跳到正文
目前篩選:論文
10月28日週三
  1. Unite.AI87

    Axiom Math 發佈 43.1M 行 Lean 有限單羣分類證明

    Axiom Math 發佈其稱為首個完整經電腦核查的有限單羣分類證明,歷時 24 日並包含約 43.1M 行 Lean 程式碼。工程師和數學家指揮數十個 AI Agent 完成形式化,Lean kernel 核查每一步邏輯。形式化過程揭出已刊文獻中 34 項值得注意的偏差,Axiom 表示正與羣論學者整理勘誤。

    推薦理由:這次形式化把橫跨逾 500 篇論文的分類論證交由 Lean 核查,並揭出已刊材料中的多處偏差,呈現機械化驗證檢查大型數學成果的具體作用。

  2. Cognition 模型 / Devin 博客51

    Cognition 推出 FrontierCode 2.0 編碼基準

    Cognition 推出 FrontierCode 2.0,這套編碼基準以更廣的任務覆蓋、更嚴格的可合併性標準和更大的任務範圍評估模型。參考解答平均修改的檔案數較 FrontierCode 1.1 多 67%、程式碼行數多 89%,所用程式碼庫大 25%。

  3. Hugging Face Blog62

    大語言模型能否可靠判斷研究構想是否新穎?

    Ai2 發佈《Old Ideas, Novel Problems》研究及基準,發現大語言模型判斷研究構想新穎性的結果會因評估設定而大幅變動。以 GPT-5.4 評估人類與 AI 生成構想的配對時,僅更改提示詞便令準確率由 93.5% 降至 40.9%,並改變逾半配對的判斷。

    推薦理由:研究從 ICLR 2026 評審中抽取明確談及原創性的案例,建立可比較人類與 AI 生成構想的基準,呈現提示詞變動對評估結果的影響。

  4. Meta Engineering Blog46

    2026 年 Python 型別提示調查:AI 工具與型別檢查器格局變化

    2026 年 Python 型別提示調查收集 1,794 份回覆,型別提示使用情況三年來變化不大,但型別檢查器的選擇明顯轉變。在 1,517 名受訪者中,42.5% 使用 AI 工具撰寫型別提示,32.6% 寫型別以改善 AI 生成的程式碼;61.0% 曾使用至少一項列出的 AI 型別相關功能。缺少第三方程式庫的型別資訊仍是最常見困難,有 65.1% 受訪者提及。

  5. HuggingFace Daily Papers(社區熱門論文)48

    iPrefBench:以用戶為中心的個人化手機智能體基準測試

    iPrefBench 評估個人化手機智能體能否從用戶活動記錄推斷缺失偏好,或在需要時向用戶澄清。測試涵蓋 26 個應用程式的 130 項任務,並以 3,051 項過往活動記錄為基礎;評估 7 個前沿智能體後,動作完成率最高達 91.6%,完整任務成功率最高為 47.7%。智能體尤其難以應對只能向用戶詢問的資訊,未有提出足夠的必要問題。

  6. HuggingFace Daily Papers(社區熱門論文)46

    SciGame:讓智能體在真實與反事實世界中進行科學發現遊戲

    SciGame 以結構化科學卡片和反事實環境建立基準,評估科學發現智能體,並區分預訓練先驗與實證證據。五個前沿模型的實驗顯示,熟悉的先驗在控制關係改變時會損害表現,自適應實驗則對不同能力的模型有不同影響。即使智能體能正確解讀證據,恢復精確的符號形式仍是主要瓶頸。

10月27日週二
  1. Unite.AI61

    自信語氣左右 AI 論文審稿模型,即使研究內容相同

    一項研究發現,六個 AI 審稿模型普遍給予以自信語氣撰寫的科學論文較高評分,即使研究內容、證據和結果沒有改變。研究將 504 篇 2026 ICLR 投稿改寫成自信或審慎版本,再交由六個模型評審。Claude Sonnet 4.6 給自信版本較高分的頻率是審慎版本的七倍,並在 21% 個案中接受自信版本、拒絕同一論文的審慎版本。

  2. DEV Community37

    PyPI 依賴版本精確固定比例複現失敗:最新版本數據顯示比例由已發表的 29% 降至 9–17%

    一項 PyPI 依賴版本約束比例的複現研究未能重現論文所報告的 29.4% 精確固定比例;最新發行版數據顯示,熱門套件為 8.6%,長尾套件為 16.8%。浮動主版本約束(>=X)在兩組數據中均最常見,分別佔 54.1% 和 54.5%。研究指出,論文統計歷史發行版中的依賴項目,而這次只統計每個套件的最新發行版,兩者衡量的對象不同。

  3. The Decoder36

    前 DeepMind 研究員認為 AlphaGo 的策略可減少 AI 幻覺

    前 DeepMind 研究員 Thore Graepel 創立 Metis Reasoning,提出借鑑 AlphaGo 搜尋與驗證機制,讓 AI 推理以可核查的證據為基礎。其方案以知識帳本記錄已知資訊、信心程度及未解問題,並在新結論獲獨立核查後才更新知識狀態。白皮書目前只描述研究計劃,尚無可運作系統、基準測試或與現有推理模型的比較。

  4. The Decoder74

    OpenAI 邀請包括諾貝爾獎得主在內的外部專家核查 AI 生成的數學、電腦科學及物理學證明

    OpenAI 邀請外部專家審查其 AI 在電腦科學、數學及物理學領域產生的證明,並按領域採用不同審查安排。電腦科學結果聲稱推翻指數時間假設(ETH),數學結果涵蓋所有維度的局部平滑猜想,物理結果則聲稱證明若干四維量子場論在數學上存在。OpenAI 指出,楊–米爾斯理論的質量間隙問題並未解決;Lean 只能檢查形式化證明是否推出所寫命題,專家仍須判斷該命題是否符合原意。

  5. HuggingFace Daily Papers(社區熱門論文)36

    OBB-PBD:將 Parallel Box Decoding 擴展至航拍影像指代表達定位的有向邊界框

    OBB-PBD 將 Parallel Box Decoding 擴展至六槽位有向邊界框表示,用於航拍影像中的指代表達定位。模型以雙角參數化預測框,並通過圖像/提示詞打亂控制及可見性/洩漏探測驗證其依賴圖像和提示詞。在 AVVG 基準上,rotIoU 由零樣本基線的 0.1253 提升至 0.303 +/- 0.012;相較匹配控制,學習有向框額外提升 0.055 +/- 0.008 rotIoU。

  6. 第一財經29

    德勤白皮書:企業 AI 規模化應用面對哪些挑戰

    德勤中國發布 AI 白皮書,指出企業 AI 雖已融入企業,仍未進入核心價值鏈,規模化落地面對多重挑戰。AI 應用最大的阻礙來自組織,而非技術,數據孤島、職能錯位、AI 素養有限及避險心態均構成障礙。AI 應用的 ROI 低於預期,原因包括前期商業假設過於樂觀,以及缺乏嚴謹的財務驗證體系。

  7. HuggingFace Daily Papers(社區熱門論文)47

    受約束解碼有害還是有益?重新探討其對大語言模型表現的影響

    研究發現,受約束解碼不會必然損害大語言模型的推理能力,其影響取決於約束類型。在四個模型系列的十一個開源模型上進行的實驗顯示,表面上的性能下降主要源於提示詞及輸出格式不一致,而非解碼器層面的遮罩;有效性約束可提升可靠性,推理約束在限制有益推理軌跡時亦可提高準確度。

  8. DEV Community53

    α-Coder:不能為自身工作簽核的多模型議會

    Alfacan Defence Group介紹 α-Coder,一套由四間實驗室的五個模型分任八個席位的多智能體編碼架構,並報告其 17 日實地部署紀錄。系統在一個 Go 發佈服務上運作,程式以建置和可信測試、操作員決策紀錄等規則控制交接;兩個階段合共拒絕交接 37 次。作者指出,這是單一程式碼庫的實地研究,沒有與單模型助手作基準比較,報告內容是運作機制及觀察事件,而非比較率。

  9. 雷鋒網49

    GLM-5.5 要來了?唐傑最新論文曝光智譜神秘模型

    清華大學與智譜 AI 聯合研究提出 GLM-Omni,測試顯示其圖像生成正確率為 54.00%,純文字回答正確率僅 14.57%,反映視覺知識未必能轉化為語言答案。圖文交錯對齊令 GLM-Omni 的平均文字正確率升至 26.86%,使用 Visual CoT 後則升至 41.14%。論文未披露 GLM-Omni 與 GLM-5.5 的版本對應關係。

  10. HuggingFace Daily Papers(社區熱門論文)46

    Thinking-in-Bets 如何減少 LLM 智能體迎合用戶而修改答案

    Thinking-in-Bets 讓 LLM 智能體在閲讀用戶反饋前記錄已核實的主張、佐證和信心,減少因錯誤質疑而推翻正確工作或作出不必要修改。研究在五個 Gemini 模型及八項基準測試中評估此免訓練方法,發現先記錄主張能減少錯誤反轉;只在智能體不確定時記錄,可降低 token 開銷並修復更多真實錯誤。

  11. HuggingFace Daily Papers(社區熱門論文)50

    更多記憶能生成更好的影片嗎?長影片生成中視覺記憶的對照研究

    這項對照研究發現,長影片生成中的視覺記憶檢索可提升歷史外觀相似度,卻可能因沿用過時外觀而降低故事當前狀態的準確性。VMem-Bench 顯示,檢索令實體召回率由 0.559 升至 0.628-0.693,但精確率由 0.977 降至 0.915-0.938,避免禁用實體的表現亦由 0.968 降至 0.845-0.898。研究指出,檢索相關性或最終影片的一致性本身不足以證明記憶有用。

  12. 新浪科技69

    OpenAI再公佈三項聲稱具重大意義的科研成果,涉及數學、電腦科學和量子物理

    OpenAI再公佈三項由其模型提出的科研成果,涉及數學、電腦科學和理論物理,並安排外部專家參與檢查、解釋和驗證。數學成果聲稱證明所有不低於二維空間中的 Sogge 局部平滑猜想;電腦科學成果則提出一套聲稱可推翻 ETH 的演算法和證明。物理成果涉及四維相互作用量子場論的存在性證明,但全文尚未公開,三項成果均待進一步驗證。

  13. 新浪科技77

    OpenAI 宣佈三項科學突破,涉及千禧年難題

    OpenAI 宣佈其模型在數學、電腦科學及物理學取得三項研究成果,涉及局部光滑猜想、指數時間假設(ETH)及量子場論。OpenAI 稱模型證明所有維度的局部光滑猜想並推翻 ETH,相關證明已通過 Lean 驗證;物理成果則涉及量子色動力學及純楊-米爾斯理論的存在性。OpenAI 表示會邀請外部專家牽頭組建小組消化和核驗成果,並將文稿視為原始研究資料,而非定論。

    推薦理由:三項成果橫跨數學、複雜性理論與量子場論,部分證明已以 Lean 形式化驗證;OpenAI 同時將文稿定位為原始研究資料,而非定論。

  14. HuggingFace Daily Papers(社區熱門論文)47

    EmbodiedLab:評測以行動求知的具身智能體

    EmbodiedLab 是一項具身智能體基準測試,評估智能體能否操作模擬實驗室器材,透過自主實驗掌握科學原理。基準涵蓋五個學科的 30 項實驗及 14 種器材平台,並評估六個前沿模型。原生控制下,表現最佳的智能體成功率仍低於一半;操作技能對較弱智能體的幫助,大於感知與動作規劃。

  15. DEV Community63

    23 個 AI 智能體造訪測試網站,多數看似真人

    作者以 49 次測試比較 23 個 AI 智能體、聊天機械人及開發工具,以及 8 種真人操作;多數使用瀏覽器的智能體在網站分析中看似一般 Chrome 訪客。所有 13 種會點擊的智能體,每次都在點擊前以單次跳動抵達目標;單看按鍵時長等訊號亦可能把 Voice Control 用戶誤判為機械人。Privatrak 正加入根據指標移動模式辨識自動化造訪,並開發伺服器端統計只抓取頁面的聊天機械人。

  16. 新浪科技76

    OpenAI 宣稱模型反證指數時間假設,並證明所有維度下的掛谷猜想及部分四維量子場論存在性

    OpenAI 於 10 月 26 日宣稱,內部模型反證 ETH、證明所有維度的局部光滑化與掛谷猜想,並建立包括 QCD 在內的部分四維量子場論嚴格存在性證明。局部光滑化與 ETH 的證明已完成 Lean 形式化,ETH 部分將由原假設提出者及其他研究者組織外部審查。物理成果則交由 David Gross 牽頭的團隊整理,AI 生成的原始證明暫未公開。

    推薦理由:文章比較數學、電腦科學與物理成果的公開及審查安排,呈現 AI 生成證明如何進入學界核查和知識整理流程。

  17. 新浪科技48

    主動式 AI 如何邁向超級智能體?UIUC、Google、斯坦福大學、UC Berkeley、CMU 聯合綜述

    UIUC、Google、斯坦福大學、UC Berkeley 和 CMU 的研究者聯合撰寫綜述,系統梳理主動式 AI 如何支援智能體在長程任務中主動發現需求、推進工作並配合人類指導。綜述提出由六項能力組成的 6A 框架,整理評測方法並分析 13 個應用領域;項目網頁收錄 1400 餘條引用資料,其中 80 項代表性工作有詳細對照分析。

  18. 新浪科技82

    OpenAI 公佈數學、計算機科學及物理學三項新發現

    OpenAI 公佈數學、計算機科學及物理學三項新發現,涉及調和分析、計算複雜性理論和量子場論。OpenAI 稱其模型證明瞭所有維度下的局部光滑猜想,並由此解決掛谷猜想和 Stein 限制猜想;另推翻 ETH,並證明包含 QCD 的四維相互作用量子場論存在。

    推薦理由:三項成果分涉調和分析、計算複雜性與量子場論,文章交代 Lean 形式化進度和各自的公開安排,呈現目前的獨立審查狀態。

  19. HuggingFace Daily Papers(社區熱門論文)45

    AutoVend:長期自主自動販賣營運中的 LLM Agent 評測基準

    AutoVend 是一項評測 LLM Agent 長期自主營運自動販賣機的基準,模擬一個 Agent 透過網上介面管理五種地點的 20 部自動販賣機,為期 180 日。五個受測 LLM Agent 中有四個表現不及規則式庫存控制基準,按推理成本計算的回報亦會改變模型排名。分析顯示,庫存與執行成本會侵蝕個別指標的增益,Agent 亦難以制定可行行動及根據回饋有效修訂策略。

  20. HuggingFace Daily Papers(社區熱門論文)36

    S3AC:面向 LLM 推理的穩定、選擇性且可擴展的 Actor-Critic 方法

    S3AC 提出一種用於 LLM 長鏈式推理的 Actor-Critic 訓練方法,透過難度感知提示詞採樣,在不依賴分組 rollout 的情況下改善訓練。它結合 token 級優勢估計與提示詞級基線,在 1.5B 至 397B 參數的稠密及混合專家模型上提升分組 rollout 表現,勝過 GRPO-X;在 35B 規模下亦可持續單次 rollout 訓練。