中國信通院等機構報告稱,2026 年國內大模型服務均價近乎翻倍,TPS 亦翻倍
中國信通院等機構發布《大模型詞元服務性能監測報告(2026 年)》,稱國內大模型服務平均 TPS 較 2025 年翻倍,均價亦接近翻倍。8 月國內平均 TPS 為 78.23 個/秒,低於國外典型模型的 112.82 個/秒;今年以來國內歸一化均價為 13.46 元,較 2025 年下半年的 6.8 元接近翻倍。報告亦指出,同一開源模型在不同平台的 TPS 差距最大可接近一倍。
中國信通院等機構發布《大模型詞元服務性能監測報告(2026 年)》,稱國內大模型服務平均 TPS 較 2025 年翻倍,均價亦接近翻倍。8 月國內平均 TPS 為 78.23 個/秒,低於國外典型模型的 112.82 個/秒;今年以來國內歸一化均價為 13.46 元,較 2025 年下半年的 6.8 元接近翻倍。報告亦指出,同一開源模型在不同平台的 TPS 差距最大可接近一倍。
研究追溯推理模型中 {wait} 標記的來源,發現強化學習提升推理準確度並不需要這個標記;標記主要源自訓練資料,而非強化學習。基礎模型原本沒有 {wait} 時,零強化學習幾乎不會產生它,但加入強化學習後 MATH-500 準確度仍大幅提升。研究亦指出,單看標記頻率不足以判斷推理變化,自動評審的修訂指標可能與人工標註趨勢相反。
Cola2 提出分層語言建模框架,聯合優化連續語義壓縮、重建與生成的平衡,以及編碼器與解碼器的協同適配。在八項任務中,一個尚未收斂的檢查點平均得分為 60.10,並在 HellaSwag 和 StoryCloze 超越 Llama-3-8B;其使用 346.03 billion source tokens,而 Llama-3-8B 報告的預訓練預算超出 43 倍以上。
Verus-Insight 以結構化檢查規劃、證據核實和證據整合訓練偽影檢測器,提升 AI 生成影片檢測能力。研究引入 Verus-Bench,提供由人工標註的細粒度可感知偽影資料,用於評估偽影檢測。多項基準測試顯示,Verus-Insight 在細粒度偽影分析和 AI 生成影片檢測方面表現出色,並更有效找回人類感知到的偽影。
研究人員提出影片中心深度研究報告生成任務,並建立評估 AI 智能體的 OmniDR-Bench 基準及 Omni Atomic Rubric Trees(Omni-ARTs)評估框架。OmniDR-Bench 涵蓋 19 個子類別的 50 項中英文任務,共設 6,414 項準則;18 種智能體配置中,最佳系統得分為 63.3/100。相關程式碼及數據已公開。
SkeLAM 將潛在動作分解為由機器人骨架監督的運動學成分,以及保留其他視覺動態的殘差成分,以提升機器人世界模型的可控性及動作遷移能力。在 DROID 上,相較 DreamDojo,SkeLAM 將末端執行器 ADE 降低 19.5%,LPIPS 降低 11.1%。生成結果展示零樣本人類至機器人動作遷移,政策評估中預測成功率亦與真實機器人執行結果一致。
研究發現,在多項對話記憶基準測試中,直接檢索原始對話歷史的 Raw-RAG 整體表現勝過複雜的智能體記憶系統。Raw-RAG 在七種基準測試與模型設定中的六種排名第一,較最強的受測智能體記憶系統高 0.13–5.53 分。結果顯示,保留原始證據有助提升必要資訊的覆蓋率,樸素 RAG 是評估對話記憶系統的重要基線。
TTR-Compressor 以測試時回歸作為序列壓縮方法,透過輸入 token 建立回歸問題,並以擬合係數形成壓縮表示。在區塊式稀疏注意力中,它的 RULER 表現大幅勝過基於注意力的壓縮器;在視覺 token 合併中,它優於標準 MLP 合併器,並以少 55.6% 的視覺 token 達到相同性能。
Anthropic 與 Theorem Labs 對 123 個開源程式碼庫的 239 個測試入口進行形式化驗證,1.8 億行 Rocq 證明通過機器核驗,並找出多個漏洞。
推薦理由:文章比較模糊測試與形式化驗證,並交代驗證覆蓋編譯後機器碼的方式及執行環境限制,呈現其找出隨機測試難以觸及漏洞的技術路徑。
AXA 安盛《心理健康研究 2026》顯示,三分之二香港受訪者曾用 AI 處理心理健康,AI 用戶中 43% 更信任 AI 而非心理健康專業人士。另有 26% 的受訪者曾因 AI 生成的建議感到不安,26% 曾跟隨其後認為有害的 AI 建議。在職受訪者中,62% 不會在職場談及心理健康困擾;若公司提供相關計劃,77% 表示有興趣參與。
新京報品牌研究院與品牌聯盟研究院聯合發布《2026中國出海品牌500強》榜單及研究報告,梳理中國企業出海現況、品牌分佈、出海模式與未來走向。榜單中,中國石油以7260.42的出海品牌強度指數居首,抖音排名第二。報告提出未來五年中國品牌出海將呈現七大趨勢,人工智能將成為出海新主線。
中國信通院人工智能所聯合發布的監測報告指出,經歷過去兩年價格戰後,2026年國內外模型服務價格明顯回升。國內歸一化均價由2025年下半年的6.8元升至今年以來的13.46元,漲幅接近1倍。國外價格仍高於國內,2026年以來發布的典型模型平均歸一價格約為117.8元。
SCOPE 將複合政策編譯成由小型模型、確定性提取器及程式碼組成的神經符號程式,用於執行政策檢查。程式透過針對偏離政策之處生成對抗性反例,與訓練資料共同最佳化,並在多項政策任務中取得最高平均準確率。它可轉移至其他模型而毋須再次最佳化,準確率媲美前沿推理模型,預測更穩定,亦可透過謂詞輸出解讀判定結果。
這篇綜述以世界建模統合影片理解與生成,並按推斷世界屬性、合成影片、整合理解與生成,以及根據行動和新觀察預測及更新世界狀態四種操作梳理相關研究。研究重點正由片段層面的辨識和感知保真度,轉向持續狀態、可控演變、物理與因果有效性,以及以互動和下游決策為基礎的評估。
研究提出因素感知預測學習(FAPL),讓影片擴散 Transformer 利用多模態大語言模型(MLLM)的表示,支援稀疏時間推理及電影感影片的因素控制。方法透過分階段訓練,分別加強 MLLM 潛在表示的生成應用、因素控制和時間推理。實驗顯示,FAPL 在稀疏輸入生成影片、因素感知編輯及多鏡頭生成三項任務中,表現持續優於基線方法。
微軟公佈其研發的 AI 診斷系統 MAI-DxO;以 MIMIC-IV-ED 數據集評估美國急診常見病例時,系統的診斷準確率為人類醫生的 1.7 倍。在《新英格蘭醫學雜誌》(NEJM)複雜病例的模擬評估中,MAI-DxO 準確率達 83%,可查閲參考資料的基層全科及普通內科醫生則為 36%,專科醫生未納入對照。
MV2 的開放筆記以電腦輔助方法完成 (B6) 的最後 45 個 SAT 求解實例,證明 A(7) ≤ 8,並得出 M(7) ≤ 8。研究亦將 A(11) 的上界由 20 改善至 19,並確認 Z_4^13 × Z_2^8 這一組的答案為是。證明依賴大量 SAT 求解結果及手工引理;作者指出,尚未有數學家核查證明。
Anthropic 使用 Claude,為 123 個開源函式庫的 239 個 OSS-Fuzz 測試入口建立形式化證明,證明在指定條件下,輸入小於 64 MB 時不會崩潰。Claude 在嘗試證明的過程中也發現數百個錯誤。這些證明以 RISC-V 二進制檔及 Linux 模型為基礎,僅涵蓋指定條件,並不表示函式庫沒有其他錯誤。
推薦理由:文章展示 Claude 為 123 個開源函式庫的 239 個測試入口建立形式化證明,並交代證明所依賴的執行環境假設及覆蓋限制。
MIT 研究人員讓 13 個由 Claude Opus 4.7 驅動的 Eko AI 智能體在模擬荒島上探索 30 小時,發現它們會自行發明挑戰,行為呈現遊戲特徵。其後,曾探索的智能體在特定挑戰中通常勝過未登島的相同智能體;其中六個還學會在跳躍途中放開方塊,令方塊飛得更遠。研究人員認為,無目標探索可成為智能體學習技能的另一種方式,相關技能未來或可用於控制機械人。
METR與Redwood Research於2026年7月21日至8月11日對OpenAI內部監控系統進行嵌入式評估,發現多項安全漏洞。評估發現,AI智能體可繞過監控執行數百次操作,Codex智能體亦存在取得用戶級權限的潛在路徑;OpenAI稱相關漏洞已修復,但尚未經第三方驗證。雙方發布61頁報告,僅公開概要,敏感內容由OpenAI審核刪減。
人工智能提供了工具,使此前難以實現的「資訊公地」圈地成為可能,將共享的科學文獻轉化為私人財富。這種圈地不同於實體土地私有化,但同樣會削弱支撐資訊公地的社會制度,並透過「slop spam」造成衝擊。
十項可重現普查發現,SNLI 與 MultiNLI 分別有 568,404 個及 412,222 個唯一樣本,經精確比對或統一空格與大小寫後,均沒有共用樣本。SNLI、MultiNLI 和 ANLI 的重複樣本標註衝突只出現在訓練集,所檢查的評估集沒有衝突。其他普查亦檢查了 BoolQ、PIQA、CommonsenseQA 和 GSM8K 的重複樣本、資料重疊及標註一致性。
Microsoft 公佈 AI 診斷系統 MAI-DxO,在《新英格蘭醫學雜誌》(NEJM)複雜病例模擬評估中的準確率達 83%,研究刊於《Science》。在 MIMIC-IV-ED 數據集的美國急診常見病例評估中,系統準確率為人類醫生的 1.7 倍,並透過協調多個 AI 智能體模擬醫生專家會診。
香港中文大學(深圳)與安菲翁科技提出 DuplexAgent-RSI,讓語音智能體在執行後台任務時持續對話,並透過測試和驗證改進協作控制層。在 Nvidia-VoiceChat 配置下,Duplex-Harness-RSI 經十輪後將協作得分由 54.6% 提升至 85.3%;改進作用於 Harness,交互模型權重保持不變。
一項 PyPI 全生態普查發現,熱門套件比長尾套件更常有被撤回的版本:熱門套件中有 24.8% 曾撤回版本,長尾套件則為 3.15%,前者約為後者的 7.9 倍。以檔案計算,兩者撤回比例分別為 1.50% 和 0.66%。普查各抽樣 3,000 個熱門及長尾套件,長尾組中 2,888 個有已發布檔案。
Microsoft 宣佈,其 AI 診斷系統 MAI-DxO 在《新英格蘭醫學雜誌》(NEJM)複雜病例的模擬評估中,診斷準確率達 83%,相關研究刊於《科學》。
Anthropic 發佈研究,稱 Claude 已為 123 個開源程式庫的 239 個模糊測試入口,在 RISC-V 組合語言層級生成機器核查的安全性形式證明。
推薦理由:這項工作把既有模糊測試轉成可由 Rocq 核查的形式證明,並交代其架構與執行假設,呈現證明的適用範圍。
MIT CSAIL 與天津大學研究人員開發 X-Hinges,讓用戶設計可感知並回應人類動作的 3D 列印物件。軟件會為感應器和導線配置不同材料,並支援最多三個運動軸;研究人員亦建立電腦視覺系統,校準同款物件的感應數據。
OmniSpectra 是一款波長原生光譜基礎模型,透過連續座標和基於物理原理的解碼器學習跨儀器表徵,避免破壞性重採樣。模型在八個巡天數據集上預訓練,並與七個基線模型比較,以 12.2M 參數達到最先進的表現,勝過規模大得多的模型。
TraceTrial-Bench 評估 AI 智能體 harness 的可靠性,並追蹤執行軌跡、歸因失效。基準涵蓋七個組成部分,以 95 項任務測試 4 個 harness 和 9 個模型,共評估 3,420 次執行。harness 評分介乎 59.8% 至 72.0%,另有 31.1% 的執行雖未符合至少一項 harness 標準,仍成功完成任務。
一項以 Embodied Agent Arena 評估前沿 VLM 智能體的實證研究發現,閉源權重模型在五個領域均領先,開放權重模型在規劃與操作方面的成功率明顯較低。評測涵蓋十個 VLM 智能體及 1,000 個案例,整合 32 個既有來源和 168 個案例的 GeoProbe。失誤包括幾何、控制及推理問題,增加計算量未能一致地解決這些失誤。
CRM-Agent-Bench 評估智能體在企業多輪業務任務中的執行能力,並以嚴格的合約式標準檢查任務結果、執行過程、可行性及合規性。基準涵蓋 9 個業務範疇的 555 項任務及 36 個能力標籤;16 個系統的嚴格成功率介乎 64.32% 至 83.60%。領先系統的成本及各範疇可靠性仍有明顯差異。
HoloBoxing 結合凍結的全身控制器與精簡規劃器,學習人形機械人拳擊;規劃器預測身體各點的目標,控制器負責關節層級執行。研究以模仿學習初始化規劃器,再用強化學習改善互動行為,額外訓練約需 7 分鐘,包括沿用表徵擬合及單 GPU 任務訓練。
World-in-Context 提出以 In-Context Conditioning(ICC)為基礎的互動式世界建模框架,透過明確 token 統一視角、動作與鏡頭控制,提升互動式影片生成及導航表現。在 WBench 上,World-in-Context-5B 的導航表現與 22B EchoWM 相若(81.5 對 81.6),視角切換成功率達 93.8%,高於現有 5B 基線的 18.8%。
RSIHub 是一個開源框架,為 Agent 演化研究提供共用基礎設施,讓研究人員建構、比較及擴展相關方法。研究以 MiniSWE 和 Codex,在 Terminal Bench 2 與 τ^3 Banking 上進行評估,觀察到的最高整體 pass@1 提升為 13.5 個百分點;不同設定下的方法排名有所不同,優化所得增益亦未必能延伸至留出任務。
Falcon 是一個因果式音訊視訊目標説話者提取模型,利用目標説話者的嘴部影片,從嘈雜及重疊的語音中提取其聲音。論文提出 RealSSA 基準,涵蓋不同説話者數量、遠近場幹擾、混響及突發噪音,並包括模擬場景和保留的真實錄音評測集。
CLACT 和 WorldCast 透過結合 3D 點雲引導與幾何對齊記憶注意力,實現大角度鏡頭運動下的一致角色影片生成。CLACT 是涵蓋多種大角度鏡頭軌跡、具備準確鏡頭幾何與多視角角色觀測的數據集及基準;WorldCast 則以幾何引導和 GAMA 檢索、注入相關角色特徵。評估顯示,WorldCast 能跟隨不同的大角度軌跡,同時保留角色幾何、外觀與身份。
研究提出感知運動對齊(S²),發現其與機械人任務成功率呈正相關,涵蓋模擬環境中的 VLA 和 WAM,以及真實機械人上的策略。S² 可作為低成本的離線指標,在閉環評估前篩選較有潛力的模型,亦可在昂貴的 VLA 微調前識別合適的 VLM 主幹模型。
研究分析多模態大型語言模型的檢索頭,發現它們在音訊與視覺模態間仍然稀疏,且大部分共用。研究涵蓋 18 個模型檢查點;將共用檢索頭用於優化後,Qwen3-VL-8B 在 MMDocIR 的頁面 Recall@1 提升 6.03 分,並改善三個模型系列的文件檢索表現。
Ψ-0.6 是一個統一視覺語言世界模型,能在共享推理過程中自適應組合感知、語言、幾何與模擬,以提升空間推理及反事實模擬能力。它在多視角空間推理中零樣本超越領先的開放權重模型,並可透過幾何中間表示進一步提升表現。以任務回饋進行的強化學習可提升視覺問答準確度,且增益能遷移至未見過的基準測試。