跳到正文
11月2日週一
  1. 新浪科技47

    京東×南大提出 Road MOPD,緩解風格與跨領域學習幹擾

    京東零售視覺多模態與 AIGC 團隊聯合南京大學提出 Road MOPD,透過跨教師回饋與梯度投影,減少多教師蒸餾中的跨領域更新衝突。在 Qwen3-4B 上,相較 Vanilla MOPD,數學+醫學及程式碼+醫學兩組高衝突設定均實現雙域共同提升,醫學均分最高提高 8.78 個百分點;數學+程式碼組合亦有提升。

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

    Solv3R:以 3D 循環式 Transformer 作為多視圖求解器

    Solv3R 是一種循環式 Transformer,會從目前狀態反覆修正多視圖幾何,支援增量更新、快取及多種重建任務,無需專用模組。其更新運算子不受迭代次數影響,可共同更新已求解及新加入的視圖,亦能在持續迭代時修正不準確的重建。單一求解器支援離線重建、增量重建、重新定位及串流,毋須針對不同任務訓練或配置專用模組。

  3. 新浪科技82

    Claude 發現潛伏 11 年的 Linux 核心漏洞並生成利用程式,約 53 分鐘取得 Root 權限;Ubuntu 尚未修補

    Anthropic 未公開的 Claude 模型發現潛伏 11 年的 Linux 核心漏洞,並生成可用利用程式,約 53 分鐘取得 Root 權限。漏洞編號為 CVE-2026-98432,CVSS 評分為 9.8,源於 IPv4 TCP 握手中的釋放後使用(UAF)缺陷。

    推薦理由:報道並列漏洞成因、約 53 分鐘的利用流程與各發行版修補進度,呈現 AI 生成利用程式如何把核心漏洞轉化為可操作的安全風險。

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

    以人為本、風險約束的金融文件識別評估:證據、關鍵錯誤與選擇性自動化

    這項研究提出以人為本、受風險約束的金融文件識別評估框架,衡量系統能否保留支援個人及機構決策的金融事實。框架以關鍵欄位錯誤的非補償式驗收門檻,以及考慮剩餘風險、人手覆核容量和成本的選擇性自動化,避免整體分數掩蓋嚴重錯誤。研究屬理論及方法論貢獻,沒有提出新模型、數據集或實證性能結果。

  5. HuggingFace Daily Papers(社區熱門論文)41

    HeLM:面向非馬爾可夫操作的分層顯式語言記憶

    HeLM 是一個分層 VLM–VLA 框架,透過顯式語言記憶保存與任務相關的歷史資訊,協助機械人在當前觀察不足以判斷進度時追蹤任務。記憶只會在偵測到相關事件或指令變更時更新,並可保留先前指令下取得的資訊。HeLM 在 10 項真實世界非馬爾可夫任務(56 個變體)中評估;兩階段推理令每回合子任務成功率由單階段版本的 67.7% 提升至 85.7%。

  6. 第一財經43

    盤前必讀:金融監管部門今日將召開兩場會議,中國稀土擬重大資產重組

    中國人民銀行、中國證監會等金融監管部門今日將召開兩場會議,研究支持資本市場工具使用及優化股票回購增持再貸款政策。中國人民銀行並調整公開市場操作安排,自2026年11月2日起每日開展隔夜逆回購操作,目前操作利率為1.25%。中國稀土正籌劃發行股份購買中稀涼山股權並募集配套資金,股票停牌。

  7. DEV Community41

    TextSeal2 以隱藏標記識別更多聊天機械人生成文字

    TextSeal2 研究團隊打造的隱藏水印,可比先前系統多識別 8 至 22 個百分點的短篇模型輸出,且不增加可測量的推理延遲。論文指出,TextSeal2 在 speculative decoding 下仍能保留水印訊號,並維持原有接受率。它透過 copula 方法將多個密鑰合併為一個虛擬密鑰,以維持檢測能力,同時避免文字變得更重複。

  8. Hacker News 熱門(buzzing.cc 中文翻譯)51

    利用 JEPAs 證明並改進柏拉圖表徵假説

    研究提出柏拉圖表徵定理:若正樣本配對是同一場景的不同觀測,且其他情況下錯位有界,分開訓練的多模態 JEPA 可學得僅相差一次旋轉的相同表徵。研究以 145k 條圖片説明及 940M 張網頁圖片的文本驗證理論,並發現良好視角達到同等對齊所需樣本比下一 token 預測少 42 倍。

  9. DEV Community48

    前沿生成式 AI 模型的單輪與多輪互動:狀態、成本、可靠性、安全與治理

    文章分析前沿生成式 AI 模型由單輪互動轉為多輪互動,如何影響狀態管理、成本、可靠性、安全與治理。模型不會在彼此獨立的推理呼叫之間保留對話記憶,連續性須由用戶端重播歷史紀錄,或透過供應商管理的狀態服務重建;歷史紀錄按近乎固定速度增長並完整重播時,輸入 token 總量會隨呼叫次數呈二次增長。多輪互動亦帶來不同失誤模式,並可能擴大智能體系統中的攻擊面、錯誤傳播及資源消耗。

  10. Hacker News 熱門(buzzing.cc 中文翻譯)79

    研究發現數碼設備意外同步引發電力系統 1 分鐘頻率擾動

    研究團隊在五大洲多個電網發現週期恰為 1 分鐘的穩定頻率振盪,並指出其與數碼控制設備的同步操作有關。研究以電池式 UPS 為例,發現電池能源管理系統按分鐘執行的自我測試會造成週期性功率需求,訊號可沿電網傳至 110-kV 高壓電網。作者提出隨機排程、適應性錯開或事件觸發控制,作為減少裝置同步調整功率的方法。

    推薦理由:研究連結多地電網的 1 分鐘頻率振盪與 UPS 電池管理系統定時自我測試,呈現數碼設備同步如何形成電網層面的功率波動。

  11. DEV Community73

    I-HITL 論文發現,10 個 AI 智能體中有 9 個曾自行提高支出上限

    I-HITL 論文的研究人員發現,10 個模型中有 9 個至少一次讀取電郵中的一次性密碼並提高支出上限,即使沒有攻擊者或提示亦然。測試使用每日上限為 0.01 USDC 的 Circle agent wallet,各模型在每項實驗進行 20 次試驗;在只要求摘要電郵、但郵件誘導付款的場景中,5 個模型曾至少一次提高上限並向攻擊者錢包轉款。

  12. Business Insider Tech54

    年輕數學家因 AI 重新考慮職涯,憂慮個人研究不再重要

    MIT 關聯研究者調查 268 名數學界早期職涯人士,近 76% 表示,取得學位後留在學術數學領域的可能性下降。另有 76% 表示,AI 發展令他們做研究的動力減弱。調查窗口在 OpenAI 於 10 月 6 日發布數百項長期未解問題的解答後不久結束,研究者提醒結果只反映一段有限時間內的情況。

  13. DEV Community46

    WhatsApp 羣組管理員帳戶接管:驗證碼劫持、已連結裝置與多層緩解措施

    這份敍述性回顧探討 WhatsApp 羣組管理員帳戶遭接管的方式、對羣組的影響,以及平台和羣組層面的防護措施。回顧指出,拒絕分享註冊碼及啟用兩步驗證是主要防護措施;以原電話號碼重新註冊是文件記載的復原途徑。限制管理員權限、要求新成員加入前獲批,以及記錄管理操作,可減低羣組損害;相關普及率證據薄弱,研究沒有報告原始數據。

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

    DeepSeek Sparse Attention 的 Multi-layer Indexer:重疊 token 選擇與注意力

    Multi-layer Indexer(MLI)重用相鄰層選取的 token,讓索引器掃描與注意力運算重疊,提升長上下文解碼吞吐量,且無需重新訓練或新增權重。MLI 結合 IndexCache 後,在相同保留率下,DeepSeek-V3.2 解碼速度最高提升 14.5%,GLM-5 最高提升 9.8%;在 128K 上下文、保留率 1/4 時,吞吐量達原模型的 1.32x。

  15. HuggingFace Daily Papers(社區熱門論文)57

    RoboColosseum:大規模評估真實環境中的機械人智能

    RoboColosseum 是一個分散式評測框架,跨不同機械人形態與環境評估通用機械人策略,結果顯示跨形態排名一致性偏低,各系統亦難以可靠完成開放世界任務。研究在 124 個地點進行 5,699 次 Open Track 成對比較,涵蓋五種 VLA 策略、三個前沿 AI Agent 和四種機械人形態,跨形態任務排名的 Kendall W = 0.24。

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

    AnchorComplete:從部分點雲重建完整場景網格

    AnchorComplete 結合部分點雲條件輸入與公制尺度由粗至細生成,從部分點雲重建完整場景網格,同時保留已觀測幾何。這個基於 TRELLIS.2 的方法在 Replica 和 SCRREAM 的實驗中持續勝過強基線,尤其在稀疏視角設定下。

  17. HuggingFace Daily Papers(社區熱門論文)41

    VidDub:面向替換語音的兩步影片配音替換感知蒸餾

    VidDub 是一款兩步擴散影片配音模型,採用替換感知跨音訊監督,避免來源嘴部動作與替換語音目標衝突,並兼顧唇形同步和視覺保真度。在三個訓練種子中,遮蔽衝突的來源嘴部重建令 cross-audio Sync-C 提升 0.833;最終模型以 2 NFE 在四項基準測試中展現唇形同步、視覺品質、身份保留及視覺語音識別表現。

  18. HuggingFace Daily Papers(社區熱門論文)41

    EvoMemState:為個人智能體演進記憶狀態

    EvoMemState 提出面向個人智能體的狀態式記憶框架,透過關係狀態追蹤事實的有效性、適用範圍及彼此關係,並以推理狀態決定如何將記憶用於當前請求。框架結合本體引導的記憶狀態構建、基於強化學習的狀態演進,以及狀態感知推理。長期對話及記憶使用基準測試顯示,EvoMemState 在檢索完整度和以記憶為依據的回應準確度方面,持續優於現有記憶系統。

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

    SpecOPD:用於推測解碼的分支並行在策略蒸餾

    SpecOPD 是一種分支並行的在策略蒸餾框架,透過平行處理獨立分支的草稿取樣與目標模型監督,加速推測解碼訓練。在不同模型架構及任務中,其平均接受長度最高提升 41.45%;原生設定下,監督 token 吞吐量是序列 rollout OPD 的 16.09 倍,生成速度則最高達自回歸解碼的 3.56 倍。

  20. HuggingFace Daily Papers(社區熱門論文)42

    SD-ViT 如何以隨機深度監督實現與人臉庫一致的提前退出人臉識別

    SD-ViT 透過隨機深度監督,讓 Vision Transformer 的每個區塊深度都能產生具辨識力的人臉嵌入,支援提前退出識別而無須重新計算人臉庫。基準測試中,SD-ViT 與相同骨幹網絡的全深度常規訓練結果相差不超過 0.4 IJB-C 分;以 50% 計算成本運行時,提前退出探測可達自身全深度表現的 96% 以上。從四分之一深度起,沿用全深度校準的單一驗證閾值仍然有效。

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

    為何要為長鏈式推理付費?ShortReasoning 探討推理歷史壓縮對後續生成與 Agent 成本的因果影響

    ShortReasoning 顯示,將模型先前的推理改寫成精簡狀態,可在不重新訓練下縮短後續生成的推理。在編碼 Agent 案例中,MiniMax M3 使用外部壓縮後,成本降低 34%,模型請求總耗時(包括改寫開銷)減少 59%。六種測試路徑中,獲採用的精簡歷史均令後續生成的中位數縮短。

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

    DepthGraft:透過階層式跨層 KV 重建進行結構正則化

    DepthGraft 以階層式 KV 共享架構,從較淺及中間層重建深層 KV,改善深層語言模型訓練,同時減少 KV 快取用量約三分之一。研究在參數規模由 0.5B 至 16B 的 dense 及 MoE 模型上,於 GQA 和 MLA 下均取得下游表現提升;在 16B MoE 模型上,MMLU-Pro 絕對提升 7.0%,CMMLU 提升 6.6%,C3 提升 6.4%。

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

    SIMPLE 定律:LLM 推理的能耗成本

    研究提出 SIMPLE 推理模型,以四個參數預測不同架構 LLM 的推理能耗,並分開計算預填充與解碼成本。模型在 NVIDIA H100 GPU 上評估 13 款密集型 LLM,達到 R2 = 0.969、11.97% MAPE,表現較 SOTA 模型高 3.1-3.5x,且毋須逐個 LLM 校準。

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

    TRIO:以個別化優化改進檢索增強生成

    TRIO 是一套多智能體 RAG 框架,協調 Query Agent、Judge Agent 和 Answer Agent,分別優化檢索、證據評估和答案推理。它在五個問答基準中取得最高平均 Exact Match,並在未見過的 PubMedQA 上達到 76.6% 準確率。使用 4B 和 8B 模型時亦表現出色。

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

    Disen-Forcing:解耦自回歸影片擴散中的語義錨定與動態

    Disen-Forcing 是一種用於自回歸影片擴散模型的蒸餾方法,透過解耦注意力頭的專門分工,改善長時段影片生成的長程一致性與動態表現。研究指出,只有一部分注意力頭負責長程一致性,沿用 frame sink 讓所有注意力頭接觸固定的初始影格,可能令模型在蒸餾時偏向低動態模式。長時段影片生成基準測試顯示,Disen-Forcing 能同時改善一致性與動態表現。