跳到正文
11月13日週五
  1. HuggingFace Daily Papers(社區熱門論文)45

    水下影像品質指標是否符合人類感知?一項涵蓋人類選擇、簡單編輯與生成漂移的基準測試

    研究比較 73 種水下影像品質評估指標與人類偏好,發現沒有任何指標能持續符合人類判斷。五項參照中,Q-Align 的最差 Cohen's kappa 僅為 0.23,低於研究中兩名評分者的中位數 0.41;常用的 UCIQE 亦常偏好人們不接受的編輯。研究推出 TrustUIQA 基準;在 Nano Banana Pro 複製鏈中,只有 73 項分數中的 22 項隨影像噪聲增加而逐步下降。

  2. HuggingFace Daily Papers(社區熱門論文)43

    PaperCritic:訓練 AI 評審評估論文可靠性

    PaperCritic 以強化學習訓練,透過同時提升論文可靠性審查要點的精確率與召回率,在同領域測試中勝過前沿模型及其他訓練方法。研究以 1K 篇 ICLR 投稿及 23K 個人手撰寫和 LLM 生成的審查要點,建立 PaperSound-23K 數據集。模型亦能遷移至 Nature 系列論文審查,以及程式碼審查、法律合約審查和故事寫作回饋等任務。

  3. HuggingFace Daily Papers(社區熱門論文)49

    按檔案大小和每項已解決任務能耗選擇量化 Qwen2.5-Coder 模型

    研究按 Ollama 列出的檔案大小及每項已解決任務的能耗,為量化 Qwen2.5-Coder 提供選型指南。測試涵蓋 24 個 GGUF 檔案,並以 542 項 EvalPlus 任務評估;在 1 GB 和 2 GB 檔案中,指南分別選出 1.5B 和 3B 的 q4_K_M。7B-q2_K 在解題數上未顯著勝過 3B-q4_K_M,但每項已解決任務的能耗高出 2.03 倍。

  4. HuggingFace Daily Papers(社區熱門論文)40

    JFinBench:可持續更新的日本金融基準測試,題目取自最新資格考試

    JFinBench 是一個可定期更新的日本金融基準測試,涵蓋會計、税務、理財規劃及銀行業,收錄 2026 年六項定期舉行的資格考試中的 321 道題目。測試 12 個近期大語言模型時,Claude Fable 5 和 GPT-6 Astra 的整體分數均超過 93%,最佳開放權重模型 Kimi K3.1 Pro 則低 Claude Fable 5 12 個百分點。

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

    WebArena-Pro:面向網頁智能體的異質、多模態、可重現基準測試

    WebArena-Pro 推出面向網頁智能體的異質、多模態、可重現基準測試,涵蓋音訊和影片內容。基準測試包含 300 項任務,分佈於六個領域類別的 20 個自託管網頁應用程式;Codex 搭配 GPT 6.1 Sol,以及 Claude Code 搭配 Claude Opus 5.5,均取得 62.3% 的最高表現。每項任務均獨立執行,並支援可重現的平行評估。

  6. HuggingFace Daily Papers(社區熱門論文)39

    GPBam:德國公法考試檢索基準測試

    GPBam 是涵蓋德國公法考試案例及法條的基準測試,聯合評估法律檢索與長篇法律意見生成。研究評估了 32 個開放權重及專有模型;不使用檢索時,得分介乎 4.81 至 76.42 分(滿分 100 分),加入檢索最多提升 4.1 分。法條原文回憶表現與法律意見品質高度相關,在 32 個模型中相關係數為 ρ=0.92。

  7. HuggingFace Daily Papers(社區熱門論文)37

    展望智能體機械人:機械人系統的新時代

    論文提出以基礎模型和具身 harness 組成的 Embodied System 2,作為智能體機械人的決策核心,並勾勒實現可靠實體自主的研究方向。文章指出,GPT-6 Astra 的發布標誌機械人技術新範式出現;具智能體 harness 的前沿模型在數週內於多項具身 benchmark 追平或超越專用策略。

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

    Gamer:面向長時程即時遊戲智能體的通用視覺—語言—動作基礎模型

    miHoYo Honkai AI R&D team 開發 Gamer,讓通用視覺—語言—動作基礎模型透過螢幕截圖、鍵盤和滑鼠進行長時程即時遊戲互動。模型以 10K+ 小時遊戲軌跡進行持續預訓練,並使用約 1.2M 條推理標註和約 223K 條記憶標註;Streaming-vLLM 在基準測試設定中將推理延遲降低超過 20×。

  9. HuggingFace Daily Papers(社區熱門論文)38

    MEM-SQL:以記憶增強 Text-to-SQL

    MEM-SQL 利用經驗證的 SQL 元件及按需查閲資料庫結構,提升 Text-to-SQL 準確度並降低成本。HARE 基準包含四個數據集的 1,600 個請求,涵蓋如何沿用及修改歷史 SQL;在六個語言模型上的測試中,MEM-SQL 的平均執行準確率由 Direct Generation 的 37.1% 升至 50.0%,輸入 token 減少 76.6%,延遲降低 68.8%。

  10. HuggingFace Daily Papers(社區熱門論文)66

    更多智能體、更多樣本,還是更多思考?拆解多智能體大語言模型中的協調、集成與測試時計算

    這項研究綜合九項主要實證評估、共 516 種多智能體配置,發現與樣本數或資源預算相匹配的基線相比,多智能體系統準確率平均低 0.042。在這些可比對照中,74% 的多智能體結果準確率等於或低於基線;由單次貪心基線改用抽樣基線,準確率差異平均下降 0.038。

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

    ReDiverse 如何恢復蒸餾圖像及影片生成器的多樣性

    ReDiverse 透過探查蒸餾圖像及影片生成器的內部激活,找出少步擴散模型的多樣性崩塌源於激活方差集中於較少方向,並提出恢復多樣性的方案。ReDiverse-FT 以輕量適配器微調,ReDiverse-TF 則無需訓練,沿教師模型的主方向引導激活;兩者均在保留生成品質的同時恢復樣本多樣性。

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

    自我改進記憶促進持續遞歸式自我改進

    研究提出自我改進記憶(SIM),記錄智能體 harness 修改所針對的問題、修改理據、預測及實際結果和評估背景,供後續持續遞歸式自我改進使用。十組配對編碼測試中,SIM 在九組取得較高分數,平均提升 2.36 分(95% CI: 1.05–3.68;p = 0.003)。研究結果不代表每次遷移都能改善表現。

  13. HuggingFace Daily Papers(社區熱門論文)43

    AscendGYM:面向 Ascend NPU 真實工作負載的成本感知核心優化基準

    AscendGYM 是一套評估 Ascend NPU 核心優化能力的基準,初始版本包含 48 個分為三個難度級別的核心,測試案例取自真實訓練及推理工作負載。它支援模型評估和模型框架評估,並以 Speedup-Token Score(STS)衡量加速效果與 token 成本,評估模型或框架在可接受預算內的實際優化能力。

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

    AnisoFlow:為流模型學習各向異性預測目標

    AnisoFlow 為基於流的生成模型學習可調的各向異性預測目標,提升生成品質而不改動模型架構或取樣器。在 ImageNet 256times256 上,相較 JiT 基線,FID 由 1.90 降至 1.55。像素空間文字生成圖像中,AnisoFlow 改善圖像品質,並在低精度推理下大幅減少拼接縫隙偽影。

  15. HuggingFace Daily Papers(社區熱門論文)58

    Marimba:面向語音的 System One 模型

    Marimba 是一個面向語音的 System One 模型,用戶可對即時音訊輸入文字問題,並每 250 ms 收到文字答案。單一凍結的 Qwen3-ASR-0.6B 處理所有問題,可在手提電腦 CPU 上運行;説話者計數在 AMI 和 VoxConverse 上優於 pyannote 3.1,300 段 FLEURS 音訊的語言識別率為 100%。

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

    eDIAR:透過 e-means 實現免訓練的開放説話者串流分段,適用於長會議和大型檔案庫

    eDIAR 以 e-means 在所有説話者槽位用盡後再聚類嵌入向量,無需重新訓練即可解除串流説話者分段的固定人數上限。在長達一小時的會議中,它比 Streaming Sortformer 更準確,而且每次更新的成本不隨會議長度增加;e-means 亦以快數倍的速度達到 Lloyd's k-means 的聚類品質。

  17. OpenAI:失準報告與通報59

    OpenAI 以自動化紅隊測試訓練 GPT-6 Astra 和 Sol 抵禦高風險領域越獄

    OpenAI 透過自動化紅隊測試生成合成越獄提示詞,並以此進行強化學習,訓練 GPT-6 Astra 和 Sol 抵禦高風險領域的越獄攻擊。以強化處理後的提示詞訓練的模型,在固定的未見攻擊者越獄測試及適應性攻擊測試中,均較基線呈現更高穩健性。OpenAI 表示,GPT-6 Astra 處理有害請求更安全,同時較少拒絕正當請求。

  18. Apple Machine Learning Research46

    語言模型對齊的理論極限

    研究刻畫 KL 正則化語言模型對齊在固定 KL 預算下可達到的最高預期獎勵增益,推導出其由 Jeffreys divergence 而非過往分析採用的 √KL 所主導。理論分析指出,獎勵集成可減輕獎勵駭客問題;在安全和摘要任務中,Best-of-N 接近理論極限,而 PPO 和 GRPO 明顯未達最優。

  19. CNET48

    如何與 AI 協作完成創意工作,會左右成果與工作滿足感

    一項研究發現,與 AI 協作完成創意工作時,協作方式會影響作品質素、創意多樣性及工作滿足感。研究安排 285 名學生分組完成寫作任務,三種協作方式帶來相近的效率提升,但成果和參與者感受有明顯差異。Human Creativity 和 Copilot 組的作品優於 Human Confirmation 組;研究者指出,人類投入構思和大綱規劃,AI 協助執行,效果較好。

11月12日週四
  1. Unite.AI51

    UTS 研究人員開發可用意念控制機器的生物感測器

    悉尼科技大學(UTS)研究人員與澳洲陸軍及國防創新中心合作,開發出可讀取腦波並以意念控制機器的生物感測器。感測器由石墨烯與矽製成,置於頭皮後方偵測視覺皮層腦波;用戶注視頭戴式擴增實境鏡片上的白色閃爍方格,解碼器便會將訊號轉成指令。澳洲陸軍曾示範以這套介面控制 Ghost Robotics 四足機械人,準確率最高達 94%;研究人員稱,系統可在兩秒內提供至少九種指令。

  2. DEV Community50

    GPT-6 Astra 修改小型模型權重,展現 AI 除錯方向

    MIT 研究人員以 GPT-6 Astra 修改開源小模型 Qwen3.5-0.8B 的權重,使其 MATH-500 評分由 7.9% 升至 48.1%,約 0.016% 的參數有變。改動集中於兩個張量;研究尚未證明直接編輯比微調更便宜、可靠或可擴展。Nathan Barry 指,較簡單的線性規劃方法以約少八倍的權重改動,重現或超越大部分提升。

  3. DEV Community18

    主動藍隊防禦、應用密碼學與安全運作

    文章為 Acuity Health 提出企業級主動防禦與欺敵架構,結合密碼匙管理及分散於臨牀子網絡的誘餌資產。架構以 AES-256 保護靜態電子病歷、以 TLS 1.3 保護傳輸中資料,並採用零信任架構。未經授權接觸誘餌會觸發 Microsoft Sentinel 高優先級遙測,並透過 CrowdStrike Falcon 即時隔離端點。

  4. TNW78

    Google DeepMind 的 AI 智能體用 AlphaProof Code 形式化驗證 Signal 加密程式碼

    Google DeepMind 公佈 AlphaProof Code,利用 AI 智能體形式化驗證 libsignal 的部分程式碼,檢查 Signal 一對一聊天的多項安全性質。研究團隊在四週內產生約 6.5 million lines 的證明,研究人員沒有撰寫證明程式碼。驗證範圍限於研究人員自行構建的程式庫,未涵蓋 Signal 應用程式、羣組訊息或金鑰生成。

    推薦理由:這項工作展示 AI 智能體如何配合人工制定規格與 Lean 證明,並界定驗證範圍,呈現形式化驗證的實際流程與限制。

  5. 創業邦52

    研究顯示未來醫生 MedGPT 在複雜肺癌病例診療方案評分中以 88:12 領先 250 名三甲醫生

    未來醫生 MedGPT 在一項以 40 宗複雜肺癌病例進行的研究中,平均得分 85.29,高於 250 名三甲醫生無輔助時的 53.26。在與醫生無輔助提交的 750 份診療方案一對一比較中,MedGPT 有 660 次獲較高評分,結果為 88:12;底層模型直接回答時,得分下降近 24 分,移除多學科會診模組則下降 16 分。

  6. 新浪科技28

    工程·新視界|城市何以智能?

    吳志強院士團隊聯合多國科研機構,在《工程·城市(英文)》創刊號發表論文“The AI City: From Multi-Agent Intelligence to CityAI”,提出 CityAI 概念。城市智能被視為居民、規劃師等人類主體與人工智能體、政府機構、基礎設施及環境持續互動後,在城市尺度形成的關係性與湧現性能力。