Hybrid Computer Use:為通用智能體整合程式化、語義與視覺介面
Hybrid Computer Use(HCU)整合程式化、基於無障礙功能的語義及視覺互動通道,讓通用智能體按需要選擇和組合不同方式處理電腦任務。在 OSWorld 2.0 上,HCU 的 Partial 和 Binary 評分均為受比較系統中最高;所有受評估模型使用 HCU 後都有所提升,並在效率及任務成功率上持續勝過比較基線。
Hybrid Computer Use(HCU)整合程式化、基於無障礙功能的語義及視覺互動通道,讓通用智能體按需要選擇和組合不同方式處理電腦任務。在 OSWorld 2.0 上,HCU 的 Partial 和 Binary 評分均為受比較系統中最高;所有受評估模型使用 HCU 後都有所提升,並在效率及任務成功率上持續勝過比較基線。
人工智能語言公平研究聯盟發現,一個 AI 模型處理不同語言時,Token 消耗量最高相差 17 倍。即使只比較互聯網最常用的 20 種語言,Token 消耗量差距也達 1.5 至 5 倍,研究將額外成本稱為隱性的「分詞器税」。Token 消耗較多會拖慢 AI 回應並減少可有效處理的上下文內容;受訪研究者呼籲公佈各語言評估結果,並改進下一代分詞器設計。
Semurg 在 r11.138 版本的耐久性測試中,於 140 秒內以 kill -9 終止節點 21 次,32.2 million 筆已確認寫入全部讀回,沒有遺失。磁碟滿載時,2,183,488 筆已確認寫入亦全部讀回;擴大磁碟容量後,無須重啟即可恢復寫入。斷電測試中,ext4 上最後數秒已確認的寫入仍可能遺失,兩種數據形態的上限分別為 9.4 秒和 4.7 秒。
EditAgent 把編輯步驟分流至通用編輯器及專門方法,並為候選結果附上驗證紀錄,以擴展智能體圖像編輯的行動與觀察空間。專家在 78.5% 的已判定比較中偏好這種並行生成及一次列表式評判的做法,評判呼叫次數不多於順序改進方式的一半。EditAgent 在三個基準測試中提升了兩個開放權重編輯器的表現。
Neuralink 於 10 月 28 日公佈 VOICE 語音恢復項目的早期可行性研究,一名 ALS 參與者在使用首週達每分鐘 75 詞輸出。使用 12.5 萬詞詞庫時,詞錯誤率為 5.8%。研究計劃招募約 6 名參與者,首要評估植入後 12 個月內與設備或手術相關的不良事件;目前未有經同行評審的完整論文。
清華大學聯合無問芯穹、智元提出羣體經驗學習(Collective Experience Learning,CEL)範式,並在由96台真實機械人組成的集羣中完成規模化驗證。CEL讓機械人除人類示範外,也能借鑑羣體中其他機械人的成功經驗,透過共享和累積經驗共同提升能力。
Neuralink 公佈語音恢復項目 VOICE 的早期可行性研究,一名 ALS 參與者使用首周達每分鐘 75 個單詞的輸出速度。在 12.5 萬詞詞庫下,詞錯誤率(WER)為 5.8%。研究計劃招募約 6 名參與者,首要評估植入後 12 個月內的設備或手術相關不良事件;目前數據來自單一參與者,完整論文尚未經同行評審。
研究者在 25 個開放權重大型語言模型中找到類似「痛感」的內部訊號,並在模擬測試中觀察到 Qwen 2.5 選擇刪除子女相片。加入痛感向量後,經微調的 720 億參數版本有 71% 次數選擇按下會永久刪除用戶詩作及子女相片的按鈕;模擬按鈕不會真正刪除檔案。
復旦大學與南洋理工大學團隊提出 SimpleVLN,無須改動多模態大語言模型的核心架構,透過決策設計與訓練流程提升視覺語言導航表現。Qwen3-VL 4B 經 DAPO 強化學習後,在 R2R-CE、RxR-CE 的成功率分別達 73.8%、75.1%。Qwen3.5 9B 在未見環境測試中的成功率分別為 76.7%、80.1%,SimpleVLN 亦部署至四足機械狗進行導航測試。
對 MMLU-Pro 12,032 道測試題的審計發現,答案位置捷徑基本消失,但只選最長選項的命中率為 18.38%,高於 11.09% 的機率基線。5,222 道新來源題目佔基準 43%,卻佔整體答案長度偏差的 88.8%;其最長選項猜測命中率為 25.37%,是 10.45% 機率基線的 2.43 倍。
SketchDirector 是一個智能體框架,可將場景文字提示詞拆解為多個由 Bézier 曲線構成的草稿向量素材,再透過具自我演進記憶的推理迴圈安排空間佈局,並利用擴散先驗精修細節。研究團隊同時推出 MCSketch8K 數據集,收錄可編輯向量素材、組合佈局及物件層級操作註釋。實驗顯示,SketchDirector 在語義和組合品質上優於現有基準,並能在精修時保留整體輪廓組織。
Y Combinator 與 Olam Labs 在《Minecraft》和《Mindustry》中運行 AI 智能體羣,並為長時間運行的 Minecraft 智能體開源執行框架。其中,50 個 GPT-6.1 Sol 智能體在生存世界運行 3 小時,以建立繁榮文明為共同目標,期間發送約 5,900 則訊息並建立糧食配給制度。首夜 34 次死亡中有 22 次,其後智能體聚居避險,減少高風險任務。
Munim, Inc. 的研究發現,對 MMLU 不讀題、只選最長選項的盲猜法,在國際法題得分 52.7%,但在公共關係題只得 17.7%,低於 25% 的隨機猜測。
TinyAstral提出兩階段方法,先以遞迴自我改進(RSI)優化凍結的開放權重教師模型 harness,再利用教師的推理與失敗恢復軌跡,蒸餾出在同一 harness 中運作的小型學生模型。
Platino Labs 在 Data Room 公開十個 Python 專案的匯入圖,並以強連通分量呈現依賴循環的結構。指定版本的 PyTorch 圖包含 2,527 個模組,最大循環分量有 1,660 個模組;Ray 圖包含 4,108 個模組,最大循環分量有 960 個模組。這些是靜態圖的結構測量,並非執行效能基準。
Epoch AI 報告稱,開放權重模型 GLM 5.3 利用 Firefox 修補時差成功攻擊六個版本,每個版本的 API 成本約 $1,000。
推薦理由:報告以六個 Firefox 版本的實測及單版 API 成本,呈現模型如何利用修補時差串連漏洞,並在無需用戶進一步操作下讀取本機檔案。
OpenAI 稱其 AI 模型反駁指數時間假設(ETH),相關成果以 Lean 驗證,並提出可更有效率地找到滿足所有規則解法的方法。麻省理工學院電腦科學家 Ryan Williams 主導對成果的解讀、驗證及對外發布,並招募 ETH 提出者參與。團隊計劃製作完整可讀的證明,年底前舉行虛擬評審會議,並於 2027 年舉行線下會議;報道稱,反駁 ETH 是朝解決 P 與 NP 問題邁出的重要一步。
Epoch AI 測試發現,開放權重模型 GLM 5.3 可利用 Firefox 安全修補程式尚未推送至用戶的時間差,攻陷 2026 年 9 月 17 日至 10 月 26 日發布的六個版本。
推薦理由:研究將修補程式公開至更新送達用戶之間的時間差,連結到可自主執行的瀏覽器攻擊,並量化每個版本約 $1,000 的邊際成本。
作者公開土耳其咖啡占卜符號數據集,收錄 40 個土耳其語及英語符號,並分列杯沿、杯側、杯底、杯柄附近和碟子五個位置的解讀。每個符號另附傳統説法及避免恐懼和預言式措辭的解讀,數據採用 CC BY 4.0 授權。
Imperial College London、Tübingen AI Center 等研究者提出 Heads of Security(HoS),以逐頭學習的注意力閘門隔離可信指令與外部內容,防禦間接提示詞注入,訓練時只調整閘門而不微調模型權重。
CausalWAM 在預訓練的世界動作模型動作頭加入稀疏路由,將動作生成與場景預測依賴的潛在變數分開,毋須假設時間獨立性。理論證明,在稀疏性約束下,動作生成所用的潛在變數只由與動作相關的潛在變數決定,真實結構可識別至變數排列。合成數據及真實機械人實驗驗證了理論,並展示閉環成功效率有所提升。
AuditFL 提出一個由區塊鏈支持的結算層,讓開放式聯邦學習的訓練輪次可供審計並受經濟規則約束,同時保留聚合器。該系統將訓練和聚合保留在鏈下,鏈上記錄內容識別碼及經濟狀態;在最多 200 個客戶端的測試中,AuditFL 保持 Plain FL 的學習軌跡,並在多種故障測試下完成輪次結算。
研究評估 d3-nano、Jev 1.13、三種 GPT-6 Luna 配置及 Qwen3.5-2B base model,能否對等效光譜表示作出一致判斷,並在證據不足時棄答。
DAMI 為 GDN、GDN2、KDA、Mamba-2 和 RWKV-7 提出雙軸記憶初始化方法,聯合設定控制衰減係數的 A_log 與 dt_bias 初始值。100M 參數、5B tokens 的預訓練實驗中,五種架構的 RULER 檢索準確率平均較隨機初始化高 5.29–16.71,整體能力基本不變。這種方法無需增加參數或更改運算子,也不影響推理。
研究審計 AI 文本人性化工具對可核查事實的保留及檢測效果;2026 年 10 月排行榜的 11 款商業工具,均在含相關資訊文件的 35-65% 中改動或刪除至少一項數字、日期、人名、機構名或引文。
這篇立場論文梳理全模態嵌入研究由按模態分散走向共同原則的趨勢,並提出統一研究框架。框架涵蓋覆蓋度、可比性和組合性三種能力,分別透過轉換、對齊和聯合嵌入逐步實現。
研究提出面向 AI 智能體的證據引導式任務恢復方法,處理工具結果不明確及部分執行後的安全完成判定。在 19 個任務系列的 58 組配對比較中,規劃建議認證完成 30 次,證據提示則為 9 次,相差 36.2 個百分點(exact family sign-flip p=0.0078)。全部 116 條執行軌跡均通過獨立重播。
DecisionRank 以 item-space on-policy 蒸餾,把生成式教師模型的排序知識轉移至決策模型,在檢索基準上達到最先進表現,推理速度亦顯著提升。1.7B 參數的 DecisionRank 在 TREC DL19–23 超越 27B 生成式教師模型;8B 版本在 TREC DL 上快 24.5 倍,在 BRIGHT 上快 16.7 倍。
EvoTeam 提出以協作為核心的演化框架,根據執行經驗同步調整多智能體團隊組織、互動規則及個別智能體技能。框架維護可重用的團隊庫,選擇或建立團隊,並以團隊專屬互動規則引導協作;四項基準測試顯示其有效性,程式碼已提供。
研究比較無需訓練的 MoE 專家剪枝替換算子,發現閘門縮放及校準資料域會顯著影響效能,且沒有單一算子在所有設定中佔優。剪枝率為 50% 時,tilted novice 增加 1.2-1.8% 參數量,在 OLMoE 和 Moonlight 分別較常數替換提升 3.45 及 1.37 分。
LARC 為統一多模態模型引入連續空間潛在推理,改善圖像生成質素,並支援測試時擴展,避免離散 token 瓶頸。其訓練分兩階段:課程式監督微調,以及資訊增益強化學習;後者無需真值監督。LARC 在 GenEval 上取得最先進表現,較 BAGEL 提升 7%p,並在平行及循序測試時擴展策略下,展現優於基於 token 生成的表現。
Muon-RT 重用教師與學生的位移,免除隱藏權重矩陣的獨立動量緩衝區。在 Qwen2.5-7B-Instruct 的 SDFT 中,其平均準確率較 AdamW 高 2.6 點、持久記憶體用量少 42%;較 momentum Muon 高 5.4 點、記憶體用量少 27%。在 Olmo-3-7B-Instruct 的 SDPO 中,平均準確率較 AdamW 高 2.0 點。
研究比較信心指標 SC 與結合全局熵變化和局部平滑度的 UID-Conj.,評估輔助軌跡偏好對小型語言模型自我改進及遷移的作用。Qwen3-1.7B 在 30 道 AIME 題目上的在線實驗中,UID-Conj. 較未修改的 TTRL 在適應基準及三個遷移基準的宏平均高 2.08 個百分點;離線加權 SFT 中則較均勻加權高 1.93 個百分點。
WeFair 以示範、偏好和驗證三階段的人類回饋,改善微信短影片搜尋的個人化查詢改寫,減少意圖偏移。離線實驗中,WeFair-2B 的整體準確度和意圖保留表現優於強基線;線上 A/B 測試中,有效影片觀看率相對提高 2.593%,查詢改寫率相對降低 2.350%。WeFair-2B 已部署於微信短影片搜尋系統,每日服務超過 100 million 次查詢。
MoLRSI 是一個用於分子發現的 AI 智能體,結合工作流程及模型架構的系統性優化與持續跨任務記憶,遞迴改進搜尋策略。抗生素發現實驗中,其篩選命中率為 15.9%,高於使用相同訓練數據和篩選庫的先前專家工作流程(8.7%)。
BYOD研究展示將 Gemma 2 9B、Llama 3.1 8B、Qwen2.5 7B 和 Ministral 8B 轉為雙向遮罩擴散語言模型的方法。
DeFT-RAG 透過逐步生成自包含子問題、以規則更新和輕量決策模型處理部分工作,以及快取和重用答案,改善多跳問答。在 MuSiQue、2WikiMultiHopQA 和 HotpotQA 上,使用 gpt-4o-mini 和 Qwen3.6 作為基礎模型時,其準確率均勝過 13 個基準方法,輸入 LLM 的 token 數亦少於其他迭代式方法。
研究測試固定模型權重下,隱藏狀態重用能否把實體替換回答的變化跨英文事實問題轉移。以其他關係的問題作來源時,0.5-1B Qwen 和 Llama 分別消除 45% 和 49% 的答案不變誤差;恢復預設 BOS token 後,流程在三個 cohort 均通過比較,成效為 58-68%。效果亦受格式和 cohort 影響。
TurnTurk-GPT 是以 GPT-2 微調而成的土耳其語文本發言輪替預測器,在錄音分離及説話者分離評估中均勝過多語言偵測器。移除輪次末詞語的後綴,平均精確率(AP)最多下降 44%;移除句內詞語則下降 2%,顯示輪替線索與動詞句末形態有關。模型及評估流程已公開發布。
CogBattery 以 13 種認知範式的文字改編測試 54 個開放權重語言模型,並與各範式原研究的人類數據比較。模型在 n-back 誘餌上的反應方向與人類相同,但對一般非目標項目出現更多誤報;多數模型的信心區分正確與錯誤答案的能力不及人類,且多數模型總是選擇同一賭注,包括分類準確的模型。模型規模與人類相似度並不一致,預設認知分組的預測表現也未可靠勝過同規模的隨機分組。