研究提出 SilentGuard,以不變量感知的 Harness 強制執行保護 LLM Agent 免受靜默 API 故障影響
研究提出 SilentGuard,將判斷由 LLM Agent 移至執行工具調用的 harness,透過不變量檢查攔截可能錯誤的 API 結果。在 7 個開源模型中,目標故障的錯誤答案率由 74.0% 降至 1.7%;在三個 frontier models 中則由 70.2% 降至 0.5%,且無故障任務表現未受損。
研究提出 SilentGuard,將判斷由 LLM Agent 移至執行工具調用的 harness,透過不變量檢查攔截可能錯誤的 API 結果。在 7 個開源模型中,目標故障的錯誤答案率由 74.0% 降至 1.7%;在三個 frontier models 中則由 70.2% 降至 0.5%,且無故障任務表現未受損。
研究提出 ForceHarness,讓凍結的前沿多模態模型無需示範或微調,便可透過自行調節力道的控制原語和附有不確定性的物理量,使用力資訊操作機械人。在沒有腕部力感測器的真實機械臂上,GPT-6 Astra 的零樣本成功率由 3.3% 升至 90.0%。
DNeo 改良並行草稿模型的目標特徵編碼,以提升大型語言模型推理速度。其架構結合 Mixture-of-Features Attention(MoFA)、拒絕記憶、2-tap 因果卷積、僅前綴交叉注意力及非均勻目標層選擇。相較 SoTA(DFlash-2),DNeo 的生成速度快 1.3x,且不影響草稿模型規模或生成質素。
論文提出 HubEgo-100K 數據集,首版 v1.0 收錄 10,124 小時 1080p 第一身視角影片,並同步提供 100 Hz IMU 數據。
這項研究提出 Repo-Premium,一個以真實程式碼庫為基礎的程式碼搜尋基準,用來重新檢視稠密檢索相對 BM25 的優勢。研究發現,評測設計偏向稠密檢索及查詢缺少程式碼中的稀有識別符號,是優勢的兩個來源;加入由 LLM 生成的識別符號後,BM25 在每個 Python 測試池均追平稠密檢索。
研究發現,27B 語言模型可透過自身推理,在不使用梯度或訓練的情況下改寫自身權重,並在預先固定的 490 道未見題目上提升 6.6 個百分點的準確率。模型只在自身測試支持改動時才提交修訂;首八次修訂中,其準確率持續上升。此外,模型僅憑文字數學題定位受損矩陣並以自身數值重寫,令副本在六個未見圖像基準上的準確率由 7% 升至 70%,相當於未受損模型的 83%。
ALIVE 是一款互動式串流影片模型,支援主動監察、串流任務協調及尋求用戶反饋。研究團隊建構 ALIVE-SFT-288K 和 ALIVE-RL-3K 用於兩階段訓練,並推出 FSI-Bench 評估模型尋求反饋及完成後續任務的能力。ALIVE 在四個公開基準及 FSI-Bench 的整體評分均高於參與比較的模型。
MS-HVED 以靈活多堆疊超分辨率方法重建臨牀腦部 MRI,並在尼日利亞隊列的專家評估中獲得較佳影像品質評價。尼日利亞隊列中,專家在 210 次配對評估中有 187 次偏好 MS-HVED;盲測涵蓋 44 個病例及 7 名神經放射科專家。所有臨牀隊列中,使用所有可用輸入時,MS-HVED 的整體品質評分為 5.93,監督式基線為 4.49(p<.001)。
研究將大語言模型的拒答方向分析擴展至查詢含糊、模型知識限制及人類價值觀不一致三種成因。介入模型中間層的內部激活,可增加或減少這三種情況下的拒答。跨成因的影響顯示,各拒答方向具有共同的方向成分。
System 1 agents 研究提出一種本地 AI 智能體方法,把工具 schema 和請求編譯成多項選擇題,由單輪決策模型作答,無須生成文字。
MedJev 將醫學影像、問題及候選答案直接映射為決策,無需自回歸生成,在單次多模態前向傳遞中完成判斷。基於 Qwen3.5-4B 的 MedJev-4B,在四項醫學影像分類及視覺問答基準上,準確率絕對提升 7.93%,端到端速度提升 6.04 倍;與 20 個模型比較,在 4B–9B 通用及醫學 VLM 中取得最先進的效能及推理速度。
卡內基美隆大學研究人員開發 OATs,透過電子墨水屏和傳感器,讓日常物品配備會按物品狀態改變表情的虛擬角色。主模組硬件成本約為 20 美元,普通情況下續航約 3 至 4 天,連接聲音傳感器後約為 1 天。OATs 目前仍屬概念驗證技術,設計刻意限制互動能力,以免過度擬人化。
研究團隊提出 NEO-VLA,將原生視覺語言模型用於機械人動作學習,讓動作專家直接讀取主幹不同深度的視覺語言表徵,毋須獨立預訓練視覺編碼器。
一項最新國際研究顯示,全球冰凍圈正加速退化,部分變化具有不可逆性,可能對地球生態系統和人類社會帶來長期風險。研究指出,人類活動引起的氣候變化是主要驅動因素,黑碳排放、工業活動和基礎設施擴張亦會加劇局部退化。研究人員呼籲各國制定更積極的減排目標,並減少冰凍圈敏感地區的人為擾動。
Reemote 是一個開源設定管理函式庫,旨在作為將 Ansible roles 遷移至 Python 的函式庫層級目標,應對一般 Python 重寫會失去的跨主機同步執行、試跑及逐主機變更回報。評估中,兩個 Ansible Galaxy roles 經自動轉換,並在離線模擬中通過冪等性驗證。
研究發現,AI 將 Ansible 角色改寫成一般 Python 程式時,常失去多主機同步執行、預演及變更回報等運維保障,主因是缺少對應的組態管理框架。實驗以開源 Python 套件 Reemote 作為轉換目標,Apache 和 DataDog 角色的轉換程式均在模擬主機測試中通過冪等性檢查。評估只涵蓋兩個角色各自預設路徑中的單一作業系統系列,驗證環境並非實際伺服器羣組。
北京航空航天大學、香港城市大學等機構的研究人員研發生物電子梳 Detangle,結合電刺激與治療性分子遞送,研究雄脱小鼠的毛髮再生。接受電刺激及兩種分子聯合治療的小鼠,28 天後毛髮覆蓋率接近 100%,外用米諾地爾組約為 70%。Detangle 目前仍處於動物實驗階段,能否在人身上重現效果及其安全性仍待驗證。
六個搜尋 API 的 358 道 FreshQA 時效性題目測試中,SerpApi 和 cloro 的結果令大語言模型答對率最高,分別為 88.5% 和 88.3%。
一項獨立研究重新分析事件視界望遠鏡對 M87 星系中心黑洞的觀測數據,結果顯示各數據集中的環狀結構一致,並與原始照片的光環直徑和整體朝向吻合。研究以「閉合不變量」整合三台望遠鏡的測量數據,並採用 GenDIReCT 機器學習成像;傳統統計成像方法也得出環狀結構。光環特徵對應質量約為太陽 65 億倍的黑洞,研究亦指出這項技術可能應用於醫學影像分析和地震成像。
SlopCodeMonitor 以確定性靜態分析啟發式方法,追蹤 7,135 個開源 GitHub 儲存庫,涵蓋約 3.8B 行程式碼及 16.0 million 次模式命中。基準測試將靜態分析結果歸納為四項 0–100 的審查指標,包括 PR 審查速度影響、認知所有權風險、Agent 過度工程比例,以及依賴項與供應鏈風險。這些分數只供人工審查參考,並非 AI 撰寫的證明或已確認的安全漏洞。
獨立研究重新分析事件視界望遠鏡(EHT)對 M87 星系中心黑洞的觀測數據,確認不同數據集中的環狀結構一致。研究以「閉合不變量」和 GenDIReCT 成像,所得光環直徑及整體朝向與原照片吻合,傳統統計方法亦驗證了環狀結構。
MIT 韓松團隊開源機械人後訓練項目 PEAR,透過模擬環境中的強化學習,讓 Qwen3.8-27B 操控真實雙臂機械人。PEAR 在 LIBERO 得分 74.4%,並在雙臂 YAM 真機的 30 次測試中成功 18 次,基礎模型則為 0/30。
日本信息通信研究機構(NICT)團隊提出 OptiMer,透過合併分佈向量搜尋持續預訓練的最優數據配比,並獲得 EMNLP 2026 傑出論文獎。實驗中,OptiMer 在配比優化階段加速 15~35 倍,平均得分為 70.37,高於傳統數據混合訓練的 63.71。團隊將方法應用於 Gemma-SEA-LION-v4-27B,日語得分由 66.34 提升至 74.40,同時保留東南亞語言任務表現。
TestMu AI《State of AI in Quality Engineering 2026》報告指出,81% 的軟件團隊曾合併未完全理解的 AI 生成程式碼或測試。隨着 AI 編寫的程式碼增加,44% 的團隊表示漏檢缺陷或生產環境事故有所上升。只有 41% 的團隊會在合併前自動檢查 AI 編寫的程式碼,97% 已在測試中使用 AI 或計劃採用 AI。
Hacker News 上一則標題為「End‑to‑End 4‑Bit Training」的帖文連結至 thinkingmachines.ai,獲得 22 點。頁面顯示有 1 則評論。
作者團隊統計法官及法院規則中的 AI 披露或人工審核證明要求,聯邦法院有 35/516 個法官—法院條目符合,州法院則有 94/1,741 個。統計從 2026 年 10 月 21 日讀取的 Supabase 正式數據庫規則記錄着手,逐一審閲檢索到的文本,並按法官 ID 或法院 ID 去重。
HRS-012 為貨運無人機訂明分層且具故障隔離能力的電氣與電子架構,要求按安全關鍵程度劃分推進、航電、任務、貨載及輔助電源域,並設計冗餘供電、保護和故障隔離。標準亦要求航電與高頻寬任務運算保持邏輯獨立,並持續監測主要電力設備,以支援故障偵測、維護及飛行決策。
研究團隊以 Lean 形式化美國《國內税收法典》,檢查條文交叉引用並建立 2025 年聯邦個人所得税模型,以搜尋文本錯誤和税務漏洞。交叉引用檢查列出 257 項結果,其中 138 項為實際文本錯誤;2025 年模型亦以 IRS 公佈數據及三款報税工具比對,測試 5,000 個家庭。
VoxMel 提出一種無 tokenizer 的自回歸 TTS 框架,透過可逆的雙軸 Haar 變換拆分 mel 頻譜圖,生成 Coarse-Mel 及殘差層。
Multi-Branch Transformer(MBT)透過並行分支處理 Transformer 區塊,並結合共享 KV cache,提升語言模型品質及推理效率。實驗顯示,標準 Transformer 需要多用最多 1.26x 訓練計算量,才能達到最終模型的驗證損失;模型最多減少 34% KV cache 儲存,並在單張 H200 GPU 上提升最多 51.4% 解碼吞吐量。
研究以在合成航天器影像上訓練的單目姿態估算器檢驗 SPEED+ 模擬到真實的遷移,發現模型在真實影像上的姿態誤差伴隨過度自信,且適應效果因光照域而異。合成資料上按 90% 校準的區域,在 sunlamp 僅涵蓋 9-15% 的旋轉誤差,在 lightbox 則涵蓋 21-38%;調整骨幹網絡最後階段,可將 63-83% 的額外合成增益帶到兩個真實域。
PanDWM將六個攝影機視角拼接成360°全景帶,並以蒸餾因果學生模型和前饋式3D Gaussian解碼器生成一致的4D駕駛場景。於nuScenes的單一拼接視角評測中,其FID和FVD均低於多攝影機基線,速度為基線的8-46倍。相比50步教師模型,PanDWM維持FID,並將FVD降低22-25%。
RAPO 透過識別高熵推理位置作為稀疏反思錨點,並以 chain-masked KL 目標訓練策略在後續推理中保留視覺影響。在 Qwen3-VL-2B-Instruct 上,RAPO 將六項基準的平均 mean@8 accuracy 從 GRPO 的 40.79 提升至 43.01。標準推理時無須額外重新注入視覺資訊或選擇錨點。
SALA 利用人類與機械人影片的語言語義相似度對齊潛在動作,建立共享潛在動作空間,無需配對數據即可為具身基礎模型訓練提供監督。增加通用人類影片的預訓練數據,可持續降低下游任務的機械人動作預測誤差;增加特定任務的人類影片進行後訓練,則可大幅提升真實機械人任務成功率。
AllocFlow 以端到端 flow-matching 框架,從多資產原始市場歷史數據直接生成聯合投資組合配置,並透過模仿學習及 group-relative reinforcement learning 兩階段訓練。
研究檢視 40 份開放權重大語言模型技術報告,評估其新穎性主張是否有消融研究支持,以及報告的可重現性與透明度。73 項架構或訓練新穎性主張中,19 項有受控對照;40 份報告中,4 份披露多於一次訓練,只有 1 份同時披露數據混合、token 數量及計算資源。研究提出 7 項技術報告撰寫規則,並指出不評判模型質素,未經測試的主張仍可能成立。
SWE-CoWork 基準在模擬軟件組織中評測編碼智能體,涵蓋 101 項任務、101 個真實程式碼庫、11 種語言和 12 個應用領域。評測 11 個模型時,兩個領先模型雖通過約 63% 的失敗轉通過(F2P)測試,完整完成的任務卻少於 8%。向 Seed Evolving 和 GPT-6 Astra 預先提供完整需求,令 F2P 通過率提高約 16 個百分點,但完整任務成功率沒有改變。
GlyphAtlas 是一個建基於 FLUX.1-Fill-dev 的場景文字合成模型,透過分離文字版面配置與筆畫繪製,改善小字、密集多行文字及複雜文字系統的合成效果。模型以中文和英文訓練,並可零樣本泛化至日文、韓文和阿拉伯文。團隊開源程式碼、權重及包含 1.5M 張場景文字圖片的 GlyphAtlas-Data-1.5M。
研究提出 Centered Ablation(CA),以封閉形式從消融方向中投影去除共同模式,解釋並修正標準末層方向消融效果不足或令文本崩潰的問題。在 8 個模型上,CA 在標準方法效果不足時將攻擊成功率提高 29 和 46 個百分點,並將 Gemma-2-9B 的崩潰率由 50% 降至 1%。研究亦指出,兩種標準安全評審對崩潰文本的評分方向相反,可能造成 46 個百分點的效果差異。
AURA 2.0 是串流影片大語言模型,能在沒有用戶提問時主動開啟對話、調用工具,並進行互動式視覺定位。模型加入 Model-Initiated Conversation(MIC)、Stream-Aware Tool Calling(SATC)、Interactive Visual Grounding(IVG)及長期互動記憶,並採用三階段訓練方案。