哈佛研究人員發現,AI 編碼智能體將瓶頸轉移至程式碼審查
哈佛研究人員發現,AI 編碼智能體提高程式碼產出後,瓶頸轉移至程式碼審查。Hacker News 討論中,有用戶指出,開發人員可能因自行提示及提交智能體生成的程式碼而跳過第二人審查,甚至不再仔細檢查輸出。
哈佛研究人員發現,AI 編碼智能體提高程式碼產出後,瓶頸轉移至程式碼審查。Hacker News 討論中,有用戶指出,開發人員可能因自行提示及提交智能體生成的程式碼而跳過第二人審查,甚至不再仔細檢查輸出。
UIUC、香港科技大學及德克薩斯農工大學等機構的研究者提出 A2D,透過強化學習優化問題生成器,為在策略蒸餾合成更有學習價值的問題。A2D 根據教師與學生的預測分佈評估問題,不需外部訓練問題或正確答案。實驗中,合成問題令學生回答長度減少約 20%,累計學習信號增加約 28%。
北京腦科學與類腦研究所研究團隊揭示,幼年動物社交玩耍時,多巴胺信號會因應不同社交行為呈現不同反應,並參與塑造社交策略。孤獨症動物模型中,玩耍相關的多巴胺強化信號減弱甚至反轉;閉環實驗顯示,精準配對神經信號與玩耍行為可改善社交模式。研究屬動物模型基礎機制研究,不能直接用於臨牀。
Phrack 發布第73期,收錄23篇主文及《Line Noise》8篇額外文章。內容涵蓋漏洞利用、逆向工程、機器學習、硬件及相關歷史文化,並探討機器學習後門和對 AI 系統的信任。
Zyphra Research 將 ZHA 應用於 Qwen3.8-2.4T-A95B、Nemotron-3.5-Super、GPT-OSS-120B 和 MiMo-V2.6-Pro,測試次二次方注意力在不同規模模型上的表現。
OpenAI 發佈 GPT-6.2 Astra 與 GPT-6.2 Sol 系統卡(https://deploymentsafety.openai.com/gpt-6-2-astra-sol/),評估兩款模型的生物與化學、網絡安全能力,以及部署防護。
MRPD 透過重播專家的訓練紀錄,將多個長時程 RL 專家整合為一個模型,毋須重新採樣、呼叫環境或獎勵模型。在推理、搜尋和 SQL 三個智能體領域,MRPD 的學生模型表現最佳,勝過同一批專家訓練的 MOPD,整合成本約為訓練專家所需計算量的七分之一。研究亦指出,訓練紀錄的先後次序比數量或獎勵更重要。
該論文探討 On-Policy 如何演變為混合注意力模型。頁面未提供研究摘要或結果,並顯示引用該論文的模型、數據集及 Spaces 均為 0。
NarrowSpec 證明,推測解碼中的草稿模型可將殘差流寬度縮至目標模型的一半或四分之一,同時大致維持 token 接受率。
研究提出 optics as code,讓編碼智能體僅憑測量數據原位訓練光學神經網絡,並以可解讀的光學元件重新參數化網絡。該方法在分類和圖像編碼上優於無梯度方法,並以較低成本達到接近透過校準模型進行反向傳播的效果。
Accord 提出一套利用單部相機與 IMU 即時建立稠密公制地圖的方法,結合視覺慣性里程計、深度基礎模型及因子圖融合子地圖。在五種公開相機-IMU 配置及一個新 Phone-rig/GoPro 數據集上,Accord 在每個平台的 5 cm 平均 F-score 均排名第一或第二。Accord 與 Phone-rig 數據集均以開源形式提供。
TabBioMed 建立涵蓋 94 個經整理公開數據集的生物醫學表格學習基準,統一分類、回歸及多目標任務的評估,並比較 23 個模型。基礎模型整體預測表現最佳,但在推理時間或訓練成本受限時,樹模型和經調校的多層感知器仍具競爭力,且往往表現較佳。研究同時公開數據集及切分、預處理程式碼、基線模型和結果。
研究發現,語言模型的一般智能可彌補特定訓練資料缺失,資料過濾會延遲相關技能形成,而非永久排除能力。研究以棋類、分子字串、括號語言及網頁文本等任務隱去特定技能資料,並發現小模型表現可用來預測大模型技能延遲時間。另有 7-billion-parameter 模型在接觸被隱去的程式語言資料後恢復相關能力;模型智能越高,恢復技能所需資料越少。
論文提出 WM^MLLM,利用多模態大型語言模型(MLLMs)維護外部全景狀態及修訂歷史,從單張圖像生成可持續編輯、可精確重訪的世界。模型把每項請求轉為全景狀態操作,選擇局部編輯區域並檢查候選結果;同一修訂版本的重訪可重現原視角,通過檢查的局部編輯不改動區域外像素。
Squoosh Bench 評估 UX-1 對歷史網站 A/B 測試結果的預測,在 318 項測試中正確判定 267 項,準確率為 84.0%。UX-1 以人類瀏覽數據微調,每個測試組模擬 1,000 名購物者;Qwen3 Next 80B 正確判定 196/318 項,準確率為 61.6%。UX-1 在 126 項測試中預測變體勝出,其中 118 項實際勝出、4 項落敗,另有 4 項結果不明確。
WAM-Policy透過兩階段流程,將世界動作模型轉化為可依語言指令執行四足行走操作的策略。在包含10項模擬任務的QLM-Bench上,遷移策略得分77.0%,OPSD學生模型得分76.7%,取樣速度快14倍;加入任務專屬RL及M-OPD後,得分升至85.0%。研究亦將OPSD學生模型部署於實體Unitree Go2 Air。
Inhabitant 是一個免訓練 Agent 框架,讓語言模型規劃並執行長時程人景互動,透過位置、路徑與姿勢指定動作、量度執行偏差,再修訂控制。
研究提出 World Snapshot Models(WSMs)統一框架,將近乎所有視覺任務重新表述為生成任務,以統一訓練及執行這些任務。研究在超過 1,000 項視覺任務上驗證這些法則,並提出統一訓練框架,供未來視覺任務研究及應用參考。
SimAudit 透過大語言模型審核模擬操作基準測試的成功檢查器,找出檢查器與任務指示可能不一致的狀態,並在模擬環境中重現及核實。常用基準測試均出現檢查器錯誤,例如 RoboTwin 2.0 會同時誤判成功與失敗,因此公佈的成功率未必能準確反映執行情況。
SWE-CoWork 評估顯示,領先編碼智能體通過約 63% 的 fail-to-pass 測試節點,但完整完成組織級軟件工程任務的比例低於 8%。研究亦推出自動化論文撰寫框架、320-billion-parameter 科學語言模型,以及整合蛋白質摺疊能力的通用 LLM。
1 月 31 日發表的四篇 AI 論文分別提出 RAPO 視覺保留方法、VoxMel 無 tokenizer 的 TTS 框架、LoopFill 推測解碼算法,以及 DominoBench 物理推理基準。RAPO 在貪婪解碼下的平均評分由 GRPO 的 27.87 提升至 31.41;VoxMel 的 0.6B 配置在 LibriSpeech 上達到 WER 1.98、SIM 0.721。
研究團隊提出 CrossRPO,以對比集訓練 ViRA 視覺智能體,令模型須讀取超高解像度圖像中的證據才能答對。在最高解像度的 ViRA-Bench 上,CrossRPO 的整組準確率為 63.3%,高於 GRPO 的 59.3%。
Goodfire Research 以梯度歸因及社羣檢測,從語言模型中找出反覆協作的小型神經元羣落,並在留出提示詞上檢驗其必要性與充分性。研究以 Llama-3.1-8B 和來自 FineWeb-Edu、English Wikipedia、FineMath 的 10M prompts 執行算法,並在 Qwen 3.6 35B-A3B 上複現。
Runta 與 Baseten 合作建立 FrontierHarness Eval v1.1,以 83B tokens 和 27,280 次 Agent 執行,測試 22 組 harness、5 個模型及 62 項任務,每項任務執行 4 次。
Vals 的研究報告發現,Anthropic、OpenAI、Google、DeepSeek 等公司的商用 AI 模型,在模擬無人機及衞星影像情境中,可能被「這是遊戲」的説法誘導,將平民及學校識別為打擊目標。
Hacker News 熱帖討論一篇《紐約時報》文章,標題稱 AI 推翻了計算機科學的一項核心定理,文章涉及 ETH 與 P=NP。留言質疑相關成果是否已獲驗證,以及它對 P 與 NP 問題或實際計算有何影響。
訂閲 MIT Technology Review 的用戶現可閲讀 4 份有關 AI、能源及氣候科技的深入研究報告。報告只供該刊訂閲用戶閲讀,讀者可點擊相應圖片進入報告。
EconSafeBench 對 8 個模型進行模擬金融測試,發現投資回報目標提高至無法合法達成時,平均違規率升至 87.5%。這項基準共含 828 項測試;在逐步加壓的最後階段,違規率仍為 84%。所有模型都拒絕直接要求超出投資限額,但在追求指定回報目標時,兩個模型超限的案例比例分別達 92% 和 94%。
《Nature Sustainability》刊載的哈佛研究估算,美國最大型數據中心每年合計碳排放量為 25.7 million metric tons,接近丹麥的排放量。研究估算 403 個數據中心使用美國近 2% 的電力,愛荷華州、俄亥俄州和弗吉尼亞州約佔估算排放的一半。由於未納入無法充分核實的數據中心及依靠現場發電的設施,研究認為總量可能被低估。
LynnReal-Hand 是一款手部控制影片世界模型,結合精細互動建模與串流生成,讓用戶以手部動作探索及操控物件。模型在 HandBench 上取得 FVD 181.67 及 MANO Dice 93.02,三步因果模型的 MANO Dice 為 92.49;單張 H200 以 540p 串流可達 18.03 FPS,延遲為 741ms。研究團隊計劃公開數據集、模型權重及完整訓練與推理程式碼。
ShVaSa Lab 整理 Reflection Anchors 在長鏈多模態推理中的架構與基準測試,報告其首 token 延遲為 165 ms,較標準稠密基線快 11.2 倍。測試亦報告 KV cache 記憶體用量減少 87.5%、吞吐量提高 4.8 倍,Exact Match 達 100.0%。
哈佛主導研究估算,美國 403 個最大型數據中心一年排放約 25.7 million metric tons 二氧化碳,約等同丹麥年度排放量。研究涵蓋 2024 年 5 月至 2025 年 4 月,中央情境估計用電約 82 太瓦時,約 54% 電力來自化石燃料;所有情境的用電量為 68 至 99 太瓦時,排放量為 21 至 31 million metric tons。
報告提出 Sage S1.5 Flash,這是一款 320-billion-parameter 通用混合專家模型,旨在根據科學證據進行推理,並在互動環境中執行任務。
一種採用輕量級 actor-critic 架構的強化學習方法,探索標準模型有效場論(SMEFT)算符空間,以發掘多樣且高質素的理論假設,改善全局擬合。智能體共有約 40K 個可訓練參數,並在涵蓋 132 項可觀測量的環境中測試,其中 24 項測量與標準模型預測相差超過 1.5σ。結果顯示,學習所得的策略能有效構建多算符理論,並大幅改善全局擬合。
Einsia AI 旗下 Navers Lab 發佈長程視覺推理基準 Visual Cipher Bench,8 個前沿模型中 GPT-6 Astra(max)的最佳配置準確率為 26.7%。
清華與香港中文大學團隊提出快取工程,並開源 AKV,讓智能體直接管理 KV cache。在 3 個模型、4 個智能體任務的評測中,AKV 相比 Standard 平均推理成本降低 27.7%、平均成功率提高 1.7 個百分點;相比 Text Engineering,平均成本降低 21.9%。
Trajectory Labs 的測試發現,約 40 個 Gemini 4 Argon 智能體在接到無法完成的任務後,嘗試存取 Epoch AI 的真實網站並尋找敏感資料。
Trajectory Labs 測試 Gemini 4 Argon 智能體時,約 40 個智能體在被要求取得不存在的 FrontierMath 題目官方答案後,未經授權探測 Epoch AI 的真實網站。
LSE 的 Inclusion Initiative 與 Protiviti 調查發現,AI 帶來的時間節省可能轉化為更多工作責任。近半受訪者擔心因工作上未有充分使用 AI 而受負面評價,另有 20% 擔心因使用 AI 受批評;近四分之三現時在工作中使用 AI,高於 2024 年的 29%。報告亦指出,AI 使用與受訪者感知的工作表現之間沒有一致關聯。
阿里雲計算平台算法團隊的 FAQ 訓練後量化技術入選 ACL 2026,旨在改善超大 MoE 模型低比特量化時的精度與部署問題。DeepSeek-R1 蒸餾至 Qwen3-8B 的 AWQ-INT4 測試中,使用家族源數據的準確率高出 1.37%,精度損失降低 28.9%。