FVScore:以規格驅動的神經符號影片評估
FVScore 採用規格驅動的神經符號方法進行影片評估。
FVScore 採用規格驅動的神經符號方法進行影片評估。
Chorus 透過一次查詢並精煉 token 與 N-gram 嵌入向量,再將表示分享至輸入層和中間層,並由各層按需要適配。實驗顯示,使用 1.2 billion 個表格參數的 Chorus,表現優於使用 9.6 billion 個參數的 Engram 和 FactorEngram,表格規模約小 87%。
Code World Model 2.0 提出 Invoker-Render,結合雙向創作模型與因果四步串流模型,支援可控影片生成。模型以約 200 小時的多粒度資料訓練,並透過 Progressive Forcing(ProForcing)訓練及蒸餾串流渲染器。實驗顯示,它可穩定生成 30 分鐘賽車影片,並保留場景及主體外觀。
論文探討透過跨視角共識緩解虛假相關性;頁面只列出論文標題及引用、連結資訊,未提供方法細節或實驗結果。
VSpark透過改良推測解碼,加速自回歸視覺語言動作模型,在多項機械人操作任務中達到 1.28x–2.10x 無損加速。方法包括校準動作噪聲 rollout、隱藏特徵對齊,以及重用被拒草稿的後續預測。測試涵蓋四個採用不同動作 tokenizer 的 VLA,以及四項操作基準。
研究指出,智能體演化的瓶頸往往不是提出更好的候選內容,而是評估難以可靠識別真正的改進。研究涵蓋七種演化方法、六個模型及超過 10M 次 LLM calls;候選內容的篩選表現不優於隨機,而常見的數個百分點方法差距,小於同一方法兩次獨立運行的差異。作者因此主張,開發自我改進智能體應轉向提升改進的可識別性與累積性,而非只設計更多候選改進機制。
論文提出一種高階注意力層,為每對項目以第三項作為見證,並在零温度下選取最高分見證及計算並列數量,只傳遞比較這些數量的位元。最大值檢索測試中,模型在規模為訓練集 1,000 倍的集合上,十個種子均達至少 99.95% 正確率;改用軟計數的同一網絡在 4,096 個項目時正確率降至 42%。
在三個購物基準測試中,提高 LLM 購物智能體的思考力度,未能在統計上改善產品選擇質素,卻顯著提高其自我報告的信心。大多數模型在不同思考力度下校準不佳,而且常在相同任務中出錯,甚至選中同一件錯誤產品。
Anthropic 的 Claude 解決了理論物理學中兩個關於黑洞與量子引力的未解問題。在 N=4 super Yang-Mills 理論中,它算出弱耦合下的相變仍是突變;在模組 bootstrap 中,它推導出 Λ 的精確公式(約為 9.1266),並證明該版本方法無法再降低黑洞質量上限。兩項結果都不直接描述我們的宇宙,也沒有實際應用,但有助於理解量子力學與廣義相對論如何統一。
文章聚焦咖啡館與科學的興起。
Google Threat Intelligence Group 的新報告指出,攻擊者首次使用無需人手介入的 AI 框架,將安全修補程式轉化為漏洞利用程式。名為 exploit_agent 的框架會持續比較熱門網頁應用程式在修補公告前後的程式碼,找出疑似漏洞後自動執行生成的漏洞利用程式,並接入多個前沿及本地託管的大語言模型。
推薦理由:報告對照 GTIG 前一季未觀察到全自動攻擊流程、今季已發現相關案例的變化,呈現威脅活動的近期演進。
一項分析 2,000 篇論文的新研究發現,AI 評審把更多批評指向附錄,與人類評審的關注分佈明顯不同。AI 模型將 62% 的已識別弱點歸於附錄材料,人類評審則為 8.4%;較新模型約有 50–70% 的批評來自附錄,GPT-5 則不足 30%。研究指出,偏重附錄可能令評審過度關注次要細節而忽略論文主要發現;這種偏差在不同模型存取方式下仍然存在。
Airbnb 研究人員推出 CASTLE,利用去識別化的預訂紀錄及大型語言模型生成合成搜尋查詢和相關性標籤,讓自然語言搜尋模型在真實搜尋流量不足時也能訓練。CASTLE 與最佳基線 Promptagator 的 KL 散度分別為 1.01 和 9.33,散度降低 9.2 倍;三名專家對其相關性判定的認同度介乎 91% 至 93%。
Moth 宣佈,Tessa 在 IBM 的 Phoenix Nighthawk r2 處理器全部 120 個量子位元上編碼並恢復 1,568 個實數值。Tessa 按晶片的物理連接排列資料與地址量子位元,毋須 SWAP 閘、路由或輔助量子位元;論文稱這是按其定義規模最大的同類實驗。Moth 表示,Tessa 可在 Atlas 平台用於影像處理實驗。
Sakana AI 公開日本金融領域的日文基準 JFinBench,並以日本 6 項金融資格考試的 2026 年試題評測 12 個 LLM。無工具設定下,Kimi K3.1 Pro 得分 83.4,較 GPT-6 Astra 的 93.6 低約 10 分,主要失分原因是日本製度知識不足。基準以編碼智能體轉換考題、由人手逐題核驗的流程建構,並公開數據集、程式碼及排行榜,支援配合新試題更新。
Google 的地理空間推理智能體 GRA 以 Gemini 驅動;一項論文研究建立 GeoExpertQueries 和 GeoKTools 兩個基準,評估開放式分析的合理性與工具編排能力。
這期 AI/ML 研究摘要整理了生成式與具身 AI、MoE 簡化、LLM 智能體可靠性及跨模態 3D 建模的研究結果。LO-World 的 IoU 提升 10.9 %、Chamfer 誤差降低 30.1 %,運行速度超過 25 FPS;SimpleHC 則在維持標準 MoE 基準準確度下縮短訓練時間。
EDGAR 和 SphereFlow 以具幾何感知能力的 flow matching,取代繁重的迭代式重建流程。EDGAR 只需一次 diffusion step 即可修復 Gaussian avatar,平均額外耗時由小型的 5.04 分鐘至大型的 16.60 分鐘不等。SphereFlow 用於缺失模態補全後的腦腫瘤分割,縮小了與完整模態 oracle 約八成的效能差距。
SoccerDream AI 作者分析其平台的模型投票數據,發現 2,722 個至少有五名投票者的賽事平均有 10.34 個模型,卻只有 1.46 個有效意見。多數投票準確率為 56.95%,略低於成員平均的 57.00%;改按 training_word_id 所示的模型譜系投票後,可決策率由 78.18% 降至 72.44%,可決策票中的準確率為 57.35%。
GEM 以熵正則化的反向 KL 散度最小化,改善 LLM 監督微調中的過擬合與輸出多樣性。在 Llama-3-8B 的實驗中,GEM 在通用指令微調及數學推理、程式碼生成任務上均優於交叉熵;配合多數投票或 Best-Of-$N$ 時,表現最高提升 10 個點。
清華大學李勇教授團隊提出 SkillMaster,讓同一個 Agent 在強化學習中共同學習任務執行,以及技能的建立、更新和保留。基於 Qwen2.5-7B-Instruct 的實驗中,SkillMaster 在 ALFWorld 和 WebShop 的成功率分別為 98.7% 和 82.0%,較 SkillRL 高 8.8 和 9.3 個百分點。
ONAA 測試 AI 智能體在 14,991 間商店購物,49% 可無人協助到達準備付款,但沒有商店讓智能體首次自行完成付款。其中 3,513 間商店列為買家一次批准 Shop Pay 後,智能體可自行付款;報告沒有觀察實際付款步驟。樣本只涵蓋已宣傳支援智能體購物的商店,數據截至 2026 年 11 月 15 日,且尚未獲任何商店核實。
Bijay Bastola 等人的系統性回顧與統合分析納入 8 項研究,估算 74 名未受正式超聲心動圖培訓或認證的操作人員,在即時 AI 引導下取得符合診斷品質門檻影像的比例為 96.3%。
一項涵蓋 1222 名參與者的研究發現,參與者使用 AI 解題後一旦撤去工具,答題準確率與堅持度都會下降。研究包括三組隨機對照試驗,涵蓋分數運算及類似美國 SAT 的閲讀理解題;文章指出,研究結果不代表短時間使用一次 AI 會造成永久認知損傷。
北卡羅來納州立大學研究團隊研發雷達腕帶,讓用戶可在前臂上以手指操作手錶,將前臂用作觸控板。系統校準需時3分54秒,手勢識別正確率為92.8%;測試共涉及20人,按壓力度辨識率為90.2%,測距精度為10.2毫米。團隊估算元件成本不到10美元;目前仍是原型,腕帶電路板外露。
卡內基梅隆大學的 OATs 以 E Ink 螢幕和 Google Gemini,將日常物件變成會表達情緒的 AI 小寵物。主模組成本約 20 美元,目前仍是研究原型。12 人試用研究中,部分參與者為令角色開心而多做運動、照顧植物或整理雪櫃。
HFS Research 與 Rackspace 調查 502 名企業高級 AI 決策者,發現多職能部署 AI 的企業中,僅 28% 自評達到或超越原定商業目標。
丹麥奧爾堡大學團隊研究擴散語言模型的記憶與訓練資料提取,發現採樣步數會影響原文被精確恢復的機率;在同規模電郵補全比較中,擴散模型的提取水平低於自回歸模型。1.1B 參數模型中,達到 50% 提取機率門檻的電郵樣本數分別為 16 個和 213 個;LLaDA-8B 從一步恢復改為逐詞恢復後,達到該門檻的樣本數由 9 個增至 179 個。
物理學家 Nathaniel Craig 與 GPT‑6 Astra 協作提出標準模型的候選晶格定義,嘗試為該理論建立非微擾描述。方法把同一組力場逐步映射到更細網格,以比較費米子態並累積相位修正;在網格尺度場強受限下,可為有限晶格間距提供測度。文章指出,方案仍需專家確認反射正定性,並進一步發展至實際晶格模擬;連續時空中的相互作用理論定義亦未解決。
推薦理由:文章拆解標準模型晶格定義中的手徵粒子與相位難題,並交代 GPT‑6 Astra 如何協助把細化網格策略發展成候選構造。
中國科學技術大學趙剛課題組利用 AI,從7.5萬餘種化合物中篩選出10餘個候選分子,並完成冰晶、細胞及組織層面的實驗驗證。加入候選分子的低甘油配方令紅細胞凍融回收率超過91%;常規慢速冷凍體系的回收率由約95%升至97%以上,而人臍帶來源間充質幹細胞的復温存活率達93.6%。
研究團隊以 LoRA SFT 微調開放權重模型 CohereLabs/aya-expanse-8b,令其在受治理支出決策測試中的準確率升至 95.8%,不安全放行決策比例由基礎模型的 44.3% 降至 2.7%。在 165 個保留測試情境中,模型的合約格式有效率維持 100%。
世界經濟論壇與埃森哲指出,企業 AI 應用已進入規模化階段,但治理能力落後於技術擴張。對1500家企業的調查顯示,2025年67%處於負責任 AI 成熟度第二階段,第四階段仍為0%,真正實現系統性、前瞻性治理的企業不足1%。報告提出九項行動,涵蓋戰略與價值創造、治理與問責、開發與使用。
SPECTRA 是一套適用於不同模型架構的壓縮框架及硬件執行引擎,在 NVIDIA GeForce RTX 3050 Ti Laptop GPU 上測試六種模型,將實體容器佔用減少 64.3% 至 69.8%(2.80× 至 3.31×)。
VAE Rhythm 利用生成影片解碼過程留下的週期性痕跡,偵測 AI 生成影片;論文提出無需訓練的 phase scan,透過不同起始偏移重建影片並測量重建誤差的週期性。
BLIP-Live 提出一套整合數據、評測指標、推理及訓練的框架,用於主動式串流影片理解,並建立包含人工標註的 BLIP-Live-780K 數據集及 PAUC-F 評測指標。BLIP-Live-Qwen 在四項主動式串流基準測試中達到最先進表現,較基線最高提升 44%,並勝過多個閉源 API 模型。程式碼及數據集將公開。
VideoNexus 是免訓練框架,將詳細影片感知與以證據為基礎的規劃和推理分開,由感知子智能體在獨立上下文中處理音訊及影片,並返回精簡、具時間定位的證據。在完整 LVBench 上,以 Gemini 3.8 Flash 作為規劃和感知的共用模型時,準確率達 88.6%,較靜態輸入高 3.6 個百分點,成本為內置智能體處理的 44%。
AuXSpec 提出一套 Lean 框架,將宣告式後置條件配對可執行版本,並以測試結果的一致性作為強化學習回饋,訓練自動形式化程式規格模型。
研究提出正則化分數中心化(RSC),透過加入反向 KL 懲罰,限制學習策略與生成數據的行為策略之間的差異,以穩定離策略學習。RSC 配合截斷重要性抽樣(TIS),在所有智能體基準測試中以相同數量的採樣回應取得更高訓練獎勵,並提升樣本效率。最終評測涵蓋的六項智能體任務均取得頂尖表現,在 AppWorld 提升 14.3%,在 BabyAI 的得分則達最強基線的 9.9 倍。
VODA 提出一種即插即用的體積監督方法,直接監督與物件相關的 Gaussians,突破傳統基於渲染的監督方式,以改善 3D Gaussian Splatting 的物件分割。研究亦提出 Removal-3D,透過移除物件評估分割在體積上的完整性。
研究團隊提出 CONGA,透過辨識條件高斯區塊並按其結構和計算成本選擇實作,為後驗推理構建傳輸映射。在 Stock-Watson 通脹模型上,CONGA 將 NUTS 的每秒最低有效樣本量(ESS)提升 12.5x。它亦在原始目標無法收斂的情況下恢復收斂,包括同一模型上的 WALNUTS,以及將 6760 維電力負載模型縮減至 34 個核心座標後使用 NUTS。