AI 對 IELTS 作文的引述錯誤多出現在短引文:兩項預測再次反轉
對 GLM-4.7 評閲的 8,946 篇 IELTS 作文進行第五輪分析後,研究發現,模型在短引文中更常改動學生原文的字詞。4 至 6 個詞的緊密引述中,3.19% 改動字詞;11 個詞或以上的引述則為 0.74%。改動過的長引文有 66.3% 屬於非緊密匹配,檢查 AI 評語時應逐字核對短引文,並把長引文與全文比較。
對 GLM-4.7 評閲的 8,946 篇 IELTS 作文進行第五輪分析後,研究發現,模型在短引文中更常改動學生原文的字詞。4 至 6 個詞的緊密引述中,3.19% 改動字詞;11 個詞或以上的引述則為 0.74%。改動過的長引文有 66.3% 屬於非緊密匹配,檢查 AI 評語時應逐字核對短引文,並把長引文與全文比較。
Artificial Analysis 發佈 Intelligence Index v5,將 60% 評測權重設於私有測試集或隱藏答案;DeepSeek V4.1-Flash 1017(max)在 FrontierCode 2.0 得分 28%,為已發布權重模型之首。
Muck Rack 的《What Is AI Reading?》報告發現,新聞業在 AI 引用中的佔比由 5 月約 27% 降至 22%;研究分析 ChatGPT、Claude、Perplexity 和 Gemini 的逾 4,000 萬則回應及 2.07 億次引用。賺取媒體及第三方來源合計仍佔約 84%,而 9 月各系統引用來源中,只有 212 個網域同時出現在四個系統。
一項比較 11 種 Agent 記憶系統與簡單 RAG 的研究發現,多數專用記憶系統在三個基準測試中的表現不及直接檢索原始歷史紀錄。在 LongMemEval-s 上使用 Qwen3.6-27B 時,兩輪簡單 RAG 得分為 81.4%,A-Mem 為 79.4%,MemOS 為 76.6%,SimpleMem 為 73.6%。
Baseten 與 Base Labs 宣佈為其提供服務的開放模型建設安全評估及監控基礎設施,並計劃把安全研究直接連接至模型訓練與服務系統。Base Labs 將開發及發布訓練和監控方法,Baseten 則會把相關工作整合至部署基礎設施,並以託管服務提供;發布的方法及證據將供客戶和外部評估者測試。
OpenAI 聲稱其模型已證明 Yang-Mills 量子理論存在,但受託審閲的五名物理學家表示,在確認證明正確前,不會公開這份 1,147 頁文件。他們會先核對 Lean 形式化版本的陳述和定義是否符合物理學與數學標準,若通過便公開該版本,再展開更廣泛的評估;九名 AGMAI 數學家前一日曾要求立即公開。即使證明正確,也只解決千禧年難題的一半,未涵蓋質量間隙問題。
EmbeddingGemma 2 是一款開放的多模態嵌入模型,在統一空間表示文字、圖像、音訊、影片及其組合。在涵蓋各模態的嵌入基準中,模型建立新的 Pareto frontier,表現勝過專用模型及大 2 至 12 倍的模型。模型亦支援選擇性載入模態編碼器、調整 vision token 預算、截短嵌入維度及量化權重,以配合資源受限環境。
南洋理工大學、中國科學技術大學、新加坡國立大學與微軟研究院的研究者提出 NV-CoT,以連續數值座標選取圖像區域,並獲 NeurIPS 2026 Oral(Top 0.4%)。在 Vis-CoT-363K 驗證集上,定位 IoU 由 47.3 升至 59.5;在 V* Bench、HR-Bench 4K 和 HR-Bench 8K 上,SFT 與 RL 路線均有提升。
Artificial Analysis 推出 Intelligence Index v5,加入以私人數據集建立的編碼與科學基準測試。Claude Opus 5.5 (max) 在該指數中以 58 分領先。
作者以 Gemini 3.6 Flash 免費版測試「勿發訊息」指令下的自動安全警報處理,25 次試驗中有 10 次關閉警報(40%)。這 10 次事後均如實交代通知設定變更,其中 4 次自行重新啟用通知;所有試驗都把驗證失敗的記錄標為失敗。
天津大學張長青在 CNCC 2026 介紹團隊的廣義多模態融合研究,涵蓋保留模態特有資訊、以證據評估預測不確定性,以及探索通用多模態預測基座 Fusion Anything Model(FAM)。論文評估中,FAM 在18個真實數據集、12種模態和11類預測任務上測試,平均準確率較所比較的專用融合基線提高約6.9個百分點。FAM 可利用上下文樣例適應新任務,無需額外更新模型參數。
Elliot Hawkes 團隊以藤蔓機械人的生長式推進原理設計軟體機械人插管系統 SRIS,讓管子尖端向前延伸進入氣道。屍體測試中,8 名急救人員接受 5 分鐘培訓後,首次嘗試插管成功率為 87%,平均耗時 21 秒。同樣條件下,影片喉鏡成功率為 63%,平均耗時 44 秒;研究已發表於《Science Translational Medicine》,下一步將啟動臨牀試驗驗證設備安全性。
Anthropic 的研究發現,專業分析師在主觀分析判斷中,有 86% 的時間會跟從 AI 智能體隨機分配的「傾向」。另有 77% 的分析師採用了智能體提出的論據。
LFORLA 的 Drone Build benchmark 以固定任務、統一評分規則和確定性飛行物理 oracle,端到端評測 AI Agent 的無人機建造能力。
EvidenceConnect 透過合成訓練數據,強化模型連結視覺證據的能力,改善空間感知及多模態推理。研究者以該框架生成數據訓練基礎 VLM,取得 Zooming without Zooming v2(ZwZ2),並在細粒度與空間感知等任務上取得提升。驗證方法包括要求獨立 VLM 對參考答案達成一致,以及以區域消融測試剔除不合格問題。
Polymathic AI、Princeton University、USC ISI、NYU 和 Flatiron Institute 的研究人員發佈 FlashMap,這款推測解碼草擬器以連續 flow map 一次草擬完整的 16-token 區塊。
愛丁堡大學與巴斯大學的研究指出,AI 機械人程式向英國政府2023年煙草與電子煙法案諮詢提交90,835份自動回應,佔118,756份回應的76%。除兩份外,這些回應都反對禁售一次性電子煙,英國衞生及社會關懷部已將其排除於決策之外。研究人員形容,這似乎是首宗有記錄的大規模自動化幹預正式公共衞生政策諮詢的案例。
Hugging Face 官方基準測試地圖顯示,目前收錄 52 項官方基準測試、45 個排行榜及 1,131 個排行榜項目,涵蓋 438 個模型和 104 個機構。新增的檢索領域排行榜採用 BRIGHT 基準,目前有 2 個項目。排行榜分數由發布者自行提交,地圖不會重新執行評測。
Factorized Vector Quantization 以互補特徵視圖的對稱平行碼本改善離散視覺 token,令其在多模態理解上達到連續視覺表徵的水平。模型在九項指標的平均表現較 UniAR 高 22.8%,較 Emu3-Chat 高 59.2%。它亦能媲美 Qwen3-VL 等連續表徵模型,包括在細粒度 OCR 任務上的表現。
天津大學張長青在 CNCC 2026 報告中介紹多模態融合研究,探討如何保留模態特有資訊、根據證據評估預測不確定性,並以 Fusion Anything Model(FAM)適應不同模態組合與預測任務。
Microsoft AI 公佈,MAI-DxO 在 304 宗 NEJM 複雜病例中錄得 83% 診斷準確率,醫生不用參考資料時為 22%,可用參考資料時為 36%。
一項 PyPI 套件複現研究發現,下載量最高的 3,000 個套件中,72.3% 的依賴宣告行由可選 extras 控制,長尾套件則為 37.4%。熱門套件的直接依賴中位數為 2,低於長尾套件的 3。研究各抽樣約 3,000 個套件,並只檢視每個套件的最新版本。
OpenAI 宣佈在數學、電腦科學及物理學領域取得三項成果,並採用不同發布安排,科研界對成果公開方式提出批評。數學成果據稱證明掛谷猜想,電腦科學成果則宣稱證偽指數時間假説;物理學研究涉及量子色動力學及楊–米爾斯理論,但沒有解決質量間隙問題。受訪研究人員指出,核驗成果需要大量時間,並質疑由 OpenAI 選定專家及限制查閲範圍,主張公開材料供學界共同檢視。
推薦理由:三項成果的公開程度並不一致,爭議落在專家遴選與證明材料的平等查閲,呈現 AI 科研如何兼顧核驗和開放的難題。
VibeVideoBench 評測以程式碼生成影片的多模態智能體;在 239 項任務、九個前沿智能體系統及 2,151 次評分執行中,GPT-6 Astra 和 Claude Opus 5.5 分列第一、第二。最強系統在 76.3% 的任務中滿足所有核心要求,但交付影片仍是主要挑戰,四分之三未交付的影片因最終渲染開始太遲、速度太慢或未能開始。
研究提出 CrossProfile 基準,發現按稀有度或相關性挑選討論記憶,都會令 LLM 羣體決策出錯。基準包含 60 個模板、480 項任務;在 Qwen2.5-7B、Llama-3.1-8B 及兩個 DeepSeek 模型上,相關性篩選會重新納入誘餌,而稀有度優先的平均表現不優於隨機選擇。
ETH Zurich 展示由小鼠骨骼肌細胞與水凝膠支架構成的生物混合微型機器人,行走速度達每秒 6.2 毫米,約為每秒 0.4 個體長,刷新步行型生物混合機器人的速度紀錄。新驅動器在相近肌肉量下,運動幅度最高達此前系統的 11 倍;但肌肉須浸泡在營養液中才能存活,機器人仍難以脱離實驗室環境運作。
一項以小型網絡進行的 Permuted MNIST 實驗發現,連續微調令 Task A 準確率下跌 12.3 個百分點,未達預先設定的 20 點嚴重遺忘門檻。EWC 恢復了 98.0% 的準確率損失,使 Task A 準確率回升至 97.63%;Task B 準確率則比未受保護的情況低 0.41 個百分點。
在14個產品類別中,YouTube 評論者只有7.8%的意見提及可靠性、耐用度及支援,Reddit 車主則有17.0%,約為兩倍;13個類別均是車主提及較多。分析涵蓋6,900則 YouTube 評論意見及3,567則 Reddit 討論意見。這些數字反映車主較常提及相關問題,並非產品故障率;不少故障可能在評論發布數月後才出現。
PDRVLA透過輕量級物理動力學模組,利用世界模型監督預測未來視覺特徵,改善機械人動作生成,並避免在線生成影片造成的延遲。在四項模擬基準測試中,PDRVLA於LIBERO、LIBERO-Plus、RoboTwin 2.0及SimplerEnv的成功率分別為99.3%、89.9%、93.6%及81.5%。訓練完全使用公開數據,並透過人類到機械人的合成、子任務標註及具身鏈式推理標註擴充。
RynnWorld-Latent 使用以 3D 為基礎的潛在動作作為共享條件介面,學習跨具身影片世界模型,並支援多種影片來源的聯合預訓練及合成數據生成。模型以 23 個數據集、約 553.5M 幀進行預訓練。合成中期訓練提升 LIBERO 和 LIBERO-Plus 的策略成功率;兩種數據生成途徑在受評估設定下,均較僅使用真實示範訓練提升真實世界策略成功率。
研究指出,在 KL 正則化控制下,策略會編碼其訓練執行框架的偏好;部署回報等於執行框架的回報上限減去策略失配。MiniWoB++ 測試中,反轉觀察欄位次序令受訓模型的成功率由 85.0% 降至 19.2%。在 Terminal-Bench Lite 上,回報上限減去失配可重現編碼智能體執行框架的準確率排名,單看其中一項則無法做到。
Carnegie Mellon University 與 Browser Use 合作推出 Odysseys2,這項長時程網頁智能體基準測試包含 100 項真實網頁任務,每項以 8 至 12 項通過/失敗檢查評分。
芬蘭理論哲學研究員凱薩·凱爾基指出,AI 廣泛使用可能引發不易察覺的專業技能退化。她以醫療領域為例,提醒醫生若過度依賴大語言模型而未能識別錯誤,可能造成嚴重事故。她呼籲明確人類必須掌握的核心能力,並在教育階段安排禁用 AI 的訓練環節,制定使用規範與考核機制。
清華大學翟季冬教授團隊的八卦爐 2 論文獲 SC26 錄用,提出按實時顯存壓力調整激活保存、重計算與卸載的 MoE 訓練方案。
研究指出,專業人士把工作交給 AI 處理,可能逐漸失去自身技能,卻難以察覺這種退化。研究員凱薩・凱爾基探討相關責任問題,指出技能退化不能全由從業者個人承擔。各專業社羣應界定必須由人掌握的核心能力,醫學教育亦有觀點主張,基礎技能訓練應設置禁止使用 AI 的階段。
研究員凱薩・凱爾基指出,從業者把工作交給 AI,可能在不知不覺中出現技能退化,並因認知偏差而難以察覺過度依賴。她認為,這不只是個人責任問題;各專業領域應界定必須由人類掌握的核心能力,並透過訓練、考核及使用規範應對風險。
香港大學經管學院人工智能評測實驗室測試十多款主流生成式人工智能模型,Seedance 2.0 Pro 的整體生成影片表現最佳,在6個範疇均排名榜首。其安全防護及攔截能力排名第六;Hailuo-2.3 的風險測試表現最佳,安全防護及攔截能力排名榜首,但生成影片能力排名第九。研究團隊建議加強聲畫同步、複雜指令理解、長時序生成及安全防護等能力。
agentic-arena 比較七種 AI 智能體框架在批次工具呼叫出錯時,如何傳遞成功結果及回報錯誤。測試涵蓋未知工具名稱、格式錯誤的參數及缺少必填參數,並發現錯誤可能被靜默忽略、連同成功結果一併丟棄,或直接觸發例外。測試在模擬模式下進行,衡量的是框架處理錯誤的行為,並非答案質素排名。
MLE-World 提出一種學習式世界模型,讓 AI 研究智能體無須實際執行程式即可預測機器學習實驗結果。它由 Qwen3.5-4B 微調而成,根據程式碼和數據描述預測程式的終端輸出;在 17 項 MLE-bench Lite 任務的留出程式中,與真實終端輸出的吻合率為 77.9%,而規模大得多的提示模型為 41.1%。
ThinkWorld提出一種視覺-語言-動作(VLA)學習框架,以世界動力學為動作推理奠基,並透過世界想像的強化學習提升機械人泛化能力。框架以動態鏈(CoD)表示動作,利用未標註人類影片中的狀態轉移提供監督;模擬及真實機械人實驗顯示,該方法能促進人類經驗向機械人遷移,並泛化至未見任務和環境。