研究發現約 20.9% 的 HTTP 200 網頁回應不含可用頁面內容
一項研究發現,約 20.9% 的 HTTP 200 網頁回應不含頁面主要內容,可能只返回空殼、CAPTCHA 驗證挑戰或封鎖頁面。研究以 10,307 個網址進行三日測試,按實際取回內容而非 HTTP 狀態碼分類,並指出簡單啟發式檢查可識別約 86% 無法使用的回應。若把所有 HTTP 200 回應均視為成功取回,表面上的引用漂移比例會由 5.8% 升至 21.9%。
一項研究發現,約 20.9% 的 HTTP 200 網頁回應不含頁面主要內容,可能只返回空殼、CAPTCHA 驗證挑戰或封鎖頁面。研究以 10,307 個網址進行三日測試,按實際取回內容而非 HTTP 狀態碼分類,並指出簡單啟發式檢查可識別約 86% 無法使用的回應。若把所有 HTTP 200 回應均視為成功取回,表面上的引用漂移比例會由 5.8% 升至 21.9%。
Google 發佈白皮書,説明如何評估健康領域的通用生成式 AI,結合封閉式問題基準測試、AI 自動評分及專家人工審查,評估準確性、安全性和實用性。框架按用戶旅程及應用風險設計測試,並涵蓋產品部署前、發布前後的持續評估與監察。
張濤團隊應邀在《自然-納米技術》發表單原子催化研究評述,闡述這一領域如何從探索金屬尺寸極限發展為多相催化研究的新範式。研究重點已由金屬顆粒的尺寸和形貌,轉向單個金屬原子的局域配位環境、電子結構及催化反應機制。單原子催化已應用於乙炔氫氯化、氫甲酰化等工業過程。
科學家提出名為「行星成像的物理驅動學習」(FLIP)的影像處理框架,可移除望遠鏡觀測到的恆星眩光,探測系外行星。FLIP以詹姆斯·韋布空間望遠鏡的近紅外相機數據成功取得51波江座b的首個影像,測試中的靈敏度是傳統太陽眩光去除技術的2至15倍。研究人員指,FLIP可結合詹姆斯·韋布空間望遠鏡觀測,用於發現更低温、質量更小、年齡更大的巨行星。
朱蘭、陳蓉團隊聯合武漢華大生命科學研究院,揭示治療前腸道及陰道菌羣分型與絕經激素治療應答相關。研究團隊基於14個中心356名女性的隊列,建立機器學習模型,可高精度預測治療4周後能否快速緩解,效果優於傳統臨牀特徵模型。
對抗式推測解碼透過訓練草稿模型拒絕關鍵推理 token,讓目標模型在較低數值噪音下驗證這些 token,提升長時程智能體的推理準確度。複雜智能體編碼基準測試顯示,此方法不改變目標模型或其輸出分佈,只需訓練託管參數的 0.06% 至 0.28%,即可提高端到端成功率。
CloudOpsBench 這項新開源基準測試顯示,推理是 AI 智能體處理雲端運維任務的主要瓶頸;版本 1.0 涵蓋 AWS 上 45 項由資深 DevOps 工程師設計的任務,沒有模型全部完成。
Anthropic 發佈開源研究原型 FlashProve,利用 zkSNARK 證明 AI 回應由所聲稱的模型生成,而不披露模型權重。
研究人員提出「Weight-Space Programming」,讓 GPT-6 Astra 直接分析和修改其他 AI 模型的權重,毋須按常規流程重新訓練。在 Qwen3.5-0.8B 上,Astra 只改動 0.016% 權重,MATH-500 準確率由 7.9% 升至 48.1%,指令遵循能力由 21% 升至 62%。不過,仍有三分之一回應達到文字長度上限,低於修改前的 93%。
新研究測試 AI 模型能否瞭解自己的思維,探討它們是否具備內省能力。內省指人能察覺自身思維過程,哲學家和心理學家對此能力與意識的關係仍有不同看法。
Nolan Lawson以Claude Code Agent在12種JavaScript框架上建立Pokémon網頁應用,比較建置成本、可維護性及終端用戶效能。五次沙盒測試中,Hono配合htmx的每個應用成本中位數最低,為$2.67;Astro為$2.76,Nuxt為$2.82,三者差異在誤差範圍內。整體而言,Agent在伺服器端框架上通常更有效率,也較善用重視慣例、API穩定及簡潔度的框架。
TokenCap 以 100 個真實程式碼提交建立基準測試,同時衡量任務所需檔案召回率與 token 用量。結果顯示,所需檔案召回率為 87%,平均每項任務使用 9,997 個 token;相較讀取所有匹配檔案,token 中位數節省 18.9 倍。測試不衡量答案質素,亦沒有呼叫模型。
上海現代服務業聯合會等8家機構聯合編製《2026 AI+高端製造產業應用圖譜》,並於10月31日全文發布,梳理上海 AI+製造產業鏈、落地優先級及發展建議。圖譜將智能質量檢測列為場景落地優先級首位,並指出工業智能體落地的核心壁壘在於工藝理解與高質量現場生產數據。
LowRAM 提出一種測試時 KV cache 壓縮方法,以低秩分解壓縮鍵,並用小型逐頭網絡根據鍵預測值。該方法將值快取壓縮 4×,效能接近無損;在 262K 上下文及 4× KV 壓縮下,選擇性重建令峯值解碼吞吐量最高提升 5×。結合量化與淘汰後,壓縮率達 26.9×,並保留基準效能的 94.5%。
GH-AWTrace 論文提出一個大型 GitHub 智能體工作流執行數據集,連結 5,051 個儲存庫中的 25,014 個經核實工作流、4,112,526 條運行紀錄及 562,877 個非空執行日誌封存檔。
LongBanana 是一個針對長上下文多參考圖像合成、由專家設計及驗證的基準,包含 90 項任務及共 4,670 個專家指定的原子評估項目。每項任務約有 32 張參考圖像和 20 項約束,並以圖像中的實體與關係圖評估內容保真度、關係綁定及整體約束滿足度。研究亦提出 LongBanana-Gen;實驗顯示,精簡的智能體框架優於直接生成,而 RPR 工作流程的成效視乎框架而異,程式碼及數據已公開。
StartLux、香港大學與南方科技大學的研究者提出 StartLux-Decision,提供單次預測版本 Instant 及按需推理版本 AutoThink,兩者透過統一的選項機率介面輸出決策結果。
MIT CSAIL 四人團隊展示 GPT-6 Astra 可無須梯度下降或重新訓練,直接修改神經網絡權重並改善 Qwen3.5-0.8B 的數學評分。
EvoWorld 提出「視野外因果演化」問題及腦部—渲染器協作框架,讓生成影片模型推理事件對世界狀態的後續影響。框架以視覺語言模型作為世界大腦,追蹤世界狀態並推理合理轉變,再由逐片段自回歸影片渲染器呈現。研究亦推出 EvoWorld-Data 和 EvoWorld-Bench;實驗顯示,EvoWorld 在保持視覺質素與一致性的同時,提升了事件條件下的因果演化表現。
Kierston 與 KierstonBench 建立城市規模模擬環境及評測基準,16 個語言模型中只有少數前沿模型能完成大部分調查任務。Kierston 模擬約 125,000 名阿倫敦居民的日常活動,並生成電訊、金融、行政及車牌紀錄,模型須透過受限紀錄介面跨來源連結線索。多數模型提出紀錄不支持的身份判定;少數表現較好的模型仍會受常見欺騙影響,沒有模型取代調查人員。
嚴駿馳團隊在 CNCC 2026 分享 JTok 與 xHC,探索如何在現有 Transformer 架構上擴展模型容量,並控制額外計算成本。JTok-M 在相同損失下所需訓練算力約為底座的 65%;xHC 相對標準 Transformer 節省約 33% 訓練算力,18B MoE 模型平均分由 44.8 升至 48.8。
MIT CSAIL 研究讓 GPT-6 Astra 直接編輯 Qwen3.5-0.8B 的局部權重,以減少重複推理並改善答案完成情況。在 50 次前向測試預算下,MATH-500 由 7.9% 升至 48.1%,觸及 Token 上限的回答比例由 93.0% 降至 33.1%;編輯涉及第 15、19 層共 131072 個參數。
Anthropic 發佈開源研究原型 FlashProve,嘗試以密碼學證明讓用戶核驗模型推理輸出是否來自指定權重,而毋須取得模型權重或重新執行模型。以公開 4-bit 權重的 Llama 4 Maverick 測試時,單張 H100 的證明生成吞吐量約為 110 tokens/秒,每個 1,024-token 請求的證明約 19 MB;24 線程 CPU 驗證約需 17 秒。
畢馬威中國與 GS1 Hong Kong 發表研究,香港消費者對 AI 的信任度升至 48%,但 55 歲以上銀髮消費者僅 38% 表示信任。信任 AI 的香港受訪者中,只有 10% 願意分享個人資料;其他大灣區城市的比例為 32%。內地品牌在香港主要憑性價比獲選,香港品牌則以安全性及可靠性見長。
小鵬集團聯合北京大學、香港大學等團隊發布具身感知基座模型 GroundingPI,在 34 項公開感知基準上取得 73.68 分,高於 GPT-6 Astra 的 71.54 分。模型約有 40 億參數,訓練只使用無動作標籤的純感知數據,目前仍處於科研原型階段。
LoCo透過局部偏好學習,教導推理模型何時繼續推理、何時停止,從而縮短輸出並維持或提升數學及程式任務的準確度。在五項數學及三項程式生成基準測試中,LoCo分別將完成長度縮短41.7%–45.4%及23.4%–36.3%,並在所有程式基準測試中取得最佳AUC。
FactEmbed 以分解式 MLLM 嵌入改進組合式圖像檢索,將組合查詢理解與判別式嵌入構建分開。模型透過分解式潛在表示模擬預期的視覺修改,並在檢索前將表示對應至目標語義;評測顯示,FactEmbed 在多個組合式圖像檢索基準上勝過先前方法。
普林斯頓大學 AI 實驗室推出 SSoN,測試 AI 在靜態跨視角條件下的三維空間理解能力;人類準確率為 83.3%,表現最佳的視覺語言模型僅達 39.7%。針對 SSoN 任務進行監督微調後,模型面對未見過的房間場景時,測試準確率幾乎翻倍。
一個自主 Agent 為 AlphaFold 3 按目標設計並迭代調整多序列比對(MSA),提升蛋白質界面預測表現。在涵蓋 1,015 個蛋白質界面的三項基準測試中,Agent 每項均勝過 AF3 預設流程及固定 MSA 配方,平均使用的 MSA 序列比預設流程少 60%。
GigaSpeech 3 建立涵蓋阿爾及利亞、埃及、伊拉克、沙特及敍利亞阿拉伯語的弱標註語音語料庫,包含 39,000 小時及 10 million 段語音。
這項研究發現,前沿語言模型透過頻繁壓縮上下文,以短上下文完成多種長時程及長輸入任務時,任務準確度幾乎沒有下降。在前沿開放權重模型上,較後生成的 token 成本差距最高可達 7x。研究亦指出,長時程軟件工程任務即使每個上下文最多隻採取一個行動,模型表現亦不會崩潰,並提出語義狀態空間模型(SSSMs)的概念。
研究提出 PLatour,以直接透過強化學習訓練的輕量線性橋接器連接凍結模型,讓大型模型處理提示詞,再由小型模型獨立生成回應。使用 35B sender 時,PLatour 在共同數學及編碼基準上的結果超越 Mostik AI 公佈的 753B sender 結果,但訓練設定可能不同。
該研究衡量離線 RAG 簽署知識包的文字與向量完整性差距,並比較向量重算、壓縮索引審核及量化碼驗證方法。理想化浮點噪聲級容差仍令最多 5.5% 查詢暴露;在包含 57,638 份文件的 FAISS 乘積量化索引中,通過審核的篡改向量可令攻擊者文件在 25% 目標中排首位。改為驗證量化碼並加入校準保護區及規範化後,三個平台的樣本中所有誠實向量均獲接受。
Anthropic 正在開發開源系統 FlashProve,透過密碼學證明驗證 AI 輸出是否來自指定模型,並已公開技術規範及各組件的可運行程式碼。模型指紋可與特定輸出匹配,驗證來源時不會洩露模型權重,用戶亦可在本地裝置完成驗證。相關研究仍在進行,Anthropic 尚未計劃在自家或其他 AI 實驗室部署 FlashProve。
Anthropic 正在開發開源系統 FlashProve,透過密碼學證明驗證特定 AI 輸出是否來自指定模型。AI 實驗室可為已發布的模型提供不洩露權重的指紋,使用者可在本地裝置完成驗證;相關技術規範及可執行程式碼已按開源授權在 GitHub 公開。研究仍在進行,Anthropic 目前沒有計劃在自家或其他 AI 實驗室部署 FlashProve。
VidUEU-Agent 是一個數據整理框架,可從原始影片自動構建用於多模態理解、圖像編輯及統一理解與生成任務的指令數據。團隊以 8,268 段影片構建 VidUEU-100K,包含近 20,000 條密集中繼資料標註及 100,000 個指令樣本。框架透過四輪訓練及評測結果調整數據分佈,每輪以 30K 個樣本從同一初始檢查點微調 BAGEL,三個反饋基準的整體表現均有提升。
DreamX 利用預訓練影片擴散模型學習精簡且不受外觀影響的潛在動作,以支援跨具身遷移和高效策略學習。模型將每個影片畫格壓縮 300 倍,由 1,200 個 token 減至 4 個,並在 LARY-Bench 的潛在動作模型中達到最先進表現。該潛在空間支援不同具身與環境之間的任意影片遷移及零樣本動作遷移。
上海交通大學嚴駿馳團隊提出 JTok 和 xHC,探索在現有 Transformer 架構上擴展模型容量。JTok-M 在同一算力預算下令損失降低約 2.2%,達到同等損失所需訓練算力約為底座的 65%;18B MoE 模型的平均分則由 mHC 的 44.8 升至 xHC 的 48.8。研究仍須權衡推理延遲與訪存開銷。
研究人員獨立重新實作 DNO-Prct,並在 Llama 3.1 8B Instruct 和 Mistral 7B Instruct v0.1 上測試。方法包括按策略取樣、以教師回應評分 LLM、選取偏好對,再進行 DPO 式更新。獨立重現可檢驗 Nash 均衡偏好最佳化能否超越原有實作和標註者而泛化。
ToolSpace 提出以工具為中心的框架,從真實 MCP 服務及開放智能體語料的執行軌跡合成多環境工具使用基準。應用於 AutomationBench 和 tau3-Bench Banking 後,7 款前沿模型在更具挑戰性的 Pro 版本上得分最多下降 38.2 分。