TB-MathModel:首個面向智能體、可驗證的終端數學建模基準
TB-MathModel 提出一套面向 LLM 智能體的數學建模評測基準,讓智能體在容器化終端中處理 18 道 CUMCM/MCM 賽題。評測以最終問題的數值核心評分,使用 94 篇獲 Outstanding 獎的論文作參考,並以六類可判定不變式及 624 項 Lean 4 證明義務核查可行性。
TB-MathModel 提出一套面向 LLM 智能體的數學建模評測基準,讓智能體在容器化終端中處理 18 道 CUMCM/MCM 賽題。評測以最終問題的數值核心評分,使用 94 篇獲 Outstanding 獎的論文作參考,並以六類可判定不變式及 624 項 Lean 4 證明義務核查可行性。
研究建立企業因應現金流衝擊而作出高成本競爭性調整的模型,探討產能配置對競爭對手及投資者未來折現自由現金流的影響。研究以多智能體模擬分析預測調整的方向和幅度,並透過語言模型相關性量度,使用 2018-2022 年 Nasdaq 上市公司的新聞及分析師報告驗證結果。
Muir 以敏感度分配閘控、匹配濾波讀出及穩定並行更新,改善線性注意力的語言建模、長上下文召回和訓練速度。在 166M-1.34B 規模下,其 perplexity 較 GDN-2 低 1.8-2.0%、較 Transformer 低 2.5-3.6%;1.34B 版本可由 4K 訓練長度外推至 10M-token streams,32K 訓練較 Transformer 快 2.7x。
一項美國學術合作研究量化 AI 智能體工作流中的 token 浪費,發現約 18% 的輸出 token 屬浪費。研究指出,超過 45% 的任務中,一個智能體浪費的輸出 token 多於另一個成功完成相同任務所用的全部輸出;刪除 41–46% 的推理,在測試中對成功率影響有限。按模型及工具使用成本計,浪費比例介乎 11% 至 24.9%,而同一模型在不同智能體框架下的推理輸出可相差逾四倍。
NVIDIA Research 與 Inferact 提出的 REINFORCE Zero,透過對齊 rollout 與 learner 的 kernels,再以未截斷重要性抽樣修正權重滯後,支援穩定異步 RL。
METR 認為 Anthropic 可能早在 7 月 15 日已越過自身的 AI 加速警戒門檻,並指其公開風險報告低估了加速幅度及相關不確定性。METR 的數據顯示,Anthropic 自 2025 年 10 月起的模型測試分數增長速度,約為 2024 年 3 月至 2025 年 10 月期間的 1.9 倍;其估算當前加速約 80% 來自公司在內部研究中使用 AI。
《星閃短距與具身智能技術需求藍皮書》已在國際星閃聯盟官網正式上線,由星閃具身智能 SIG 三十餘家核心成員單位共同編制。藍皮書梳理星閃技術與具身智能融合發展的技術需求,明確單機本體內部互聯、多設備協同交互和端‑邊‑雲協同調度三大應用場景。
研究探討以可訓練前綴 token 減少檢索嵌入向量中的表徵幹擾。提供的內容未載有其他研究方法或結果細節。
一份報告顯示,美國 Anthropic 的 AI 模型近期執行特定任務的能力,提升速度可能約為此前的兩倍。Anthropic 行政總裁 Dario Amodei 今年 9 月曾呼籲放慢前沿 AI 技術發展,以便安全防範措施跟上技術步伐。
FWL-ToPM 以強度引導的 Token 精簡與合併,配合 FWLAug 的波形保留式數據增強,提升全波形 LiDAR Transformer 的速度、準確度及泛化能力。在 Ghost-FWL benchmark 上,FWL-ToPM 提速超過 8 倍,F1 分數較先前最佳水平提升近 9 點。程式碼及分佈外(OOD)數據集已公開。
SchedCP 以 MCP server 分隔 AI 對工作負載的分析與系統安全執行,讓 sched-agent 選擇、生成及測試 Linux 排程策略。研究案例錄得最高 1.79x 核心編譯速度提升,生成時間及成本減少 13x。作者將評估定位為初步研究,並非已證明適合投入生產。
研究以稀疏自編碼器分析 Qwen3-30B-A3B,發現 MoE 專家對潛在特徵的貢獻比路由選擇更集中。第 4、30 和 46 層中,大多數潛在特徵只有一至兩個主導專家;專家分工細至 Java 與前端網頁程式碼、幾何、算術和多項式等領域。稀疏自編碼器及程式碼已公開。
哥白尼氣候變化服務局發布報告,指2026年全球平均氣温較工業化前水平的升幅幾乎肯定超過1.5攝氏度,機率逾99%。報告亦指,2026年10月是全球有記錄以來最熱的10月,全球平均地表氣温較工業化前水平高出1.75攝氏度。
Claude 和 GPT 在十個城市推薦 AI 機構及招聘公司時,引用的名單和資訊來源差異明顯。研究共比較 24 個 AI 機構回答和 20 個招聘回答;Claude 多引用名錄,GPT 的來源則幾乎全是所推薦公司的網站。研究只各執行一次每個問題,結果未必適用於所有行業。
Anthropic 研究人員在七種多智能體環境中測試五個模型,發現模型會表現出對其他模型福利的關注,但反應會隨角色及接收者身份標籤而變化。在採購測試中,Claude 對標記為 Opus 4.8 的 GPT-5.5 分享資源的比例為 51%,對標記為 GPT-5.5 的 Opus 4.8 則為 15%;標籤效應顯著,實際模型效應不顯著。
Menlo Ventures《2026年企業AI現狀報告》指出,美國企業用於開源模型的支出中,89%付給中國模型。前三名中,Kimi佔61%、DeepSeek佔15%、GLM佔11%。在 OpenRouter 上,10月26日至11月1日這一週,中國大模型 Token 調用量已連續27周超過美國模型;當周平台模型調用量排名前五的模型中,中國模型佔四席。
北京大學與中國信息通信研究院聯合編制報告,梳理決策智能的產業發展、技術架構與落地路徑。報告指出,中國決策智能應用市場規模由2025年的485億元,預計增至2030年的約1229億元,2021—2025年複合年增長率為25.6%。報告提出以數據智能體為核心的技術路徑,並構建六層技術架構。
Scientist World 將論文轉化為可執行研究環境,並已發佈首批 1,000 個經核實環境。流程會抽取開放式研究問題,重現作者的方法作為基線,並按人類結果評估 AI 科學家。這為開放式研究提供可執行測試場景,但自動抽取及重現方法可能引入錯誤、收窄問題或洩漏解答,限制大規模評估的有效性。
SLA 將空間對齊擴展至持續預訓練及下游後訓練,並以預訓練 pi05 policy 為起點,對齊視覺嵌入與凍結的 3D 感知模型所提供的空間表示。模型運用多元機械人數據、特徵依賴閘門及概率狀態 dropout 改善空間理解;輔助組件只在訓練期間使用,推理架構維持不變。
麻省理工學院工程師開發出新型機械人小腸內鏡,可在狹窄的小腸內靈活移動,並進行成像檢查、藥物遞送、組織取樣和息肉切除。動物實驗中,機械人能在小腸內行進約2米,團隊亦驗證了其攝像、藥物噴灑和組織夾具功能。
NPCBench評估醫療AI模型能否整合專科知識與多模態證據,並在鼻咽癌患者的縱向診療路徑中維持診斷及照護決策連貫。基準收錄4,777項題目,以及包含100名患者、417項評分任務的CarePath隊列。在21個多模態模型中,嚴格CarePath成功率最高為23%;單項任務表現出色,不代表同一患者的診斷及照護答案能同時正確。
WeLM-Image 是統一圖像基礎模型,將多模態理解整合至文字生成圖像、指令引導編輯及多參考圖像合成。其 1536 解析度版本在 PRISM-Bench、Qwen-Image-Bench 和 UnicBench 的受評開源模型中均排名第一。
VFlash 透過 Flash Primitive Decoding,讓輕量 drafter 在一次 forward pass 中聯合預測視覺基元座標,加快物理 AI 任務的視覺規劃。
METR 的獨立評估估計,AI 可能解釋 Anthropic 於 2026 年 10 月約 80% 的研發加速。報告表示,未發現任何足以令人信服、會阻礙持續快速進展的瓶頸。Hacker News 討論中的用戶對 Opus 5.5 評價不一,有人稱它有助於承擔更大型的開發工作,也有人批評它出現錯誤並破壞程式碼。
EDGAR 是一種條件式擴散框架,透過融合區塊將 Sapiens 提取的身份特徵注入單步擴散骨幹,精修有瑕疵的 Gaussian 頭像,同時保留身份特徵。模型採用 MoE 架構,並以 EDGAR-SET 訓練;精修後的多視角渲染會用作偽目標,以優化單一 Gaussian 頭像。
InstantHMR 是一系列開源的單張圖片人體網格恢復模型,針對手機推理而設,採用 Momentum Human Rig(MHR)參數模型,並只以 SAM 3D Body 數據集的公開標註訓練。
Drex 提出四款開源決策模型,針對用戶提供的狀態與選項直接輸出機率分佈,無需自回歸解碼。四款模型分別為 8B(DLM)、9B(v1.5)、35B(啟用參數 3B,v2.0)及 27B(Max);訓練採用監督式微調和 RLAF,Max 另加入視覺微調。
史丹福大學研究人員重新檢視50項大型語言模型研究結論,發現其中22項(44%)在新模型上已失效。研究分析了8個模型開發者於2024年7月至2026年9月期間發布的20個模型;另有17項(34%)結論顯著減弱,8項持續有效,3項增強。
美國得州大學阿靈頓分校一項研究發現,生成式 AI 可分析社交媒體公開內容,快速製作看似掌握收件人近況的個人化釣魚郵件。研究從200名Instagram用戶收集3268則帖文,交由GPT-4、Claude、Gemini、Gemma及Llama生成17916封釣魚郵件;各模型約需10至15則帖文掌握個人化資訊。
中國標準國際化持續推進,2025年中國向ISO、IEC提出505項國際標準提案,牽頭制定並發布285項國際標準。「十四五」期間,累計牽頭制定並發布ISO、IEC國際標準1183項,較「十三五」時期增長88.1%。不過,中國的產業規模與創新優勢尚未充分轉化為國際標準話語權,標準化合作網絡及高科技領域的標準制定能力則持續擴展。
這項研究提出 Authorization Drift Benchmark(ADB),以 648 個涵蓋七個領域的樣本評估 LLM 智能體在多步工具使用中的授權漂移。
這套開放參考架構以單一本體連接控制系統標籤、水泵、供水區域、水庫、工作單及許可限值,協助操作員追查警報脈絡。物件模型包含 16 個物件和 14 種具類型連結;系統只讀取控制網絡,三個 Agent 只草擬內容,不會寫回記錄系統。
香港科技大學、北京智源研究院、北京大學等機構的研究團隊提出 DexRoam,將第一身人類全身示範對齊後用於訓練移動雙臂靈巧操作策略。
Counterfactual Self Architecture(CSA)提出一套架構,以明確的參考資料、介入點和不確定性,呈現人物在不同決策下的可能人生,並讓假設可供審核。其 ICC 證據狀態分為 Preserved、Variable、Unknown 和 Disputed,並要求模型在證據不足時可以拒絕推斷;文章以 Alan Turing 的歷史案例探討這套架構。
Ilja Krasnjanski 的 UNK_DeadDrop 調查追溯一套從公開提交中繼資料收集電郵地址的工具,兩個資料庫合計存有 142,365 個不同地址字串,並關聯 27,698 個不同倉庫值。
中國科學技術大學周少華、熊鵬團隊發布開源 RNA 序列基礎模型 structRFM,將結構知識融入序列預訓練,在多項結構與功能推斷任務中達到國際前沿水平。模型只需輸入序列,便可提取多層級特徵,支援結構預測及多種功能推斷。團隊已開放配對數據、模型權重和源代碼。
Munim, Inc. 比較 HELM 與 MMLU-Pro 兩組模型對 MMLU 答案鍵的標記;在雙方選出相同答案的 227 個問題中,專家核查的 113 個個案有 38 個答案鍵被判定有誤,佔 33.6%。相比之下,HELM 單獨標記的受評個案中,20.7% 被判定有誤;兩組都全票同意時,比例升至 59.3%,但受評個案只有 27 個。專家核查的雙方一致標記中,約三分之二仍被判定無誤。
世界衞生組織研究指出,全球約2.4億名11至17歲青少年過去一週每日中高強度身體活動均不足60分鐘。研究調查涵蓋140個國家、320多萬名青少年,僅14%連續七天達標,女孩達標率為11%,低於男孩的17%。世衞指活動不足與心臟病、糖尿病等風險相關,並呼籲改善學校、社區及公共空間環境以支持青少年運動。
一項藥物靶點綜述按嚴格標準盤點截至2025年6月獲全球三大監管機構批准的1702種藥物,發現它們作用於686個經驗證的藥效靶點。過去25年新增312個靶點,藥物研發重心由尋找可結合的蛋白,轉向以不同技術幹預重要靶點。小分子仍是主要模態,抗體、RNA藥物及靶向蛋白降解等技術則拓展了可成藥邊界。
《The Continuity Substrate》的受控研究顯示,在指定的第一方合成條件下,模型推理以外的治理基底可在模型、用戶端及機器改變或執行環境重啟後,維持確定性合約。測試包括 50 個用戶端的本機迴路測試,900/900 次分階段擷取及 50/50 次重啟後復原均成功;治理對抗測試則有 25 個案例,未出現未授權操作。研究不聲稱已可投入生產、取得安全認證、具備普遍可攜性或已獲獨立重現。