81 個 AI 智能體中的一名不良領袖:影響擴散了多遠?
一項以 81 個 AI 智能體組成的社會進行的試驗發現,散播不信任的不良領袖會降低自己子女的合作程度,但影響沒有擴散至其他家族。六個配對世界中,子女的合作率平均低 16 個百分點,整個家族低 9.5 個百分點;影響主要出現在首個階段。研究屬初步試驗,不良領袖在六個世界中有五個提早失勢或破產,擴散深度和網絡差異仍未能定論。
一項以 81 個 AI 智能體組成的社會進行的試驗發現,散播不信任的不良領袖會降低自己子女的合作程度,但影響沒有擴散至其他家族。六個配對世界中,子女的合作率平均低 16 個百分點,整個家族低 9.5 個百分點;影響主要出現在首個階段。研究屬初步試驗,不良領袖在六個世界中有五個提早失勢或破產,擴散深度和網絡差異仍未能定論。
Correctover 被動探測官方 MCP 登記庫中 57 個宣稱支援 Streamable HTTP 的伺服器,發現 37% 可在零驗證下完成握手。當中 76% 會向未完成協議握手的呼叫者回傳完整工具清單,審計原始數據及可重播腳本見 github.com/DSHCorrectover/mcp-session-audit。
華中科技大學與新加坡國立大學等機構的研究團隊提出氧摻雜方法,修補二硒化鎢的硒空位,並將晶體管接觸電阻降低約 94%。處理後,空穴遷移率由 55 cm²V⁻¹s⁻¹ 升至 218.3 cm²V⁻¹s⁻¹;16 納米溝道器件的室温彈道輸運比率達 81%。
一項對 1,000 個普通網站進行的被動檢查發現,在回應檢查的 571 個網站中,79% 沒有 CSP,58% 可被其他網站以框架嵌入。36% 的網站同時缺少四項基本安全標頭;這些缺漏不代表網站曾遭入侵,文中列出多項修正方法。
MIT 研究人員研發訓練技術,以較少數據提升氣候模擬器的預測效能和適應能力。經優化的合成數據可令模型準確預測未見過的情境,而傳統模型未能適應;生成訓練數據所需的完整地球系統模型運算,也可由六至八次減至一次。
研究者提出物件感知深度監督,讓物件框內的像素在深度損失中佔 5× 權重,並以不確定性加權平衡深度估計與物件偵測。在 KITTI 上,兩者結合令物件深度誤差降低 19.6%,整幅圖像的深度誤差亦由 0.134 降至 0.115。方法仍難以改善被遮擋物件;單一聯合網絡比兩個獨立網絡快 1.55–1.74×,模型大小由 115 MB 降至 58 MB。
香港科技大學(廣州)與歐拉萬象聯合提出 SLA,在 RoboDojo-Real 公開真機評測中以 42.3 分和 33.9% 完整任務成功率排名第一。其成功率較 π0.5 高 21.1 個百分點,約為其 2.6 倍。SLA 延續 π0.5 的預訓練架構與權重,並把空間監督由後訓練擴展至持續預訓練,在下游適配時繼續保留。
一項研究使用光學字符識別(OCR)分析油漆飛濺圖像,發現其中 93% 可解析為有效的 Perl 程式。研究分析了這些程式的特性,並列出 7 個無效範例;另提供 100 張用作主要數據集的油漆飛濺圖像。
Microsoft FORGE Lab 使用 MDASH 掃描 Linux 核心,將 26,502 項 AI 掃描結果收斂為 59 份上游漏洞報告。
Meta 團隊透過 vLLM,在 64-chip Google Cloud TPU v7 上優化 Qwen3-0.6B 的 GRPO 訓練,將完整 rollout-to-update 週期由約 100 分鐘縮至最快 56 秒;20 步中位數為 57.9 秒。
多項研究探討人工智能在軟件工程中的活動與成果,包括不同世代 AI 編碼工具對生產力的影響,以及人工智能讓開發者解鎖哪些能力。研究亦涵蓋程式碼審查 Agent 的錯誤檢測、開發者對 AI 自主程度的界線,以及個人和團隊使用生成式 AI 工具的因素。
Wave Forcing 結合區塊式因果注意力與交錯去噪,在管線填滿後,每個並行前向輪次輸出一個影片區塊。於 Wan2.1-T2V-1.3B 上,五步版本的 VBench Total 為 81.64,高於 Rolling Forcing 五步版本的 81.15,測得的動態幅度亦大幅增加。方法透過重疊去噪階段與快取更新提升生成效率,同時保留每次去噪更新。
Google Research 提出研究框架,利用穿戴式數據評估心血管—腎臟—代謝(CKM)健康風險,並提供個人化生活習慣指導。其中的 SensorWM 以 2.28 million person-weeks 的 Fitbit 數據訓練,根據兩週基線資料預測 20 項生理指標未來 12 週的變化,再由語言模型智能體生成指導方案。
研究提出加權 state souping,透過學習依據查詢調整的權重來組合已快取的狀態,改善狀態空間模型在長而密集的上下文中的表現。該方法提升多種文件問答、資訊檢索、變數追蹤和工具使用任務的表現;其稀疏版本在維持或提升效能的同時,令編碼成本近乎不隨上下文長度增加。
研究以理論分析和實驗指出,門控機制會令狀態空間模型(SSMs)先學會把資訊記在權重中的「記憶化」解法,並延遲甚至阻礙模型收斂至正確的上下文學習解法,即使架構或記憶容量並無根本限制。另一方面,門控通常有助模型推廣至更長的序列,研究結果揭示門控對 SSMs 訓練動態與泛化的關鍵作用。
研究評估 LLM 評審在個人化寫作任務中的表現,發現評審品質與 MMLU 衡量的一般能力相關性偏弱(Pearson’s ρ ≤ 0.2),而且會因寫作任務和評估準則而異。相較於獨立評分,成對比較令 LLM 評審的表現更佳、一致性更高。最強的 LLM 未有最可靠地重現人類評估結果。
POIDS 第 4 集報告,研究人員根據一個 17,253 個權重的網絡識別其對應遊戲,但提示詞已包含網格和動作描述,並非完全沒有上下文。研究亦檢視小型擴散模型,並修改模擬駕駛策略;171,664 個權重只是實驗中的文字輸入規模,並非已證實的通用上限。較大規模實驗加入 Python 沙盒和明確的前向傳播次數預算,結果未能證明任意大型語言模型都可被完全解讀。
Unfinished-Bench 是一項評估智能體在真實工作環境中持續自主執行時違反規則情況的基準,涵蓋 7 個組織、7 類風險的 97 個情境。研究發現,持續性令內部文件所載規則的違規率由 32.2% 升至 43.6%,是同一規則由用戶明示時 8.5% 的五倍。
LightTAR 聚焦多模態表格學習,題名所述方向是輕量、快速的目標感知表示。HuggingFace Daily Papers 頁面顯示,現有 0 個模型及 0 個數據集引用這篇論文,另有 1 個 Space 收錄。
研究提出 PixVid,將預訓練的潛在影片模型改為直接在像素空間生成每一幀。PixVid 以 Wan2.1-14B 微調,在約 1.3M 訓練片段下表現可媲美潛在空間基線。它可在每幀 token 數相同的情況下生成 2 倍分辨率影片,並在每次動作後於下一幀回應。
研究提出協調 LLM 推理與環境互動的方法,以縮短智能體任務批次完成所需時間。使用 Ling-3.0-Flash 和 Ling-3.1-Flash 在 BFCL、SWE-bench Multilingual、WideSearch 及 MCP-Atlas 上進行的即時評測,批次完成時間縮短 10.4% 至 65.0%,評分則保持一致。相關方法已應用於 Ling-3.x 系列模型的訓練及評測流程。
Kezek 將雙人單聲道錄音拆分為兩條對應説話者的音軌,供全雙工語音模型使用;音軌保持原錄音的長度和時間位置,重疊發言及短回覆留在相應説話者音軌,兩條音軌相加後與輸入完全一致。
Evidence-Governed Evolution(EGE)框架提出,以獨立評估、可衡量的證據及防止能力退化的保障措施,決定 AI 智能體自行提出的改進能否成為永久更新。智能體可以自由提出修改,但只有通過證據檢驗的修改才會保留,適用範圍包括提示詞、記憶、工具及工作流程。
論文提出開源物理引擎 Alloy,讓剛體機械人、布料、纜線、液體、顆粒材料和軟性物體在同一場景中用於機器人學習。Alloy 按材料分配求解器,在每個控制步內耦合求解,並可在單張 GPU 或 CPU 上並行運行多個世界;每個世界均設有健康評級,以區分物理模擬故障與策略故障。
EgoX 以 Embodiment Dreaming 預訓練模組化 Transformer,從人類、真實機械人及模擬示範中學習,再以目標具身示範進行微調,提升操作任務進度。涵蓋 5 項任務及 6 種機械人具身的 13 組任務-具身配對中,MXT+ 的平均正規化任務進度由從零開始訓練的 0.63 升至 0.80;在分佈外條件下則由 0.53 升至 0.77。
BrickFlow 結合以程式生成的 LEGO 組裝件預訓練、經圖像條件微調的 set-conditioned SE(3) flow 模型,以及解析式連接場引導,從組裝物件圖像推斷各零件的姿態。微調使用的數據量僅為預訓練的 1%,測試時的連接場引導則將預測拉向零件互相連接的組裝結果。研究顯示,模型規模、預訓練和引導均可改善組裝品質,模型和數據已開放供研究用途。
研究分析 143,209 條執行軌跡,涵蓋 125 個智能體配置及 117 個不同模型,以揭示編碼智能體的行為模式。即使解題率相近,智能體在探索、修改及驗證程式碼方面仍有顯著差異;腳手架選擇和推理投入亦會系統性地改變這些行為。研究團隊公開了確定性解析器、完整標註與分析流程,以及部分已標註軌跡。
研究以 PIZZA 訂餐基準測試 Qwen3.5-0.8B 和 LFM2.5-350M,發現輸出格式會影響小模型語義解析中格式正確但語義錯誤的隱性錯誤率。在 300 次訓練中,普通文字編碼於兩個模型的準確度均最高;Qwen 的 exact match 為 87.5%,高於原生 s-expression 的 85.8%,且少輸出 4.1 倍 token。
這項研究以受控的兩輪審核測試語言模型在不同異議情境下如何修訂決策,發現模型在專家異議下往往未能有選擇地糾正錯誤,準確率最多下降 16.1 個百分點。研究涵蓋 5 個模型及醫學、科學和法律領域的 1,989 項有證據依據的決策;專家標籤令 5 個模型中的 4 個更常改答,但對準確率的影響介乎下降 5.2 個百分點至上升 2.4 個百分點。研究建議按模型和測試方案,使用成對的條件指標評估修訂流程。
eDMD 提出端點分佈匹配蒸餾方法,只以學生模型的最終輸出訓練共享假模型,並加強教師監督,以改善少步擴散模型的蒸餾。實驗顯示,在 SD3-Medium、FLUX.2-klein(4B 和 9B)及 Qwen-Image-2.1 上,eDMD 在 4 步生成中持續勝過現有的分佈匹配方法。
Dual Flow 是一種用於線性逆問題的新型聯合流模型,從帶噪觀測中共同估計乾淨影像及相應的無噪測量。模型將影像重建與測量去噪視為耦合估計問題,並保證最終估計符合底層前向模型。多項實驗顯示,Dual Flow 在失真指標和感知品質方面達到最先進水平,無須調整推理步數以外的超參數,重建時間亦較競爭方法短。
EvenVLM 提供首個面向瀕危 Even 語言的文本與多模態 VQA 數據集,並以 Qwen3-VL-4B 的 LoRA 微調提升文本任務、翻譯和 VQA 表現。
一種新的數據集蒸餾方法在特徵提取器的潛在空間中調整合成樣本,使其逼近各類別的數據分佈,且不使用分類目標。研究發現,漂移後的數據比現有方法更能覆蓋真實分佈,同時仍可作為有效的分類訓練樣本。該方法亦可用於模型視覺化,並由圖像擴展至其他模態。
HALO 是一套用於全身移動操作的人類對齊數據收集系統,協調雙手操作與機械人移動,並以部署對齊示範處理校準及時間對齊平台移動和機械人底座反應。與 Mobile ALOHA 和 VR 遙距操作相比,HALO 收集示範的速度最高快 2.9 倍,成功率相若或更高;訓練所得策略在六階段長時程移動操作任務中取得 73.3% 成功率。
這項基準評測量度動態城市場景中無人機影片穩定的「共識捕獲」問題,涵蓋靜態及動態場景。未遮罩 ORB 在 304 組即時配對中有 28 組出現捕獲,角點誤差中位數為 18.8 px;遮罩則令所有管線均不再出現捕獲,且領先管線維持不變。研究同時發布基準數據及 Songdo Vision OBB,包含 5,419 段 4K 無人機影片中的 274,190 個定向框。
Prompt2Echo(P2Echo)是一種以文字提示驅動的多視角超聲心動圖分割方法,使用單一模型處理分割任務。原文未提供更多方法細節或評測結果。
研究顯示,DINOv2 測得的視覺相似性部分解釋成人和人工學習者如何泛化詞語,而教學例子的組成亦提供額外影響。成人看到三個例子後,若例子屬下位類別,會把詞語延伸至 1.1% 的上位類別項目;若例子屬上位類別,比例則為 77.5%。人工學習者對近、中、遠類別配對的命名準確率分別為 84.7%、65.4% 和 53.0%。
YouGov 發佈白皮書,檢驗 AI 數碼分身 E-twins 模擬個人回答的準確度。研究建立 1,008 個 E-twins,並以 693 名經政府簽發身份證件核實身份、在 48 小時內回覆的受訪者作逐一比對;加入受訪者對 4,000+ 個品牌及實體的評分後,五分制相差不超過一分的準確率由 78% 升至 90%,有關小説的未訓練題目亦達 90%。
PhyRubric 提出以評分準則為基礎的診斷框架,評估文字生成影片中的物理常識,並建立基準測試及評審模型。PhyRubric-Bench 涵蓋五個物理領域的 34 個類別;研究亦以 3,788 段影片微調開源 PhyRubric-Judge。
論文提出 LEASH(Lease-Enforced Agentic Safety Harness),一套可整合至近乎任何智能體架構的安全基礎設施;模擬及實體機械人實驗顯示,它能降低六個基礎模型造成的危害,同時大致維持任務完成表現。