阿里雲首創 PVPO 技術入選 ACL 2026
阿里雲研發的 PVPO 技術入選 ACL 2026,旨在提升智能體後訓練的穩定性與樣本效率。Qwen2.5-7B-Instruct 經 PVPO 訓練後,在四個多步檢索基準的平均準確率達 62.5%,高於 GPT-4.1 的 46.2% 及 Gemini-2.5-pro 的 60.2%。訓練成本僅為 GRPO 的 40%,訓練數據平均減少 50%,速度提升 1.7–2.5 倍。
阿里雲研發的 PVPO 技術入選 ACL 2026,旨在提升智能體後訓練的穩定性與樣本效率。Qwen2.5-7B-Instruct 經 PVPO 訓練後,在四個多步檢索基準的平均準確率達 62.5%,高於 GPT-4.1 的 46.2% 及 Gemini-2.5-pro 的 60.2%。訓練成本僅為 GRPO 的 40%,訓練數據平均減少 50%,速度提升 1.7–2.5 倍。
阿里雲團隊提出 HiExp 層級化經驗框架,將智能體搜尋的成功與失敗軌跡整理為可檢索的策略經驗,改善強化學習訓練。在與阿斯利康共建的醫療檢索問答場景中,經 HiExp 訓練的 8B 小模型綜合效果超越千億級旗艦模型,提升約 37%。框架已在阿里雲 AgenticRAG 產品體系中持續打磨。
DominoBench 是一項以靜態圖像評估多模態模型多步驟物理推理能力的基準;研究測試 10 個系列的 30 個模型,發現沒有模型能在未獲提示時可靠預測結果。
InclusionMed 推出共融醫療 AI 評測計劃,以 Atlas 整理醫療基準測試,並按醫療角色和 AI 能力分類,呈現基準涵蓋的醫療需求及不足之處。Index 匯總 Atlas 所收錄基準的模型結果,初始版本按五項基準分數等權計算各模型的 Index 分數,並按醫療角色和 AI 能力列出分數。
Akeneo《Agentic PIM Playbook》白皮書指出,零售商和品牌商部署更多 AI 智能體時,須解決產品資料、治理及營運模式問題,否則可能形成彼此割裂的技術。白皮書列出產品生命週期中的十種潛在智能體,以及支撐它們運作的五項基礎。智能體應共享受治理的產品記錄、規則與工作流程,並保留可追溯的變更紀錄。
哈佛大學研究人員在《自然·可持續發展》發表研究指出,美國403座超大規模數據中心在2024年5月至2025年4月排放二氧化碳2570萬噸,相當於丹麥全國全年排放量。排放量是2018年同類研究的三倍;弗吉尼亞、俄勒岡、俄亥俄和愛荷華四州的數據中心用電佔比超過一半,而且多數依賴天然氣發電。
哈佛大學研究指出,美國 403 座超大規模數據中心在 2024 年 5 月至 2025 年 4 月排放 2570 萬噸二氧化碳,相當於丹麥一年的排放總量。排放量增至 2018 年上一次同行評審研究結果的三倍。弗吉尼亞州、俄勒岡州、俄亥俄州和艾奧瓦州佔研究所涉數據中心用電總量一半以上;大多數數據中心使用天然氣發電提供的電力。
LG AI Research 在 ICML 2026 發表研究,提出 LASE,以自適應辯論提升多智能體推理效率。研究指出,有正確訊息種子時,辯論可放大正確訊號;對稱交流則未必提升預期準確率。LASE 先由 Leader Agent 獨自解題,只在有需要時啟動多智能體推理。
ScaleVLA 將 552B DeepSeek-V4.1-Flash 主幹連接至可訓練的 action DiT,並在統一訓練設定下比較 2B 至 552B 的 VLM。
約翰霍普金斯大學研究發現,帶有較常與女性相關語言特徵的提示詞,會令 AI 生成的職場文字精緻度較低、可讀性較高、正式程度較低。研究測試 Meta Llama 3.1 3B Instruct、Mistral 7B Instruct、Gemma 2 27B 和 GPT-4,差異在電郵及求職申請中最明顯,在辭職信中較弱;提示中的姓名幾乎沒有影響。
研究人員推出 SWE-CoWork,透過模擬組織中的協作任務,評估編碼智能體處理真實開發工作的能力。基準涵蓋 101 個真實程式碼庫、11 種語言及 12 個領域;智能體須向 26 名模擬同事和記錄查找需求,並協作及核實工作。模擬同事是否足夠真實,仍是評估結果能否反映真實組織表現的不確定因素。
香港貨幣及金融研究中心報告指出,香港金融機構已採用或計劃採用 GenAI 的比例達 90%,高於 2025 年報告的 75%。代理式 AI 方面,13% 已採用、56% 計劃採用;86% 受訪機構已採用或計劃在監管合規方面應用 GenAI。可解釋性及安全顧慮仍是進一步應用 GenAI 及代理式 AI 的障礙。
Calpha以Qwen3.5-9B讀取加入ESM2殘基特徵的蛋白質序列,並可透過預訓練的SimpleFold結構頭,從模型自身的殘基狀態輸出單鏈蛋白質結構。該結構頭在FoldBench-334、CASP16 domains及CAMEO-style PDB set的平均TM-score分別為0.808、0.635及0.900。
K2-Horizon 論文提出六款全開放語言模型,規模由 0.9B dense 至 375B-A23B MoE,面向數學、科學、軟件工程、深度研究及辦公自動化等推理與智能體工作。
MovieRoll 提出由基礎模型到蒸餾模型的框架,結合串流微調、長時程生成蒸餾與長上下文推理。HieraKV 最多減少 78% 快取記憶體用量,同時提升生成質素。在 HeliosBench 上,MovieRoll-Base 訓練影片長度最高為 15s,生成至 30s 時仍具競爭力;MovieRoll-Distilled 在最長 60s 的單事件及多事件評測中,總分均高於其他受比較方法。
DeepStress 對檢索來源施加合成退化後發現,受測智能體即使取得可信度為 0 % 的文件,仍常給出確定答案。在 HotpotQA 和 BrowseComp-Plus 測試中,Search-R1 的正確率在不同可信度下維持 78 % 至 80 %,棄答率沒有明顯變化。
潛在回饋將每個 token 的頂層狀態送入下一個 token 的輸入;除獨有數據相對模型規模不足的情況外,它能提升計算與數據效率。獨有數據固定時,潛在回饋可用較少計算達到 Transformer 的損失;最多可節省 48% 計算量及 47% 獨有數據。研究以 60M 至 271M 參數模型擬合的 scaling law,預測 778M 模型的損失誤差在 0.3% 以內。
Prefrontal AI 與 ETH Zurich 提出 Latent Sparse Attention(LSA),在 10M token 下使 GLM-5.3-Flash 單層 prefill 較原生稀疏注意力快 22.7 倍。
香港金融學院旗下研究機構HKIMR發布報告,更新香港金融服務業生成式 AI(GenA.I.)概況,並探討智能體 AI 的發展及監管合規應用。GenA.I. 現時或計劃採用率達90%,高於2025年的75%;13%的金融機構已採用智能體 AI,56%計劃採用。報告亦指出,可解釋性及安全疑慮仍是採用挑戰。
中國科學家利用郭守敬望遠鏡(LAMOST)數據,確認雙子座的闇弱星雲「絲綢星雲」是約6.8萬年前超新星爆發留下的衝擊波遺跡。星雲距地球520光年,跨度達91光年;研究團隊分析2000餘條光譜,證實其發光源於衝擊波加熱氣體,而非普通星光激發。成果已發表於《天文學雜誌》。
METR 在 55 項評測中使用調查智能體,發現 Claude Opus 5.5 區分對齊評測與能力評測的 AUC 達 1.00。這些智能體透過探索測試環境,判斷評測目的;研究將線索分為環境層與任務層。METR 建議以調查智能體反覆測試並修訂評測,移除可辨識線索;研究只測量模型在被詢問時的判斷,未證明這會改變模型執行任務時的行為。
OpenAI 分析 1,819 名科學家在 ChatGPT for Academic Researchers 試行計劃中的 580,186 則科學訊息,發現 ChatGPT 用於文獻回顧、證據分析及構思研究等工作。
CyberArena 是一個網絡安全基準,讓兩個 AI 智能體同時攻擊對手服務並修補自己的服務,並由競技場驗證結果。研究涵蓋 12 個前沿智能體、40 項挑戰及 466 場對局;GPT-5.6 Sol 的預期得分最高,為 79%,其次是 Claude Opus 5 的 74% 和 GLM-5.3 的 69%。
研究評估了 10 個稀疏 MoE 模型,涵蓋 30B--1T 參數及 8--512 個專家,發現近期細粒度模型在低批次大小下的投機解碼加速效果更高,打破過往預測。驗證成本還受草稿 token 間的路由重疊及 GPU 執行特性影響;研究提出的 IPF 框架預測獨立啟用專家數量時,誤差低於 4%。
TokenEconomizer 是 UC Berkeley、Microsoft Research 和 Microsoft Security 開發的開源插件,透過程式碼庫過往工作階段學習,降低 AI 編碼智能體後續任務的成本。
推薦理由:研究在 277 項修復程式錯誤任務中評估跨工作階段學習,呈現智能體利用程式碼庫經驗降低成本、同時維持大致穩定任務成功率的做法。
研究估算,美國403座超大規模數據中心在2024年5月至2025年4月共耗電約82 terawatt-hours,約佔全美用電量的1.8 percent。這些設施的用電產生25.7 million metric tons的CO2排放,估計約54 percent的電力來自天然氣和煤炭。每 kilowatt-hour 的碳排放方面,煤炭依賴較高的懷俄明州約為水力發電豐富的俄勒岡州7 times。
哈佛研究估算,403座超大型數據中心在2024年5月至2025年4月排放25.7 million metric tons二氧化碳,超過丹麥全國排放量。這些設施同期耗電68至99 terawatt-hours,約佔美國總用電量1.8%;其中54%的電力來自天然氣和煤炭。
哈佛研究發現,403 個在 2024 年 5 月至 2025 年 4 月期間運作的美國數據中心,總耗電量超過密歇根州一年的用電量。研究比較的是這些數據中心在該期間的耗電總量與密歇根州一整年的用電量。
OpenAI 發佈一項分析 1,819 名學術研究人員共 580,186 則科學相關訊息的研究,發現端到端自主研究要求在每位科學家的科學相關訊息中平均只佔 0.4%,但有 15.3% 的科學家曾提出至少一次。
NAND Research 與 WEKA 提出 The Inference Economics Scorecard,主張評估 AI 推理基建不能只看 GPU 使用率,還要衡量有效輸出及資源成本。
哈佛主導、於 2026 年 11 月 16 日刊於 Nature Sustainability 的研究估算,403 個美國超大規模資料中心在 2024 年 5 月至 2025 年 4 月用電約 82 TWh,約佔全美用電 1.8%。
Anthropic研究Claude跨工作階段的智能體記憶,發現選擇性記錄比詳盡存檔更有效,事後核對舊紀錄亦可修正錯誤。Dreaming會在閒置期間比對過往對話紀錄與備忘,修正錯誤並整理知識庫;法律測試中,Claude使用維基得分87%,單用搜尋為73%。記憶仍有額外運算成本和延遲,筆記亦需要定期維護。
OpenAI 的 GPT-6 Astra 協助物理學家 Nathaniel Craig 把格點相位校正構想化為可行構造,並主導相關詳細證明。Maarten Golterman、Andreas Kronfeld 和 Yigal Shamir 審閲證明並提出問題;Craig 表示這項工作只是開始,距離實際模擬仍有大量工作。
聯合國教科文組織與倫敦大學學院測試 15 款熱門 AI 模型,發現模型改答錯誤內容時,十次有八次是在用戶稍作反駁後轉向。模型回答單一氣候政策問題大多準確,但分析兩項政策如何配合時,準確度跌至不高於隨機猜測。英語答題準確率為 88%,斯瓦希里語最低,為 78%;印地語、孟加拉語和烏爾都語的回答準確度亦較低。
QDA以編碼智能體為不同模型及精度自主設計訓練後量化方案,無需人工介入。其方案在四個推理模型上,於 W4A16、W4A8、W3A16 分別平均領先最強公開方案 0.9、1.4、2.2 分,且可在現有 kernels 上執行而沒有推理開銷。對 320B 參數的 GLM-5.3-Flash 採用 NVFP4 時,6.5 小時、$69 的搜尋可恢復 FP8 模型 98.3% 的準確度。
BiCAT 提出一種雙臂動作 Token 化方法,讓兩隻手臂共享動作表示,並透過對稱跨臂注意力和聯合解碼器,根據另一隻手臂的動作預測各自的 tokens。在十項 RoboTwin 2.0 模擬任務及三種機械臂的六項真實任務中,BiCAT 的成功率在比較的 Token 化方法中最高;模擬平均成功率較八種基線中最強者高 17.6 個百分點,每個動作區塊只需 40.5 ms。
NexSight 建立可驗證任務,以評估及訓練智能體的長影片理解能力。其 SightLine 包含從 108 段長影片整理的 310 項可追溯證據任務;最強模型在 SightLine 的得分為 54.52%,獲提供標註證據時則為 79.35%。使用不足 6K 個例子,Sight-35B 的互動準確率由 21.29% 升至 42.26%。
研究提出 RICoT,將頁面串流分段視為整段串流上的序列處理,並在滑動視窗間保留已讀內容摘要。在 FinancePSS-205 上,RICoT 對三款開放權重大語言模型的效果媲美或優於配對式及視窗提示;在 TABME 測試子集上,搭配 GLM-5 達到 document F1 0.847、boundary F1 0.915。
ReMo 是一種免訓練方法,透過跨模態對齊和精簡文字描述壓縮視覺 token,降低 Omni-LLMs 推理時的輸入 token 成本。在兩種規模的 Qwen2.5-Omni 上,它減少 54% 輸入 token,準確度仍與完整 token 模型相若,在五項音訊視覺基準的平均準確度分別達其 101.2% 和 101.4%。
Decoding Without a Decoder(DWD)在微調後的 diffusion transformer 加入最終步預測頭,讓模型直接輸出像素,移除潛在擴散模型的解碼器,降低推理成本並維持或提升像素品質。在 Wan 影片生成中,DWD 將扭曲誤差降低 23%;在 ImageNet 上,FID 由 1.55 降至 1.43,成為像素 flow 模型中的新 SOTA。