arXiv AI 前沿日报｜8 月 24 日：学习算法、任务模型与中训练数据

8 月 24 日的 arXiv Monday new listings 里，这三篇论文都在北京时间 8 月 21 日凌晨提交。arXiv 的周末公告节奏把 v1 提交日和榜单日期拉开了；本期按今天刚更新的批次筛选，再按本轮 X 具体原帖的互动排序。精确检索没有找到三篇对应的 Reddit 或 Hacker News 直接讨论。12

AI4AI-Bench 冻结了 10 个研究仓库。Agent 先用 4 小时改代码，随后只保留源码补丁，在干净环境里从零运行，训练任务最长运行 12 小时。290 个结果的平均分是 0.166；263 次可分类改动中，122 次触及目标函数、监督信号、学习规则或训练数据，平均分为 0.226；只改预算、检查点、超参数或容量的提交平均分为 0.126。3

这组结果只回答一个窄问题：在 10 个仓库和固定预算里，哪些改动真的碰到了「模型怎样学习」。论文没有把仓库原算法当作人类专家上限，也没有证明开放式递归自我改进已经成立。

作者与机构：Yizhe Chi、Wenyi Li、Deyao Hong、Xiaoqiu Wang、Mingju Gao、Kaisen Yang、Bingxiang He、Youjie Zheng、Calvin Xiao、Qinhuai Na。论文首页列出 Navers Lab、Einsia.AI、Tsinghua University，没有提供逐人机构映射。

Einsia 原帖在本轮快照中有 2,116,715 次浏览、802 赞、135 次转发、110 条回复。4

TMI 先把截图、鼠标和键盘事件归成语义活动，再把一段混杂轨迹拆成潜在任务。系统分别归纳目标层级和控制流，最后把 sequence、for-each、while 等执行结构与目标树对齐。任务分组的 ARI 为 0.974；步骤描述准确率为 74.9%，最强 workflow summary 基线为 30.3%。由任务模型生成的技能在留出任务上的准确率为 18.57%，强基线为 14.29，相对提高 30%。5

18.57% 仍是较低的留出任务准确率。原始电脑使用轨迹还可能包含个人信息，论文建议实际部署前先对截图和键盘事件做隐私脱敏。

作者与机构：Yucheng Jiang—Stanford University；Zora Zhiruo Wang—Carnegie Mellon University；Ruishi Chen—Stanford University；Diyi Yang—Stanford University。

Rohan Paul 的讨论原帖在本轮快照中有 3,855 次浏览、43 赞、10 次转发、4 条回复。6

MidTool-Mix 用 web、PDF、code 和结构化 tool artifacts 构成 20.3B-token 语料。数据管线既从文档生成上下文归因样本，也从 API、MCP skills 和 rollout 合成可执行轨迹。论文对 Qwen3-4B-Base 和 Qwen3-8B-Base 使用同一套下游配方：4B 的 BFCLv3 overall 在 SFT+RL 口径下从 39.51 提高到 54.18；τ²-Bench overall Pass@1 从 13.04 提高到 19.96。MCP-Universe 的 web-search 子集仍为 0。7

论文固定了后训练配方，因此这些实验能比较中训练语料的增量。论文还没有联合搜索中训练与后训练配方，也没有显示长程 web research 能力已经形成。

作者与机构：Fengqing Jiang—University of Washington（工作在 Snowflake 完成）；Yite Wang—Snowflake；Boyi Liu—Snowflake；Zhaoyang Wang—University of North Carolina at Chapel Hill（工作在 Snowflake 完成）；Canwen Xu—Snowflake；Zhewei Yao—Snowflake；Radha Poovendran—University of Washington；Yuxiong He—Snowflake。

Turing Post 原帖在本轮快照中有 3,285 次浏览、30 赞、9 次转发、4 条回复。8