研究指出 PyTorch、JAX、TensorFlow 等框架的 Softmax 與交叉熵標準實作存在兩項數值缺陷
Google DeepMind 的 Jonathan T. Barron 等人指出,PyTorch、JAX、TensorFlow 等框架的 Softmax 與交叉熵標準實作存在兩種數值精度缺陷,可能在特定條件下改變梯度。
Google DeepMind 的 Jonathan T. Barron 等人指出,PyTorch、JAX、TensorFlow 等框架的 Softmax 與交叉熵標準實作存在兩種數值精度缺陷,可能在特定條件下改變梯度。
PyPI 調查發現,在有標示語言的套件中,長尾套件列出至少一種非英語的比例為 7.7%,高於熱門套件的 2.4%,與熱門套件較國際化的預期相反。熱門套件標示語言的比例較高,為 12.7%,但其 61 種語言集中在少數套件;長尾則只有 9 種。非英語套件數量有限,結果反映方向而非精確效應。
CodeNinja Praxis 設計的實體 AI 參考架構用於蒸汽渦輪狀態監測,透過硬件單向輸出讀取 DCS,沒有返回控制網絡的路徑。MOMENT-1 用於零樣本異常檢測,IBM Granite 4.2 8B 草擬診斷筆記及測試報告,兩者在廠區內一張 48 GB PCIe 推理卡上運行。設計設定每週 2 次誤報上限,三年場地成本估算為 21,600 至 23,400 美元。
港大社會科學學院研究人員與多國專家發布 AI 及新興科技應用於精神健康領域的路線圖,提出結合腦部指標、臨牀症狀、個人生活經歷及社會背景,支援個人化治療。現有證據不支持以 AI 取代人類治療,或依賴自主系統處理高風險情況。相關技術仍處於早期階段,須接受嚴謹、以人為本的評估。
PyPI 下載量最高的 3,000 個項目中,列出作業系統分類的項目較常標示具體平台,而不是隻用「OS Independent」。在有列出分類的項目中,長尾有 80.8% 標示「OS Independent」,高於熱門項目的 71.9%;熱門項目列出多個作業系統的比例則為 28.3%,長尾為 10.5%。分類由項目自行申報,不能證明套件實際具備跨平台或純 Python 特性。
研究發現,人工智能生成文本比經往返翻譯生成的改寫文本,更常使用與人類處理難度相關的語言特徵。與人類寫作比較,九個前沿及近前沿模型都較常使用無生命主語搭配有生命動詞及低頻 n-gram;大多數模型在對話中亦有較長依存關係、更多名詞堆疊及較多縮減式賓語關係子句。
對 47,458 宗美股公司內部人士公開市場買入的研究顯示,一年後回報較典型上市股票高 2.56 個百分點,卻較 S&P 500 低 12.95 個百分點。把測量窗口延後 180 個交易日後,超額回報沒有明顯變化,顯示買入時機沒有帶來額外訊號。最大額買入組一年回報較最小額組低 17.1 個百分點。
EIA-860M 數據顯示,2022-2025 年美國太陽能及電池發電項目延遲一個月後再列入下月投運,按時投運比例略高於新列項目。太陽能項目比例為 40% 對 36%,電池項目為 35% 對 28%;太陽能延遲 2-3 個月後再列入的比例則為 27%。這些是羣組比率,並非個別項目的預測,研究亦未進行顯著性檢驗。
Munim, Inc. 比較 PyPI 下載量最高的 3,000 個套件與隨機抽樣的 3,000 個套件,發現熱門套件的受眾範圍沒有更廣,兩組都涵蓋 14 種受眾分類中的 13 種。頭部套件的受眾標記者中,97.4% 標記 Developers,尾部則為 84.8%;兩組均未使用 Religion 分類。
微軟團隊提出 Code Video Model,以可執行的 Three.js 程式統一描述場景佈局、物體運動、相機軌跡和事件時序,讓鏡頭可在影片生成前預演、檢查和修改。方法在凍結 MiniMax-H3 的情況下採用免訓練的階段化條件調度,早期用預演建立結構約束,後期由文字和參考圖引導外觀細化。研究的通路與時序實驗顯示,Proxy-VAE 較能維持結構,而參考圖主要影響亮度和整體視覺風格。
一篇 ArXiv 論文提出可質疑治理模式,讓 LLM 智能體為元數據決策提供帶信心分數和來源引用的論證,由資料管理者審核或修改後提交,並保留治理紀錄。高信心且沒有衝突的提案可在分數達 0.85 時自動提交;不確定或有衝突的提案則交由人工審核。記錄可用於審計、漂移檢測及智能體再訓練。
研究結合果蠅全腦記錄與神經力學數碼孿生,測試以內在目標訓練的智能體能否重現果蠅探索行為及未來行動的神經表徵。研究比較涵蓋好奇心、熵及能力度的 20 種內在動機算法,發現分層能力算法 DIAYN 在行為與神經的前瞻編碼表現上最接近果蠅。
研究顯示,簡單智能體循環配合高效 Lean 4 回饋,無須預設分解或搜尋流程,也能在多個形式化定理證明基準取得領先成績。
RynnVLA-Latent 以多元影片生成的 3D 潛在動作預訓練大型 VLA 策略,並在模擬及真實世界機械人基準取得高成功率。研究以 RynnLAM 處理 30.1K 小時的人類、機械人及模擬影片,產生 745.52M 個潛在動作描述符。
Δτ-Bench 評估智能體適應持續演變的工具生態系統的能力,並提出 Steward 透過增量技能維護與動態配置工具,提升智能體在環境變化下的持續成功率。基準包含 42 個領域、1,588 項經驗證的多輪任務,涵蓋六個連續生態狀態;評測中表現最強的模型或 harness 任務成功率僅為 42.3%。實驗顯示,Steward 在降低技能維護開銷的同時,能在生態變化期間維持較高成功率。
這項研究檢測公開模型庫中的量化大語言模型檔案,發現部分低位元量化版本無法正常運作。研究測試了 Ollama 官方庫 15 個模型系列的 305 個符合條件、具程式碼能力的 GGUF 標籤,以及 22 個熱門 Hugging Face 社羣檔案;7 個官方標籤(2.3%)在 164 項 HumanEval+ 任務中最多解出 6 項。
ChronoReplay 是提升串流視覺語言模型空間推理能力的訓練框架,旨在解決模型受單一答案格式限制、難以應對不同空間推理任務的問題。它將不同類型的空間監督資料整理成按時間排序的互動片段,保留各任務的答案格式並平衡不同監督類別。
研究發現,相同數據配方及安全後訓練下,不同預訓練種子的語言模型仍會對不同越獄提示失守。在 25 種數據配方、共 150 個模型的比較中,同一預訓練運行的模型非拒答率相關係數為 0.984,換預訓練種子降至 0.811,換數據配方則為 0.779。
這項研究透過多項基準測試和不同模型骨幹的大規模評估,發現不少專用記憶系統在許多情況下不及直接從原始歷史檢索的簡單 RAG,呈現負淨價值。研究以 RAG 為參照,把記憶的淨價值拆分為「記憶收益」與「記憶税」;記憶處理可能移除或遮蔽證據,造成記憶税。作者表示將向社羣開源程式碼和結果,並希望這個概念能引導更可靠的記憶設計與評估。
AgentBaton 探討在長程智能體任務中,讓能力較強與效率較高的模型在合適階段交接,以降低成本並維持準確度。它在 11 對模型及兩個代表性基準測試中,平均降低 API 成本 65.9%,準確度最高較只用能力較強模型提升 8.8 個百分點,並擴展準確度與成本的 Pareto 前沿。
實證研究顯示,小型開放權重模型完成實際編碼工作的成效,取決於服務配置、Agent 協議及隱藏行為檢查;生成連貫文字並不足以證明任務成功。45 次試驗中,直接編碼通過 15/15,量化 Qwen3-Coder 30B-A3B 工作模型通過 12/15;另一測試中,直接編碼為 45/45,Nemotron Cascade 2 工作模型為 12/45,兩項研究不合併或據此排名。
AMBIT 是一套統一框架,透過自回歸場景規劃與 rectified-flow 渲染,生成及編輯一階 Ambisonics(FOA)音訊。框架以可執行 ScenePlans 描述聲源內容、活動及 3D 軌跡,並結合 FOA 專用連續 VAE 和 on-policy 自蒸餾。評測顯示,AMBIT 在語音、音樂及音效生成的內容與空間品質,以及指令引導編輯的音質保真度和未編輯聲源保留方面,優於比較基線。
一項受控研究比較 MCP 與 CLI 介面,發現即使可執行能力相同,介面呈現方式仍會改變智能體行為、任務表現及互動成本。六個模型在三個互動環境的 2,004 次測試中,有 94.3% 出現不同軌跡;DART 在六項評測設定中最多提升 9.0 分,並在三個環境中每項任務最多減少 27.1k 個 MCP token。
ParetoRSI-Gym 評估遞歸自我改進智能體能否透過整理數據與訓練,提升語言模型在多個領域的泛化表現。Claude Code 配合 Opus-5 的 proxy-best checkpoint 泛化分數,按三個基礎模型和五個領域等權平均,較起始模型提升 9.2%(絕對提升 2.3 點);單一領域最高相對提升 63%,出現在 Ministral-3-3B 的醫學領域。
InteractiveWorld提出可驗證的模擬環境及基準,用於評估多模態語言模型能否可靠地引導人類完成實體任務。研究推出的 InteractiveBench 涵蓋六個類別、共 120 項多輪任務。對 12 個前沿 MLLM 的測試顯示,Claude Fable 5.1 在長時程 Guidance 和 Planning 任務上的最高得分分別為 20% 和 25%。
ProAS 透過動態演進的智能體參考圖,改善 LLM 智能體無評論家強化學習中的信用分配。在 Qwen2.5-1.5B-Instruct 和 Qwen2.5-7B-Instruct 上,ProAS 在 ALFWorld 的成功率分別達 91.9% 和 94.3%,在 WebShop 則分別達 66.7% 和 70.8%。訓練收斂速度最高提升 2.44 倍,並能抵禦不完美或蒸餾後的 ARG。
HuGe 利用第一人稱視角的人類及機械人數據,預訓練人形通用視覺-語言-動作模型,以支援全身人形機械人控制。模型使用超過 2,000 小時數據,並透過三階段訓練流程及模擬生成的偽本體感知狀態,完成預訓練與人形適配。HuGe 在 HumanoidArena 模擬基準取得最先進成績;Unitree G1 的真實環境實驗亦顯示,加入經視覺適配的第一人稱示範,可提升抓取及放置任務的成功率。
DynaFlow 讓主智能體合成可執行工作流程,以協調子智能體進行協作。研究只訓練主智能體,子智能體保持不變;在六項基準測試中,DynaFlow 使用 Qwen3.5-27B 主幹模型,在 Forced mode 達到 88.08% 總體準確率,較最強的受測基線高 10.90 個百分點。
研究提出 SATE-Bench,評估 MLLMs 在以人為中心的場景中能否主動探索視角,以建立空間理解。基準包含 316 個真實場景及 2,525 組多輪問答;評測發現,模型常在證據不足時提早停止探索,且難以處理精細的 3D 幾何任務。以 GRPO 微調雖增加主動探索,卻降低整體準確度。
這項研究比較 7 個前沿編碼模型上的 17 種 Agent harness 驗證設計,發現獨立評審能提升準確度,且成本增幅較低。Terminal-Bench (TB) 的平均準確度提升 5.9-9.5 個百分點,成本為基線的 1.13-1.25 倍;SWE-bench Verified (SWE) 提升 3.9-6.6 個百分點,成本為 1.00-1.04 倍。
這項研究比較 LLM 智能體在不同推理力度下的成本與表現,發現提高力度雖可提升整體準確率,卻常在低力度已能解決的任務上失敗。研究涵蓋四項基準;在每種力度都能解決的簡單任務中,最高力度成本最高可達最低力度的 42x。
PyPI 套件分析發現,熱門套件並非更集中於單一框架;長尾中最常見框架所佔比例為 28.6%,高於熱門組的 21.3%。分析比較下載量最高的 3,000 個套件與隨機抽取的 2,921 個套件。Odoo 在長尾出現 73 次,在熱門組則一次也沒有,其外掛套件推高了長尾的集中度。
兩項預先註冊的可重現普查顯示,MultiNLI 金標籤的一致程度因文本類型而異,政府文本的一致率最低(53.4%),書信最高(65.3%)。另一項 ChaosNLI 審計發現,3,113 個抽樣例子中有 311 個即使經過 100 次標註仍沒有嚴格多數。這些結果衡量的是標註者一致度,而非標籤正確性。
LayerEditor 透過組合式編輯先驗蒸餾,在單一擴散流程中將文字指令轉為可重用的前景、背景及遮罩圖層。LayerEditor(v1)在 COCO-Edit 的 Mask IoU 為 0.78,較最佳基線高 23%,並在 RTX-4090 上以 0.92 秒完成推理。研究尚未評估影片的時間一致性。
DeepSeek 關聯團隊提出 Engram,以可擴展查表模組為 Transformer 加入靜態記憶,在 27B 參數規模下,於作者報告的所有基準測試中勝過參數量及 FLOPs 相同的 MoE 基線。
報告分析原生 NVFP4 強化學習在訓練後期不穩定的原因,並提出 TRIAGE 更新方法和 miniTE 數值執行框架。在 8×B300 上,miniTE 採用 BF16 backward 的完整學習器更新速度約為 BF16 的 1.33–1.37×;另一項固定輸出服務測試的吞吐量約為 BF16 的 1.64×。
Convovo 一項研究發現,透過 API 要求模型在即將舉行的中期選舉中直接推薦候選人時,Grok 4.7 有 92% 的回答推薦共和黨候選人,OpenAI 的 GPT-6.1 Sol 則有 97% 推薦民主黨候選人。
Accenture《Hong Kong AI Index 2026》調查 150 名本港企業高層,發現只有 12% 的戰略性生成式 AI 投資成功擴展至規模化應用。只有 3% 企業把 AI 及數據全面納入核心業務策略,規模化亦受數據、流程、舊有基建及治理能力限制。報告建議先以業務成果設定投資門檻,補足數據架構與流程設計,再擴展有價值的項目。
中國信通院聯合相關機構發布《大模型詞元服務性能監測報告(2026年)》,稱2026年6月國內模型 token 日均消耗量約500萬億,為2025年12月的近4倍。報告分析2026年1至8月的監測數據,8月國內模型平均TPS為78.23個/秒,低於國外典型模型的112.82個/秒。同一模型在不同平台的TPS差距最大可接近一倍,國內歸一化均價則由2025年下半年的6.8元升至今年以來的13.46元。
一項由 Google 資助的研究發現,使用 Google Labs 未公開 AI 助手 InFlow 的初級專利律師,在專利草擬任務中的評分高於未使用 AI 的對照組。但在無 AI 的專利草稿審閲任務中,初級律師沒有取得相同優勢,評分分佈反而更分散;資深律師則保留優勢。研究作者認為,AI 可能加快部分初級律師的技能培養,卻取代另一些人的技能發展;實驗未能解釋兩者差異。