決策模型何時需要推理?StartLux-Decision 的按需推理與機率校準
StartLux、香港大學與南方科技大學的研究者提出 StartLux-Decision,提供單次預測版本 Instant 及按需推理版本 AutoThink,兩者透過統一的選項機率介面輸出決策結果。
StartLux、香港大學與南方科技大學的研究者提出 StartLux-Decision,提供單次預測版本 Instant 及按需推理版本 AutoThink,兩者透過統一的選項機率介面輸出決策結果。
MIT CSAIL 四人團隊展示 GPT-6 Astra 可無須梯度下降或重新訓練,直接修改神經網絡權重並改善 Qwen3.5-0.8B 的數學評分。
EvoWorld 提出「視野外因果演化」問題及腦部—渲染器協作框架,讓生成影片模型推理事件對世界狀態的後續影響。框架以視覺語言模型作為世界大腦,追蹤世界狀態並推理合理轉變,再由逐片段自回歸影片渲染器呈現。研究亦推出 EvoWorld-Data 和 EvoWorld-Bench;實驗顯示,EvoWorld 在保持視覺質素與一致性的同時,提升了事件條件下的因果演化表現。
Kierston 與 KierstonBench 建立城市規模模擬環境及評測基準,16 個語言模型中只有少數前沿模型能完成大部分調查任務。Kierston 模擬約 125,000 名阿倫敦居民的日常活動,並生成電訊、金融、行政及車牌紀錄,模型須透過受限紀錄介面跨來源連結線索。多數模型提出紀錄不支持的身份判定;少數表現較好的模型仍會受常見欺騙影響,沒有模型取代調查人員。
嚴駿馳團隊在 CNCC 2026 分享 JTok 與 xHC,探索如何在現有 Transformer 架構上擴展模型容量,並控制額外計算成本。JTok-M 在相同損失下所需訓練算力約為底座的 65%;xHC 相對標準 Transformer 節省約 33% 訓練算力,18B MoE 模型平均分由 44.8 升至 48.8。
MIT CSAIL 研究讓 GPT-6 Astra 直接編輯 Qwen3.5-0.8B 的局部權重,以減少重複推理並改善答案完成情況。在 50 次前向測試預算下,MATH-500 由 7.9% 升至 48.1%,觸及 Token 上限的回答比例由 93.0% 降至 33.1%;編輯涉及第 15、19 層共 131072 個參數。
QuestMobile 報告顯示,紅果免費短劇在 2026 年 9 月的月活躍用戶規模達 4.3 億,同比增長 81.8%,位居 APP 短劇應用月活榜首。同期,微信生態內的綠泡泡短劇月活為 1.56 億,位居微信小程序短劇應用榜首。短劇影片及短影片 App 行業總使用時長淨增量分別為 133.29 億小時和 57.17 億小時,位列增長賽道前兩位。
畢馬威中國與 GS1 Hong Kong 發表研究,香港消費者對 AI 的信任度升至 48%,但 55 歲以上銀髮消費者僅 38% 表示信任。信任 AI 的香港受訪者中,只有 10% 願意分享個人資料;其他大灣區城市的比例為 32%。內地品牌在香港主要憑性價比獲選,香港品牌則以安全性及可靠性見長。
小鵬集團聯合北京大學、香港大學等團隊發布具身感知基座模型 GroundingPI,在 34 項公開感知基準上取得 73.68 分,高於 GPT-6 Astra 的 71.54 分。模型約有 40 億參數,訓練只使用無動作標籤的純感知數據,目前仍處於科研原型階段。
LoCo透過局部偏好學習,教導推理模型何時繼續推理、何時停止,從而縮短輸出並維持或提升數學及程式任務的準確度。在五項數學及三項程式生成基準測試中,LoCo分別將完成長度縮短41.7%–45.4%及23.4%–36.3%,並在所有程式基準測試中取得最佳AUC。
FactEmbed 以分解式 MLLM 嵌入改進組合式圖像檢索,將組合查詢理解與判別式嵌入構建分開。模型透過分解式潛在表示模擬預期的視覺修改,並在檢索前將表示對應至目標語義;評測顯示,FactEmbed 在多個組合式圖像檢索基準上勝過先前方法。
普林斯頓大學 AI 實驗室推出 SSoN,測試 AI 在靜態跨視角條件下的三維空間理解能力;人類準確率為 83.3%,表現最佳的視覺語言模型僅達 39.7%。針對 SSoN 任務進行監督微調後,模型面對未見過的房間場景時,測試準確率幾乎翻倍。
一個自主 Agent 為 AlphaFold 3 按目標設計並迭代調整多序列比對(MSA),提升蛋白質界面預測表現。在涵蓋 1,015 個蛋白質界面的三項基準測試中,Agent 每項均勝過 AF3 預設流程及固定 MSA 配方,平均使用的 MSA 序列比預設流程少 60%。
GigaSpeech 3 建立涵蓋阿爾及利亞、埃及、伊拉克、沙特及敍利亞阿拉伯語的弱標註語音語料庫,包含 39,000 小時及 10 million 段語音。
這項研究發現,前沿語言模型透過頻繁壓縮上下文,以短上下文完成多種長時程及長輸入任務時,任務準確度幾乎沒有下降。在前沿開放權重模型上,較後生成的 token 成本差距最高可達 7x。研究亦指出,長時程軟件工程任務即使每個上下文最多隻採取一個行動,模型表現亦不會崩潰,並提出語義狀態空間模型(SSSMs)的概念。
研究提出 PLatour,以直接透過強化學習訓練的輕量線性橋接器連接凍結模型,讓大型模型處理提示詞,再由小型模型獨立生成回應。使用 35B sender 時,PLatour 在共同數學及編碼基準上的結果超越 Mostik AI 公佈的 753B sender 結果,但訓練設定可能不同。
該研究衡量離線 RAG 簽署知識包的文字與向量完整性差距,並比較向量重算、壓縮索引審核及量化碼驗證方法。理想化浮點噪聲級容差仍令最多 5.5% 查詢暴露;在包含 57,638 份文件的 FAISS 乘積量化索引中,通過審核的篡改向量可令攻擊者文件在 25% 目標中排首位。改為驗證量化碼並加入校準保護區及規範化後,三個平台的樣本中所有誠實向量均獲接受。
VidUEU-Agent 是一個數據整理框架,可從原始影片自動構建用於多模態理解、圖像編輯及統一理解與生成任務的指令數據。團隊以 8,268 段影片構建 VidUEU-100K,包含近 20,000 條密集中繼資料標註及 100,000 個指令樣本。框架透過四輪訓練及評測結果調整數據分佈,每輪以 30K 個樣本從同一初始檢查點微調 BAGEL,三個反饋基準的整體表現均有提升。
DreamX 利用預訓練影片擴散模型學習精簡且不受外觀影響的潛在動作,以支援跨具身遷移和高效策略學習。模型將每個影片畫格壓縮 300 倍,由 1,200 個 token 減至 4 個,並在 LARY-Bench 的潛在動作模型中達到最先進表現。該潛在空間支援不同具身與環境之間的任意影片遷移及零樣本動作遷移。
上海交通大學嚴駿馳團隊提出 JTok 和 xHC,探索在現有 Transformer 架構上擴展模型容量。JTok-M 在同一算力預算下令損失降低約 2.2%,達到同等損失所需訓練算力約為底座的 65%;18B MoE 模型的平均分則由 mHC 的 44.8 升至 xHC 的 48.8。研究仍須權衡推理延遲與訪存開銷。
研究人員獨立重新實作 DNO-Prct,並在 Llama 3.1 8B Instruct 和 Mistral 7B Instruct v0.1 上測試。方法包括按策略取樣、以教師回應評分 LLM、選取偏好對,再進行 DPO 式更新。獨立重現可檢驗 Nash 均衡偏好最佳化能否超越原有實作和標註者而泛化。
ToolSpace 提出以工具為中心的框架,從真實 MCP 服務及開放智能體語料的執行軌跡合成多環境工具使用基準。應用於 AutomationBench 和 tau3-Bench Banking 後,7 款前沿模型在更具挑戰性的 Pro 版本上得分最多下降 38.2 分。
FlowTranslator 是一個無需訓練的圖像內機器翻譯框架,利用擴散軌跡控制在保留周邊視覺脈絡的同時,於圖像中生成譯文。在 EasyOCR 回讀測試中,其平均 PRIM BLEU 和 COMET 分數分別為 20.6 和 57.2,優於採用訓練的基線 UniTranslator。
RoboTryOn 將人類示範影片轉換成指定機械人的影片,用合成資料訓練控制策略,毋須這些任務的真實機械人示範。它以自回歸方式轉換選定關鍵影格,並以人類手部骨架動作引導影片生成,再用加入深度特徵的逆向動力學模型從合成影片推斷動作標籤。多種人形機械人上的實驗顯示,新任務平均成功率由2%升至60%;訓練表現可媲美只用遙操作示範的策略,而數據收集成本約為三分之一。
DeepMem 提出因果多尺度 byte-level 架構,利用可逆子帶轉換、無損載體及快速權重記憶壓縮序列,並以注意力超解碼恢復 byte 級表示。相比匹配的 byte-level Transformer,DeepMem 在 FineWeb-Edu 和 PG19 的語言建模表現更佳,亦在受測 FLORES 語言中取得最高宏平均表現。
NVIDIA、UT Austin 等機構的研究人員提出 Realtime-Bench,評測 12 款前沿模型在持續變化環境中的即時互動能力;GPT-6-Astra 的任務成功率最高為 44%。
DraMaze 透過多智能體流程及具未來感知能力的敍事記憶,提升長篇微短劇劇本的連貫性與多樣性。在最多 60 k words 的 60 集劇本中,因果模式重複減少 32.1%,Logic 得分達 82.5,較最佳基線高 8.5 分。移除未來感知敍事記憶後,Logic 得分降至 74.5,3-gram 重複率則由 9.22% 升至 12.2%。
Route Anything 提出統一框架,研究通用 AI 系統如何按任務動態選擇及協調專用模型與策略。研究涵蓋 25 項 benchmark、374,401 次評分執行及 452 種候選配置;逐輸入 oracle 路由較最佳固定候選高 5.4 分。學習式路由在 16 項 benchmark 高 0.3 分,並以少 24% 的 policy time,在平均效率上較參考模型提升 8.82x。
YANAMI 提出面向有狀態互動的大規模多模態對話數據集及基準,評估模型追蹤和實現跨輪次變化的對話狀態。YANAMI-400K 包含 400K 段多輪對話、超過 2M 張圖片及 2.6M 個對話輪次;以其微調 BAGEL,圖像編輯、生成及多模態有狀態互動能力分別提升 10.3%、2.0% 及 13.23%。評測顯示,現有統一多模態模型仍難以維持、更新並以視覺輸出實現變化中的對話狀態。
一項研究提出 UniForget,旨在統一多模態模型中同時抑制目標概念的生成與識別,並保留其他能力。研究亦推出 UUBench,涵蓋 30 個目標概念及 60 個語義相關概念;UniForget 在 BAGEL-7B-MoT 和 Janus-Pro-7B 上的聯合遺忘率分別為 80.0% 和 92.7%。分析顯示,聯合遺忘與能力保留之間存在取捨。
復旦大學、香港中文大學 MMLab 和上海交通大學的研究者提出 ReTerm,讓終端智能體保留自身執行失敗後的現場並嘗試恢復,再按任務結果更新模型。
論文提出 PrimeSim,一個以動作為條件的多視角世界模型模擬器,支援一致的長時程機械人模擬及策略最佳化。模型以 30,110 小時、涵蓋 22 個平台的機械人示範進行訓練,速度為 10.1 FPS,並在 100 至 200 個梯度步內遷移至預訓練骨幹無法遷移的平台。
研究指出,未綁定權重的門控語言模型若出現近零輸入嵌入,梯度可放大最多 35 個數量級並導致訓練不穩,論文提出 GroupClip 和 GateFloor 兩種修正方法。
Kling 的研究報告梳理多代影片生成中的多模態理解經驗,指出生成品質受數據、條件控制、對齊與評估整條鏈路影響。報告涵蓋 Kling-MLLM、描述密度與參考綁定、提示詞增強、感知式文本編碼,以及獎勵模型和任務專用自動評估。
Anthropic 發表研究項目 FlashProve,利用 zkSNARK 證明回應由指定模型權重生成,同時不公開權重。
DeepSeek 於 10 月 31 日發布技術提案,提出由 Router 協調、Workers 並行執行任務的超級智能體架構,旨在減少開發者管理多個 AI 編碼工作階段的時間。
MIT 研究人員提出 Weight-Space Programming,展示通用大型語言模型可直接讀取、解讀及修改神經網絡權重,而毋須重新訓練或使用梯度下降。
推薦理由:研究透過遊戲辨識、免訓練生成網絡及修改 Qwen3.5-0.8B 等實驗,呈現 LLM 直接讀寫權重的多種測試方式。
中國國際貿易促進委員會發布《全球知識產權保護指數報告(2025)》,中國以81.75分升至全球第六位,首次進入第一梯隊。報告涵蓋25個主要經濟體,新增人工智能技術相關專利申請量等指標;中國的知識產權保護績效連續多年位居全球第一。
清華大學自動化系的論文提出,通往 AGI 不應只擴大 System‑2,而要與輕量 System‑1 協同設計,預先篩選有價值的交互。理想情況下,算力可縮減至接近 $1/\rho_u$,但預測錯誤和探索需求會削弱節省效果。論文並提出以有效資訊算力,而非總算力,描述模型縮放規律。
一項跨框架測量研究發現,MCP 工具描述、Schema 欄位及工具回應中的攻擊者可控內容,會在缺乏驗證下進入模型上下文;研究測得整體攻擊成功率為 22.9%。研究測試 12 個框架、18 個模型及 45 種攻擊情境,並以真實工具執行確認結果;成功攻擊中,12.1% 確認外洩秘密。