作者以 ENEM 2024 基準測試 LLM,三個模型統計上不分勝負
作者以 ENEM 2024 的 73 道文字題建立巴西葡萄牙語 LLM 基準,測試 Qwen3.8 27B、GPT-OSS 120B 和 GPT-OSS 20B。Qwen3.8 27B 以 97,0% 排第一,但三組逐題配對差異的 95% 信賴區間均包含 0,73 題不足以判定勝負。作者亦把 GPT-OSS 20B 的兩道空白回答改列模型失敗並計 0 分;本輪測試不涵蓋作文或語用能力。
作者以 ENEM 2024 的 73 道文字題建立巴西葡萄牙語 LLM 基準,測試 Qwen3.8 27B、GPT-OSS 120B 和 GPT-OSS 20B。Qwen3.8 27B 以 97,0% 排第一,但三組逐題配對差異的 95% 信賴區間均包含 0,73 題不足以判定勝負。作者亦把 GPT-OSS 20B 的兩道空白回答改列模型失敗並計 0 分;本輪測試不涵蓋作文或語用能力。
Anthropic 以私隱保護方法分析 207,049 個 Claude 和 Claude Code 科研工作階段,研究各學科和研究任務的使用分佈,以及使用情況如何對應 AI 能力。
研究提出 AdKnob,以四級設定控制聊天機械人答案中的廣告比重,並識別含廣告的句子。AdKnob 在來自 Alibaba、Microsoft 和 Meta 的六個 AI 模型上測試,並由 913 人參與評估;與四種競爭方法相比,答案獲選比例介乎 75% 至近 90%。最高廣告級別的答案平均質素評分為 3.1/4,最低級別則為 3.6/4。
Anthropic 開源 FlashProve 原型,讓任何人核實 AI 回覆是否由服務供應商聲稱使用的模型生成。
研究提出 ReproBridge,一套用於建構可重現機器學習研究工件的智能體工作流程,並建立 ReproBridge-Bench 作為評測基準。ReproBridge-Bench 收錄來自 36 篇論文、387 項實驗的 1,029 項任務;四個模型使用整理後的工件時,平均重現成功率由 76.4% 升至 92.6%,下游 API 開支平均減少 19.7%。
OPPO 發佈全球首個端網智能體意圖通信白皮書,並將意圖通信列為面向 6G 的重要技術方向。這種通信模式以業務目標而非實現手段作為交互對象,讓終端把用戶需求轉化為標準化、可驗證的結構化意圖,再由網絡解析意圖、規劃任務及調用服務。
OPPO 發佈全球首個端網智能體意圖通信白皮書,並將意圖通信列為面向 6G 的重要技術方向。這種通信模式以業務目標而非實現手段為交互對象,終端會將用戶需求轉為標準化、可驗證的結構化意圖,再由網絡解析意圖、規劃任務及調用服務。
GaussianRenderFormer 是一種 Transformer,可接收一組 Gaussians 和一部相機,無需光柵化器便直接輸出圖像。模型以 26,820 個 Objaverse 物件訓練,每個物件最多保留 20,000 個 Gaussians;在 300 個未見過的物件上,PSNR 為 38.08 dB,而將相同的精簡輸入光柵化則為 44.02 dB。
UniRestorer++提出以多粒度退化建模和自適應路由為基礎的可擴展通用影像復原框架,透過逐步細化退化羣組及引入專家模型,兼顧專門化與穩健性。研究團隊建立涵蓋 50 種退化類別的 CDD-50 基準;實驗顯示,在評估的模型規模範圍內,PSNR 趨勢約呈對數線性,且在分佈外及真實世界數據上的擴展增益高於 vanilla MoE scaling。
LiveFoley 提出串流因果自回歸擴散架構,以極低延遲改善影片轉音訊生成的視聽對齊和音訊質素。Trailing Sliding Window 可將非因果分段編碼器轉為串流模組,而 Unified Varhop Framework 適應不同延遲和運算預算。實驗顯示,LiveFoley 的時間對齊能力媲美離線模型,生成質素領先串流系統。
研究發現,Claude 在英國直接計費的消費者 AI 訂閲支出佔比,由 2025 年 12 月的 7.4% 升至 2026 年 7 月的 29.4%,增至四倍。
《世界開放報告2026》顯示,2025年世界開放指數同比下降1.00%,為2016年以來最大降幅;中國開放水平在129個經濟體中排名第37位,較2024年上升1位。報告指出,新興和發展中經濟體開放指數上升,發達經濟體則下降。
AutoCompress 透過硬件引導的可微分架構搜尋及服務引擎成本模型壓縮 LLM,生成符合延遲、吞吐量和記憶體限制的異質架構,同時保留準確度。與 Minitron 相比,它在八項基準測試的平均準確度,在 RTX 5070、RTX 5080 和 H100 上分別提升 6.57、2.35 和 0.57 個百分點。
Anthropic 公開開源研究原型 FlashProve,以 zkSNARK 為模型推理生成密碼學證明,讓用戶毋須取得權重或重新運行模型,也能核驗輸出是否由指定權重按輸入計算得出。
SplatAnything 探討以高斯間距正規化,讓前饋式 3DGS 適用於任意場景。頁面列出這篇論文的 arXiv 識別碼為 2611.08264。
西北大學研究團隊提出機器學習影像處理框架 FLIP,透過模擬並扣除宿主恆星的眩光,提升系外行星直接成像靈敏度,最高達傳統方法的 15 倍。研究團隊以韋布望遠鏡近紅外相機數據測試 FLIP,取得傳統方法無法探測的 51 波江座 b 影像;其他測試中,其靈敏度為傳統太陽眩光去除技術的 2 到 15 倍。
OpenAI 表示,尚未公開的 AI 網絡安全模型約 10 天內在 Linux 核心發現 948 個去重後的本地提權漏洞,並生成候選補丁。研究掃描約 280 萬行程式碼,約佔 Linux 核心 7%;最初 12 小時找到 2,308 個候選安全問題,當中 1,724 個成功復現、1,169 個成功實現提權利用。
推薦理由:文章把漏洞發現與驗證數據、上游修復進度及 API 成本並列,呈現 AI 輔助 Linux 核心安全研究的產出和資源投入。
NitroFusion2 在多模態 Diffusion Transformer 中,使用凍結 MMDiT 的中間文字 token 狀態作為判別器表示,提出 Text-Stream Adversarial Distillation。
FewStepRL 將強化學習目標調整至少步擴散模型,透過轉換至 x-space、梯度分解及錨點調整,建立多種方法的少步版本。實驗顯示,獎勵可微且其梯度成本可承受時,獎勵梯度方法效果最佳;否則,DiffusionNFT 類方法通常能以較少迭代取得高獎勵。額外推理步數整體未帶來一致收益,但部分輸出在採樣步數增至訓練時的 2 至 4 倍後有所改善。
OpenAI 委託核查其楊-米爾斯理論證明的五人物理學家委員會於2026年11月3日表示,首份內容如能趕及,最快下週公佈。委員會目前集中核查純 Yang-Mills 理論的 Lean 形式化,確認問題定義和陳述符合物理及數學標準,並與非形式化處理一致;首份內容不包括夸克。
Teachable On-Policy Self-Distillation(TOPSD)透過偵測並限制教師漂移,改善多語言數學推理蒸餾,尤其針對低資源語言。TOPSD 根據師生似然選取監督前綴,並驗證教師能否從該前綴得出正確答案,只對通過驗證的前綴進行蒸餾。涵蓋十種語言和三種模型規模的實驗顯示,TOPSD 的表現持續優於傳統 OPSD,尤其在低、中資源語言上。
PCBRouteAgent 是一個多模態 PCB 佈線智能體,在 247 塊合成及真實電路板上接受評估,涵蓋 PCBWorld-Bench 的四個測試子集。它在 D2、D3-A、D3-B 和 D3-C 的 clean-pass rate 分別為 100%、94.9%、100% 和 40%。
一篇 ArXiv 論文指出,程式碼簽署及靜態政策無法防止 MCP 工具把資料外洩至政策允許的目的地,並提出 germline execution,隔離每次工具呼叫的資料流。在 153 次攻擊測試中,該方法阻止所有未授權資料披露;基線防禦仍有 5.9-74.5% 的攻擊成功。由單一副本處理的呼叫需時 10-49 ms,較每次重新啟動工具快 2-28x。
阿里雲聯同中國移動研究院、光迅科技及香港理工大學劉伯濤教授團隊,在現網敷設的空芯光纖上完成大容量傳輸,成果入選 ACP 2026 PDP。系統實現 C+L 雙波段全實載傳輸,包括 77.6 Tb/s、249 公里無中繼單跨傳輸,以及單纖雙向 2 * 77.6 Tb/s、142 公里傳輸;兩種模式的淨頻譜效率均為 8 bit/s/Hz。
OpenAI 稱,其以尚未公開模型驅動的 AI 智能體流程,在 10 月發現並利用 Linux 核心 948 個本地權限提升漏洞,並生成修補程式。流程檢查約 7% 核心程式碼,標記 2,308 個疑似漏洞,再驗證出 1,724 個可重現漏洞;總 API 開支為 $1.2 million,約 $1,280/個。
東南大學劉洪海教授團隊提出一套計算機輔助分析框架,透過分割臨牀診療流程中的動作,解析行為生物標誌物,以支援自閉症早期診療。團隊的論文刊於 ENGINEERING Health and Rehabilitation Engineering。相關直播將於11月9日19:00舉行。
歐洲太空總署的火星微量氣體任務軌道器(TGO)在阿爾巴山裂隙探測到氯化氫逸出,研究團隊指火星可能仍有地下巖漿活動。氣體或源自休眠巖漿房,並在夏季冰層升華後釋放;火星地震及年輕地貌亦支持近期火山活動假説。
論文提出 PyRUA-REAL,讓編碼智能體把實體機械人探索所得的互動經驗保存為持久記憶和可重用執行技能,供後續探索及改進使用。在 8 項真實世界任務中,平均成功率為 91.1%;在 RoboDojo 基準的 42 項任務評測中,平均成功率為 84.4%。
華中科技大學王興剛團隊與地平線機器人等機構提出 Multimodal Flow,以全連續架構和共享 Flow Matching 目標統一語言與視覺建模。從零預訓練的 MF-1 有 1.6B 參數,使用 150B Tokens;GenEval 得分為 0.821,VQAv2 得分為 72.6。受控對比顯示,Multimodal Flow 在同等數據與參數預算下,整體表現超越混合式及全離散架構。
針對35家法國服務業中小企的測試顯示,不提供企業名稱時,GPT推薦17家,Claude推薦4家。兩者只共同推薦3家;提供名稱及網站時,GPT能正確描述35家企業的業務,Claude則能描述34家。ZH-HK
Sitecheckly 2026 年 10 月網站安全調查分析了 4,934 個網站首頁,平均安全評分為 77.1/100,AI 搜尋準備度評分為 66.4/100。調查發現,13% 的首頁有可偵測的停止支援或已知漏洞元件;由於檢測受公開版本資訊限制,這只是下限。可讀取 robots.txt 的 4,546 個網站中,6.2% 封鎖至少一個 AI 搜尋爬蟲,15% 封鎖至少一個訓練爬蟲。
LG AI Research提出 ATAD(Agent-Centric Text Anomaly Detection),以動態評估協議評估 LLM 推理能力,突破固定基準的限制。Teacher、Orchestrator 和 Student 三個智能體會反覆生成、驗證和解答問題,並按模型表現調整題目難度,同時維持清晰度與公平性。相關研究獲 ICLR 2026 主會議接收並發表。
上海交通大學副教授鄧志傑解析擴散語言模型如何在保證生成質量的同時提升速度,涵蓋 LLaDA、Dream、多塊並行生成、後訓練及推理系統優化。LLaDA2.1-mini 經 CForce 訓練後,四項任務平均得分由 85.57 提升至 86.41,平均 TPF 由 6.94 提升至 9.08。演講亦介紹擴散語言模型在流式影片、語音修復、多模態及智能體中的應用探索。
Google 與 Mercor 發佈 PLE 工程評測,結果顯示工程 Agent 的單項約束滿足率與完整設計交付能力存在落差。評測涵蓋 85 項機械、電氣、土木及結構工程任務;Claude Opus 5.5 搭配 Claude Code 在 56 項隱藏測試中得分 48.3%。在人機共同創作任務中,它平均滿足 91% 的單項約束,但只有 41.3% 的交付設計項符合全部硬性安全與可行性要求。
Goodfire Research 提出 mechanistic shaping 框架,利用模型內部表徵在訓練中指定模型應依賴或表達哪些概念,以塑造模型的解題方式。
EmoReward提出自我演進訓練機制,從實際訓練的獎勵軌跡提煉不同情感證據的可靠性,據此調整後續訓練的多重獎勵權重,且不更新獎勵模型。HunyuanVideo 1.5 的實驗顯示,這套方法在多種強化學習演算法中帶來改進,並在 SAGE-GRPO 下與其他智能體獎勵方法比較。SD 3.5 和 FLUX 的消融及遷移實驗亦支持自適應獎勵校準。
LoopVQ提出循環 Transformer 的 KV cache 向量量化方法,聯合編碼多個循環步驟的通道並微調碼本。在每元素 0.5 bits 時,配合 Ouro 和 Huginn 模型,該方法在多類任務上優於現有標準 LLM KV cache 量化方法;結合 TaSQ,0.25 bits 時仍保留大部分 BF16 準確度。
TurnWise提出回合級GRPO框架,透過逐回合信用分配改善串流影片理解的強化學習。框架平均各回合的 token 損失,讓回應與等待決策獲得相同權重,無需訓練 critic 或增加 rollout;實驗顯示其表現優於先前的串流影片理解強化學習方法。
多輪智能體強化學習對 LLM 智能體的提升取決於互動回合預算;預算收緊時,軌跡層級強化學習的優勢會顯著減弱,且不會普遍提升單步決策品質。其主要優勢在於錯誤恢復及長時程韌性;BudgetMix RL 在訓練期間改變互動預算,實驗顯示其在不同執行設定下表現穩健。
Cognizant 研究估算,在較現實的採用情境下,AI 生產力每年可為印度名義 GDP 增加 280 億至 840 億美元;8300 億美元則是理論上限,並非預測。調查中,約 97% 員工表示 AI 提升了生產力,平均增幅為 15%;但只有 36% 員工可使用 AI 工具。工作技能培訓和工具普及,是把個人生產力提升轉化為更廣泛經濟價值的關鍵。