Nvidia Déjà View 重用單一層,媲美參數量大 10 倍的模型
Nvidia 研究人員打造 Déjà View,以 117 million 個參數將不同角度拍攝的照片轉換成 3D 場景,並在重用同一層的設計下,媲美或超越參數量為其 8 至 10 倍的模型。模型在五項 3D 重建基準測試中,平均相機位置準確度領先,所需運算能力亦比測試中的最大競爭模型少 1.9 至 2.3 倍。論文獲選為 NeurIPS 2026 口頭報告,Nvidia 已釋出程式碼。
Nvidia 研究人員打造 Déjà View,以 117 million 個參數將不同角度拍攝的照片轉換成 3D 場景,並在重用同一層的設計下,媲美或超越參數量為其 8 至 10 倍的模型。模型在五項 3D 重建基準測試中,平均相機位置準確度領先,所需運算能力亦比測試中的最大競爭模型少 1.9 至 2.3 倍。論文獲選為 NeurIPS 2026 口頭報告,Nvidia 已釋出程式碼。
Unemployment Labs 的 Will DePue 發表鑑識報告,指 DeepSeek、Moonshot AI、MiniMax 和 Ant Group 的六款模型權重呈現與 NVIDIA Blackwell GPU 初始化配置相符的數值模式。
推薦理由:報告透過模型權重中的初始化數值模式辨識硬件配置,並説明這類指紋支持哪些推論,以及無法確認哪些出口管制事實。
澳洲 CSIRO 團隊以 GenDIReCT 獨立復核 EHT 對 M87* 的觀測數據,確認人類首張黑洞照片中的緊湊環狀結構並非成像或儀器誤差造成。研究團隊以「閉合不變量」處理三站望遠鏡組合,並用與天文無關的圖像訓練 AI 模型,避免演算法預設黑洞應有的影像形態。
澳洲 CSIRO 團隊以新算法 GenDIReCT 復核 M87* 的觀測資料,確認人類首張黑洞照片中的環狀結構並非成像假象。研究人員將 2017、2018 和 2021 年的 EHT 公開觀測數據輸入算法,不同視場及年份下均得到直徑約 42.2 微角秒的緊湊環狀結構。研究指出,該結構源於黑洞周圍經引力透鏡效應和紅移的輻射,並進一步支持廣義相對論對黑洞陰影的預言。
AI 模型知道「婦女、和平與安全」議題,卻不會主動提出這個議題。討論中有人解釋,這是聯合國倡議,旨在讓女性參與戰爭、和平談判、軍事行動及戰後重建的決策。
Unemployment Labs 的分析在四家公司的六款開放權重模型中,發現與 NVIDIA Blackwell GPU 初始化相符的模式。
研究團隊以新開發的獨立成像算法重新分析 EHT 數據,獨立驗證人類首次拍攝到的黑洞圖像中的環狀結構。新重建圖像與原始圖像高度重合,但研究人員指出,採用不同先驗模型和重建方式仍可能令圖像細節有所不同。
毛德華團隊首次實現10米空間解析度、2016—2024年年度連續更新的全國濕地動態監測,平均總體精度達81%以上。研究顯示,40年間濕地農田化累計造成約574.66萬億克碳損失,退耕還濕增加的碳量抵消了約32.4%的相關損失。
在同一組 24 條問題測試中,GPT、Claude、Gemini、Grok 和 Llama 在推薦問題上的分歧最多,平均每題有 3.17 項重大分歧。事實問題平均每題只有 0.33 項重大分歧,而 6 條推薦問題中有 5 條出現至少一項重大分歧。
康奈爾研究發現,美國四個主要電網在2020至2025年間的數據中心相關基建成本,大多由居民承擔。2025年,數據中心平均支付38%的相關成本,即$3.12 billion;總額為$8.25 billion,餘下62%($5.13 billion)主要由居民承擔。最低收入家庭的額外能源開支最高可達收入的28%。
Microsoft Research Focus 第 98 期涵蓋 AI 跨語言翻譯、解決 KLS 猜想,以及提升編碼智能體效率等研究進展。研究團隊分析 1,350 萬次編碼工作階段,發現少於 8% 需要上下文壓縮,但佔 AI 處理成本的 44%;APEC 將成本最多降低 25.4%,執行時間降低 9.6%。
SteerDistill 以閉環教師引導修正量化大語言模型智能體,將 30 B 模型壓縮至 4-bit、3 GB,任務成功率與全精度基準相差 4 個百分點。論文數據顯示,推理延遲由 12 ms 降至 5 ms,環境條件不匹配故障減少 73%。方法可配合 bitsandbytes、GPTQ 和 AWQ,並以約 0.6% 基礎參數的適配器進行線上修正。
ReTrace 從 Agent 執行記錄中提取決策邏輯,將重複執行的 SOP 編譯成無需 LLM 逐步規劃的確定性工作流程,遇上未涵蓋情況時則交回 Agent 處理。在 79 個生產 SOP 上,工作流程完成率達 93.8%,每項任務成本降低 24%;在 τ²-Bench 上,執行時間由 170 秒縮至 1.3 秒。
Scale AI 與新加坡資訊通信媒體發展管理局(IMDA)推出 SG-LegalClarify,評測語言模型對新加坡法律的推理及識別缺失事實的能力。基準涵蓋 19 個模型、1,860 個情境及 10 個法律領域;閉卷測試由 Claude Fable 5 以 69.8% 領先,加入網頁搜尋後則由 Kimi K3 以 77.8% 領先。閉卷情境中,約 39% 有缺失事實的個案未獲模型追問。
研究提出人機協作失敗挖掘流程,將強化學習點雲抓取策略持續失敗的案例轉化為虛擬實境中的人類示範,再用於訓練。模擬中,強化學習將未見物件的抓取成功率由 Contact-GraspNet 的 55% 提升至 83%;加入 58 個人類示範後,難例成功率由 24% 升至 45%。這方法亦恢復了強化學習在相似未示範案例上的表現,且未降低未見物件的成功率。
這項研究發現,指定安全主管智能體並由協調員發布安全規格文件,可令多智能體 LLM 團隊恢復個別智能體的對齊行為。研究涵蓋敗血症分診、新聞推薦及 10 項顧問提案生成任務,並指出責任分散會令團隊較少主動檢查系統層級的安全問題。研究團隊亦發布多智能體 LLM 編排及實驗框架 magelab。
MMFlash 透過自適應提高視覺依賴 token 的權重,並在長影片輸入中採用稀疏注意力,加速視覺語言模型的多模態推測解碼。它在多項多模態基準測試中實現最高 3.58× 的無損解碼加速,較 EAGLE-3 和 DFlash 分別快至 195.4% 和 17.1%。
DySENSE 是一個多模態 GenAI 框架,可結合靜態城市衞星影像與空間對齊的每月動態建築能源消耗圖,合成帶有能源數據的城市影像。該框架在四個城市的實驗中,使用少於 25% 的已標註數據,令下游預測的 mIoU 提升 8%;相較現有方法,預測準確度提升 8.7%,CVRMSE 預測誤差降低 9%-18%。
WEIGHTBENCH 是一項評測大語言模型執行權重空間程式設計能力的基準,涵蓋讀取、修補及生成權重、辨認不可能修改和無數據壓縮等五個方向,共 42 項任務。
JVT(Just Video Transformer)以簡潔的大型 patch DiT 式 Transformer 直接進行像素空間影片擴散,無需預訓練自動編碼器或 U-Net 跳接,生成品質媲美潛在擴散基線。JVT 亦支援相機條件控制的 RGB-視差聯合生成,相較只生成 RGB 的基線改善相機跟隨,並可在推理時毋須額外重建模型,產生明確的場景幾何。
研究提出 LuthorSQL,一款非自回歸 7B Text-to-SQL 模型,作為較慢 LLM Agent 的快速 System 1 閘門,只在不確定時才把問題升級給 Agent。
G-CAST 是面向電商智能體的治理式持續自我訓練系統,將日常生產證據轉化為訓練資料,並透過受控的模型更新應對需求與能力變化。真實電商智能體實驗顯示,與自主後訓練基線相比,G-CAST 更能適應新需求,同時保留用戶已接受的行為。G-CAST 現已部署於 Alibaba 1688 平台的 B2B 採購智能體 Yuancai。
OutfitterBench 評估 LLM 智能體管理戶外裝備租賃業務的能力:在固定資金及需求不確定的條件下,經營 200 天,處理 46 種產品和約 1,100 項預訂請求。對七個前沿 LLM 的實驗顯示,多個智能體表現不及簡單的規則基準,只有領先者持續勝過基準。分析指出,智能體難以持續維持可行承諾並重新評估資源配置;基準程式碼已公開。
研究團隊公開 Llama-V-JEPA-LM 開放影片語言模型,將凍結的 V-JEPA 2.1 世界模型編碼器與 Qwen3 / Llama(1B–8B)結合,並以反事實監督進行單階段訓練。
研究比較 73 種水下影像品質評估指標與人類偏好,發現沒有任何指標能持續符合人類判斷。五項參照中,Q-Align 的最差 Cohen's kappa 僅為 0.23,低於研究中兩名評分者的中位數 0.41;常用的 UCIQE 亦常偏好人們不接受的編輯。研究推出 TrustUIQA 基準;在 Nano Banana Pro 複製鏈中,只有 73 項分數中的 22 項隨影像噪聲增加而逐步下降。
研究團隊提出 OneSteer,一種一步擴散全身控制器,結合一般動作追蹤與測試時的選擇性操控。模擬中,1.25 m 橫桿下的順利通過率由 2% 升至 90%;實體 Unitree G1 完成 9 組序列共 27 次常規追蹤試驗而未跌倒。
PaperCritic 以強化學習訓練,透過同時提升論文可靠性審查要點的精確率與召回率,在同領域測試中勝過前沿模型及其他訓練方法。研究以 1K 篇 ICLR 投稿及 23K 個人手撰寫和 LLM 生成的審查要點,建立 PaperSound-23K 數據集。模型亦能遷移至 Nature 系列論文審查,以及程式碼審查、法律合約審查和故事寫作回饋等任務。
研究按 Ollama 列出的檔案大小及每項已解決任務的能耗,為量化 Qwen2.5-Coder 提供選型指南。測試涵蓋 24 個 GGUF 檔案,並以 542 項 EvalPlus 任務評估;在 1 GB 和 2 GB 檔案中,指南分別選出 1.5B 和 3B 的 q4_K_M。7B-q2_K 在解題數上未顯著勝過 3B-q4_K_M,但每項已解決任務的能耗高出 2.03 倍。
JFinBench 是一個可定期更新的日本金融基準測試,涵蓋會計、税務、理財規劃及銀行業,收錄 2026 年六項定期舉行的資格考試中的 321 道題目。測試 12 個近期大語言模型時,Claude Fable 5 和 GPT-6 Astra 的整體分數均超過 93%,最佳開放權重模型 Kimi K3.1 Pro 則低 Claude Fable 5 12 個百分點。
一項分析 2,000 篇 ACL、EMNLP、COLM 和 ICLR 論文的研究發現,最新 GPT 和 Claude 模型在審稿中指出的弱點約 50% 或以上來自附錄;人類審稿者的相同比例為 8.4%。
WebArena-Pro 推出面向網頁智能體的異質、多模態、可重現基準測試,涵蓋音訊和影片內容。基準測試包含 300 項任務,分佈於六個領域類別的 20 個自託管網頁應用程式;Codex 搭配 GPT 6.1 Sol,以及 Claude Code 搭配 Claude Opus 5.5,均取得 62.3% 的最高表現。每項任務均獨立執行,並支援可重現的平行評估。
GPBam 是涵蓋德國公法考試案例及法條的基準測試,聯合評估法律檢索與長篇法律意見生成。研究評估了 32 個開放權重及專有模型;不使用檢索時,得分介乎 4.81 至 76.42 分(滿分 100 分),加入檢索最多提升 4.1 分。法條原文回憶表現與法律意見品質高度相關,在 32 個模型中相關係數為 ρ=0.92。
論文提出以基礎模型和具身 harness 組成的 Embodied System 2,作為智能體機械人的決策核心,並勾勒實現可靠實體自主的研究方向。文章指出,GPT-6 Astra 的發布標誌機械人技術新範式出現;具智能體 harness 的前沿模型在數週內於多項具身 benchmark 追平或超越專用策略。
miHoYo Honkai AI R&D team 開發 Gamer,讓通用視覺—語言—動作基礎模型透過螢幕截圖、鍵盤和滑鼠進行長時程即時遊戲互動。模型以 10K+ 小時遊戲軌跡進行持續預訓練,並使用約 1.2M 條推理標註和約 223K 條記憶標註;Streaming-vLLM 在基準測試設定中將推理延遲降低超過 20×。
論文公開 CANTraj 自然駕駛數據集及 CANTraj-Bench,用於評估從 CAN 訊號還原車輛軌跡的方法;數據集包括 3,940 段駕駛紀錄和 454 名司機,基準涵蓋 3,675 段紀錄、431 名司機、1,380 小時及 85,919 km。
MEM-SQL 利用經驗證的 SQL 元件及按需查閲資料庫結構,提升 Text-to-SQL 準確度並降低成本。HARE 基準包含四個數據集的 1,600 個請求,涵蓋如何沿用及修改歷史 SQL;在六個語言模型上的測試中,MEM-SQL 的平均執行準確率由 Direct Generation 的 37.1% 升至 50.0%,輸入 token 減少 76.6%,延遲降低 68.8%。
這項研究綜合九項主要實證評估、共 516 種多智能體配置,發現與樣本數或資源預算相匹配的基線相比,多智能體系統準確率平均低 0.042。在這些可比對照中,74% 的多智能體結果準確率等於或低於基線;由單次貪心基線改用抽樣基線,準確率差異平均下降 0.038。
ReDiverse 透過探查蒸餾圖像及影片生成器的內部激活,找出少步擴散模型的多樣性崩塌源於激活方差集中於較少方向,並提出恢復多樣性的方案。ReDiverse-FT 以輕量適配器微調,ReDiverse-TF 則無需訓練,沿教師模型的主方向引導激活;兩者均在保留生成品質的同時恢復樣本多樣性。
研究提出自我改進記憶(SIM),記錄智能體 harness 修改所針對的問題、修改理據、預測及實際結果和評估背景,供後續持續遞歸式自我改進使用。十組配對編碼測試中,SIM 在九組取得較高分數,平均提升 2.36 分(95% CI: 1.05–3.68;p = 0.003)。研究結果不代表每次遷移都能改善表現。
AscendGYM 是一套評估 Ascend NPU 核心優化能力的基準,初始版本包含 48 個分為三個難度級別的核心,測試案例取自真實訓練及推理工作負載。它支援模型評估和模型框架評估,並以 Speedup-Token Score(STS)衡量加速效果與 token 成本,評估模型或框架在可接受預算內的實際優化能力。