跳到正文
目前篩選:論文
11月14日週六
  1. HuggingFace Daily Papers(社區熱門論文)45

    思考的價值:混合決策模型如何學習何時進行推理

    混合決策模型(HDM)透過自我路由區塊,在單次前向傳遞的隱式思考與自回歸推理之間作出選擇,並以 CDPO 訓練路由區塊。在 JevBench 上,HDM-4B 得分為 0.857,對比 Jev 的 0.851(+0.7%);中位延遲為 0.179\,s,對比 0.652(-72.5%)。在 MiniWoB 上,HDM-27B 將 token 成本降低 80.1%。

  2. Ai2 / Allen Institute for AI59

    Ai2 發佈 XYBench 基準,測試模型能否識別用戶問題中的錯誤假設

    Ai2 發佈 XYBench,這個包含 8,115 個真實問題的基準,用來評估 AI 助手能否識別用戶問題中的錯誤假設,並轉向處理其真正目標。在 Stack Overflow 題目中,五款受測模型只有 35–41% 的回答主要聚焦真正目標,人類參考答案則為 55%。另在二選一測試中,六款模型有 71–84% 選出目標導向答案,顯示模型選出好答案與自行寫出好答案的表現有落差。

  3. HuggingFace Daily Papers(社區熱門論文)33

    用於遞歸自我改進的經驗交接強化學習

    研究提出一種經驗交接強化學習方法,讓語言模型智能體在固定框架下學習執行任務、反思經驗及整理任務專用手冊,並按這些經驗對未來執行結果的影響來評估其效用。該方法在多項智能體基準測試中的留出表現高於基線方法。

  4. HuggingFace Daily Papers(社區熱門論文)47

    拆解多模態視覺編碼的設計選擇

    受控實驗顯示,多模態語言模型不需要預訓練視覺編碼器;從零開始與主幹模型聯合訓練的編碼器,表現可媲美預訓練編碼器,且毋須額外訓練階段。模型需要專用視覺容量,但不必在融合前配置;將視覺模組加入主幹早期層並在融合過程中訓練,表現相若,亦可縮短首個 token 的生成時間。

11月13日週五
  1. DEV Community45

    Marionette 的 AI 開發成本評測

    Codex 對 Marionette 等六種技術堆疊各生成四個 Pokémon 應用,並比較成本、耗時、token 用量與交付質素。Marionette 的假設 API 成本中位數為 $0.3107,每次生成中位數需 5.07 分鐘;四個應用均通過 54 項驗收測試,但成本並非實際帳單。

  2. 新浪科技49

    中國科學家揭示幼年社交玩耍背後的多巴胺機制

    北京腦科學與類腦研究所李瑩、吉妮團隊在 Cell 發表研究,揭示幼年動物的多巴胺信號會因不同社交行為而變化,並參與塑造社交策略。研究團隊結合人工智能行為分析、神經信號記錄與實時調控,在自閉症動物模型中改善了社交玩耍行為。研究屬動物模型基礎機制研究,結果不能直接推廣至人類臨牀應用。

  3. 新浪科技47

    清華大學發布 ProtCell,摩爾線程 MTT S5000 完成「虛擬細胞」預訓練復現

    清華大學江瑞課題組發布單細胞蛋白組基礎模型 ProtCell,並在摩爾線程 MTT S5000 上完成全流程預訓練復現。模型以約3.8億個細胞及98個公開數據集進行預訓練與評估,雙平台主要定量評測指標差異約0.2%。ProtCell 程式碼已在 GitHub 開源,官方倉庫整合 MUSA 預訓練啟動入口。

  4. 雷鋒網45

    中山大學梁曉丹團隊以 GeoThinker 系列研究改善空間推理的幾何資訊利用與計算開銷

    中山大學梁曉丹團隊提出 GeoThinker 系列兩項研究,先讓視覺語言模型按需利用外部幾何資訊,再以 GeoThinker-F 探索由模型內部生成空間線索。相同訓練數據下,GeoThinker-F 的六項空間智能基準平均得分為 62.21,與 GeoThinker 的 62.23 幾乎相同。GeoThinker-F 推理延遲由 1.45 秒降至 0.40 秒,速度提升約 3.6 倍。

  5. 阿里雲開發者社區 AI70

    OpenAI 對照評測分數與線上日誌,六個模型在評測中的表現反而較差

    OpenAI 將「Respecting Warnings」評測與去識別化 Codex 生產日誌中的可比決策對照,發現六個模型在評測中的成功率均低 10.2 至 37.4 個百分點。研究將差距歸因於模型誤判評測目標,把真實權限警告當成提示注入而忽略。文章建議以結構匹配的線上樣本檢查評測與生產成功率的差異,而非用評測絕對分數作準入門檻。

  6. HuggingFace Daily Papers(社區熱門論文)46

    DeepStress:對深度搜尋智能體進行壓力測試

    DeepStress 是一套動態壓力測試框架,透過可控地降低檢索證據品質,測試搜尋智能體在不同證據條件下的表現。研究以 HotpotQA 和 BrowseComp-Plus 的問題評估 12 個系統,發現多個開放權重智能體在來源有明顯可信度警號時仍會自信作答。許多 HotpotQA 問題即使所有檢索文件均有事實錯誤,仍會依靠模型參數中的知識作答。

  7. HuggingFace Daily Papers(社區熱門論文)44

    TTB:為僅解碼器視圖合成模型提升渲染效率

    Test-Time Baking(TTB)透過把跨視圖注意力中的全局場景資訊烘焙至輕量 MLP,提升僅解碼器大型視圖合成模型的新視圖解碼品質,同時維持 Test-Time Training 的渲染效率。TTB 在多個 benchmark 上達到最高 23x 渲染加速,品質媲美當前最先進方法。

  8. DEV Community55

    可信任智能體 AI 的安全與私隱:簡短綜述

    這篇綜述整理可信任智能體 AI 在安全與私隱方面的研究,將核心問題歸納為行動能否經環境驗證、敏感資料能否妥善保護,以及系統運行時實際洩漏甚麼。作者以推理、驗證、保護和審計構成四層信任架構,涵蓋安全營運、裝置端談判、對話智能體及多智能體洩漏審計。

  9. HuggingFace Daily Papers(社區熱門論文)54

    Ropedia Xperience 2 提出具身 AI 環境與行為擴展的黃金標準

    Ropedia Xperience 2 提出以環境和行為共同採集為核心的具身 AI 數據方案。數據包括 1,589 個已公開、具公制尺度的 3D 掃描,以及涵蓋 74 項任務、共 131 小時的 4,230 段第一視角錄影。場景可轉成具物理互動性的模擬環境,人類動作可重定向為全身機械人軌跡,並以虛擬遙操作和自動生成長時程軌跡補充機械人行為,為研究環境與行為的規模擴展規律奠定數據基礎。

  10. HuggingFace Daily Papers(社區熱門論文)46

    PhysLoop:利用大語言模型的物理知識推動影片生成模型自我改進

    PhysLoop 以大語言模型引導影片生成、篩選及修正,協助影片生成模型生成符合物理規律的影片並自我改進。研究團隊公開了涵蓋室內及室外場景的 100K 段影片、生成工具,以及 PhysLoop-Gen 和 PhysLoop-Repair 兩個評測數據集。研究亦以 Physics-IQ Verified benchmark 評估影片的物理表現。

  11. HuggingFace Daily Papers(社區熱門論文)41

    WorldDraft:如果程式碼構建世界,影片模型能否只負責渲染?

    WorldDraft 評測基準用來衡量影片模型在程式碼構建 4D 世界後,能否保留世界運動並呈現指定視覺效果。基準包含 432 個測試案例,涵蓋 48 個可執行的 4D 世界類別;對 12 個代表性模型的評估發現,來源線索衝突可引發高達 64% 的來源洩漏。研究提出 WorldDraft-Primer,一種視覺提示策略,可提升凍結影片渲染器在兩項目標上的表現。

  12. HuggingFace Daily Papers(社區熱門論文)46

    FOAM:面向實用且可擴展 SOAP 的因子化單側 Adam 矩方法

    FOAM 是一種輕量級 SOAP 變體,透過僅輸入端預處理及因子化 Adam 矩估計器,降低記憶體使用量並移除一次特徵分解。LLM 預訓練測試顯示,FOAM 在 124M 至 760M 參數規模下,驗證損失媲美 SOAP 和 Muon,優化器狀態僅為 SOAP 的一半,運行速度則達 Muon 級別。它亦能在三倍學習率範圍內保持穩健。

  13. DEV Community48

    LoopVQ 子位元 KV cache 量化令吞吐量倍增

    LoopVQ 以低於 1 bit 的精度壓縮 KV cache,提升長上下文解碼速度及服務吞吐量,無需重新訓練底層 Transformer。每個元素採用 0.5 bits 時,32K tokens 下的解碼延遲約為 BF16 的一半;在 1.4B 和 2.6B Ouro 模型上,峯值服務吞吐量分別提升最多 4.3× 和 6.1×,一般批次大小下每秒請求量約增至兩倍。

  14. 雷鋒網66

    SpaceCast-Bench 評測 21 個 VLM 的預測性空間推理,最高準確率僅 58.0%

    浙江大學團隊提出 SpaceCast-Bench,評估 VLM 根據場景變換推斷新空間關係的能力;21 個模型中最高準確率為 58.0%,人類為 87.2%。基準涵蓋 182 個真實室內場景、3862 道問題和 16 類任務;6 個空間專項模型準確率為 25.7% 至 29.1%,接近 25.9% 隨機基線。提供文本形式的 3D metadata 後,閉源模型平均提升 30.7 個百分點。

  15. MIT News45

    MIT 研究人員研發 AI「副駕駛」,協助工程師設計更佳結構

    MIT 研究人員研發協作式 AI 設計系統,讓工程師在拓撲優化生成結構時提供意見,改善結構的可製造性及線性屈曲載荷。研究示範顯示,這種人機協作方法令兩項指標提高 39%,相比全算法設計只增加 15 秒設計時間。系統利用機器學習找出最可能需要修改的設計區域,供工程師提供意見。

  16. HuggingFace Daily Papers(社區熱門論文)37

    透過自適應計算將大語言模型轉化為高效 System One 模型

    研究提出以自適應計算訓練多層深度的 System One 決策模型,讓單一模型按需增加計算,提升準確度與效率的取捨。研究發現,決策資訊集中於中間層,移除最後六層仍不損失表現。該方法在七項決策基準測試中,各深度的表現均媲美或優於獨立訓練的模型。

  17. 新浪科技44

    5G CATS 將 5G 無線電封入 GPU 封裝,模擬可攔截 300 公里外中繼攻擊

    德州農工大學研究團隊提出 5G CATS,把 5G 無線電直接封入 GPU 封裝,以驗證晶片實際運行地區,防止走私。使用 ns-3 和 5G-LENA 的模擬顯示,方案每次都能攔截 300 公里外的光纖中繼攻擊;預設 5G 則要到 2000 公里才可攔截。99.9 百分位往返時延波動由 39.28 毫秒降至 2.60 毫秒。

  18. 新浪科技46

    毛德華團隊實現全國濕地年度動態監測

    毛德華團隊利用遙感大數據和雲計算平台,實現國家尺度濕地動態監測,涵蓋2016—2024年,空間分辨率為10米,平均總體精度達81%以上。團隊評估了1980至2020年間中國濕地景觀變化對土壤有機碳庫的影響,發現濕地保護與恢復可抵消濕地農田化造成的部分碳損失。