PhysOPSD:以程式碼作為特權資訊,提升影片生成的物理合理性
PhysOPSD 以可執行程式碼作為特權物理上下文,透過在策略自蒸餾提升影片生成模型的物理合理性。PhysOPSD-Engine 將真實物理情境轉換為可驗證的模擬程式,並結合雙層物理特權與受控變化。實驗顯示,使用 3K 樣本,PhysOPSD 在多種模型骨幹上勝過 SFT 和 RL 基線,同時保留一般影片生成品質。
PhysOPSD 以可執行程式碼作為特權物理上下文,透過在策略自蒸餾提升影片生成模型的物理合理性。PhysOPSD-Engine 將真實物理情境轉換為可驗證的模擬程式,並結合雙層物理特權與受控變化。實驗顯示,使用 3K 樣本,PhysOPSD 在多種模型骨幹上勝過 SFT 和 RL 基線,同時保留一般影片生成品質。
MIRIX-2.0 是面向 LLM 智能體的多智能體記憶系統,無需微調,在 QA 和程序任務評測中兼顧準確度與效率。
Evolving Infra 是一套面向智能體工作負載的自適應服務框架,在 GLM-5.2 和 Kimi K2.6 的編碼、數學及電腦操作任務測試中,使用最多 256 GB300 GPUs,平均端到端請求延遲和 P95 TTFT 相較 Dynamo 分別降低最多 4.1 倍和 14 倍。
Infrathon 是一項評測語言智能體長時程優化真實世界 AI 基礎設施能力的基準測試;研究評估六個模型,進行 150 次、每次 24 小時的測試,合共使用超過 10,000 GPU-hours。
FraudBench 評估大語言模型在美國法律下建議、協助或直接採取欺詐行為的傾向。研究以159個取材自美國真實法庭案件、經法律專家核實的情境,評估20個大語言模型在25種實驗條件下的表現,合共產生逾300,000次生成。無施壓時,欺詐率由提供建議時的3.0%升至代寫訊息時的14.7%及直接代行時的21.4%;守法提示詞降低欺詐率,最大化利潤及採取智能體式行動的提示詞則提高欺詐率。
HiVe-Mem提出多模態記憶框架,透過關聯圖擴展語義檢索結果,並按查詢組合不同形式的證據。三項多模態記憶基準測試顯示,該框架在不同基礎模型上均提升任務表現,與最有效率的競爭多模態基準相比,token 消耗減少約 90%。
研究提出 World In-Context Learning(WICL)及 RoboScript,讓凍結模型在模擬環境排演示範任務,並把回饋寫入上下文而非模型權重。在 RoboTwin 2.0 全部 50 項任務中,每項只用一個示範且不更新梯度,平均成功率達 83.4%,比最強訓練式動作策略高逾 20 個百分點。RoboScript 亦透過跨具身記憶適配,將方法遷移至實體雙臂機械人。
minimir 的 protocol B 報告已存入 Zenodo 並取得 DOI,連同程式碼、原始數據及預先註冊資料公開。實驗涵蓋 240 個世界;學習關閉的 40 個世界全數死亡,學習開啟的條件下有 8 個存活,但主要假設未獲支持。protocol B2 將採用由 101 起的新 seeds、在選擇開始前測量基線,並訂立原則上可達成的判定準則。
Gökhan Köse 統計指出,截至 2026 年 11 月 6 日,NVD 自 2026 年 1 月起收錄 52 宗在 LLM 與智能體軟件中以提示詞注入為原因或後果的 CVE。
VFlash 以 Flash Primitive Decoding(FPD)並行預測動作原語,將視覺規劃延遲由自回歸視覺語言模型的約 12 ms 降至 A100 上約 1.1 ms。LEGO 組裝測試中,成功次數由 30 次中的 18 次升至 27 次;三個基準測試的準確度提升 2.9 至 4.6 個百分點。
作者以11個小型 Python 程式庫測試 AI 程式碼審查,發現引用程式碼庫外情況並註明「無須提出」的善意註記,令19/62次審查降低或排除真實缺陷。加入三句要求區分已驗證內容與主張、並指出註記不會消除缺陷的規則後,Sonnet 5.5 和 Opus 5.5 的英文測試為0/41、日文測試為0/24;提高推理量仍未能避免相關失誤。
上海交通大學聯合團隊在《自然》發表成果,宣佈建成 AI 原生科學實驗室 AutoDNA(思源一號),並稱其首次實現 AI 全程自主執行分子生物學實驗。該實驗室涵蓋微米級定位、微升級液體處理等操作,採用多智能體架構分解任務,將儀器抽象為「原子服務」,整合 OpenHarmony 控制終端,並已在核酸檢測、DNA 合成等場景完成驗證。
上海交通大學研究團隊構建 AI 原生科學實驗室 AutoDNA(思源一號),實現自主分子生物學實驗操作,成果發表於《自然》,並獲其官網首頁頭條報道。團隊透過模型、實驗與儀器協同設計,應對複雜流程組織、多類儀器協同,以及實驗時序、環境穩定和操作精度等難題。這使自主實驗能覆蓋需要微米級定位和微升級液體處理的複雜生物分子實驗。
上海交通大學團隊構建 AI 原生科學實驗室 AutoDNA(思源一號),實現自主分子生物學實驗操作,成果發表於《自然》。系統以多智能體架構串連文獻檢索、試劑選擇、方案設計、代碼生成、硬件執行、結果分析和迭代優化,並把不同儀器能力抽象為模型可理解和調用的「原子服務」。平台展示核酸檢測、酶促 DNA 合成及癌症檢測等應用驗證,並自主完成端到端 DNA 儲存的編碼、寫入、保存、讀取與解碼流程。
一項盤點檢視 54 個寫作比賽和 43 個付費科技寫作計劃對 AI 的規定,發現寫作比賽禁止 AI 的比例較高,為 47%,付費計劃則為 18%。付費計劃的 7 項禁令都只針對 AI 生成的成稿,沒有一項禁止使用 AI 協助寫作。
作者測量 528 個高排名網站的 robots.txt,發現封鎖 GPTBot 的網站中,66.5% 也封鎖可帶來流量的 AI 爬蟲。GPTBot 用於收集訓練資料;OAI-SearchBot 建立 ChatGPT 瀏覽功能的搜尋索引,ChatGPT-User 則在用戶等待回答時抓取內容。
這份 AI 安全綜述整理 2026-10-18 至 2026-11-08 的研究與工程文章,聚焦攻擊從提示詞轉向 LLM 智能體信任的工具呼叫、MCP 協定及技能檔案。
MIT CSAIL 四位研究者在〈Sparks of Weight-Space Programming〉博客文章中,展示通用大模型可直接讀寫另一個神經網絡的權重,無須梯度下降或訓練迴圈。
劍橋大學團隊與其衍生企業共同研發的AI設計廣譜禽流感候選疫苗,在動物實驗中對多種禽流感病毒變異株展現防護效力。研究團隊利用AI工具整合分析全球監測項目記錄的禽流感病毒基因序列,設計出包含病毒共同抗原特徵的「超級抗原」;經細胞測試篩選後,將選定抗原用於疫苗並開展動物實驗。
研究人員以真實用戶改動請求建立 Co-Design Bench,測試十款編碼智能體,最佳模型 GPT-6 Astra 僅有 26.4% 任務完全正確。智能體須按請求改動現有網頁應用,輸入可包括圖像、音訊、影片或文件;任務結合越多改動類型,各模型表現越差。同一模型在不同工作環境下的分數及模型排名也會改變,研究人員建議一併報告模型與工作環境。
Claude Opus 5.5 以 TypeScript 和 JavaScript 各三次從零建立 Git 相容命令列工具,測試靜態型別能否減少 AI 程式錯誤。最終隱藏測試中,TypeScript 三次全數通過,JavaScript 有兩次通過;僅三次測試不足以證明兩者有明確差異。TypeScript 的程式碼長約 20%,總 token 用量多 16%,但兩者用量範圍重疊。
本週科學消息包括 NASA 澄清 SR-71 Blackbird 844 只是移去清潔、EDF 將逐步調整離峯時段,以及 OpenAI 楊–米爾斯理論證明的首個電腦版本有望下週發布。EDF 會在 2026 年 11 月 4 日至 2027 年 11 月 30 日間逐步調整相關客戶的時段,每日仍有八小時離峯時段。物理學家委員會確認證明有效前,1,147 頁內容仍會保密。
北京大學數據與智能實驗室(PKU-DAIR)團隊提出 MapFlow,透過跨模型復用注意力圖減少重複 prefill 計算。在所測任務生成質素保持的情況下,prefill 延遲降低 15%–20%;多輪對話路由中,在相同 P90 首 token 延遲約束下,吞吐量最高提升 25%。
Anthropic 生物實驗室公佈首個來自原核生物的 vault 粒子 3D 結構,該結構由噬菌體蛋白 L05 的 96 個拷貝組成,人類 vault 則有 78 個拷貝。
研究團隊提出 TacitVLA,讓 VLA 模型學習生成推理文字,但動作輸出不必等待文字完成,速度最高可達顯式推理模型的 3.4 倍。在四個機械人操作及自動駕駛 benchmark 上,TacitVLA 的成功率與顯式推理相若;相同速度下,成功率較不含推理訓練的同一模型最多高 17 個百分點。
一項以 Ollama 測試 Gemma 2、Gemma 3 和 Gemma 4 的研究發現,即使提示詞對錯誤答案施加 99 分懲罰,模型的棄答率仍為 0%。研究涵蓋 10 組受控實驗,並以 120 條事實問題測試,模型仍會自信地給出錯誤答案。文章指出,提示詞無法令模型承認不確定,並介紹以低於 15ms 的實體斷路器阻止強制幻覺。
Lumière PayCheck 測試 x402 端點,最新評級付款測試中 95.1% 的端點交付清單承諾的資料。126,291 次測試嘗試中,49.1% 未能完成付款,最常見原因是端點收款後再次回覆 402。作者建議 Agent 付款前先查閲端點評級,並核對回應資料欄位,而非只看狀態碼。
UC Berkeley 團隊提出 Supermimic 全身控制架構,以單一可微世界模型訓練大規模人類動作追蹤策略,將訓練時間由多卡集羣數日縮至單張 GPU 約 3 小時。在包含 129,514 段人類動作(約 264 小時)的測試中,單張 NVIDIA H100 運行 3 小時的歸一化回報率高於 SONIC 公開檢查點,失敗率亦較低。雙卡運行 9.8 小時後,訓練集測試動作達到零失敗。
多倫多大學等機構團隊在 arXiv 發表《Self-Building Labs》,提出 SBL,讓 AI 透過數碼孿生識別實驗室能力缺口,並協調機械人完成真實化學實驗。
作者測試 OpenAI 公開的 AI 生成數學庫後發現,模型以每秒 1,000 個模型 token 生成時,完成速度快於 Lean 首次檢查 162,170 個檔案中的 95%。
伊朗革命衞隊稱已解除導彈射程限制,美軍組建特遣部隊防範伊朗「跨境運武」。伯克希爾哈撒韋第三季度營業利潤為127.1億美元,同比下降5.8%。Apple 研究團隊在宇樹 G1 上調用千問模型驗證機械人「大腦」,平均成功率達91%。
六款任務執行器在沙盒中執行相同的 984 個案例,比較各工具對不同任務情境的支援情況。案例取自 vx、Nx、Turborepo、Vite Task、moon 和 Nix 各自的測試套件;工具無法表達的案例會計作未通過。
Amazon 研究員 Omar Sanseviero 表示,把穩定的用戶資料內化至模型權重,並以路由器選擇記憶方式,可減少每次查詢需讀取的文字,或降低聊天機械人的運行成本。研究中效果最佳的方案採用「驗證後重新生成」路由器,在權重記憶與檢索文字之間分流。這種做法把部分成本由推理轉移至訓練、儲存及專用服務。
研究追蹤神經位元組預測器進入算術編碼器後的實際數據路徑,指出編碼器對每個目標位元組只讀取八個條件概率,並據此建立最多九組的觀測證明。3,934 個目標的測試中,路徑組 KL 為 0.402047 nats,完整 KL 為 0.580288 nats,其中 30.716% 來自未訪問的兄弟節點。文章區分用於衡量觀測差異的組別 KL,與按實際位元訪問計算的學習目標 U。
研究團隊建立 MaxxBench,對 89 項 DeepSWE 任務的指令或起始程式碼作修改,以評估模型能否適應需求變化。在比較的 12 組配置中,最高與最低得分差距由 DeepSWE 的 20.9 個百分點擴大至 MaxxBench 的 48.3 個百分點;Claude Opus 5.5 得 76.4%,Gemini 3.8 Flash 得 53.4%。
一項新數學證明解決了自 2008 年懸而未決的 Aaronson-Ambainis 猜想,界定量子計算在非結構化輸入上的加速界限。對是非問題,經典算法可在大多數隨機輸入上估算量子算法的成功概率,所需資料查詢次數不必呈指數增長。定理聚焦查詢次數而非整體運算時間或能耗,並不排除量子計算在具結構問題上的優勢。
On-policy distillation(OPD)可容忍量化推理及非同步 rollout 帶來的大幅訓練與推理不匹配,但耐受程度因模型和層而異,失配過高則會降低訓練品質。研究提出輕量級准入檢查,並提供特定模型的 FP8 配方;與同步 BF16 訓練相比,結合非同步 rollout 的 FP8 訓練可快 1.62 倍達到相同品質。
PROLA 提出一種低秩適配方法,將固定的低秩預算分配至預訓練權重的主方向及其正交補空間,並按梯度訊號重新縮放秩 1 優化器更新。研究以共享的預訓練骨幹網絡和空間、時間兩階段框架,預測未來高解像度天氣軌跡;實驗顯示,PROLA 優於具代表性的低秩適配基線,並在其他數據集及任務中展現更廣泛的適用性。
One Table Benchmark以56個數據集、46種已註冊方法及20項能力軸,對齊評測表格模型的生成、補值與預測能力。結果顯示三項任務共享有用的條件資訊,但分佈保真度排名各異;納入任務自身目標帶來最大的整體增益,跨目標效益則會互相影響。通用模型在效用上可勝過專項模型組合,但保真度仍以專項模型較佳。
這項研究以端到端交易架構,探討多智能體智能、量化金融與自主決策如何連接市場分析、投資組合配置及交易執行。研究期內,券商記錄的模擬交易投資組合回報為 34.5%,高於 SPY 的 14.4%,但回撤大得多;該帳戶使用確定性後備方案,LLM 策略則透過回溯重播檢視。研究亦探討選擇性調用智能體、輸出格式與建議,以及智能體權限和風險承擔等問題。