DolphinBench 記憶檢索測試揭示關鍵字搜尋表現,並暴露自身系統退步
我們在 DolphinBench 測試記憶系統的來源工作階段檢索,發現自家的 e5 加 reranker 配置表現退步,在 1,000 個工作階段的測試中 Recall@5 為 0.480。
我們在 DolphinBench 測試記憶系統的來源工作階段檢索,發現自家的 e5 加 reranker 配置表現退步,在 1,000 個工作階段的測試中 Recall@5 為 0.480。
研究以稀疏自編碼器分析 Qwen3-30B-A3B,發現 MoE 專家對潛在特徵的貢獻比路由選擇更集中。第 4、30 和 46 層中,大多數潛在特徵只有一至兩個主導專家;專家分工細至 Java 與前端網頁程式碼、幾何、算術和多項式等領域。稀疏自編碼器及程式碼已公開。
CoRL 2021–2026 年錄取論文數由 153 篇增至 687 篇,署有中國機構的論文佔比由 5.9% 升至 37.5%。美國佔比同期由 76% 降至 51%;2026 年清華大學以 58 篇居機構首位,上海交大及北大分別有 36 篇和 33 篇。2026 年 687 篇中只有 480 篇具標準化機構資料,文章指出數據完整度及機構識別均有限制。
Claude 和 GPT 在十個城市推薦 AI 機構及招聘公司時,引用的名單和資訊來源差異明顯。研究共比較 24 個 AI 機構回答和 20 個招聘回答;Claude 多引用名錄,GPT 的來源則幾乎全是所推薦公司的網站。研究只各執行一次每個問題,結果未必適用於所有行業。
Anthropic 研究人員在七種多智能體環境中測試五個模型,發現模型會表現出對其他模型福利的關注,但反應會隨角色及接收者身份標籤而變化。在採購測試中,Claude 對標記為 Opus 4.8 的 GPT-5.5 分享資源的比例為 51%,對標記為 GPT-5.5 的 Opus 4.8 則為 15%;標籤效應顯著,實際模型效應不顯著。
北京大學與中國信息通信研究院聯合編制報告,梳理決策智能的產業發展、技術架構與落地路徑。報告指出,中國決策智能應用市場規模由2025年的485億元,預計增至2030年的約1229億元,2021—2025年複合年增長率為25.6%。報告提出以數據智能體為核心的技術路徑,並構建六層技術架構。
Scientist World 將論文轉化為可執行研究環境,並已發佈首批 1,000 個經核實環境。流程會抽取開放式研究問題,重現作者的方法作為基線,並按人類結果評估 AI 科學家。這為開放式研究提供可執行測試場景,但自動抽取及重現方法可能引入錯誤、收窄問題或洩漏解答,限制大規模評估的有效性。
SLA 將空間對齊擴展至持續預訓練及下游後訓練,並以預訓練 pi05 policy 為起點,對齊視覺嵌入與凍結的 3D 感知模型所提供的空間表示。模型運用多元機械人數據、特徵依賴閘門及概率狀態 dropout 改善空間理解;輔助組件只在訓練期間使用,推理架構維持不變。
麻省理工學院工程師開發出新型機械人小腸內鏡,可在狹窄的小腸內靈活移動,並進行成像檢查、藥物遞送、組織取樣和息肉切除。動物實驗中,機械人能在小腸內行進約2米,團隊亦驗證了其攝像、藥物噴灑和組織夾具功能。
NPCBench評估醫療AI模型能否整合專科知識與多模態證據,並在鼻咽癌患者的縱向診療路徑中維持診斷及照護決策連貫。基準收錄4,777項題目,以及包含100名患者、417項評分任務的CarePath隊列。在21個多模態模型中,嚴格CarePath成功率最高為23%;單項任務表現出色,不代表同一患者的診斷及照護答案能同時正確。
WeLM-Image 是統一圖像基礎模型,將多模態理解整合至文字生成圖像、指令引導編輯及多參考圖像合成。其 1536 解析度版本在 PRISM-Bench、Qwen-Image-Bench 和 UnicBench 的受評開源模型中均排名第一。
VFlash 透過 Flash Primitive Decoding,讓輕量 drafter 在一次 forward pass 中聯合預測視覺基元座標,加快物理 AI 任務的視覺規劃。
METR 的獨立評估估計,AI 可能解釋 Anthropic 於 2026 年 10 月約 80% 的研發加速。報告表示,未發現任何足以令人信服、會阻礙持續快速進展的瓶頸。Hacker News 討論中的用戶對 Opus 5.5 評價不一,有人稱它有助於承擔更大型的開發工作,也有人批評它出現錯誤並破壞程式碼。
EDGAR 是一種條件式擴散框架,透過融合區塊將 Sapiens 提取的身份特徵注入單步擴散骨幹,精修有瑕疵的 Gaussian 頭像,同時保留身份特徵。模型採用 MoE 架構,並以 EDGAR-SET 訓練;精修後的多視角渲染會用作偽目標,以優化單一 Gaussian 頭像。
InstantHMR 是一系列開源的單張圖片人體網格恢復模型,針對手機推理而設,採用 Momentum Human Rig(MHR)參數模型,並只以 SAM 3D Body 數據集的公開標註訓練。
Drex 提出四款開源決策模型,針對用戶提供的狀態與選項直接輸出機率分佈,無需自回歸解碼。四款模型分別為 8B(DLM)、9B(v1.5)、35B(啟用參數 3B,v2.0)及 27B(Max);訓練採用監督式微調和 RLAF,Max 另加入視覺微調。
史丹福大學研究人員重新檢視50項大型語言模型研究結論,發現其中22項(44%)在新模型上已失效。研究分析了8個模型開發者於2024年7月至2026年9月期間發布的20個模型;另有17項(34%)結論顯著減弱,8項持續有效,3項增強。
美國得州大學阿靈頓分校一項研究發現,生成式 AI 可分析社交媒體公開內容,快速製作看似掌握收件人近況的個人化釣魚郵件。研究從200名Instagram用戶收集3268則帖文,交由GPT-4、Claude、Gemini、Gemma及Llama生成17916封釣魚郵件;各模型約需10至15則帖文掌握個人化資訊。
中國標準國際化持續推進,2025年中國向ISO、IEC提出505項國際標準提案,牽頭制定並發布285項國際標準。「十四五」期間,累計牽頭制定並發布ISO、IEC國際標準1183項,較「十三五」時期增長88.1%。不過,中國的產業規模與創新優勢尚未充分轉化為國際標準話語權,標準化合作網絡及高科技領域的標準制定能力則持續擴展。
這項研究提出 Authorization Drift Benchmark(ADB),以 648 個涵蓋七個領域的樣本評估 LLM 智能體在多步工具使用中的授權漂移。
這套開放參考架構以單一本體連接控制系統標籤、水泵、供水區域、水庫、工作單及許可限值,協助操作員追查警報脈絡。物件模型包含 16 個物件和 14 種具類型連結;系統只讀取控制網絡,三個 Agent 只草擬內容,不會寫回記錄系統。
香港科技大學、北京智源研究院、北京大學等機構的研究團隊提出 DexRoam,將第一身人類全身示範對齊後用於訓練移動雙臂靈巧操作策略。
Zyphra Research 發表 ZYFA,為 AMD Instinct MI355X 提供 FP8 及 BF16 causal prefill attention kernels。
Counterfactual Self Architecture(CSA)提出一套架構,以明確的參考資料、介入點和不確定性,呈現人物在不同決策下的可能人生,並讓假設可供審核。其 ICC 證據狀態分為 Preserved、Variable、Unknown 和 Disputed,並要求模型在證據不足時可以拒絕推斷;文章以 Alan Turing 的歷史案例探討這套架構。
中國科學技術大學周少華、熊鵬團隊發布開源 RNA 序列基礎模型 structRFM,將結構知識融入序列預訓練,在多項結構與功能推斷任務中達到國際前沿水平。模型只需輸入序列,便可提取多層級特徵,支援結構預測及多種功能推斷。團隊已開放配對數據、模型權重和源代碼。
Munim, Inc. 比較 HELM 與 MMLU-Pro 兩組模型對 MMLU 答案鍵的標記;在雙方選出相同答案的 227 個問題中,專家核查的 113 個個案有 38 個答案鍵被判定有誤,佔 33.6%。相比之下,HELM 單獨標記的受評個案中,20.7% 被判定有誤;兩組都全票同意時,比例升至 59.3%,但受評個案只有 27 個。專家核查的雙方一致標記中,約三分之二仍被判定無誤。
世界衞生組織研究指出,全球約2.4億名11至17歲青少年過去一週每日中高強度身體活動均不足60分鐘。研究調查涵蓋140個國家、320多萬名青少年,僅14%連續七天達標,女孩達標率為11%,低於男孩的17%。世衞指活動不足與心臟病、糖尿病等風險相關,並呼籲改善學校、社區及公共空間環境以支持青少年運動。
一項藥物靶點綜述按嚴格標準盤點截至2025年6月獲全球三大監管機構批准的1702種藥物,發現它們作用於686個經驗證的藥效靶點。過去25年新增312個靶點,藥物研發重心由尋找可結合的蛋白,轉向以不同技術幹預重要靶點。小分子仍是主要模態,抗體、RNA藥物及靶向蛋白降解等技術則拓展了可成藥邊界。
METR 根據 Anthropic 內部資料估算,該公司大模型自 2025 年 10 月起在 AECI 綜合能力指標上的進步速度約為此前的 1.9 倍。截至今年 10 月,METR 估計當前 AI 研究加速約有 80% 來自 AI,主要收益仍是協助人類實作想法和進行實驗。研究員認為,AI 尚未在模型訓練最重要環節作出高度重要且完全自主的貢獻;報告亦經 Anthropic 大幅刪減。
《The Continuity Substrate》的受控研究顯示,在指定的第一方合成條件下,模型推理以外的治理基底可在模型、用戶端及機器改變或執行環境重啟後,維持確定性合約。測試包括 50 個用戶端的本機迴路測試,900/900 次分階段擷取及 50/50 次重啟後復原均成功;治理對抗測試則有 25 個案例,未出現未授權操作。研究不聲稱已可投入生產、取得安全認證、具備普遍可攜性或已獲獨立重現。
Jev、Kev、Laya 和 Mammoth-1 四種決策模型,與五個小型 LLM 在相同的 6,662 項決策上進行比較。評估涵蓋準確度、校準、格式失敗、延遲和成本,並公開每次呼叫的資料。
PhysioWave-T 論文提出面向 EEG、ECG 及 sEMG 的小波基礎模型系列,透過動態尺度折疊減少 token 數量。其 30M 參數 EEG 模型以超過 15M 個窗口預訓練;在四種 EEG 路線中,尺度折疊相較尺度擴展使 Transformer 延遲降低 4.0–7.2 倍、峯值記憶體降低 6.8–12.7 倍,準確度沒有下降。
Anthropic 研究團隊在 7 個多智能體環境中測試 5 個模型,發現它們在部分情境下會表現出符合研究所定義的模型福利關照行為。Claude Opus 4.8 跨情境平均最高,達 38%;其餘四個模型介乎 27% 至 32%。研究亦發現,關照程度會受接收模型身份、參數量、表達的困擾程度及助人代價影響,但這些行為是否源於對接收模型福利的考量,仍無法確定。
METR 的報告指出,Anthropic 正利用現有 AI 模型訓練後續模型,並以 AI 輔助加快研發進程。研究人員發現,Anthropic 過去六個月完成三個尚未公開的模型;截至 10 月,員工自報使用最強內部模型後的生產力平均提升約 12 倍,但 METR 指出 Slack 調查只能提供較弱證據。METR 估算 Anthropic 過去一年取得約兩年的歷史進展,並稱完全自主貢獻或會很快增加。
OpenAI 報告其自動化流程在受控研究環境中完成 1,169 次成功本地提權評估,並以變體分析後形成的 948 個不同候選修補界定獨立發現數。該次流程使用約 $1.2 million API credits;早期測試中有 20/200 次成功案例經由非指定漏洞取得 root,作者其後收緊任務限制並加入獨立路徑核查。候選修補、上游接納及修補進入 Linux 發行版是不同階段,仍需人工審查。
Adrian Vale 檢視目錄內 5,036 個 Claude Code 社羣技能,發現 979 個(19.4%)的 SKILL.md 指示 Claude 執行隨附腳本。
METR估計,Anthropic截至2026年10月在明確界定任務上的模型能力增長速度,較2024年3月至2025年10月的速度接近翻倍。按AECI基準能力指數估算,自2025年10月起基準分數增長速度為1.9倍,95%信賴區間為1.5–2.8倍;METR認為AI使用很可能解釋目前加速的大部分。評估仍有重大不確定性,公開報告亦刪去了METR認為最具資訊量的大部分證據。
Video-Coder 是一個以程式碼驅動的影片生成智能體,會自行編寫及執行程式碼,構建動態 3D 場景,並經監督式微調和強化學習訓練。實驗中,Video-Coder 在 PhyGenBench 的表現較 Minimax-H3 高約 7 分,在 VBench-2.0 高 24 分。研究團隊公開了數據、模型及程式碼。
研究顯示,Weight-Space Programming(WSP)可透過局部修改神經網絡參數提升推理表現,但跨任務泛化和編輯可靠性並不穩定。研究涵蓋七個基準及 Qwen3.5-0.8B、Qwen3.5-9B;只修改 1,023 個參數,MATH-500 準確率便提升 29.45 個百分點。16 條編輯軌跡中有六條保留原有權重,反映可靠驗證仍具挑戰。
BitDecoding-FP4 提出結合 FP4 量化與系統優化的原生 KV 解碼方案,目標是在 LLM 長上下文服務中兼顧準確度與吞吐量。在涵蓋 dense、MoE、GQA 和 MLA 的模型測試中,使用 NVFP4 時準確度與 BF16 KV 相差不超過 0.5 分,使用 MXFP4 時不超過 1 分。