理需要超越初始第一天基准测试的生命周期评估。
科学中的自主人工智能实验 →
该论文展示了两个实际应用的自主AI系统——用于时间序列策划的DeepTS和用于讲座分析的DeepScribe，采用混合本地-远程架构，由Python编排程序调用LLM后端。结果表明，包括Cellular RAG和并发控制在内的精心设计的系统工程使自主科学工作流程能够克服当前最先进系统的上下文限制。这证明了自主AI如何能够扩展劳动密集型科学研究过程的规模。
Anchor：减轻智能体基准生成中的工件漂移 →
Anchor将领域规范形式化为约束优化程序，从单个参数规范中联合生成对齐的自然语言指令、环境配置、真实解决方案和验证器。该方法通过ERP-Bench进行验证，这是一个包含300个长期业务工作流任务的基准，具有可控的难度和已知的最优解决方案。这解决了工件漂移这一系统性失败模式，其中任务组件变得不对齐且无法解决。
OmniToM：通过显式信念建模评估LLM中的心智理论 →
OmniToM引入了一个基准，通过详细的模式要求显式信念建模，以评估LLM是否真正构造了基础心理状态表示，而不仅仅是进行模式匹配。该基准由895个故事和22,343个标记的信念命题构建，涵盖递归顺序、真实性和知识获取。该基准在不同模型中揭示了知识获取推理的一致瓶颈。这对于理解LLM如何表示心智理论具有重要意义。