Horizon 每日速递 - 2026-05-27

> 共 36 条，择其精者 24 条。

---

1. Can LLMs Introspect? A Reality Check ⭐️ 9.0/10 2. JobBench: Aligning Agent Work With Human Will ⭐️ 9.0/10 3. ScientistOne: Towards Human-Level Autonomous Research via Chain-of-Evidence ⭐️ 9.0/10 4. The MiniMax-M2 Series: Mini Activations Unleashing Max Real-World Intelligence ⭐️ 9.0/10 5. Spain blocks prediction markets Polymarket, Kalshi over lack of gambling licence ⭐️ 8.0/10 6. Is Agent Memory a Database? Rethinking Data Foundations for Long-Term AI Agent Memory ⭐️ 8.0/10 7. Personalizing Embodied Multimodal Large Language Model Agents over Long-term User Interactions ⭐️ 8.0/10 8. Your Agents Are Aging Too: Agent Lifespan Engineering for Deployed Systems ⭐️ 8.0/10 9. Anchor: Mitigating Artifact Drift in Agent Benchmark Generation ⭐️ 8.0/10 10. OmniToM: Benchmarking Theory of Mind in LLMs via Explicit Belief Modeling ⭐️ 8.0/10 11. Automatic Layer Selection for Hallucination Detection ⭐️ 8.0/10 12. Exploiting Local Dynamics Regularity for Reusable Skills in Offline Hierarchical RL ⭐️ 8.0/10 13. Advancing Creative Physical Intelligence in Large Multimodal Models ⭐️ 8.0/10 14. From Static Context to Calibrated Interactive RL: Mitigating Distribution Shift in Multi-turn Dialogue with Aligned Simulator ⭐️ 8.0/10 15. Which Changes Matter? Towards Trustworthy Legal AI via Relevance-Sensitive Evaluation and Solver-Grounded Reasoning ⭐️ 8.0/10 16. anthropics/claude-code released v2.1.152 ⭐️ 7.0/10 17. Cloudflare Flagship ⭐️ 7.0/10 18. Launch HN: Minicor (YC P26) – Windows desktop automations at scale ⭐️ 7.0/10 19. BrickAnything: Geometry-Conditioned Buildable Brick Generation with Structure-Aware Tokenization ⭐️ 7.0/10 20. Constraint acquisition needs better benchmarks ⭐️ 7.0/10 21. Experiments in Agentic AI for Science ⭐️ 7.0/10 22. Managing Uncertainty in LLM-Generated Procedural Knowledge for Virtual Laboratory Planning ⭐️ 7.0/10 23. Reasoning, Code, or Both? How Large Language Models Handle Variations in Math Questions ⭐️ 7.0/10 24. PolyFusionAgent: A Multimodal Foundation Model and Autonomous AI Assistant for Polymer Property Prediction and Inverse Design ⭐️ 7.0/10

---

1. Can LLMs Introspect? A Reality Check ⭐️ 9.0/10

质疑 LLM 内省能力，认为现有研究未能区分真正内省与表面模式匹配。

rss · arXiv AI · 5月27日 04:00

标签: #大语言模型, #元认知, #内省, #评估方法, #AI认知

---

2. JobBench: Aligning Agent Work With Human Will ⭐️ 9.0/10

JobBench 以人类委托需求而非经济价值评估 AI 代理，覆盖 35 职业 130 任务，最强模型仅达 45.9%。

rss · arXiv AI · 5月27日 04:00

标签: #AI代理, #基准测试, #人机协作, #职业AI, #任务评估

---

3. ScientistOne: Towards Human-Level Autonomous Research via Chain-of-Evidence ⭐️ 9.0/10

提出证据链框架 Chain-of-Evidence 及端到端自主研究系统 ScientistOne，解决 AI 生成研究输出的可验证性问题。

rss · arXiv AI · 5月27日 04:00

标签: #自主研究, #可验证性, #证据链, #AI可信度, #科学完整性

---

4. The MiniMax-M2 Series: Mini Activations Unleashing Max Real-World Intelligence ⭐️ 9.0/10

MiniMax-M2 系列 MoE 大模型以极小激活实现极强智能，专为智能体场景设计并具备自我进化能力。

rss · arXiv AI · 5月27日 04:00

标签: #大语言模型, #MoE, #智能体, #强化学习, #自我进化

---

5. Spain blocks prediction markets Polymarket, Kalshi over lack of gambling licence ⭐️ 8.0/10

西班牙以博彩牌照为由封禁 Polymarket 与 Kalshi，引发全球监管与道德辩论。

hackernews · thm · 5月26日 13:08 · 讨论

标签: #监管, #预测市场, #区块链, #赌博, #政策

---

6. Is Agent Memory a Database? Rethinking Data Foundations for Long-Term AI Agent Memory ⭐️ 8.0/10

将长期 AI 代理内存视为数据管理新工作负载，提出 GEM 模型以解决状态轨迹正确性。

rss · arXiv AI · 5月27日 04:00

标签: #AI代理, #内存管理, #数据库, #数据范式

---

7. Personalizing Embodied Multimodal Large Language Model Agents over Long-term User Interactions ⭐️ 8.0/10

POLAR 框架利用多模态知识图谱实现具身代理长期交互中的个性化记忆与任务执行。

rss · arXiv AI · 5月27日 04:00

标签: #多模态大语言模型, #具身智能, #个性化交互, #知识图谱, #长期记忆

---

8. Your Agents Are Aging Too: Agent Lifespan Engineering for Deployed Systems ⭐️ 8.0/10

提出 AgingBench 基准，用于评估和诊断长期运行 AI 代理的可靠性退化。

rss · arXiv AI · 5月27日 04:00

标签: #AI代理, #系统可靠性, #长期部署, #老化基准, #软件工程

---

9. Anchor: Mitigating Artifact Drift in Agent Benchmark Generation ⭐️ 8.0/10

提出 Anchor pipeline，通过约束优化程序消除基准生成中的 artifact drift，确保指令、环境等组件一致。

rss · arXiv AI · 5月27日 04:00

标签: #AI agent, #基准测试, #任务生成, #约束优化, #一致性

---

10. OmniToM: Benchmarking Theory of Mind in LLMs via Explicit Belief Modeling ⭐️ 8.0/10

新基准 OmniToM 通过显式信念结构评估 LLM 心智理论能力，超越传统端点问答。

rss · arXiv AI · 5月27日 04:00

标签: #大型语言模型, #心智理论, #基准测试, #信念建模, #AI评估

---

11. Automatic Layer Selection for Hallucination Detection ⭐️ 8.0/10

提出基于内在维度的首有效峰自动选择中间层，提升幻觉检测性能。

rss · arXiv AI · 5月27日 04:00

标签: #大语言模型, #幻觉检测, #层选择, #内在维度

---

12. Exploiting Local Dynamics Regularity for Reusable Skills in Offline Hierarchical RL ⭐️ 8.0/10

提出 CARL 算法，通过对比对齐局部动态与动作序列，实现离线分层强化学习中的可复用技能。

rss · arXiv AI · 5月27日 04:00

标签: #分层强化学习, #技能复用, #离线学习, #对比学习

---

13. Advancing Creative Physical Intelligence in Large Multimodal Models ⭐️ 8.0/10

新基准 MM-CreativityBench 评估大模型创意物理智能。

rss · arXiv AI · 5月27日 04:00

标签: #大型多模态模型, #创造性推理, #物理常识, #基准测试, #AI评估

---

14. From Static Context to Calibrated Interactive RL: Mitigating Distribution Shift in Multi-turn Dialogue with Aligned Simulator ⭐️ 8.0/10

针对多轮对话中分布偏移的累积问题，提出校准交互式 RL 统一框架。

rss · arXiv AI · 5月27日 04:00

标签: #大语言模型, #多轮对话, #强化学习, #分布偏移, #对话系统

---

15. Which Changes Matter? Towards Trustworthy Legal AI via Relevance-Sensitive Evaluation and Solver-Grounded Reasoning ⭐️ 8.0/10

提出法律相关敏感评估框架 LexGuard，解决 LLM 对法律无关变化过度敏感问题。

rss · arXiv AI · 5月27日 04:00

标签: #法律AI, #大语言模型评估, #形式化推理, #多智能体, #可信AI

---

16. anthropics/claude-code released v2.1.152 ⭐️ 7.0/10

Claude Code 发布 v2.1.152，增强代码审查自动修复与技能管理。

github · ashwin-ant · 5月27日 01:30

标签: #AI编程助手, #代码审查, #技能管理, #工具更新

---

17. Cloudflare Flagship ⭐️ 7.0/10

Cloudflare 发布 Flagship 特性管理服务，提供全局标记与评估功能。

hackernews · tjek · 5月26日 23:36 · 讨论

标签: #特性管理, #Cloudflare, #开发者服务, #安全性

---

18. Launch HN: Minicor (YC P26) – Windows desktop automations at scale ⭐️ 7.0/10

为 AI 公司提供大规模 Windows 桌面自动化 RPA 工具，支持无 API 系统集成。

hackernews · fchishtie · 5月26日 14:57 · 讨论

标签: #桌面自动化, #RPA, #AI集成, #YC创业公司, #数据安全

---

19. BrickAnything: Geometry-Conditioned Buildable Brick Generation with Structure-Aware Tokenization ⭐️ 7.0/10

几何条件与结构感知的自动回归框架，从 3D 形状生成可搭建砖块结构。

rss · arXiv AI · 5月27日 04:00

标签: #3D生成, #结构感知, #点云, #砖块搭建, #自动化制造

---

20. Constraint acquisition needs better benchmarks ⭐️ 7.0/10

提出 MPMMine 基准套件，解决约束获取领域基准不足问题。

rss · arXiv AI · 5月27日 04:00

标签: #约束获取, #数学规划, #基准测试, #MiniZinc, #可重复性

---

21. Experiments in Agentic AI for Science ⭐️ 7.0/10

两框架（DeepTS/DeepCollector 与 DeepScribe）实现科学工作流自动化，采用混合本地/云端架构与 LLM 能力。

rss · arXiv AI · 5月27日 04:00

标签: #Agentic AI, #科学计算, #LLM应用, #自动化工作流

---

22. Managing Uncertainty in LLM-Generated Procedural Knowledge for Virtual Laboratory Planning ⭐️ 7.0/10

提出管理 LLM 生成实验程序不确定性的框架，用于虚拟实验室规划。

rss · arXiv AI · 5月27日 04:00

标签: #大语言模型, #不确定性管理, #虚拟实验室, #教育技术

---

23. Reasoning, Code, or Both? How Large Language Models Handle Variations in Math Questions ⭐️ 7.0/10

研究显示，面对问题变体时，链式思维推理比代码执行方法更鲁棒。

rss · arXiv AI · 5月27日 04:00

标签: #大语言模型, #数学推理, #鲁棒性, #链式思维, #代码执行

---

24. PolyFusionAgent: A Multimodal Foundation Model and Autonomous AI Assistant for Polymer Property Prediction and Inverse Design ⭐️ 7.0/10

结合多模态基础模型与自主代理，创新聚合物性质预测与逆向设计。

rss · arXiv AI · 5月27日 04:00

标签: #AI for Science, #多模态模型, #聚合物设计, #基础模型, #材料逆向设计

---