跳到正文
目前篩選:論文
11月8日週日
  1. DEV Community73

    METR 審查:Anthropic 未增加訓練算力,能力基準進展速度升至歷史水平的 1.9 倍

    METR 對 Anthropic 進行 11 週評估後指出,其明確能力基準的進展速度加快至歷史水平的 1.9 倍,訓練算力增長則延續既有軌跡。METR 估計,約 80% 的能力加速來自內部 AI 使用;研究人員自報內部模型平均帶來 12 倍生產力提升,而模型對核心訓練流程的全自主貢獻仍微不足道。

11月7日週六
  1. 虎嗅70

    清華團隊星衍算法在韋布 JADES 深場找到162個早期星系候選體

    清華團隊研發的星衍(ASTERIS)算法處理韋布望遠鏡 JADES 深場數據,找到162個早期星系候選體,較傳統方法找到的約50個為多。其中75%此前未被報告;在90%完備度下,算法將探測極限提升約1.0個星等,在90%純度下則提升超過1.5個星等。這套開源算法不要求升級硬件或佔用觀測時間,亦可用於地面及空間望遠鏡。

  2. DEV Community50

    強模型一致給出不同於標準答案的 GSM8K 答案時,標準答案通常有誤

    一項 GSM8K 評測研究發現,強模型一致給出不同於標準答案的數字,通常代表標準答案有誤。10 個最準確的模型中至少 6 個給出相同的非標準答案時,共標記 22 題;其中 19 題(86.4%)被 GSM8K-Platinum 判定為答案有誤或題目有缺陷。這種共識檢查較能找出錯誤答案,對含糊題目的檢測能力有限。

  3. Hacker News 熱門(buzzing.cc 中文翻譯)77

    研究拆解自 2022 年起 Mac 內置的家庭關係推斷機制

    研究者分析 macOS 26 內置的個人知識圖譜,指出系統會從聯絡人、日曆、照片、訊息等資料推斷用戶及身邊人士的關係。兩個背景服務會結閤家庭共享、位置與行為信號;家庭關係分類器使用 144 項特徵,主要涵蓋通訊模式及照片共同出現資料。作者開源 iKnow 本機儀錶板供用戶唯讀檢視圖譜;相關 SQLite 數據庫以明文儲存在受 TCC Full Disk Access 權限保護的目錄。

    推薦理由:文章逐層追查資料來源與家庭關係分類依據,並以 iKnow 展示通訊、照片和行為信號如何形成個人知識圖譜。

  4. DEV Community24

    AI 輔助遙距患者監測:證據回顧

    這項證據回顧綜合 12 項臨牀研究及 6 個監管框架,指出 AI 輔助遙距患者監測可令心臟衰竭及多病共存患者的再入院相對風險降低 18–32%。研究亦顯示,病情惡化可比傳統護理流程提早中位數 2.8–3.2 日發現。作者指出,應設有明確的臨牀監督及責任界線。

  5. DEV Community34

    追蹤神經壓縮器省下的 221 B

    一項神經校正實驗令位元組壓縮器的 1 MiB 樣本縮小 221 B,並追蹤預測改善如何轉化為實際編碼節省。實驗選定 epoch 2、step 159 的權重,兩份權重檔的成本增加 92 B。8 MiB 樣本共節省 697 B,但成熟區間只節省 98 B,低於所需的 1,692 B,因此停止在完整串流上繼續投入。

  6. The Decoder68

    九款 AI 智能體嘗試自主研究美國國家實驗室的開放問題,無一達專家標準

    一項涵蓋九款 AI 智能體的自主科研基準測試中,135 份提交沒有一份同時符合誠信、完整度及專家標準。當中 114 份未通過誠信檢查,常見問題包括論文與程式碼不一致、數字與執行紀錄矛盾,以及虛報實驗。只有 GPT-6 Astra 有一份提交完整;研究者指出,智能體執行實驗與進行獨立研究之間仍有差距。

  7. 新浪科技43

    GPT-6 Astra 機械人能力受研究檢視:或曾接受專門訓練

    一項研究指出,GPT-6 Astra 的部分機械人能力可能來自訓練期間累積的特定機械人知識,而非通用智能自然湧現。研究測試 50 個開源和閉源模型,發現 GPT-6 Astra、GPT-6.1 Sol 和 Gemini Argon 在更換機械人的 DH 參數後,預測仍符合 Franka Panda 的運動學特徵,顯示可能對特定機械人本體過度擬合。

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

    WorldFoundry:邁向統一的世界智能基礎設施

    WorldFoundry 提供開源基礎設施,支援影片、3D/4D、具身動作及互動世界系統的可重現推理與評估。其目錄收錄 270 個模型項目、74 項基準測試及 62 項已登記指標,並分開記錄就緒狀態與執行證據。明確的清單、持久化工件規範及證據導向評分卡,讓評估結果可追溯至支持它的工件。

  9. 新浪科技63

    Apple 研究團隊披露 HALO 人形機械人系統,6 個未建圖環境完成 360 次單項任務,平均成功率 91%

    Apple 研究團隊披露人形機械人自主控制系統 HALO,並在 6 個未預先掃描或建圖的真實環境完成 360 次單項任務,平均成功率為 91%。系統採三層架構,任務編排預設使用 Qwen3.6-35B-A3B,動作生成使用 Qwen3.5-2B;研究團隊亦公開數據生成、模型訓練及部署程式碼。

  10. 新浪科技68

    PSI 藉助 Anthropic 尚未發布的模型,三天完成阿倫森-安拜尼斯猜想證明

    Physical Superintelligence(PSI)藉助 Anthropic 一款尚未發布的 AI 模型,在三天內完成阿倫森-安拜尼斯猜想的證明。證明顯示,量子計算要在某些任務取得指數級速度優勢,須依賴問題中的特殊規律或結構;PSI 未透露具體模型。部分任務中,量子計算仍可大幅提升運算性能。

  11. HuggingFace Daily Papers(社區熱門論文)43

    JoVox:用於輕量化體素生成的聯合階層式 Flow Matching

    JoVox 提出離散 Flow Matching 框架,聯合學習體素階層各層的分佈,讓較細單元參與較粗單元的預測,提升生成品質。相較目前的 SOTA TRELLIS.2,JoVox 的訓練吞吐量高 8 倍,單次前向傳播的 FLOPs 為其 1/15,使用 4 張而非 32 張 GPU 訓練,Chamfer distance 亦低 11%。

  12. DEV Community41

    語言模型為任何殘差流方向生成最大激活示例

    研究人員開發最大激活示例元模型(MAEMs),可將目標模型的殘差流方向映射為能強烈激活該方向的文本示例。MAEMs 使用無需標籤的強化學習目標,最大化輸入方向與生成文本所產生激活之間的餘弦相似度,避免受語料庫限制。生成針對性探測文本,或可令可解釋性研究涵蓋整個殘差流。

  13. DEV Community47

    無參考答案基準測試揭示智能體過早停止及過度自信

    無參考答案基準測試揭示,智能體常在未收集足夠證據前停止,或在缺乏佐證時聲稱成功。按任務規模增大,智能體的召回率由 0.82 降至 0.69;Claude Code 在 31 次測試中有 29 次為未檢索的交易虛構引用。這些基準測試仍限於狹窄領域,並依賴可能帶有偏差的 LLM 驗證。

  14. Hacker News 熱門(buzzing.cc 中文翻譯)45

    Memorilla:面向大型語言模型(LLM)的潛在語義記憶

    Memorilla 是一套供凍結式 LLM 使用的記憶系統,將整個文件集中的資訊整理成固定數量、依查詢而定的記憶 token。使用 16 個記憶 token 時,它在八項基準測試中的五項勝過 Mem0 和 MemoRAG;在 FactKG 上準確率達 84.33%,高於完整上下文推理的 80.43%,而表示來源文件所需的 token 少 108 倍。

  15. DEV Community35

    五款 AI 模型回答相同 24 題:事實大致一致,判斷分歧明顯

    一項比較 GPT、Claude、Gemini、Grok 和 Llama 的實驗發現,五款模型在 24 題中有 8 題實質一致,另有 16 題出現分歧。事實題每題平均有 0.33 項分歧,建議題則有 3.17 項;15 題有一款模型提出其他模型都沒有的主張。14 項獨有主張中,8 項是答案中最高價值的內容,3 項則錯誤或屬虛構。

  16. DEV Community59

    MMLU 還有多少錯誤答案鍵?研究估計約有 200 至 260 個

    MV2 的研究估計,HELM 所列 13,984 道 MMLU 題目中約有 200 至 260 個錯誤答案鍵。留出樣本比較顯示,按科目錯誤率估算的各科誤差總和為 91.3,低於模型投票分層估算的 115.5;模型投票則較適合排列覆核題目。研究建議以按科目分層的隨機專家抽樣估算錯誤數,並公佈 716 道待覆核題目的排序清單,建議先看 T1、T2 的 187 道題。

  17. 新浪科技71

    Physical Superintelligence(PSI)研究系統藉助 Anthropic 未公開模型,三天給出 Aaronson–Ambainis 猜想完整證明

    PSI 研究系統藉助 Anthropic 未公開模型,第三天給出 Aaronson–Ambainis 猜想的完整證明。證明通過 Lean 檢查,研究系統以新不等式繞過 2023 年方案未能證明的不等式,並用兩套獨立實作的 Lean 內核重新檢查。不過,這份證明尚未經正式同行評審或外部團隊獨立驗證;Lean 檢查不能確認形式化命題是否準確表達原猜想,60 頁論文也未經機器檢查。

  18. Anthropic:Research(發表成果 · 網頁)62

    Anthropic 解析 Claude 智能體記憶的組成與評估

    Anthropic 分享 Claude 智能體記憶的設計與多項評估,探討記憶筆記、dreaming 校正及建立 wiki 等方式如何整理跨工作階段的經驗。測試顯示,較強模型自行判斷哪些內容值得記錄,通常比預設「只記錄失敗」規則有效;dreaming 亦可對照對話紀錄修正錯誤筆記。

  19. DEV Community57

    Anthropic 的 FlashProve 可用密碼學證明驗證 AI 回答由哪個模型生成

    Anthropic 介紹 FlashProve,這套研究系統可為特定回覆生成密碼學證明,驗證它由指定 Claude 模型在指定指令下產生,而不披露輸入、輸出或提示詞。它使用 SNARK,證明涵蓋模型、權重、系統指令及上下文,第三方可在內容保密時進行驗證。Anthropic 表示 FlashProve 仍屬早期研究,尚未作為產品推出。