🤖 AI 资讯早报 · 09-27

本期脚本抓到 4 篇新文（机器之心 3 / 量子位 1）；另按「隔 1 期补入」规则纳入 5 条（09-26 晚报窗口内抓取但未推送、或登记为「留档（推荐位已满）」的空间取舍条目）⇒ 本期共推送 9 条（必读 3 / 值得看 3 / 其他 3）。 ⚠️ 本期为薄日，且 36氪 gateway 二次滞后（oldest=09-24 17:22、newest 冻结在 09-26 18:35，三次重试不变）⇒ 36氪 侧 09-26 18:35 → 09-27 07:00 约 12.5 小时为上游盲区，其余 8 源全部正常返回、无超时。

🔥 必读

1️⃣ 港科大 LexAgentHallu：最好的法律智能体也有 89% 执行轨迹出现幻觉

香港科技大学团队提出 LexAgentHallu（论文），首个把法律智能体的幻觉从「最终答案」扩展到完整执行轨迹并定位到具体步骤的评测基准。出发点是：法律模型已从单轮问答走向智能体（规划任务、调检索工具、读材料、依据中间结果继续行动），而一个错误的法源、算错的程序期限、误读的工具返回，会被后面越流畅的推理越遮越深。基准建立双层分类体系：第一层针对法律内容（法源 / 法律原则 / 程序规则 / 事实适用），第二层针对智能体执行过程（规划与推理 / 记忆 / 工具调用与观察结果理解），合计 7 个中层类别、27 个细粒度子类；收录 3414 个实例，覆盖 17 个法律类别、6 类任务，由有法律训练背景的标注者核对答案、法源与推理轨迹并做专家复核。

结果：评测 18 种闭源/开源智能体配置——即使表现最好的配置，仍有 89% 的执行轨迹至少出现一次幻觉，所有系统在法律内容层面的幻觉频率都不低于 87.5%。论文另设 RAWR（Right-Answer-Wrong-Reason） 指标，只观察最终答案正确的样本：平均仍有 68% 的轨迹含至少一种法律内容幻觉、37% 含至少一种过程幻觉 ⇒ 答案对，不代表推理链干净。任务差异明显：判决分析的法律内容幻觉频率 1.00、案例分析 0.95；过程性幻觉判决分析 0.83、判决预测 0.71——较短输出并不必然安全。27 个子类并非随机散点：程序期限错误 ↔ 救济路径错误提升度 2.82，程序步骤 ↔ 程序后果 2.59，最强的跨组信号是法源层级错误 ↔ 法律立场混淆，提升度 7.07 ⇒ 高风险错误可当早期信号，一旦命中即应触发二次检索、规则校验或人工复核。编排方式也影响错误分布：ReAct 式行动—观察循环整体与法律内容幻觉上更优，法律专用工作流更能压低过程性错误，先规划再执行没有稳定领先 ⇒ 部署时不能把模型、工具、流程拆开评估。

原文：机器之心 · 答对了，理由却错了：港科大提出 LexAgentHallu，追踪智能体的「隐性幻觉」 ｜ arXiv 2609.09754

2️⃣ 索辰科技 × 美梦空间首发「物理感知」世界模型 Physical-WAM 与物理漂移评测基准 RoboTwin-Phys

9 月 26 日第五届全球数字贸易博览会上，杭州美梦空间（Memo）——由北京大学信息技术高等研究院高文院士领衔的 AVS 先进视觉系统研究中心孵化，2026 年 8 月获物理 AI 企业索辰科技（688507.SH）独家种子轮战略投资——发布两项成果。背景：北大与 BeingBeyond 联合发布的 BeTTER 基准（ECCV 2026）显示最先进 VLA 在标准静态测试中尚可，一旦引入空间布局偏移或时序外推，成功率断崖式下跌；斯坦福另一项研究锁定 VLA 存在「精度失效」与「力失效」两个相互独立的失效模式——模型知道「看到杯子就该抓」，却不知道「杯壁有多薄、摩擦力够不够」。

Physical-WAM（自称业内首个具备物理感知能力的 WAM 基模）的核心设计是在感知输入与动作输出之间插入一层「物理 Token」表征，由三模块构成「感知→预测→生成→修正」链条：PhysLens（物理翻译器，从多模态感知中提取摩擦、重量、重心、接触状态等不可直接观测的物理信息，输出统一物理 Token 表征）、PhysDream（物理预言家，结合当前物理表征与环境状态推演未来物理状态，预测打滑、脱手等风险并给出不确定性）、PhysAct（物理条件化动作生成，环境发生物理漂移时自动调整执行策略）。直观例：抓握纸杯时识别其低刚度特性 → 预测注水后负载增加可能致杯壁形变或滑脱 → 据此调整抓握力度与接触位置并持续修正。RoboTwin-Phys（自称业内首个以物理因素扰动为核心的机器人操作基准）在 RoboTwin 基础上新增 13 类真实世界常见物理扰动因素，覆盖物体属性 / 接触属性 / 阻尼 / 任务环境 / 相机配置五大维度，支持单因素到多因素组合扰动；三层递进逻辑 = 物理属性推断准不准 → 扰动下任务还成不成 → 性能差距上界在哪；工程价值有三：提供物理真值（物理值、接触力日志、物体运动学数据、失败时间线）、固定种子配对评估（不同模型面对相同扰动实例）、逐层区分「物理状态识别错了」与「识别对了但动作策略没跟上」。发布即开源（代码、数据集、排行榜全开放）。⚠️ 本条为企业发布稿，成绩与「业内首个」等表述未经独立核实。

原文：量子位 · 索辰科技加码世界模型，与战略投资企业美梦空间联合发布具身模型与物理测评标准

3️⃣ 顶刊 TMLR 主编约谈 10 篇 AI 代写投稿：无一通过，唯一全答对者仍因重大错误被拒

机器学习期刊 TMLR（Transactions on Machine Learning Research）联合主编、CMU 教授 Nihar B. Shah 在 2026 年 8 月 14–28 日轮值期内做了一次小规模试验（9 月 16 日官方博文《向作者询问他们自己的论文》）：从原本要被直接拒稿（desk rejection）的投稿中非正式抽取 10 篇，通过 OpenReview 约作者「聊聊」。结果：1 篇撤稿、1 位作者称没空、8 篇约上但 1 人到点没出现 ⇒ 最终面谈 7 篇，作者身份含本科生、硕士、博士、高校教师与独立研究者，多为单作者论文。提问分两类：基础问题（问题设定是什么、这个符号代表什么、摘要结论在正文哪一部分得到支撑）与细节问题（技术表达式、理论结果、实验设计选择）。

7 场会谈里只有 1 篇作者答上了全部问题；3 篇能讲清高层思路但一被追问技术细节就卡住；最差的 3 篇连基础问题都答不上，且全是单作者论文。唯一全部答对的那篇也没过关——Shah 审读发现其一项主要结论存在重大错误，作者随后承认，TMLR 作直接拒稿（允许修正或收窄结论后重投）；其余 9 篇直接拒稿且不开放重投。两个插曲颇有黑色幽默：① 两篇会上答不出基础问题的作者，会后发来书面答复，交给 AI 文本检测工具 Pangram 后均被判为「100% AI」；② 另一位作者在介绍自己的分析方法时，无意间完整描述了一套 p-hacking 流程。Shah 本人不排斥 AI（坦言自己为读完 8 篇论文也用 LLM 辅助），他关心的是作者能否为署着自己名字的内容负责。背景数据：TMLR 投稿量一年内增至原来的 3 倍、单作者投稿暴增至 13 倍，编辑部见过有人一天投 5 篇；desk rejection 比例从 2023 年约 6% 升至如今约 53%。

应对三招：① 7 月 1 日起按作者设年度投稿配额（「调和式」规则——只投单作者论文者每年最多 2 篇，全 9 人合著者最多 9 篇，活跃审稿人与执行编辑额度翻倍，刻意防挂名凑额度）；② 7 月引入 AI 审稿（每篇附一份 CSPaper AI 审稿意见，只评估「结论是否有准确、清晰、令人信服的证据支撑」，不给录用建议，最终决定仍由执行编辑作出）；③ 8 月 28 日把「写得清楚」写进录用标准，直言「几乎完全由 AI 生成、缺少人的参与」的论文很可能达不到该标准。同一问题的更大面：NeurIPS 2026 立场论文赛道 971 篇投稿中 273 篇（28.2%）被 Pangram 判为 AI 分数 100%；arXiv 计算机科学板块负责人 5 月已宣布，对存在「作者未检查大模型输出的确凿证据」（幻觉参考文献、遗留在正文里的聊天机器人对话）的投稿，所有作者将被禁投。

原文：机器之心 · AI 代写论文露馅？顶刊主编一问，作者啥都答不上来 ｜ TMLR 官方博文

📌 值得看

4️⃣ 北大 / 清华 / 微软亚研 Nature MI：人脑信号不只能「对上」语言模型，还能反过来引导它推理

北京大学、清华大学与微软亚洲研究院的研究者在 Nature Machine Intelligence 发表研究（论文｜arXiv 2606.11893｜代码），把「语言模型与大脑的表征对齐」从相关性分析推进到功能性神经引导。方法：用公开的任务态 fMRI 数据（参与者完成三段论推理与传递关系推理，问题主要由伪词、虚构名称与受控属性关系构成以减少语义干扰），让来自 Qwen、Llama、Mistral、Phi、Gemma 等系列的 10 个开源模型（1.5B–72B）处理同一批刺激并提取内部激活。结果：整体推理任务下，模型表征平均可解释推理相关脑区约 76% 的可解释方差，且区域特异性明显（演绎推理脑区与多重需求网络显著高于核心语言网络）；但按两类推理分别分析时，神经可预测性明显降至约 27% ⇒ 模型与人脑只在部分层面共享结构。进一步提出两种神经引导用法：NARI（推断阶段在模型中间层注意力输出上施加受约束的引导方向，不更新参数）与 NARF（微调把该方向内化进参数）。NARI 对「模型答错、人类答对」的原始错误问题实现了 100% 的纠错覆盖，且聚合出的通用方向能迁移到新问题、并可一定程度扩展至思维链推理；NARF 微调后模型在不同前提数量与排列顺序下均获稳定提升，正确与错误逻辑问题在中间层的分离更清晰，增益还能迁移到命题推理 ⇒ 学到的不是具体问题的表征，而是有一定跨任务泛化能力的推理结构。

原文：机器之心 · Nature Machine Intelligence｜不只是「像大脑」，人脑信号还能直接引导语言模型进行鲁棒推理

5️⃣ NASA 给月亮造了个 AI：用 LRO 17 年数据训出可复用月球基础模型，200 万张瓦片开源

NASA 在与 IBM 研究院及多家学术机构的持续合作中推出 NASA-IBM 月球基础模型，是其 AI4S 战略的一部分，也是首批专为月球科学开发的开源 AI 模型之一（模型与数据集）。它并不把所有月球图片丢进一个视觉模型，而采用多模态、多分辨率设计：训练数据约含 11 种数据模态，同时覆盖约 1 米与 100 米两种尺度，全部来自月球勘测轨道飞行器（LRO）过去 17 年收集的数据（体量比所有其他 NASA 行星任务加起来还大，几乎是整个月球的高分辨率无缝拼接图）。模型在该数据集的约 200 万张图像瓦片上训练——含超过 100 万张 1 米分辨率高分辨率相机图像与近 964,000 张 100 米分辨率多光谱图像——经 ViT-B 编码器—解码器架构预训练，学习从不同数据中补全缺失信息，参数甚至包括照明角度、太阳参考坐标、地理范围等观测几何信息。预训练后被用于几项现阶段较难的任务：寻找月球极区可能存在的冰（永久阴影区可把冰困住数十亿年）、寻找年轻火山结构（「不规则月海斑」）、以及经典的陨石坑识别。表现上，相比其他强基线模型做到持平甚至更优，在陨石坑测绘与不规则海面区域分割上结果可比，在估算极地冰层稳定性方面优势明显。团队同时发布了机器学习预训练数据集与基准测试集，并把模型集成进开源工具包 TerraTorch、配一篇论文以保证可重复。

原文：机器之心 · NASA 给月亮造了个 AI：用月面数据训练可复用基础模型 ｜ NASA 官方

6️⃣ 阿里开源 AI 代码评审工具 OpenCodeReview：确定性流水线 + LLM 智能体，内部已用两年

阿里巴巴开源 OpenCodeReview（Apache 2.0，Go 编写）——一款 AI 驱动的代码评审 CLI 工具，采用「确定性流水线 + LLM 智能体」分阶段架构：把文件选择、打包、规则匹配与「根据 diff 验证评审意见」这类本可确定性处理的工作交回确定性组件，只把动态代码分析交给 AI，以降低 AI 的故障面。内置空指针异常、线程安全、XSS、SQL 注入等检测；兼容 OpenAI 与 Anthropic 的模型，可评审 Git diff、分支或整个文件，支持本地运行，也可与 GitHub、GitLab、Gerrit、VS Code、MCP 以及 Claude Code、Codex、Cursor 等集成。官方称已在阿里内部被数万开发者使用两年；在覆盖 10 种语言、200 个 PR 的内部基准中，其精确率与 F1 高于 Claude Code，而 token 用量约为后者的九分之一。⚠️ 争议点必须一并看：Shopify 高级工程师 Tom Rochette 评测后写道，该架构针对的正是真实智能体故障（大型变更集覆盖不全、行号漂移、提示词不稳定），且公开基准、透明披露召回率劣势比同类工具更有说服力；但他同时提醒目前唯一一次独立基准测试结果很糟糕——在 10 个 Martian-benchmark PR 上精确率约 12%，维护者认为系工具调用异常所致、问题已修复但修复后尚未经独立验证；HCLTech 的 Daniel Vaughan 更指出最优配置下召回率仅 20%（专家标记的问题有 80% 检不出），确定性任务分发在保障精确率的同时也限制了对跨文件、架构层面问题的挖掘。Vaughan 的总结是：其贡献不在用更强的模型，而在于更好的 harness 框架——在文件调度中注入确定性、限制工具访问、用独立反思器过滤，以极小 token 成本实现 2.17 倍审查质量提升。

原文：InfoQ · 阿里巴巴开源 AI 辅助代码评审工具 OpenCodeReview

📄 其他

本期共 9 条（必读 3 / 值得看 3 / 其他 3）。09-26 晚报窗口抓取但未推送的 5 条按「隔 1 期」规则补入。⚠️ 36氪 gateway 本期 newest 冻结在 09-26 18:35（三次重试不变）⇒ 09-26 18:35 → 09-27 07:00 约 12.5 小时为该源上游盲区，其余 8 源正常、无漏推。