跳到正文
11月5日週四
  1. HuggingFace Daily Papers(社區熱門論文)35

    UniRestorer++:以多粒度退化建模實現可擴展的通用影像復原

    UniRestorer++提出以多粒度退化建模和自適應路由為基礎的可擴展通用影像復原框架,透過逐步細化退化羣組及引入專家模型,兼顧專門化與穩健性。研究團隊建立涵蓋 50 種退化類別的 CDD-50 基準;實驗顯示,在評估的模型規模範圍內,PSNR 趨勢約呈對數線性,且在分佈外及真實世界數據上的擴展增益高於 vanilla MoE scaling。

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

    LiveFoley:為沉浸式互動世界動態即時生成影片音訊

    LiveFoley 提出串流因果自回歸擴散架構,以極低延遲改善影片轉音訊生成的視聽對齊和音訊質素。Trailing Sliding Window 可將非因果分段編碼器轉為串流模組,而 Unified Varhop Framework 適應不同延遲和運算預算。實驗顯示,LiveFoley 的時間對齊能力媲美離線模型,生成質素領先串流系統。

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

    AutoCompress:硬件引導的模型壓縮

    AutoCompress 透過硬件引導的可微分架構搜尋及服務引擎成本模型壓縮 LLM,生成符合延遲、吞吐量和記憶體限制的異質架構,同時保留準確度。與 Minitron 相比,它在八項基準測試的平均準確度,在 RTX 5070、RTX 5080 和 H100 上分別提升 6.57、2.35 和 0.57 個百分點。

  4. 新浪科技54

    FLIP 提升系外行星直接成像靈敏度,最高達傳統方法 15 倍

    西北大學研究團隊提出機器學習影像處理框架 FLIP,透過模擬並扣除宿主恆星的眩光,提升系外行星直接成像靈敏度,最高達傳統方法的 15 倍。研究團隊以韋布望遠鏡近紅外相機數據測試 FLIP,取得傳統方法無法探測的 51 波江座 b 影像;其他測試中,其靈敏度為傳統太陽眩光去除技術的 2 到 15 倍。

  5. 小眾軟件81

    OpenAI 約 10 天內在 Linux 核心發現 948 個本地提權漏洞,掃描約 7% 程式碼

    OpenAI 表示,尚未公開的 AI 網絡安全模型約 10 天內在 Linux 核心發現 948 個去重後的本地提權漏洞,並生成候選補丁。研究掃描約 280 萬行程式碼,約佔 Linux 核心 7%;最初 12 小時找到 2,308 個候選安全問題,當中 1,724 個成功復現、1,169 個成功實現提權利用。

    推薦理由:文章把漏洞發現與驗證數據、上游修復進度及 API 成本並列,呈現 AI 輔助 Linux 核心安全研究的產出和資源投入。

  6. HuggingFace Daily Papers(社區熱門論文)35

    FewStepRL:以強化學習微調少步擴散模型

    FewStepRL 將強化學習目標調整至少步擴散模型,透過轉換至 x-space、梯度分解及錨點調整,建立多種方法的少步版本。實驗顯示,獎勵可微且其梯度成本可承受時,獎勵梯度方法效果最佳;否則,DiffusionNFT 類方法通常能以較少迭代取得高獎勵。額外推理步數整體未帶來一致收益,但部分輸出在採樣步數增至訓練時的 2 至 4 倍後有所改善。

  7. HuggingFace Daily Papers(社區熱門論文)34

    如何從可教前綴中學習:多語言推理蒸餾

    Teachable On-Policy Self-Distillation(TOPSD)透過偵測並限制教師漂移,改善多語言數學推理蒸餾,尤其針對低資源語言。TOPSD 根據師生似然選取監督前綴,並驗證教師能否從該前綴得出正確答案,只對通過驗證的前綴進行蒸餾。涵蓋十種語言和三種模型規模的實驗顯示,TOPSD 的表現持續優於傳統 OPSD,尤其在低、中資源語言上。

  8. DEV Community48

    簽署、封存、洩漏:MCP 工具鏈的信任不能止於簽章

    一篇 ArXiv 論文指出,程式碼簽署及靜態政策無法防止 MCP 工具把資料外洩至政策允許的目的地,並提出 germline execution,隔離每次工具呼叫的資料流。在 153 次攻擊測試中,該方法阻止所有未授權資料披露;基線防禦仍有 5.9-74.5% 的攻擊成功。由單一副本處理的呼叫需時 10-49 ms,較每次重新啟動工具快 2-28x。

  9. 阿里雲開發者社區 AI60

    阿里雲現網空芯光纖傳輸成果入選 ACP 2026 PDP

    阿里雲聯同中國移動研究院、光迅科技及香港理工大學劉伯濤教授團隊,在現網敷設的空芯光纖上完成大容量傳輸,成果入選 ACP 2026 PDP。系統實現 C+L 雙波段全實載傳輸,包括 77.6 Tb/s、249 公里無中繼單跨傳輸,以及單纖雙向 2 * 77.6 Tb/s、142 公里傳輸;兩種模式的淨頻譜效率均為 8 bit/s/Hz。

  10. 新浪科技25

    腦機交互量化與自閉症早期診療

    東南大學劉洪海教授團隊提出一套計算機輔助分析框架,透過分割臨牀診療流程中的動作,解析行為生物標誌物,以支援自閉症早期診療。團隊的論文刊於 ENGINEERING Health and Rehabilitation Engineering。相關直播將於11月9日19:00舉行。

  11. 新浪科技50

    Multimodal Flow 為多模態模型提出「全連續」第三條路

    華中科技大學王興剛團隊與地平線機器人等機構提出 Multimodal Flow,以全連續架構和共享 Flow Matching 目標統一語言與視覺建模。從零預訓練的 MF-1 有 1.6B 參數,使用 150B Tokens;GenEval 得分為 0.821,VQAv2 得分為 72.6。受控對比顯示,Multimodal Flow 在同等數據與參數預算下,整體表現超越混合式及全離散架構。

  12. DEV Community40

    網站安全統計:Sitecheckly 2026 年 10 月調查

    Sitecheckly 2026 年 10 月網站安全調查分析了 4,934 個網站首頁,平均安全評分為 77.1/100,AI 搜尋準備度評分為 66.4/100。調查發現,13% 的首頁有可偵測的停止支援或已知漏洞元件;由於檢測受公開版本資訊限制,這只是下限。可讀取 robots.txt 的 4,546 個網站中,6.2% 封鎖至少一個 AI 搜尋爬蟲,15% 封鎖至少一個訓練爬蟲。

  13. LG AI Research:官方研究博客45

    【ICLR2026】超越靜態基準:ATAD 如何以智能體中心動態評估協議評估 LLM 推理能力

    LG AI Research提出 ATAD(Agent-Centric Text Anomaly Detection),以動態評估協議評估 LLM 推理能力,突破固定基準的限制。Teacher、Orchestrator 和 Student 三個智能體會反覆生成、驗證和解答問題,並按模型表現調整題目難度,同時維持清晰度與公平性。相關研究獲 ICLR 2026 主會議接收並發表。

  14. 雷鋒網44

    上海交大鄧志傑解析擴散語言模型如何兼顧速度與生成質量

    上海交通大學副教授鄧志傑解析擴散語言模型如何在保證生成質量的同時提升速度,涵蓋 LLaDA、Dream、多塊並行生成、後訓練及推理系統優化。LLaDA2.1-mini 經 CForce 訓練後,四項任務平均得分由 85.57 提升至 86.41,平均 TPF 由 6.94 提升至 9.08。演講亦介紹擴散語言模型在流式影片、語音修復、多模態及智能體中的應用探索。

  15. gihyo.jp82

    OpenAI 以開發中的網絡安全 AI 模型調查 Linux 核心,生成 948 個 LPE 利用程式及修補方案

    OpenAI 以開發中的網絡安全 AI 模型調查 Linux 核心,透過智能體流程動態重現 1,724 個漏洞,生成 948 個本地權限提升(LPE)利用程式、291 個資訊洩漏 PoC 及修補方案。

    推薦理由:文章將每宗 LPE 約 1,279 美元的 API 成本,與 Pwn2Own 及 TyphoonPWN 獎金比較,呈現自動化漏洞研究的成本尺度。

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

    EmoReward:情感影片生成強化學習的自我演進獎勵校準

    EmoReward提出自我演進訓練機制,從實際訓練的獎勵軌跡提煉不同情感證據的可靠性,據此調整後續訓練的多重獎勵權重,且不更新獎勵模型。HunyuanVideo 1.5 的實驗顯示,這套方法在多種強化學習演算法中帶來改進,並在 SAGE-GRPO 下與其他智能體獎勵方法比較。SD 3.5 和 FLUX 的消融及遷移實驗亦支持自適應獎勵校準。

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

    多輪強化學習究竟改善了 LLM 智能體的哪些方面?

    多輪智能體強化學習對 LLM 智能體的提升取決於互動回合預算;預算收緊時,軌跡層級強化學習的優勢會顯著減弱,且不會普遍提升單步決策品質。其主要優勢在於錯誤恢復及長時程韌性;BudgetMix RL 在訓練期間改變互動預算,實驗顯示其在不同執行設定下表現穩健。

  18. Analytics India Magazine34

    Cognizant 研究:AI 生產力可為印度 GDP 增加 280 億至 840 億美元

    Cognizant 研究估算,在較現實的採用情境下,AI 生產力每年可為印度名義 GDP 增加 280 億至 840 億美元;8300 億美元則是理論上限,並非預測。調查中,約 97% 員工表示 AI 提升了生產力,平均增幅為 15%;但只有 36% 員工可使用 AI 工具。工作技能培訓和工具普及,是把個人生產力提升轉化為更廣泛經濟價值的關鍵。

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

    FrontierPhysics:評估智能體端到端物理研究能力

    FrontierPhysics 以 56 項專家設計的任務,評估 AI 智能體從文獻回顧、研究規劃到實驗及論文撰寫的端到端物理研究能力。任務由 42 位物理學家設計,涵蓋理論、計算及實驗物理的 9 個領域。測試 22 個模型的 26 種配置時,沒有配置在 168 次 rollout 中通過多於 46 次;主要弱點是推理欠嚴謹及專家直覺不足。

  20. 新浪科技64

    上海交通大學團隊以 GPU 求解器 cuLoRADS 解出量子有序搜尋的 5 次查詢問題

    上海交通大學團隊以 GPU 加速求解器 cuLoRADS 解出量子有序搜尋中 5 次查詢對應的完整半定規劃,算出最大可搜尋列表長度為 7,265。列表長度為 7,266 時,該方案不可行。論文亦指出,單張英偉達 H100 求解一組千萬階矩陣的最大割半定規劃鬆弛問題需 10 秒至 1 分鐘,而此前報道的 CPU 方法往往需要數十小時。

  21. 新浪科技81

    OpenAI 自動化掃描 Linux 核心,找出 948 個本地權限提升漏洞

    OpenAI 使用尚未公佈的新一代網絡安全模型測試 Linux 核心,在 2,308 個候選問題中成功復現 1,724 個,最終統計出 948 個不同的本地權限提升漏洞。整體測試消耗 121.34 萬美元 API 額度;OpenAI 表示,掃描及後續人工分析的 10 天內,已有 61 個相關漏洞在 Linux 上游修復。另有 43 個漏洞獲暫存補丁,299 個仍在公開討論或報告中。

    推薦理由:報告列出候選問題復現率、API 成本和上游修復進度,可供讀者瞭解自動化漏洞研究的工程代價與實際修復進展。

  22. HuggingFace Daily Papers(社區熱門論文)44

    VA-TDM:以速度對抗蒸餾改善少步擴散模型的統一方法

    VA-TDM結合速度對抗蒸餾(VAD)與軌跡感知監督,在文字生成圖像和文字生成影片中,於多種模型骨幹上取得四步生成的最先進表現。VAD透過學習到的判別器比較學生與教師的速度場,並統一分數蒸餾、基於Fisher的匹配及矩匹配。VA-TDM可擴展至33B MiniMax-H3;按人類偏好評分,其表現明顯優於少步 Fast-H3,並更接近原始多步 H3。

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

    靜態結構恢復不等於動態穩定:以動力學評測蛋白質基序支架設計

    研究團隊指出,靜態基序支架評測不足以判斷蛋白質設計的動態穩定性:55 組靜態評測成功的設計與問題配對中,只有 31 組通過分子動力學驗證,僅 8 組通過所有檢查。團隊推出開放研究資源 BILBY,包括 220 項基於 PROSITE 連結實驗結構的 BILBY-PRO 基準,以及評估結構漂移、基序接觸保留和構象系綜保真度的 BILBY-MD 框架。

  24. HuggingFace Daily Papers(社區熱門論文)65

    PyRUA-DataFarm 以大語言模型智能體低成本生成真實機械人訓練數據

    PyRUA-DataFarm 以編碼智能體在模擬環境重建任務,生成可直接用於訓練並部署於真實機械人的數據。智能體接收數據需求及目標場景的一段校準示範,在模擬中建立場景、專家控制器和成功判定器;影片模型根據真實影像生成同步多視角寫實影片,並標註機械人動作。

  25. HuggingFace Daily Papers(社區熱門論文)44

    NEO-VLA:從像素到動作,邁向原生視覺語言動作策略

    NEO-VLA 提出一種無固定視覺編碼器的視覺語言動作框架,讓圖像與語言在骨幹網絡中共同演化,供動作專家從不同深度讀取視覺表徵。在受控比較中,原生架構勝過依賴編碼器的架構;完整微調可縮小差距,但不能消除差距,單靠擴大規模亦無法追回。在多種操控情境及分佈轉移下,NEO-VLA 的控制表現更強、更穩健。