研究人員稱 LLM 可原生讀寫神經網絡權重;GPT-6 Astra 修改 Qwen3.5-0.8B 權重以提升數學能力
研究人員表示,LLM 可原生讀取和寫入神經網絡權重。GPT-6 Astra 修改 Qwen3.5-0.8B 的權重,以提升其數學能力。
研究人員表示,LLM 可原生讀取和寫入神經網絡權重。GPT-6 Astra 修改 Qwen3.5-0.8B 的權重,以提升其數學能力。
LifeVal 是一項評估 AI 個人助理日常任務表現的基準測試,設計方向參考了數以千計 ChatGPT 用戶的回饋。材料提及的任務例子包括尋找托兒服務,但未交代完整任務清單、評分方法、參測系統或結果。企業可把基準測試作為比較參考,並以自身工作流程中的代表性任務測試候選工具。
Stony Brook University 一項涵蓋 60 宗內科住院個案的研究發現,醫生在 95% 的個案中偏好 AI 生成的出院摘要。五分制整體質素評分中,AI 摘要平均得 4.71 分,真人撰寫摘要得 3.16 分;兩類摘要均有錯誤,而較高評分不代表病人結果更好。
研究團隊以 GPT-6 Astra 測試 Weight-Space Programming,讓模型按自然語言目標直接讀取、修改或從零寫出神經網絡權重,毋須梯度或訓練。
OpenAI 從 GPT-5.6 起在安全防護系統中加入激活分類器,利用模型內部激活監測所有助手回應。分類器以串流方式逐 token 評分,分數超過閾值時會停止向用戶傳送回應,並交由推理模型作最終判斷;工具調用亦會在確認安全前被阻止。報告指,探針整體上比內容分類器更能抵抗越獄,但每個新的預訓練基礎模型都需要重新訓練探針,模型權重偏離訓練檢查點時性能亦可能下降。
研究發現,Qwen3、Llama 和 Gemma 即使訓練標籤完全正確,仍可能在後訓練中學會信任無關元數據。把可靠的獎勵標註移到錯誤選項後,模型有 97–100% 的機率跟從錯誤答案;即使是「Florp」這類無意義標註也能產生相同影響。
SphereFlow 將各模態投影至共享超球面潛在空間,透過流匹配及幾何感知調整,根據已觀察模態合成缺失模態。在 BraTS 多模態 MRI 補全及 CT-MRI 轉換實驗中,SphereFlow 的生成保真度在所有設定下達到最先進水平;使用補全數據進行下游腦腫瘤分割,與完整模態基準的差距縮小約 80%。
VideoMemBench 評測多模態大語言模型在長篇多輪影片對話中的記憶能力,結果顯示模型表現差距顯著。基準涵蓋 326 段影片及 2,476 個對話輪次,其中 1,387 個輪次依賴較早的對話內容。逾 20 款開源及閉源模型中,Claude Opus 5 整體得分最高,為 45.7%;數據集及評測已公開。
在鍵值檢索任務中,Qwen2.5-1.5B 面對 32K tokens 中性文字時,準確率由 0.97 升至 1.00;若填入證據格式的陳述,準確率則降至 0.11 至 0.21。
HERIT 利用結合檢索增強生成(RAG)的領域適配流程,從大量漢字—韓語語料生成偽標註數據,減輕時間偏差並提升不同歷史時期的翻譯準確度。模型亦翻譯了檔案中此前未有譯文的部分,讓全球研究人員能夠取用相關史料。
StepX-OPD 將多教師在策略蒸餾與少步採樣整合訓練,讓文字生成圖像擴散模型同時習得多項能力並以少量步驟生成。研究在 SD3.5-Medium 和 FLUX.1-dev 上評估,StepX-OPD 在比較的四步方法中取得最高標準化平均分,並超越四十步 Flow-OPD。於 SD3.5-Medium 上,其 GPU 訓練時數較先後進行 DiffusionOPD 和步數蒸餾減少約 37%。
研究發現,推理型視覺語言動作模型(VLA)在視覺擾動下可出現理由逐字不變、實際動作卻改變的情況。在 Alpamayo 的 154 個有障礙物標註駕駛場景中,TNAS 引導攻擊在完整影像擾動下造成新碰撞的比例為 52.6%,局部前置鏡頭區域擾動下為 35.1%,無引導攻擊則為 4.55%。研究指出,安全監測不能只看理由文本,還須直接核查預測動作通道。
Harness-S 以同系 Harness 挽救強化學習中失敗的 rollout,並將所得能力轉移至單一策略,使其在原有 Harness 下維持效能。自適應 Harness 路由器會在基礎 Harness 的所有初始嘗試失敗時,選出 Top-k 變體產生替代軌跡。於 AppWorld、SWE-Gym 和 DBBench,訓練所得策略在原有 Harness 下優於僅訓練策略的方法。
研究發現,用於 RL 後能力整合的 On-Policy Distillation(OPD)及 Multi-teacher On-Policy Distillation(MOPD)未能充分保留模型的分佈外(OOD)泛化能力。
OneTrans-GSR 將推薦系統的重排與混合排序統一為學習問題,透過單一僅解碼器策略端到端生成曝光內容列表。線上 A/B 測試中,GMV/u 提升 2.63%、廣告主價值提升 2.06%、回購率提升 2.03%,重排與混合排序階段的端到端延遲則降低 13%。
VeriSpoof 是一款音訊語言模型,以共用權重整合深偽偵測、生成器歸因、錄音條件分析、合成片段定位和來源驗證五項任務。
H2RB 提出一套人類與機械人共同訓練框架,利用未配對的人類及機械人示範,調整預訓練 VLA 策略。實際任務中,物件遷移表現由 8.0 提升至 51.8,技能遷移得分達 62.7;物件位置改變時,分佈外遷移表現由 6.0 提升至 45.3。
VisSearch-Bench 評估多模態智能體整合視覺脈絡與外部資訊、完成視覺密集型搜尋任務的能力;在 16 個多模態模型中,最佳系統即使使用搜尋工具,也只完整完成 26.47% 的任務。基準涵蓋 204 項人工撰寫的任務,分屬 7 個主要領域及 25 個子領域。
OpenAI 建立 LifeVal 評測,追蹤模型處理日常生活任務的表現,涵蓋照護、健康、教育、家務、個人理財、購物及政府服務。評測以 3,995 名受訪者的調查,瞭解人們最希望個人助理協助的範疇。GPT-6 Astra 在多項任務的最佳記錄得分為 100%。
調查顯示,受訪企業的分析智能體生成的洞察中,平均有 48% 帶來改善業務的行動,較受訪者所述一年前的 37% 上升。55% 受訪高管指出,缺乏業務背景是洞察質素欠佳的主因,45% 則提到數據零散或無法存取。52% 受訪企業認為智能體產生的洞察過多,只有 24% 能評估全部洞察。
Matthew Armstrong 發表《SOLID evidence》,公開 EVERYTHING to solid 將 STL 網格轉成 STEP 實體所用的方法,讓相關技術留在公開紀錄中,避免日後被專利限制使用。文件涵蓋 17 項披露,並整理項目的研究報告、測量結果及未奏效的方案。EVERYTHING to solid 是免費、非商用的離線程式。
EleutherAI 與 Hugging Face 合作推出 FineBooks BHL OCR Leaderboard,以 2,165 頁專家校訂歷史書籍文本評測 14 款開放權重 OCR 模型。
清華大學與智譜 AI 的研究人員在 FlatCake 論文(arXiv:2610.38355)中提出平坦 KV cache 架構,將 DRAM 與 SSD 視為統一地址空間中的並列儲存媒體。
這套選舉預測基準先評分答案的推理,再於結果認證後加入勝選者準確率、校準曲線及 Brier score。每份答案由固定評審按具體程度、證據根據及校準度評分,各項為 0 至 100;預測答錯仍可能得高分,含糊答案則總是低分。評分不衡量預測是否正確,樣本亦不足以支持對模型預測能力作出強結論。
SemiAnalysis 發佈 GDPx,讓前沿 AI 模型在模擬職場完成專業任務;Claude Opus 5.5 的完成率最高,為 12.0%。GDPx v1.0 包含 11 個領域的 206 項任務,每項任務預設時長為 8 小時,並以模型各自的原生工具環境測試,評估模型與工具鏈的組合表現。
作者逐項核對來自 317 個不同組織、由編碼智能體撰寫並已合併的 317 個 PR 與其關閉工單,發現 15% 至少有一項要求未完成或只部分完成,6% 完全漏掉要求。作者將 15% 視為上限,估計實際比例更接近 1 in 9;工單在智能體開始工作後有修改的案例中,23 個有 6 個出現要求遺漏或部分完成。文章指出,審查時應同時查看工單與 diff,並留意工作開始後被修改的工單。
作者以三款本地程式碼模型測試四段使用 Python random 生成不可猜值的程式碼,評估模型偵測弱隨機數生成器的能力。模型合共標記 23/60 次(38%),兩段使用 secrets 的安全對照程式碼則 0/30 次被標記。作者推測模型較會辨認已知危險的函數名稱,而非值的用途,但尚未測試這個假設。
Stanford 研究指出,語言模型強化學習後訓練時,以標準 round-to-nearest 將 fp32 主權重轉成 bf16,會令每步超過 99% 的參數更新無法反映在推理引擎使用的權重中(arXiv:2610.41073;程式碼:github.com/andrewgcodes/faircast)。
研究人員讓 50 個 GPT-6.1 Sol 智能體在 Minecraft 生存世界運行三小時;首夜出現 22 次死亡後,智能體轉趨避險,並建立食物配給、雞肉交接規則和輪班捕魚安排。
P²-MOPD 將凍結專家模型的 task vectors 作為可學習參數先驗,與學生權重及係數 α 聯合訓練,以加速多教師 on-policy 蒸餾。Qwen3-1.7B 和 4B 實驗中,最終平均恢復率分別達 94.7% 和 94.9%,高於 MOPD 的 80.9% 和 83.1%,並以一半訓練步數超越 MOPD 的最終表現。
Import AI 479 聚焦 LLM 即時任務表現、太空安全、Metis 推理架構及 Google DeepMind Genie 4。Realtime-Bench 涵蓋 50 項互動遊戲及網頁任務,wall clock 條件下最高通過率為 36%,暫停時鐘下部分高推理模型的成功率接近 70% 至 80%;Genie 4 以研究預覽形式向部分可信測試者開放。
研究提出在即時 iOS 應用程式上訓練 UI 導航智能體的線上強化學習框架,結合規劃智能體與 UI 定位模型,並以逐步及任務完成獎勵訓練。評測顯示,8B 強化學習智能體在 Android 環境的分佈外泛化表現較 SFT 基線提升近七倍。它們在真實 iOS 應用程式上勝過 Gemini-3.5-Flash,並與 Gemini-3.1-Pro 持平。
Google Mandiant 與 Google Threat Intelligence Group 的報告指出,劫持企業 LLM 存取權的攻擊者,單日可造成逾 $100,000 雲端費用。
Hugging Face 官方基準排行榜截至 2026-11-03 收錄 57 項基準及 1,274 個排行榜項目,並新增 97 個項目。deep-swe、MMLU-Pro 和 aime_2026 均出現新的榜首模型;排行榜資料來自公開 API,參賽項目多由模型開發者自行申報,並非獨立評測。
南洋理工大學等機構的研究團隊在 NeurIPS 2026 發表 MemSkill,將記憶操作封裝為可學習、可重用和可進化的 Memory Skills,並透過任務回饋改進技能選擇及技能庫。MemSkill 在長期對話問答與具身交互評估中,於 LLaMA 和 Qwen 基礎模型上取得表列最高的 L-J 分數及 ALFWorld 平均成功率;相比 LightMem,LLM 調用量下降近七成。
BEND 2.0 評估 DNA 語言模型預測突變效應及指導序列設計的能力,結果顯示線性讀出可媲美或超越模型原生輸出,功能性後訓練亦能提升表現。基準涵蓋五個實驗數據集的八項任務,模型選擇及表徵取得方式都會影響表現。模型在情境特定效應及多細胞目標設計方面仍有改進空間。
研究以 275 名 8 至 15 個月大嬰兒的眼動追蹤數據設計不同好奇心水平的人工神經網絡,發現好奇心較強的網絡在新測試中表現較佳,並形成類似人腦的分層模組結構。模型完成 20 項任務;高好奇心模型在學習速率低於閾值時切換任務,低好奇心模型則隨機切換。研究者還發現,好奇心最強、結構最接近人腦的網絡連接密度先升後降,按人腦發育曲線估算的「生理年齡」約為 20 歲,低好奇心網絡則約為 9 歲。
劍橋大學團隊模擬嬰兒學習行為,訓練數千個人工神經網絡,發現高好奇心模型在任務泛化能力、模組化結構及連接發育規律上均更接近人腦。研究以275名8–15個月大嬰兒的眼動數據為基礎;高好奇心模型形成的發育軌跡對應約20歲,低好奇心模型則約為9歲。
研究人員發現,具好奇心的人工神經網絡在未見過的測試中表現更好,並會形成類似人腦的複雜結構。研究估算,好奇心最強、結構最接近人腦的網絡生理年齡約為20歲,缺乏好奇心的網絡則約為9歲。
Yann LeCun 團隊以 JEPA 論證,讓模型從同一場景的不同描述學習共同表徵,比下一 token 預測更有效率。使用相同的 1.09 億參數編碼器,好視圖 JEPA 處理 2160 萬個樣本便取得 0.109 的 WIT 對齊分數;下一 token 預測則處理 9 億個樣本才取得 0.111。