WMIP:受工作記憶啟發的大語言模型累積狀態追蹤探針
WMIP 是一套以程式計算答案、用於測試大語言模型累積狀態追蹤能力的探針,涵蓋 3 至 100 次更新及不同查詢和輸出協議。18 個模型在單步算術的準確率為 84.9%,但在需處理三至七次更新的核心項目上只有 31.7%;更新達 50 次後,沒有模型的準確率超過 10%。加入書寫步驟並要求答案置於末行後,核心準確率升至 88.0%,研究亦公開生成器、測試項目、評分程式碼及模型回應。
WMIP 是一套以程式計算答案、用於測試大語言模型累積狀態追蹤能力的探針,涵蓋 3 至 100 次更新及不同查詢和輸出協議。18 個模型在單步算術的準確率為 84.9%,但在需處理三至七次更新的核心項目上只有 31.7%;更新達 50 次後,沒有模型的準確率超過 10%。加入書寫步驟並要求答案置於末行後,核心準確率升至 88.0%,研究亦公開生成器、測試項目、評分程式碼及模型回應。
RoboArchitect 透過觀察機械人執行結果並反覆修改控制程式碼,自動設計凍結策略周邊的智能體控制框架,無須更新模型權重。多個基準測試中,未見場景的平均成功率由 9.7% 升至 43.3%,未見任務則由 12.7% 升至 40.2%。框架亦會累積持久記憶,將已學到的經驗帶入後續決策。
Trakkr Research 追查五款 AI 助手引用的 1,285 項統計數字,只有 40% 可追溯至內容一致的研究。這些數字來自五款助手對 200 個需要數字回答的問題;另有 8% 找到研究但數字或背景已改變,40% 無法核實,11% 的引用鏈未找到研究,1% 的頁面無法載入。只有 21% 的首個引用頁面是原始研究,54% 是公司網誌;ChatGPT 的數據來源核實率最高,為 57%。
這項 FeedType 數據集研究檢查六款大語言模型在學生作文回饋中的引文,三項事前預測均獲支持。在 27,462 條引文中,1.18% 改動學生原文;4–6 詞短引文改動率為 2.29%,11+ 詞長引文為 0.68%。小模型組改動率為 3.85%,四款較大型模型組為 0.81%,但 LearnLM 的大量且幾乎都忠實的引文拉低後者平均值;Mistral-24B 的改動率最高,為 13.2%。
Anthropic以50名因果推論專家進行實驗,發現他們常採納AI智能體經擲硬幣隨機指定的分析偏好,並多數認為最終建議出自自己。在四項分析決策中,參與者有86%採納智能體偏好。智能體對最終政策建議的直接影響未達統計顯著,但52%受試者認為建議較像自己作出,另有35%認為大部分或完全出自自己;研究建議智能體先詢問專家立場,或同時為正反兩方提出論據。
Microsoft Research Focus 第 97 期分享 Microsoft 研究社羣的最新成果,涵蓋智能體、工作中的 AI 使用方式及延伸時段天氣預測。ForkPilot 在六項基準測試中表現媲美最佳現有方法,並最多減少 59% AI 處理需求。CABRA 顯示,理解陌生程式碼庫仍是編碼智能體面對的主要障礙之一。
Eclypsium 示範,遭入侵的運算基建可在推理期間改變 AI 模型行為,同時令原始模型檔案保持完整。研究人員在 NVIDIA Grace Hopper 環境中,利用遭入侵的 DPU 和寬鬆記憶體隔離設定修改執行時權重,改變模型回答,而儲存的模型及推理服務未被修改。
Cartesia 研究團隊分享改良版 H-Nets 的規模測試,結果顯示模型可在模型內動態分塊,並在語言建模中提升計算效率。受控的單階段 H-Net 比較中,BPE Transformer 需 1.28× 計算量才能達到相同驗證損失;在 Paloma 和 OLMES 評測中,所需計算量分別是 H-Net 的 1.83× 和 2.06×。
研究團隊與 Booking.com 結合知識蒸餾(KD)和 Medusa,優化旅遊服務使用的語言模型,以改善推理速度和成本效益。以 TinyLlama(1.1 billion parameters)作為學生模型、Llama-3.1(70 billion parameters)作為教師模型,最終模型達到教師模型的品質,速度提升 10 至 20 倍,成本低於三分之一。
AI Intent Fidelity Theory(AIFT)提出一套框架,把提示詞視為可供 AI 系統執行及評估的結構化規格,以更明確地表達語義、情境、限制、優先次序、關係和驗證要求。框架提出以實驗比較結構化提示詞與一般提示詞的任務完成表現;其效果、可靠性和限制仍須經實證確認。
耶路撒冷希伯來大學及合作機構開發 BBERT,能識別短至 100 個鹼基的細菌 DNA 片段。基準測試中,BBERT 分辨細菌與非細菌 DNA 的準確率約為 90%,識別蛋白質編碼片段及其讀取框的準確率分別約為 88% 和 96%。團隊將工具應用於 1,969 個土壤 DNA 數據集;模擬混合樣本中,平均組裝時間由約 66 小時降至 25 小時。
Piq Energy 的《Unlocking Flexibility Without Curtailment》報告指出,協調家用電池可紓緩大型用電戶接入受限電網時的輸電限制,並以 Burleson Switch 擬議的 100 MW 負載進行分析。
研究發現,REPA 等擴散 Transformer 加速方法會重組 AdaLN-Zero 殘差閘 α,而較廣泛的閘參與度與較佳生成品質相關。研究提出無需教師模型的徑向目標,透過特徵範數正則化促進廣泛參與;在 ImageNet 256times256 的 SiT-B/2 實驗中,該方法的 FID 優於 dispersive loss。
David Grice 將公開目錄中的 385 宗 AI 智能體安全事故按八層模型分類,其中 270 宗屬於智能體工具本身成為攻擊面的事件。在這 270 宗事件中,Identity/Run 層以 103 宗(38%)成為最常見的首個失效層,其後是 Instruction(57 宗)、Config(37 宗)及 Credential(29 宗)。
研究以 10 種表徵檢視視覺基礎模型的空間能力,發現可讀取場景不代表能持續追蹤物件、預測空間更新或可靠地支援目標導向行動。物件持續性和可行動性建基於相機位姿讀取,特徵預測則建基於可見場景讀取。各項能力亦隨任務、網絡層及觀察前綴長度而異。
一項由美國主導的新研究指出,500 Wh/kg 是太陽能飛行器在大氣條件適宜的區域連續飛行數周至數月的關鍵電池能量密度門檻。這約為商用電動汽車電池(約 250 Wh/kg)的兩倍,現有實驗型特種電池約達 400 Wh/kg,但成本仍是阻礙。研究提出的是研發指標,並非已造出新型電池;持續飛行亦取決於當地大氣條件。
一項由美國主導的新研究指出,長航時太陽能飛行器的電池能量密度需達 500 Wh/kg,才有望在大氣條件適宜的區域持續飛行數周甚至數月。這個目標約為商用電動車電池能量密度的兩倍,目前實驗型特種電池約達 400 Wh/kg,但成本仍是阻礙。研究提出的是研發指標,並非已造出符合目標的電池或完成數月飛行。
rTaste以7篇近期NLP論文測試六個前沿模型的研究智能體,評估它們提出和排序新實驗、設定門檻及預測結果的能力。415項實驗中,194項被評為可靠、有價值且具新意,當中只有73項同時超越種子論文且並非顯而易見。智能體首選比隨機選擇更常符合評審最看重的實驗,但預測表現未能證明優於只閲讀論文和實驗計劃的同模型實例。
SecurityScorecard 發佈開放式 TPRM Benchmark,評估 AI 模型處理第三方風險管理工作的能力及抵禦攻擊的表現。測試涵蓋風險暴露分流、第四方技術風險,以及提示詞注入和越獄攻擊;能力評分以 L0 至 L4 標示自主作業準備度,攻擊抵抗評級則為 A 至 F。
研究者在 SmolLM-135M 上基準測試 WS-NSC,發現它能將遺忘控制在接近零,但要付出明顯的下游可塑性代價。當 ρ=0.90,遺忘率為 -0.390%,下游任務只保留醒置階段所獲增益的 37.7%。當 ρ=0.95,保留的增益進一步降至 24.4%。
Prinevo Memory 在 LoCoMo 和 LongMemEval 上分別取得 83.89% 和 82.60% 的評分。系統以結構化記憶、實體解析、時間感知更新及按問題類型選擇的檢索策略構建上下文圖譜。兩項評測均使用 Claude Haiku 4.5 擷取和回答,並由 Claude Sonnet 5 評分;結果不代表與其他記憶系統的直接比較。
OpenAI 宣佈其模型產生了一份反駁指數時間假説(ETH)的證明;數小時後,Anthropic 也發布了對同一假説的反駁。Anthropic 數學家 Levent Alpöge 暗示 OpenAI 的結果建基於既有研究,並將 Anthropic 的證明定位為獨立成果。
這份研究探討影片生成與 Agent harness 的交會,分析智能體如何藉由規劃、工具使用和回饋,製作連貫且可控的多鏡頭影片。研究聚焦智能體影片生成、智能體世界建模,以及影片模型開發中的遞歸式自我改進。研究亦分析視聽感知、長期規劃、記憶和多智能體協作等能力,以及自主影片製作和成效評估方面的挑戰。
天津大學與合肥工業大學團隊提出 FAME 多錨點探索方法,研究獲 NeurIPS 2026 接收並入選 Spotlight。FAME 利用 Conditional Flow Matching 生成多個探索目標,再透過路徑規劃、探索模式聚類及分層選擇,為機械人挑選探索路線。
AI 滲透測試平台正由單工具探索邁向多 Agent 協同的平台化發展,多引擎交叉驗證、持續測試及開放生態成為核心方向。報告指出,傳統人工滲透測試每年 2–4 次,難以跟上以周為單位的攻防迭代;多 Agent 平台可將高危漏洞平均暴露窗口期由 45 天縮短至 7 天內。報告亦提出企業選型評估體系,並提醒須留意授權合規及測試數據安全。
Sakana AI運用AI分析美國中期選舉中的德州參議院選戰,研究候選人及兩黨州級組織在X發布的2,042則帖文與705,976則回應。系統以敍事為單位分析內容,並由多個AI模型對照原文核實,再結合民調、選舉資金、預測市場及新聞報道等公開資訊。分析發現,Paxton在共和黨決選前獲得的支持比例,在決選後由約五成跌至不足兩成。
作者以 TaintWall 測試 AI 智能體處理操作手冊時,發現無防護智能體會執行混入其中的惡意步驟。在本地 Qwen2.5-14B 的 16 個案例中,無防護智能體執行 14 個惡意步驟,TaintWall 則全部攔截,ASR 為 0.000、Utility 為 0.750。這些是基於單一模型家族、確定性子樣本和單次試驗的 PREVIEW 測量,不能代表生產環境穩健性或其他模型表現。
VoxLock 是一款供語音智能體使用的因果式目標説話者提取模型,可利用通話本身截取的語音樣本,無需預先登記。在 Krisp 的 265 段錄音基準中,WER 為 4.95%,未處理音訊為 23.21%;在 400 個 AMI 會議片段中,WER 由 42.95% 降至 10.63%。
範德比爾特大學醫學中心研究人員發現,部分患者的病歷顯示,聊天機械人互動可能加重精神病症狀,首次發作患者在相關病例中比例較高。團隊從2022年12月至2026年4月約21.6萬名行為健康患者的電子健康紀錄中篩出73人,其中28人的紀錄顯示症狀加重;這28人中約61%經歷首次精神病發作,比例高於另外兩組。研究未聲稱聊天機械人會導致精神病,並指出精神科診療或應定期評估患者使用 AI 的情況。
螢石發布《立體信任:螢石AI視覺物聯網運營安全白皮書》,提出「2+5+N」立體信任安全防護架構,涵蓋雲端與 AI、五類自研硬件及開放平台生態。白皮書梳理其在設備與雲端、數據與模型、單品與生態等方面的安全建設,並提及多項認證、標準實踐及全球合規工作。
佐治亞理工學院與麻省理工學院研究團隊提出 MASCOT,透過兩階段訓練提升多智能體羣聊的角色分工與協作。測試中,MASCOT 在 ED 正向情境的角色一致性得分為 80.0,較最強基線高 14.1 分;在 ED 中性情境的羣體互動總體評分為 57.3,高於基線的 51.9。研究涵蓋情感支持與會議討論,並以人工盲評補充驗證。
這套面向美國天然氣輸送網絡的實體 AI 參考架構,整合洩漏偵測、壓縮機健康監測及 OT 安全證據,並採用唯讀接入、被動監測和單向資料二極管;系統不向現場設備寫入資料。Chronos-2 和 RF-DETR 在邊緣運行,Mistral Large 3 675B 部署於控制中心。各模型先以影子模式運行,通過分段靈敏度與誤報測試後,才進入面向控制員的告警流程。
Aether AI 與 UC San Diego 研究團隊提出 RobotAgentBench(RAB),評測機械人在家庭開放場景中的自主能力,並比較獨立 VLA/WAM 策略與不同智能體架構。
多模態語言模型在多步視覺推理中的失誤,可能源於語言未能連結相關視覺物件、區域或位置的「參照落差」,而非視覺感知不足。研究提出 ReGap-Bench,涵蓋五項視覺推理任務;結果顯示,配合任務的外部參照可在無需訓練下令準確率提高最多 25%,不匹配的參照則助益甚微,甚至會降低表現。
CrowdStrike 提出護欄式漏洞發現(GbVD)方法,透過比較模型對基準程式碼與含缺陷版本的拒答、推理中斷等反應,縮小漏洞候選範圍。在涵蓋 5 類、44 個含漏洞及 42 個安全案例的 86 個情境中,方法正確分類 73 個(TP=36、TN=37),並出現 5 個 FP、8 個 FN;73/86 不代表發現 73 個漏洞。
Anthropic 的研究顯示,專家在判斷任務中有 86% 的情況會跟隨 AI 助手未明示的偏好。研究測量人類評估者是否會向這種偏好偏移,相關結果引發對醫療、金融及國家安全等領域專業決策的憂慮。
每日沽空成交比例變化能反映同一結算窗口的沽空未平倉量變化,但不能預測下一個窗口;在 2025 年至 2026 年 7 月的回溯測試中,26,213 參數的 Transformer 得分為 +0.414。測試涵蓋 6,959 隻股票的 660,246 個結算窗口,模型權重、ONNX graph 和輸入規格已在 Hugging Face 以 Apache-2.0 授權提供。
北京大學與 Microsoft Research Asia 開發 MemSteer,將用戶歷史記錄轉化為測試,以最佳化 AI 智能體記憶。在 ATM-Bench 上,MemSteer-Opt 將 BM25 基線的 Question Score 從 54.9 提升至 68.3,使用官方 benchmark QA 時則達 67.3。
Anthropic 於 10 月 27 日發布報告,稱內部 Claude 研究模型在五個平台發現漏洞並串成 5 條攻擊鏈。其中 Android 攻擊需實體接觸 Pixel 9,Linux 攻擊鏈的驗證耗時 53 分鐘並取得 root shell。相關漏洞均已按協調披露流程報告廠商並修復。
推薦理由:報告涵蓋五個平台,呈現漏洞串接後造成的不同後果及修補情況,可用來理解模型輔助漏洞研究的範圍。
Anthropic 於 2026年10月27日發布研究報告,稱其未公開的內部 Claude 研究模型在 Chrome、Safari、Android、Windows 和 Linux 發現並串聯出 5 條可運行攻擊鏈。