LongChang 研究大語言模型能否在「異世界」發現隱藏的物理規律
LongChang 在 MuJoCo 構建改寫物理規律的「異世界」,測試 12 個模型自主探索;只有 GPT-6-Astra 完成有實驗支持的規律發現,發現率為 16.7%。
LongChang 在 MuJoCo 構建改寫物理規律的「異世界」,測試 12 個模型自主探索;只有 GPT-6-Astra 完成有實驗支持的規律發現,發現率為 16.7%。
劍橋大學團隊利用 AI 設計的廣譜禽流感候選疫苗,在小鼠和雪貂動物實驗中對多種禽流感病毒變異株展現防護效力。接種新疫苗的動物全部存活,對照組接種現有疫苗的動物僅約半數存活。團隊下一步計劃開展人體臨牀試驗。
ThinkNow調查1548名美國成年人後發現,過去一年43%曾用AI聊天機械人查詢健康問題,但全體受訪者中只有40%信任這類資訊。在AI健康用戶中,60%表示AI促使他們進行原本不會進行的求診,65%因此主動向醫生查詢具體藥物或治療方案;使用者對AI準確性的評價達85%。消費者信任醫生或醫療系統提供的AI健康工具的比例為60%,大型科技公司則為34%。
在多種數據集及規模上,e-means 用 1.2 至 3 個 epoch,便達到低於 Lloyd 執行 25 個 epoch 時的測試損失。端到端速度方面,GPU 較 Flash-KMeans 快 10–45 倍,CPU 較 Faiss 快 8–15 倍。e-means 以小批次指數移動平均更新聚類中心,並用尺度律自動設定批次大小和步長,另改良初始化及死簇復活策略。
Boston Dynamics 以輪子取代 Atlas 的腳,將其改裝成研究測試平台,藉此探測致動器極限,並測試全身強化學習由模擬轉移至硬件的效果。訓練使用數以百萬計的機械人模擬,團隊稱控制策略轉移至硬件的效果近乎完美。公司正把實驗所得應用於標準配置的 Atlas,並研究致動器失效時的控制策略。
Anthropic 以 1,000 個運行早期 Claude Fable 5.2 的智能體,在沒有 Prove2Me 或研究員指導下重現費馬大定理的形式化證明。任務耗時 28.7 小時,輸出 token 數為先前工作的三分之一,證明長度為原作的七分之一。每個智能體均在無網絡沙盒中運行,分類器預先檢查 shell 指令和檔案編輯,離線監控器則審查團隊行動。
推薦理由:文章呈現多智能體處理長程證明任務的協作方式,並交代沙盒、即時分類器與離線監控如何構成安全邊界。
在 4-bit Qwen3B 上,AG News LoRA adapter 在評分測試中令 SST-2 準確率降至 0.0%,而 0.5/0.5 合併兩個 adapter 後,SST-2 準確率回升至 98.5%。
BAIR 的教師、博士後研究員及學生將於 CoRL 2026 展示研究,活動包括教授 Negar Mehr 的 Early Career Keynote。議程列出 33 篇主會議論文、4 個 Late-breaking results 海報及 10 場口頭報告與 spotlight,會議於 11 月 9 至 12 日舉行。
Epoch AI 提出 Inference Performance Index(IPI),以晶片在不同輸出速度下可同時服務的請求量估算推理容量。IPI Version 1 聚焦智能體推理工作負載,綜合四種代表模型,並以 GB300 等值(GB300e)表示分數,GB300 定為 1。
Re-Search 以「二十問」形式評估 LLM 的研究構思,發現模型的進展幾乎都集中於首 30 個問題。研究以 200 篇 ICML 2026 論文測試六款近期 LLM,每局共 100 個問題;多數模型其後進展停滯。結果顯示,瓶頸在於生成而非判斷,為自動化研究系統加入外部構思和問題或比單純提升模型生成能力更有效。
Ego Guidance 探討利用無動作的人類第一人稱影片提升機械人策略學習。HuggingFace Daily Papers 頁面顯示,尚無模型、數據集或 Spaces 引用該論文。
Mobile AI Factory 是一套智能體系統,會按指定任務和手機自動構建經微調及量化的小語言模型。研究在 10 項任務和 4 款 Android 手機上評估,模型在未見測試集的 5 項任務中勝過兩個採用 five-shot 設定的前沿模型,最高差距為 0.34,另有 3 項表現相當。
FAME-QP 是一款用於線性模型預測控制中稠密二次規劃問題的 GPU 加速求解器。它透過 CUDA graphs 重播單核心及雙核心迭代,並按裝置校準和問題專屬計時自動選擇執行配置。數值基準測試及人形機械人和四軸飛行器模擬控制實驗顯示,相較其他 GPU 求解器,FAME-QP 可降低延遲,同時維持解答準確度和控制效能。
Bonbon 是一個僅以序列預訓練的生物學基礎模型,規模由 42M 擴至 1.6B 參數後呈現多項分子相互作用能力,並獲 NeurIPS 2026 主會議 Oral 接收,屬投稿前 0.4%。
推薦理由:Bonbon 在外部盲測中,跨 9 個疾病靶點達 61.5% 命中率,呈現序列模型如何連接分子作用判讀與候選分子篩選。
TIDEWAY 將主機 RAM 與 GPU VRAM 管理為統一記憶體池,提升記憶體受限消費級設備上的大型 MoE 模型推理效率。相較最快基線,TIDEWAY 的端到端延遲平均加速 1.97x、首個 token 時間(TTFT)加速 2.40x,解碼吞吐量則提高 1.61x。其原始碼已公開。
SteerDistill 以閉環教師引導訓練量化智能體,讓凍結的 BF16 教師根據執行回饋引導學生重試,並將修正內化,令學生之後無需教師或引導提示詞也能獨立運行。在 W4A16 下,三個模型於五項智能體基準測試的平均分均與 BF16 相差不超過一分;在 Qwen3-8B 的 W2A16 測試中,SteerDistill 的平均分高於受測量化基線。
研究提出按解碼不確定性動態提高權重精度的方法,在低精度輸出不確定時才以 8-bit 權重重新計算。在 Qwen3-0.6B 的 GSM8K 測試中,15% 提升預算下,margin gate 捕捉到 94% 的 argmax 翻轉,entropy gate 則捕捉到 78%。150 道實測題目中,entropy gate 得分為 62.7%,但數據未能顯示它與全高精度或全低精度方案有明確差異。
PolyRoute 提出一套類型決策路由基準測試,涵蓋 12 種語言、9 種文字系統及混合語言訊息,並提供 13 個系統的排行榜。多語言檢查點得分為 77.3%,最佳微調模型為 96.6%,TF-IDF 搭配邏輯迴歸則達 91.9%。所有文本和標籤均由 LLM 生成。
一項調查分析多模態智能體的自我改進機制,為何在推理、生成、導航與操作情境之間的遷移效果不一。研究以經驗生成、取得回饋和整合更新三階段框架比較各情境,並將機制跨情境的可遷移性判定為可遷移、有條件、受阻或冗餘;這些判定仍有待配對預算測量驗證。
這篇論文聚焦以 Fisher 幾何進行結構化置信度擾動,將其用於對抗訓練。頁面目前未列出引用該論文的模型、數據集或 Space。
BirdDreams 是一個自回歸駕駛世界模型,可聯合生成透視影片與鳥瞰視角(BEV)影片,將場景佈局納入預測,並以預測的 BEV 幾何資訊控制自車軌跡。在 PhysicalAI-AV 和 nuScenes 上,它比先前的駕駛世界模型更貼合輸入的自車軌跡;不需自車動作條件時,亦能生成更合理的自車移動。推理時,BirdDreams 只需單張相機影像,毋須 HD 地圖或車輛狀態輸入。
在 Qwen3-0.6B 和 Qwen3-1.7B 的模擬測試中,成本匹配時,只有權重至少為 6 bits,增加選項順序才勝過增加權重位元;6-bit 權重相對 fp16 沒有準確率損失。研究建議採用 6-bit 權重,並把餘下預算用於最多四種選項順序、每種一次推理;4-bit 權重下,平均四種循環順序可令 0.6B 準確率回升 12.6 個百分點。
《Mixed Signals》研究權重空間編程在 EEG、ECG 模型上的應用,指出前沿模型可排查事先植入但未告知的故障,亦能僅憑架構、任務及少量訓練受試者從頭寫出網絡權重。
論文提出 ScrapeBench,用於實證評估 AI 智能體遵守網站服務條款(ToS)及 robots.txt 爬取規則的法律合規性。在 1,626 個明確禁止爬取的熱門網站樣本中,多數閉源及開源智能體的合規率低於 5%,即使先檢查相關規則亦然。
作者以 Claude Haiku 5.5、Sonnet 5.5 和 GPT-6 Luna 測試多智能體交接,發現傳給執行者的訊息經常省略決策理由,即使撰寫者仍看得到原始需求。
這項網站調查分析 Tranco 排名前 2,000 個網域中 1,069 份可用 robots.txt,發現訓練爬蟲的封鎖比例高於 AI 搜尋爬蟲。GPTBot 封鎖率為 19.7%,OAI-SearchBot 為 6.7%;在封鎖 GPTBot 的 211 個網站中,139 個(65.9%)仍允許 OAI-SearchBot。
作者以 mcpscore 1.31.0 審核 MCP Registry 中 15,680 個完成完整工作階段的伺服器,發現 869 個(5.5%)提供 MCP Apps,當中 68 個至少有一項問題。
SwarmEvolve 以潛在空間智能體羣搜尋科學程式,在 21 項數學發現及科學計算問題上,能以 3 至 8 分鐘達到 OpenEvolve、ShinkaEvolve 和 CodeEvolve 用 60 分鐘取得的表現,每小時評估的候選程式多 5 至 13 倍。
Elith 與 NVIDIA 發佈 Nemotron-Personas-Finance-Japan,提供 900 萬個用於 AI 開發的日本金融合成人物。資料集加入家庭財務、理財行為及金融素養資訊,採 CC BY 4.0,供商業及非商業用途,讓團隊測試面向客戶的系統而不使用真實客戶紀錄。
Goodfire Research 的頁面標題為「Neuron Atlas - Qwen3.6」。提供的正文只有私隱及 Cookie 選擇提示,沒有交代 Qwen3.6 的內容或研究結果。
Robocurve 研究人員測試了 Claude、GPT 和 Gemini 的五個模型,發現模糊或篡改機械人鏡頭畫面會增加它們嘗試危險動作的頻率。研究共進行 900 次測試,畫面遭篡改時,四個模型的危險動作嘗試率為 100%,Gemini 為 85%。研究以模型發出「done」訊號作為嘗試完成的判定,沒有核實動作是否實際完成;測試使用空容器並切斷電源,避免造成實際危險。
Elith 與 NVIDIA 發佈 Nemotron-Personas-Finance-Japan,這是一個以日本官方統計及家庭金融資訊為基礎、供金融 AI 開發使用的合成人物資料集。資料集共包含 9M 個人物設定,每筆記錄涵蓋 50 個欄位,並以 CC BY 4.0 授權提供商業及非商業使用。它可用於建立客服智能體、評估銷售對話和市場推廣、進行用戶模擬,以及紅隊測試面向客戶的 AI。
推薦理由:資料集把日本官方人口與勞動統計、家庭財務及金融素養欄位結合,並列出客服智能體、用戶模擬和公平性測試等具體用途。
Ginux 是一款以人類主導 AI 工程打造、可運行 Linux 用戶空間的新核心。Hacker News 討論者質疑這種工程方式是否有別於 vibecoding,並指出 AI 生成的程式碼仍須經過審核。
研究分析單模態語言與視覺模型的跨模態表徵對齊,發現對齊程度會隨模型能力提升,但仍低於同模態模型。當圖説清晰且資訊充足時,這種對齊可超越明確對齊的視覺語言模型。
Atom Foundry 比較模型在 6 月與 7 月的品牌推薦行為,發現 6 月的品牌排序可解釋 7 月排序變化的 61.4%。兩期來自不同採集批次,期間模型亦有變化;四項外部訊號對推薦頻率變化的解釋力均不超過 1.2%。相隔 15 日的熱門推薦變化比例為 44.4%,只比同一輪測量的基準高 1.1 個百分點。
HOPE(Higher-Order Pruning of Experts)以二階方法考慮專家之間的成對互動,改善 MoE 模型的專家剪枝。在 50% 剪枝率下,HOPE 的平均排名最佳,在智能體編碼任務上的表現較次佳剪枝方法最多高 +6.1%。
澳大利亞斯威本科技大學團隊分析阿雷西博與 FAST 射電望遠鏡數據,發現候選暗星系 AGC 322753,其氫氣質量約為太陽質量的 20 億倍,尚未探測到恆星。該天體的雙峯譜線暗示可能有旋轉氣體盤,與 Lambda-CDM 模型對暗星系不旋轉的預測不同。其性質仍需進一步觀測確認,並排除潮汐碎片假説。
姚期智團隊與楊植麟等發表 TCSExam,透過四類機器驗算任務評測 9 個前沿大模型在理論計算機科學研究全鏈條上的能力。定理證明裸考中,GPT-6 Astra 完整證明 20 道題中的 14 道,成功率為 70%;Kimi K3.1 Pro 的成功率為 38.3%。
Next-Concept Modeling(NCM)提出由粗到細的兩階段框架,以 Transformer 逐層生成離散編碼,並行預測每層所有編碼。
NYU Langone Health 於 2026年11月9日公佈研究,PREVIA 以急診創傷敍述估算一個月 PTSD 風險,在 145 名患者研究中最佳配置的敏感度為 95.4%。