AutoMaster:透過讓同一模型成為更好的教師實現自主後訓練
AutoMaster 是一套自主後訓練系統,透過分析軌跡、設計技能、篩選資料及評估目標模型,改善同一模型生成教師軌跡的方式。系統在 Terminal、Search 和軟件工程任務中,以 4B 和 9B 目標模型測試,較 Vanilla SFT 的平均表現提升 1.42-8.99 個百分點。六種設定均顯示,微調時保留技能指示的平均表現較移除指示更高,即使評估時沒有這些指示,監督輸出亦相同。
AutoMaster 是一套自主後訓練系統,透過分析軌跡、設計技能、篩選資料及評估目標模型,改善同一模型生成教師軌跡的方式。系統在 Terminal、Search 和軟件工程任務中,以 4B 和 9B 目標模型測試,較 Vanilla SFT 的平均表現提升 1.42-8.99 個百分點。六種設定均顯示,微調時保留技能指示的平均表現較移除指示更高,即使評估時沒有這些指示,監督輸出亦相同。
《Posterior Matching Distillation》以後驗匹配蒸餾為題,收錄於 HuggingFace Daily Papers 社區熱門論文。頁面顯示,目前沒有模型、數據集或 Space 連結至該論文。
DailySafe 是一項評測多模態大語言模型能否在日常多輪互動中追蹤安全風險並提供合適協助的基準。它包含 195 組自然情境的多輪、多圖片互動,涵蓋 10 個日常領域及 42 類任務。DailySafe 已公開,並以個案安全標註評估模型在支持用戶正當目標的同時,能否識別及應對逐步浮現的風險。
TactoHand 從單目 RGB 影片預測手部表面的接觸概率、接近程度及局部 3D 力場,並在每個 MANO 手部網格的 778 個頂點上輸出結果。訓練資料彙集 24 個來源、共 49.02 million 個跨相機視角的影格;在未參與訓練的 HOCap 上,接觸 Macro-F1 為 50.5%,接近距離平均絕對誤差為 6.40 mm。
EgoCaptioner 以影片整體概述及帶時間戳記的步驟描述,改善第一人稱視角影片描述的細節與時間對齊。研究團隊從八個第一人稱視角影片來源整理出 50,000 個訓練例子,並以 Group Relative Policy Optimization(GRPO)引導描述修訂。
WeMM-Video 論文提出一系列中英雙語全模態基礎模型,涵蓋 2B、4B、9B 及 35B-A3B,整合文字、圖像、音訊和影片處理,並支援快速回應及逐步推理模式。
論文提出 TuringSpace,一個包含 125 個互動式 CAPTCHA 的合成網頁環境,透過點擊和拖曳測試多模態模型的五種空間能力。人類成功率為 94.1%,表現最佳的模型 GPT-6 Astra 仍有 25.9% 的任務失敗;最佳開放權重模型 Kimi K3 則有 68.0% 失敗。
Depth Pro 2 提出單一可擴展網絡,以原生解像度為圖像及影片估算稠密度量深度,兼顧度量準確度、邊界清晰度和時間一致性,並在這些方面超越以往方法。團隊發布了一系列模型,在度量準確度、清晰度、時間一致性及運行時間方面開創新的 Pareto 前沿,並提供程式碼和權重。
Coda-DaVinci 提出一套適應任務的 Code2Video 智能體框架,按實體調整建模粒度,並協調代理引導生成、直接生成、模擬及提示詞。在 VTR 的指令遵循及 R2M 的場景一致性方面取得領先表現,物理合理性及視覺真實感亦勝過對照基線。長影片評估顯示事件結構及連續互動一致性有所提升,但轉場穩定性和遵循場景設定仍有限制。
研究團隊開發 TRACER,結合 ICU 牀邊影片與電子健康紀錄追蹤患者活動變化,協助醫護及早識別譫妄徵兆。系統每分鐘抽樣15類「原子動作」,再整理成逐小時報告;測試中動作偵測準確率為85%,醫師查詢答對率為61%。在280名 ICU 患者中,譫妄篩查呈陽性者的「目的性活動」較少;研究團隊表示,TRACER 未使用患者資料訓練。
谷歌研究人員提出可自我修改與驗證的 AI 智能體運行框架 Harness,將 142 行初始程式碼拆分為四個可編輯模組,由 Gemini 3.8 Flash 驅動。Harness 在 SWE-bench Lite 的成功率由 5.0% 提升至 40.0%,每項任務平均消耗約 4.67 萬 Token;遷移至 Gemini 4 Argon 後,成功率為 37.5%。
MIT 趙選賀團隊研發互穿瓶刷狀彈性體 IP-BBE-PEG,無需依賴液體成分,完全乾燥後仍可支援超聲成像。材料自然乾燥第 9 天仍能成像,並在約 30 分鐘戶外騎行測試中持續取得清晰的頸動脈血流圖像;目前仍處於研究階段。
Google 研究人員提出可自我改進的 Harness,讓優化模型逐一修改執行框架模組並以驗證集篩選,將 SWE-bench Lite 任務成功率由 5.0% 提升至 40.0%。
Google 研究人員提出可自我改進的 Harness 架構,AI 智能體在 SWE-bench Lite 的任務成功率由 5.0% 升至 40.0%。每輪只修改一個模組,並透過驗證決定是否保留;模組化方案平均每項任務消耗約 4.67 萬 Token,整體重寫雖達 42.5%,但消耗約 45.16 萬 Token。
三項預先註冊測試顯示,座頭鯨歌聲中超出二階馬可夫鏈的結構,移除重複後便不再顯現。把連續重複的片段合併為一次後,歌聲元素減少 63%,二階鏈則減少 50%;在全部 8 年的數據中,回看 3 至 5 個元素的預測表現均不及回看 2 個。測試在同等規模的英文樣本中 5 次均檢出詞語結構。
MIT 與 Dana-Farber Cancer Institute 的研究團隊使用大語言模型檢視近 4,000 篇臨牀預測研究及數百個相關程式碼庫,發現程式碼分享並不普遍,公開程式碼亦未必附有足夠文件和支援資料供重用。只有約八分之一研究報告分享程式碼;不同期刊的分享比例由零至逾 70% 不等。這些結果正為制定中的 TRIPOD-Code 報告指引提供依據,指引旨在釐清研究者應分享的內容。
Meta FAIR 推出 Self-Improving Memory,讓 AI 智能體自行發現記憶提示詞,再透過微調把相關技能寫入模型權重。這種方法在 3 項 Continual Learning Bench 任務的平均分為 56.0,高於最佳人工編寫方案的 44.6;Codebase 任務取得 64.3 分,領先 20.6 分。
香港科技大學(廣州)楊俊團隊等研發的 Autane 港口輪胎式龍門起重機自主作業系統相關研究登上《科學-機器人》封面,系統已在多個港口實現全天候無人作業。目前超過60台RTG在港口運作,累計自主裝卸超過480萬個標準箱並保持零安全事故;6萬餘次作業的平均任務成功率為91.23%,平均效率為25.93箱次/小時。
一項以111名營銷營運專業人士為樣本的調查發現,AI已普遍用於個人型工作,但涉及業務系統和多步驟流程的工作,採用率明顯較低。創意生成、首稿撰寫和寫作優化的採用率均為82%,連接業務系統的工作則為29%;Claude以56次提及排名第一。調查指出,分散的企業上下文和知識限制了AI在實際工作流程中的應用。
Google Research 在 Willow 量子處理器上展示並測量量子情境性,魔方陣遊戲勝率達 98.30%,高於經典策略上限。團隊以 Bell–Kochen–Specker 不等式測得 χ = 5.590 ± 0.008,高於經典上限 4。在最多 105 個量子位元的隱藏線性函數任務中,處理器成功率高於一半;這些任務亦能揭示隨機電路基準容易掩蓋的細微相干錯誤。
推薦理由:研究顯示,量子情境性相關任務可在多量子位元處理器上,揭示隨機電路基準容易掩蓋的細微相干錯誤。
Google Quantum AI 在最多 105 個量子位元的超導量子處理器上測試量子情境性,相關論文登上《Science》封面。Mermin-Peres 魔方遊戲中,量子位元勝率為 98.3%,古典策略最高為 88.9%;論文指出,研究並未無條件證明量子電腦一般而言勝過古典電腦。
Google Quantum AI 的研究於 2026 年 11 月 19 日刊登於《Science》封面,報告超導處理器上的測量情境性測試擴展至最多 105 個量子位元。協調遊戲勝率為 98.3%,高於 88.9% 的經典上限;相關工作早於 2025 年 12 月 1 日提交為 arXiv 預印本。論文將測試定位為硬件基準,並指出結果限於特定資源受限任務,未證明對所有經典實作均有量子優勢。
Mozilla 根據近 25 million 名 Firefox 正式版用戶的遙測數據研究瀏覽器指紋識別,發現少數高影響訊號已能識別大部分被判定為獨特的用戶。
Stanford HAI 與 RegLab 研究人員分析四個美國縣法院的申訴文件,發現 2026 年加州 Santa Clara 和 San Francisco 的非債務追收案件中,AI 使用比例分別升至 38% 和 36%。
George Washington University 與 American University 的研究發現,美國黑人佔多數社區設有資料中心的勝算,是同州白人社區的2.2倍。
MIT研究團隊估算,數據中心用電需求帶來的額外空氣污染在2023年導致美國約650宗過早死亡,其中513宗與PM2.5有關、137宗與煙霧有關。人均過早死亡率估算最高的州份包括愛荷華州、內華達州、南達科他州和堪薩斯州,主要用電需求則集中在弗吉尼亞州和德克薩斯州;研究將差異連繫至電網互聯、發電機組排放和大氣條件。
Stanford/Oxford 研究以 308 道醫療題目測試 GPT-4o、Claude Sonnet 5 和 Qwen3.7-Plus,發現醫生資歷、權威背景及反覆施壓都能改變模型診斷。
OpenAI 一項 28 人快速調查顯示,27 人偏好最新內部模型而非中階工程師;另一項調查中,研究員的中位回答是,寧願放棄團隊 40% 人手或 30% 算力,也不願三個月沒有現用編碼智能體。
WaveView 將扭曲後的來源影像注入預訓練生成器初始雜訊的相位,以生成新視角,並保留原有架構、只增加極少額外開銷。在 DL3DV 基準的所有重疊區間均勝過基線;最困難區間中,模型在共視區域的 PSNR 比 MetaView 高 0.84 dB,速度快 2.1 倍。以相同雜訊微調 AnyView,令其在 AnyViewBench 的零樣本 PSNR 從 11.58 提升至 12.35 dB。
IEA《World Energy Outlook 2026》的既定政策情境顯示,AI相關投資有助全球數據中心用電量於2030年翻倍至1,000 terawatt-hours。報告明言所有情境均非預測;相關情境下,數據中心容量到2035年將接近現時三倍,電網、供應鏈及部分地區的公眾接受度均是擴張限制因素。
AVTR 結合生成式視覺反思與文字推理,並按輸入內容學習選擇推理方式,以適應不同的感知與推理需求。在 16 項基準測試中,AVTR 較 Qwen3.5 基線平均提升 4.5 分,同時將推理延遲降低 33%。擴展至較小規模的骨幹模型時,AVTR 亦勝過受評估的 2B 規模基線。
CurvDelta 和 CurvLoRA 將大語言模型更新限制在低曲率保留空間,以提升一般能力保留度,同時維持目標適應效果。兩者以數學推理、程式碼生成及知識遺忘任務作評估;在 TOFU 和 MUSE 上,方法在目標遺忘與知識保留之間取得較佳平衡,保留表現接近從頭重新訓練的參考結果。
論文提出 AnyS1,將人手編寫的程序化技能轉換為共享決策點,以小型校準指針模型處理常規選擇,信心不足時則回退至大型模型。AnyS1 從超過 1,000 項公開技能挖掘決策點,並訓練單一校準 4B 指針 System-1。
多模態決策模型系列 Piccolo(0.8B 至 27B)透過智能體數據工程及遞歸自我改進,協同演化模型能力與訓練數據。
HINT-WAM 提出一種用於世界動作模型的 on-policy 自蒸餾框架,利用示範影片中的未來畫面作為後見資訊,為模型自身生成的動作軌跡提供訓練目標。框架以 energy score 蒸餾教師模型的動作分佈,無需環境獎勵或模擬器互動。
PReMind 提出兩階段強化學習框架,訓練個人化視覺語言助理結合視覺危險證據與用戶記憶,作出合適回應。PReMind-Bench 評估記憶提取、視覺根據、拒答及危險應對,並測試各項能力的聯合表現。4B 版本在相互依存測試集的聯合成功率由基礎模型的 12.9% 提升至 28.6%。
WorldRuler提出基於規則圖的生成式世界模型,可在儲存及載入時保留用戶定義的規則與世界狀態,並準確呈現規則對指定物件及屬性造成的視覺變化。研究以 GTA-V 和 Habitat 建立 RuleVerse 數據集,並透過動態物件綁定、屬性狀態替換及反事實重建訓練,提升規則執行與影片生成的一致性。
PIPETTE 是一套提示詞注入紫隊測試框架,透過字典學習和在策略對抗訓練,將紅隊測試發現的攻擊轉化為對 LLM 智能體的防禦提升。它在 AgentDojo 和 ASB 評測中,令防禦模型在靜態攻擊下的攻擊成功率接近零,並能抵禦強適應性攻擊,同時維持接近未設防基線的正常任務效用。
UltraTex 提出級聯多視角框架,結合物理知識與視覺語言模型特徵,從單張參考圖像為 3D 網格生成符合物理特性的 PBR 紋理貼圖。框架先聯合預測反照率與世界空間着色法線,再根據生成的反照率、參考圖像及材質語義先驗預測金屬度與粗糙度貼圖。實驗顯示,UltraTex 在視覺保真度、材質準確度及物理合理性方面勝過現有開源和商業方法。
Movie2Game-Bench(M2G-bench)提出一套評估電影改編遊戲的基準,結合一般評估、電影特定評估及三個 GUI 模型玩家的測試,衡量可玩性以外的改編品質。基準涵蓋22部電影及658項來源特定參考項目,並以相同電影評估14個模型;所有模型在可玩序列的內容呈現平均為37.9/100,低於標誌性元素的54.8。