AI 評審偏重論文附錄,可能妨礙 AI 科研進展
一項分析 2,000 篇論文的新研究發現,AI 評審把更多批評指向附錄,與人類評審的關注分佈明顯不同。AI 模型將 62% 的已識別弱點歸於附錄材料,人類評審則為 8.4%;較新模型約有 50–70% 的批評來自附錄,GPT-5 則不足 30%。研究指出,偏重附錄可能令評審過度關注次要細節而忽略論文主要發現;這種偏差在不同模型存取方式下仍然存在。
一項分析 2,000 篇論文的新研究發現,AI 評審把更多批評指向附錄,與人類評審的關注分佈明顯不同。AI 模型將 62% 的已識別弱點歸於附錄材料,人類評審則為 8.4%;較新模型約有 50–70% 的批評來自附錄,GPT-5 則不足 30%。研究指出,偏重附錄可能令評審過度關注次要細節而忽略論文主要發現;這種偏差在不同模型存取方式下仍然存在。
Airbnb 研究人員推出 CASTLE,利用去識別化的預訂紀錄及大型語言模型生成合成搜尋查詢和相關性標籤,讓自然語言搜尋模型在真實搜尋流量不足時也能訓練。CASTLE 與最佳基線 Promptagator 的 KL 散度分別為 1.01 和 9.33,散度降低 9.2 倍;三名專家對其相關性判定的認同度介乎 91% 至 93%。
在 SaaS 用量計費任務的隔離 VM 基準測試中,折疊式單一循環搭配漸進式技能披露,比按角色拆分子智能體快 2.66 倍。兩種方案最終都通過 20 個隱藏測試案例;折疊方案用 2 次模型調用、13.68 秒完成,按角色拆分方案則用 5 次調用、36.36 秒,前者輸入 token 減少 67.0%、API 成本減少 54.9%。
作者測試 32,485 筆 A 股交易的 8 種止蝕區間,發現 5%止蝕/10%止賺組合的止賺命中率只有 23.8%,低於 33.3% 的損益平衡要求;平均回報持平,靠的是未觸及任何界線的交易。止蝕未明顯改善平均回報,但可限制尾部跌幅;同為 ±5% 區間,收市價高於 MA20 的交易平均回報為 +0.03%,低於 MA20 則為 -0.17%。
cloro 的公開基準測試比較六款網頁搜尋 API,Exa 以每次搜尋中位數 0.74 秒成為最快者。兩款 Google SERP API 每次約需 8 秒,但在 824 道多跳問題中,單次搜尋答對率分別為 80.2% 和 77.4%,高於 Exa 的 64.0% 及 Tavily 的 48.4%。
Moth 宣佈,Tessa 在 IBM 的 Phoenix Nighthawk r2 處理器全部 120 個量子位元上編碼並恢復 1,568 個實數值。Tessa 按晶片的物理連接排列資料與地址量子位元,毋須 SWAP 閘、路由或輔助量子位元;論文稱這是按其定義規模最大的同類實驗。Moth 表示,Tessa 可在 Atlas 平台用於影像處理實驗。
Sakana AI 公開日本金融領域的日文基準 JFinBench,並以日本 6 項金融資格考試的 2026 年試題評測 12 個 LLM。無工具設定下,Kimi K3.1 Pro 得分 83.4,較 GPT-6 Astra 的 93.6 低約 10 分,主要失分原因是日本製度知識不足。基準以編碼智能體轉換考題、由人手逐題核驗的流程建構,並公開數據集、程式碼及排行榜,支援配合新試題更新。
國家超級計算深圳中心的靈晟以 2.198EFlops 的 Linpack 雙精度實測性能,排名《2026中國高性能計算機性能TOP100排行榜》第一,約為 2025 年榜首系統 487.94PFlops 的 4.5 倍。靈晟今年6月已登頂全球超算TOP500,此次是在國內榜單排名第一,並非再次破紀錄。榜單中另有一台搭載沐曦加速卡的整機排名第10,沐曦亦首次出現在這份榜單上。
Google 的地理空間推理智能體 GRA 以 Gemini 驅動;一項論文研究建立 GeoExpertQueries 和 GeoKTools 兩個基準,評估開放式分析的合理性與工具編排能力。
這期 AI/ML 研究摘要整理了生成式與具身 AI、MoE 簡化、LLM 智能體可靠性及跨模態 3D 建模的研究結果。LO-World 的 IoU 提升 10.9 %、Chamfer 誤差降低 30.1 %,運行速度超過 25 FPS;SimpleHC 則在維持標準 MoE 基準準確度下縮短訓練時間。
EDGAR 和 SphereFlow 以具幾何感知能力的 flow matching,取代繁重的迭代式重建流程。EDGAR 只需一次 diffusion step 即可修復 Gaussian avatar,平均額外耗時由小型的 5.04 分鐘至大型的 16.60 分鐘不等。SphereFlow 用於缺失模態補全後的腦腫瘤分割,縮小了與完整模態 oracle 約八成的效能差距。
GEM 以熵正則化的反向 KL 散度最小化,改善 LLM 監督微調中的過擬合與輸出多樣性。在 Llama-3-8B 的實驗中,GEM 在通用指令微調及數學推理、程式碼生成任務上均優於交叉熵;配合多數投票或 Best-Of-$N$ 時,表現最高提升 10 個點。
清華大學李勇教授團隊提出 SkillMaster,讓同一個 Agent 在強化學習中共同學習任務執行,以及技能的建立、更新和保留。基於 Qwen2.5-7B-Instruct 的實驗中,SkillMaster 在 ALFWorld 和 WebShop 的成功率分別為 98.7% 和 82.0%,較 SkillRL 高 8.8 和 9.3 個百分點。
NovaSilicon 自研的 Novara 和 Nova-SI 在模擬版圖與數字芯片 floorplan 兩項實測中均取得最高平均分,分別為 0.8154 和 57.97,後者約為 GPT-6 Astra 的 1.9 倍。NovaSilicon 首提 CDK(電路設計套件),並以 Designless 描述把芯片設計實現環節交由 CDK 和工程師處理的分工模式。
作者對 Agent Games Gatekeeper 電路進行 12 組 Groth16 證明測試,所有結果均符合預期。電路會檢查 VK 是否匹配、門檻、收件人、金額上限及到期時間;錯誤決策無法建立 witness,正確決策則產生可驗證證明。作者未能提交競技場項目,帳戶目前為 0 分,亦未獲排名。
ONAA 測試 AI 智能體在 14,991 間商店購物,49% 可無人協助到達準備付款,但沒有商店讓智能體首次自行完成付款。其中 3,513 間商店列為買家一次批准 Shop Pay 後,智能體可自行付款;報告沒有觀察實際付款步驟。樣本只涵蓋已宣傳支援智能體購物的商店,數據截至 2026 年 11 月 15 日,且尚未獲任何商店核實。
Bijay Bastola 等人的系統性回顧與統合分析納入 8 項研究,估算 74 名未受正式超聲心動圖培訓或認證的操作人員,在即時 AI 引導下取得符合診斷品質門檻影像的比例為 96.3%。
一項涵蓋 1222 名參與者的研究發現,參與者使用 AI 解題後一旦撤去工具,答題準確率與堅持度都會下降。研究包括三組隨機對照試驗,涵蓋分數運算及類似美國 SAT 的閲讀理解題;文章指出,研究結果不代表短時間使用一次 AI 會造成永久認知損傷。
北卡羅來納州立大學研究團隊研發雷達腕帶,讓用戶可在前臂上以手指操作手錶,將前臂用作觸控板。系統校準需時3分54秒,手勢識別正確率為92.8%;測試共涉及20人,按壓力度辨識率為90.2%,測距精度為10.2毫米。團隊估算元件成本不到10美元;目前仍是原型,腕帶電路板外露。
GPT-6 Astra 協助物理學家 Nathaniel Craig 將一項格點研究策略發展為標準模型的候選非微擾定義、具體構造及詳細證明。相關工作包括一篇由 Astra 協助準備的 2026 年 10 月 arXiv 預印本。這仍是初步成果,尚待確立有限格點間距下的反射正性,並建立與連續相互作用理論的關聯。
卡內基梅隆大學的 OATs 以 E Ink 螢幕和 Google Gemini,將日常物件變成會表達情緒的 AI 小寵物。主模組成本約 20 美元,目前仍是研究原型。12 人試用研究中,部分參與者為令角色開心而多做運動、照顧植物或整理雪櫃。
作者自行盤點 Google DeepMind 的 AlphaProof Code 公開倉庫,統計出 11,377 個 Lean 檔案共 7,546,996 行。
南洋理工大學 S-Lab、商湯研究院與 Ropedia 研究團隊發布 NEO‑VLA,一款不設獨立視覺編碼器、將像素直接輸入視覺—語言主幹的機械人策略模型。模型主幹為 2B 參數,在 LIBERO 完整微調後平均成功率為 95.3%;LIBERO-Plus 分佈偏移測試加權總分為 89.7%,RoboTwin 2.0 隨機場景成功率為 69.4%。
丹麥奧爾堡大學團隊研究擴散語言模型的記憶與訓練資料提取,發現採樣步數會影響原文被精確恢復的機率;在同規模電郵補全比較中,擴散模型的提取水平低於自回歸模型。1.1B 參數模型中,達到 50% 提取機率門檻的電郵樣本數分別為 16 個和 213 個;LLaDA-8B 從一步恢復改為逐詞恢復後,達到該門檻的樣本數由 9 個增至 179 個。
SpecGuard 是一款免費、在瀏覽器運行的基準工具,用來測試 AI 編碼智能體能否按需求撰寫驗證測試,而非照抄現有程式行為。SpecGuardBench 的 291 個 Python 任務中,表現最佳的智能體驗證框架忠實度為 62.9%;參考程式有錯時,忠實度下降 19 至 31 個百分點。
Claude Sonnet 5.5 比較網頁搜尋與單次 API 呼叫查核 25 間公司,首輪網頁搜尋有 23 間完全答對,API 有 17 間。修正 API 的四個錯誤後,第二輪 API 答對 20 間,網頁搜尋答對 19 間;這是針對同一批公司調整後的測試,尚未以新公司驗證。第二輪 API 在 12 間較難查核的公司中答對 11 間,網頁搜尋則答對 6 間。
物理學家 Nathaniel Craig 與 GPT‑6 Astra 協作提出標準模型的候選晶格定義,嘗試為該理論建立非微擾描述。方法把同一組力場逐步映射到更細網格,以比較費米子態並累積相位修正;在網格尺度場強受限下,可為有限晶格間距提供測度。文章指出,方案仍需專家確認反射正定性,並進一步發展至實際晶格模擬;連續時空中的相互作用理論定義亦未解決。
推薦理由:文章拆解標準模型晶格定義中的手徵粒子與相位難題,並交代 GPT‑6 Astra 如何協助把細化網格策略發展成候選構造。
中國科學技術大學趙剛課題組利用 AI,從7.5萬餘種化合物中篩選出10餘個候選分子,並完成冰晶、細胞及組織層面的實驗驗證。加入候選分子的低甘油配方令紅細胞凍融回收率超過91%;常規慢速冷凍體系的回收率由約95%升至97%以上,而人臍帶來源間充質幹細胞的復温存活率達93.6%。
研究團隊以 LoRA SFT 微調開放權重模型 CohereLabs/aya-expanse-8b,令其在受治理支出決策測試中的準確率升至 95.8%,不安全放行決策比例由基礎模型的 44.3% 降至 2.7%。在 165 個保留測試情境中,模型的合約格式有效率維持 100%。
世界經濟論壇與埃森哲指出,企業 AI 應用已進入規模化階段,但治理能力落後於技術擴張。對1500家企業的調查顯示,2025年67%處於負責任 AI 成熟度第二階段,第四階段仍為0%,真正實現系統性、前瞻性治理的企業不足1%。報告提出九項行動,涵蓋戰略與價值創造、治理與問責、開發與使用。
SPECTRA 是一套適用於不同模型架構的壓縮框架及硬件執行引擎,在 NVIDIA GeForce RTX 3050 Ti Laptop GPU 上測試六種模型,將實體容器佔用減少 64.3% 至 69.8%(2.80× 至 3.31×)。
VAE Rhythm 利用生成影片解碼過程留下的週期性痕跡,偵測 AI 生成影片;論文提出無需訓練的 phase scan,透過不同起始偏移重建影片並測量重建誤差的週期性。
BLIP-Live 提出一套整合數據、評測指標、推理及訓練的框架,用於主動式串流影片理解,並建立包含人工標註的 BLIP-Live-780K 數據集及 PAUC-F 評測指標。BLIP-Live-Qwen 在四項主動式串流基準測試中達到最先進表現,較基線最高提升 44%,並勝過多個閉源 API 模型。程式碼及數據集將公開。
VideoNexus 是免訓練框架,將詳細影片感知與以證據為基礎的規劃和推理分開,由感知子智能體在獨立上下文中處理音訊及影片,並返回精簡、具時間定位的證據。在完整 LVBench 上,以 Gemini 3.8 Flash 作為規劃和感知的共用模型時,準確率達 88.6%,較靜態輸入高 3.6 個百分點,成本為內置智能體處理的 44%。
AuXSpec 提出一套 Lean 框架,將宣告式後置條件配對可執行版本,並以測試結果的一致性作為強化學習回饋,訓練自動形式化程式規格模型。
VisualArtifactSpec 1.0 是一項評測基準,涵蓋 211 項創作及修改任務,涉及簡報、靜態圖像、動畫與影片,以及網頁介面。它分別評估任務完成度和作品表現,後者包括內容、組織、視覺效果與交付;研究團隊以 9 種模型與測試框架配置評測全部任務,總分介乎 42.12 至 70.52。作品表現佔最高與最低配置分數差距的 73.4%。
研究提出正則化分數中心化(RSC),透過加入反向 KL 懲罰,限制學習策略與生成數據的行為策略之間的差異,以穩定離策略學習。RSC 配合截斷重要性抽樣(TIS),在所有智能體基準測試中以相同數量的採樣回應取得更高訓練獎勵,並提升樣本效率。最終評測涵蓋的六項智能體任務均取得頂尖表現,在 AppWorld 提升 14.3%,在 BabyAI 的得分則達最強基線的 9.9 倍。
VODA 提出一種即插即用的體積監督方法,直接監督與物件相關的 Gaussians,突破傳統基於渲染的監督方式,以改善 3D Gaussian Splatting 的物件分割。研究亦提出 Removal-3D,透過移除物件評估分割在體積上的完整性。
研究團隊提出 CONGA,透過辨識條件高斯區塊並按其結構和計算成本選擇實作,為後驗推理構建傳輸映射。在 Stock-Watson 通脹模型上,CONGA 將 NUTS 的每秒最低有效樣本量(ESS)提升 12.5x。它亦在原始目標無法收斂的情況下恢復收斂,包括同一模型上的 WALNUTS,以及將 6760 維電力負載模型縮減至 34 個核心座標後使用 NUTS。
WeVisForensics 提出自我演進的智能體框架,協調視覺及音訊取證檢查,以局部證據檢測 AI 生成影片,平均準確率達 95.2%。框架透過雙時間尺度強化學習優化調查智能體及取證檢查智能體,並整理出 ForenCue-30K。其準確率較最強的先前檢測器高 9.0%。