AI早报 · 2026年2月4日

整理时间：2026-02-04（Asia/Shanghai）

要闻（按重要性排序）

1. OpenAI 披露 Codex Harness 的 App Server 设计细节：OpenAI 介绍了 Codex App Server 的双向 JSON-RPC 架构，用于支撑流式进度、工具调用、审批与差异展示等能力，为“可嵌入式编码代理”提供了工程范式。对开发者而言，这意味着更易把代理能力接入现有 IDE/CI/内部平台并实现可观测与可控。来源

2. NVIDIA：Nemotron Labs 讨论 AI 代理如何做“智能文档处理”：NVIDIA 博客聚焦“AI 代理 + 文档/表格/PDF/网页”的端到端信息抽取与业务洞察场景，强调把非结构化内容转为可查询的实时智能。企业落地关键在于权限治理、可追溯引用与流程编排能力。来源

3. Google 汇总 2026 年 1 月 AI 更新：Google 发布月度回顾，覆盖 Gemini、开发工具、搜索体验与多产品线的 AI 能力进展，便于快速把握其“订阅计划 + 端侧/云侧融合”的产品节奏。对从业者来说，信息密度高，适合作为团队例会的路线图参考。来源

4. OpenAI 案例：德甲沃尔夫斯堡把 ChatGPT 变成“俱乐部级能力”：OpenAI 分享体育组织如何从试点转向组织级推广，把知识管理、协作与内容生产嵌入日常流程。对非科技行业而言，真正的门槛往往是变革管理与可复用的内部模板，而不只是模型能力。来源

5. Hugging Face：Nemotron ColEmbed V2 刷新多模态检索表现：HF 博文介绍 NVIDIA 的 ColEmbed V2 在 ViDoRe V3 基准中的表现，强调更强的图文检索与对齐能力。多模态 RAG 需求上升的背景下，检索质量越来越成为“生成是否可靠”的前置条件。来源

论文与研究速递（arXiv，2026-02-04）

1. Assessing Domain-Level Susceptibility to Emergent Misalignment from Narrow Finetuning：研究比较不同领域的“狭窄微调”对模型出现广泛不对齐/越界行为的影响，发现带触发器的后门会在多数领域显著拉高风险，且领域脆弱性差异很大。结论提示：安全评估应做域别分层，而不是仅看整体平均分。来源

2. Localizing and Correcting Errors for LLM-based Planners：提出 L-ICL，通过定位规划轨迹中的首个约束违规点，并注入最小纠错示例来提升经典规划任务的有效计划率。相比把整条示例轨迹塞进提示词，这种“局部纠偏”更省上下文，也更贴近调试。来源

3. GraphDancer: Training LLMs to Explore and Reason over Graphs via Curriculum RL：用课程式强化学习训练 LLM 学会在图结构知识上做函数调用式导航与多跳推理，即“边走边想”。作者称 3B 模型在跨域泛化上超过部分更大模型/强基线，说明结构化检索与行动策略训练的价值。来源

4. IMU-1: Sample-Efficient Pre-training of Small Language Models：报告一个 4.3 亿参数模型用 720 亿 token 训练，宣称接近使用远多数据训练的模型性能，并公开配方/权重与数据。对小模型路线来说，这类“数据-架构-优化”组合拳值得复现与对标。来源

5. TabularMath: Evaluating Computational Extrapolation in Tabular Learning：提出 TabularMath 基准，把确定性“可验证程序”生成的表格问题用于测试外推/精确计算能力。结果显示：部分表格模型在 R^2 很高时，整数精确匹配却明显掉队，提醒我们别被平滑指标“骗过”。来源

6. UNSO: Unified Newton Schulz Orthogonalization：围绕 Newton-Schulz 迭代在优化器/正交化中的效率与稳定性问题，提出统一框架并用可学习系数的多项式近似替代长链矩阵乘。若在大模型训练中能稳定落地，可能带来更可控的数值行为。来源

7. Sparse Adapter Fusion for Continual Learning in NLP：提出 SAFM，在持续学习中动态决定复用旧 adapter、新增 adapter 或插入“空 adapter”，并通过层级损失鼓励适配器分化。目标是在参数开销、任务迁移与遗忘之间取得更好平衡。来源

8. From Gameplay Traces to Game Mechanics: Causal Induction with LLMs：让 LLM 从游戏轨迹反推 VGDL 规则，并比较直接生成与“先推因果结构再转规则”的两阶段方法。结果显示因果结构中介能减少逻辑不一致，为可解释 agent 与程序化内容生成提供思路。来源

9. SayNext-Bench: Why Do LLMs Struggle with Next-Utterance Prediction?：提出多模态对话“下一句预测”基准，指出即使强模型也常在预测人类下一句上表现不佳，并给出结合多模态线索的模型方案。启示是：对话系统要更像人，可能需要更强的预测式处理与非文本信号融合。来源

10. MHDash: Benchmarking Mental Health-Aware AI Assistants：发布面向心理健康场景的风险感知评测平台，强调多轮对话下高风险样本的假阴性问题会被总体指标掩盖。对安全落地而言，分级风险评估与审计工作流比“平均准确率”更关键。来源

11. Scalable and Secure AI Inference in Healthcare: FastAPI vs Triton on Kubernetes：在医疗合规场景对比 FastAPI 与 Triton 推理服务，展示单请求低开销 vs 动态 batch 高吞吐的取舍，并提出“FastAPI 网关 + Triton 后端”的混合架构。对企业部署来说，这是较实用的工程参考。来源

12. Autonomous Data Processing using Meta-Agents：提出层级式 meta-agent 框架，自动构建、执行并迭代优化数据处理流水线，强调监控回路与可复用 agent。数据工程的“自运维化”将成为 agent 落地的高频战场。来源

13. Scaled Dot-Product Attention as Projection onto a Common Surface：给出 SDPA 的等价形式解释为把输入投影到由输入决定的“公共曲面”上，并讨论可能的加速与扩展方向。尽管偏理论，但有助于从信号处理视角理解注意力的几何含义。来源

14. Augmenting Parameter-Efficient PLMs with LLMs：在网络安全任务中结合参数高效微调（如 compacter/冻结策略）与大模型两种用法：自动标注与低置信度回退。思路很“务实”：用大模型补齐数据与长尾，而不是全量替代。来源

15. Learning to Price: Interpretable Attribute-Level Models for Dynamic Markets：提出可解释的属性级定价 bandit 模型与在线学习算法 ADEPT，在动态市场冲击下追求可解释与效率兼得。对“自主定价 agent”这类高风险应用，可解释性可能直接影响合规与业务接受度。来源

趋势点评

昨天的信号很一致：一边是“代理化”持续往工程与业务流程深处落（文档处理、数据流水线、组织级推广），另一边研究界则在补齐可控性与评测的短板（规划纠错、域别不对齐、心理健康风险评测、多模态对话预测）。2026 年的竞争点越来越像“系统工程”：谁能把模型能力变成可审计、可运营、可扩展的产品与流程，谁就更接近规模化价值。