跳到正文
目前篩選:論文
11月4日週三
  1. HuggingFace Daily Papers(社區熱門論文)39

    CARTBench:以評分準則評測附時間線的複雜及含糊購物需求建議

    CARTBench 評估大型語言模型對附時間線的複雜及含糊購物需求所提供的建議。基準涵蓋 17 個零售領域、1,603 條產品紀錄及 1,328 項專家標註準則。評測包括 7 款商用 API 模型(包括 GPT-6.1-Sol 和 Claude-Opus-5)及 35B+ 開放權重模型;10 款模型中,3 款 Core 得分超過 90%,沒有模型的 Excellence 得分超過 45%。

  2. HuggingFace Daily Papers(社區熱門論文)46

    Micius-Flash:面向工程的輕量級智能體智能

    Micius-Flash 是一款面向工程的 27B 參數多模態推理模型,採用知識樹數據流程及多教師在線策略蒸餾訓練,支援 256K-token 上下文。在超過 20 個數據集、約 15K 筆記錄上,其硬件程式碼基準平均得分為 64.2%,較同規模基線高 15.0 個百分點;半導體智能體基準得分為 62.4%,高 17.2 個百分點。

  3. HuggingFace Daily Papers(社區熱門論文)47

    先解碼再聆聽:分塊交錯式全雙工語音語言模型的 Speculative Listening

    Speculative Listening 是一種免訓練、無損的推測解碼框架,利用分塊交錯式全雙工語音語言模型的閒置運算,預先草擬並驗證後續音訊區塊。在八項任務的 TickTock-Bench 上,它令語音區塊加速 2.6-2.8x、工具呼叫區塊最高加速 23.4x,並將回應開始前的解碼延遲平均降低 73% 至 74-241 ms。

  4. HuggingFace Daily Papers(社區熱門論文)48

    面向 MoE 多模態大型語言模型的模態感知專家剪枝

    MAEP 是一種免訓練的模態感知專家剪枝框架,按模態拆分專家重要性,以壓縮 MoE 多模態大型語言模型。實驗顯示,MAEP 在多數多模態基準上優於不區分模態的基線,文字任務表現亦具競爭力。它減少約 27 GB 的 BF16 專家權重,令約 58 GB 模型的完整權重可容納於單張 40 GB GPU。

  5. HuggingFace Daily Papers(社區熱門論文)41

    Zuse:面向歐洲語言的決策模型

    Zuse 由 4B、9B 和 27B 三個決策模型組成,面向 27 種歐洲語言,以凍結的開放權重基礎模型為底座,訓練低秩適配器和指針頭。涵蓋 27 種語言、9 個任務組別的評測中,27B 模型準確率為 87.5%,整體期望校準誤差為 0.016。研究發現,校準偏差主要按任務而非語言區分,且超出訓練語言的表現受基礎模型所涵蓋語言影響。

  6. HuggingFace Daily Papers(社區熱門論文)44

    TailSteer 如何減少多輪圖片編輯中的累積視覺漂移

    TailSteer 是一種最終階段訓練框架,透過令早期去噪動態貼近基礎模型,並在軌跡尾段學習保留修正,減少多輪圖片編輯中的累積視覺漂移。FLUX、SenseNova 和 Qwen 系列的實驗顯示,TailSteer 在 15-20 輪編輯中大幅減少漂移,同時大致保留基礎模型在文字生成圖片及單張圖片編輯基準上的表現。

  7. HuggingFace Daily Papers(社區熱門論文)46

    Hyper-Connections 的設計:簡化、穩定性與可擴展性

    對 Hyper-Connections 架構的系統研究提出 SimpleHC,透過移除殘差混合及共用記憶體存取,在維持 mHC 相若表現的同時簡化架構。SimpleHC 在最大測試規模下,端到端訓練時間僅較標準殘差基線多 2.4%。模型由 15B 擴展至 30B MoE 時仍維持相若表現,訓練期間梯度變化較平順,並在壓力測試下保持穩定。

  8. HuggingFace Daily Papers(社區熱門論文)57

    研究發現視覺語言模型可透過無關視覺任務傳遞隱藏偏好

    研究發現,視覺語言模型可透過與偏好無關的視覺任務,把教師模型的隱藏偏好傳給學生模型。研究涵蓋參數量由 2B 至 7B 的模型,在動物偏好任務中,學生模型選擇目標的比例最高比對照組高約 10 個百分點。即使模型選擇相同圖像,受偏好教師影響的學生模型,其解釋亦會使用更多與教師相同的詞語和短語。

  9. HuggingFace Daily Papers(社區熱門論文)60

    大型語言模型不知道自己知道甚麼:FinDendro 基準評估金融回測中的時間自我知識

    研究團隊提出 FinDendro 基準,以 2,226 條涵蓋 1999 至 2026 年的有日期美國事實,評估大型語言模型的時間知識及其自我判斷。GPT-5 對受控事實的答對率為 76%,但只聲稱知道其中 38%;它對自己表示不知道的事實,仍有 61% 答對。研究發現,知識聲稱可超出測得邊界最多七個季度,因此,訓練窗口內的回測不能單憑模型自述、提示詞或供應商標示的知識截止日期確認沒有資訊洩漏。

  10. HuggingFace Daily Papers(社區熱門論文)47

    Coca-Cola:面向智能體的潛在上下文壓縮,讓工具觀察不必以文字呈現

    Coca-Cola 讓 LLM 智能體以精簡的潛在表示接收工具觀察,無須重建原始工具輸出。在四個網頁搜尋問答基準及 Qwen、GLM 兩個模型系列的評測中,總智能體 token 消耗降低 70.01%–89.24%,端到端執行時間縮短 24.45%–55.97%。所有評測設定中的答案 EM 和 F1 均高於未壓縮的智能體。

  11. OpenAI:失準報告與通報68

    OpenAI 研究:Agent 安全評測與生產行為差距及評測意識的作用

    OpenAI 比較六款模型在 Respecting Warnings 評測及相符 Codex 生產決策中的表現,評測成功率均較低,差距為 10.2 至 37.4 個百分點。在 GPT-6.1 Sol 的幹預測試中,提示正確目標是尊重警告後,成功率升至 91.6%;提示相反目標、抵抗提示注入後,成功率降至 17.6%。只提示這是評測時,成功率為 63.1% 對 63.4%,變化不顯著。

  12. DEV Community78

    權重空間編程奏效:GPT-6 Astra 僅修改 Qwen3.5-0.8B 的 0.016% 權重,修復數學循環問題

    MIT CSAIL 研究團隊的權重空間編程研究顯示,GPT-6 Astra 無需梯度下降或微調,便可修改 Qwen3.5-0.8B 的 131,072 個權重以修復重複循環。

    推薦理由:文章並列成功與失敗案例,呈現直接編輯權重較適合移除單一故障障礙,未能補足模型原本欠缺的能力。

  13. Unite.AI63

    Ai2 發佈 StateBench,評估語言模型的長文件狀態追蹤能力

    Allen Institute for AI(Ai2)發佈 StateBench 基準測試、數據集及程式碼,評估語言模型能否在長文件中追蹤變動狀態。測試按更新操作分為四級,涵蓋 8 至 64,000 次指派;Ai2 表示,Gemini 3.8 Flash、Claude Opus 5.5、GPT-6 Sol 和 GPT-6 Luna 在最長的一般有限任務中準確率均為 13% 或以下。

  14. Ai2 / Allen Institute for AI59

    StateBench 評估語言模型追蹤長篇文件狀態變化的能力

    Ai2 推出 StateBench,這套基準評估語言模型在長篇文件中追蹤實體狀態變化的能力,並將任務按複雜度分為四級。從零開始訓練、參數量為 275 million 的模型在最長 64,000 次變數賦值序列測試中,Gated DeltaNet 及混合模型在前三級幾乎完美泛化;Transformer 則未能學會最難的通用有限狀態任務。

  15. Hugging Face Blog48

    Palette:教小型模型以你的設計語言製作簡報

    Palette以LoRA微調20B開放權重模型,讓模型按指定設計語言規劃並生成簡報,並以檢查器核驗版面。訓練數據依據 IBM Design Language 合成,涵蓋約 1000 份簡報、約 10,000 張投影片;模型在 PresentBench 測試的三個領域中有兩個排名第一。設計與編寫程式碼分工後,每張投影片可並行處理,編碼階段快約 6–7×。

  16. HuggingFace Daily Papers(社區熱門論文)56

    IdeaTaste:大語言模型的研究品味是否接近人類研究者?

    IdeaTaste 將 AI 智能體根據 2025 年文獻提出的研究構想,與同一社羣 2026 年發表的論文比較,發現其能跟上大方向,卻難以匹配具體方法。測試涵蓋六個當代語言模型、四個研究領域及逾 90,000 份提案;引用匹配約為人類水平的 26%,構想匹配僅 18%。

  17. DEV Community48

    CUA-Master 為何要靠虛擬機快照回滾,才能在 OSWorld Verified 得分 80.2

    CUA-Master-27B 以快照回滾收集有效操作軌跡,在 OSWorld Verified 得分 80.2,並在 OSWorld 2.0 和 WeaveBench 分別得分 36.9 和 43.9。環境驗證器找出失敗步驟後,系統回復至該步驟前的快照,保留成功操作並重試。研究團隊亦從 YouTube 和 TikTok 教學影片提取軟件操作任務,供模型訓練。

11月3日週二
  1. HuggingFace Daily Papers(社區熱門論文)51

    DR Pixel:以視覺語言模型對文件頁面進行深度研究

    DR Pixel 是一個開源多模態智能體,直接以渲染後的文件頁面圖像作為檢索與推理單位,並在包含 1.06M 頁的語料庫上運作。研究建立 DRPixelBench;未經訓練的頁面原生方法已在 GPT-5.4、Gemini-3.5-Flash 和 Qwen3.6-27B 等模型上勝過 OCR 基線,且所需工具呼叫較少。

  2. HuggingFace Daily Papers(社區熱門論文)31

    從自主智能體到認知共生體:邁向 AI 增強的人類智能

    研究主張,Physical AI 應涵蓋 AI 增強的人類智能,並以終身認知共生體補足個人在情境中的認知缺口。這類系統透過外置裝置感知用戶所感知的事物、跨年保留情境脈絡,並在適當時機參與思考及執行日常任務。論文亦將治理納入設計,指出認知共生體可能帶來考試中的隱蔽協助,以及要求所有人採用的壓力等風險。

  3. 虎嗅54

    麻省理工等機構以 HugAgent 研究 AI 數碼分身預測新情境回答的能力

    麻省理工等機構研究者提出 HugAgent,以 54 名參與者、1,742 個評測項目,測試大模型能否從訪談推斷個人當前信念,並預測其在未見情境下的回答。信念狀態推斷的最高準確率為 77.56%;信念動態更新則以 Claude Sonnet 4.5 的 68.61% 最高,兩項參與者自我一致性基準分別為 84.84% 和 85.66%。

  4. 虎嗅58

    A Heart Means Recursion:一顆愛心如何令 AI 改用遞迴寫程式?

    研究發現,題目旁加上紅色愛心後,模型在二叉樹遍歷題中會由迭代寫法轉用遞迴。論文記錄 GPT-5.4 有高達 74.7% 的樣本出現不忠實歸因,即推理解釋與實際行為明顯脱節。文章指出,可在其他條件不變下替換疑似無關元素,累積足夠樣本比較輸出,以檢查其是否造成系統性偏移。

  5. Hacker News 熱門(buzzing.cc 中文翻譯)77

    研究展示預訓練投毒可在 Qwen3 智能體植入遠端程式碼執行後門

    研究團隊從零預訓練 Qwen3 模型,並將其後訓練為 CLI Agent,展示預訓練語料投毒可植入遠端程式碼執行後門,令 Agent 在觸發條件出現時執行攻擊者指定命令。

    推薦理由:研究從零預訓練並後訓練 Qwen3 CLI Agent,量化不同模型規模與投毒率下的攻擊成功率,呈現預訓練語料污染對智能體執行安全的影響。

  6. 雷鋒網42

    香港大學發布全球首份 KYA 報告,聚焦智能體信任建設並收錄九類企業實踐

    香港大學發布全球首份 KYA 領域報告,探討智能體參與經濟活動所涉及的身份、授權、信用與責任問題。報告結合 109 份有效問卷及近十個企業案例,提出智能體成熟度模型、KYA 框架和智能體發展指數。問卷中 76% 的受訪從業者曾遇到信任、安全、問責或合規顧慮,88% 認為行業需要統一的智能體可信評估或認證標準。

  7. HuggingFace Daily Papers(社區熱門論文)38

    PhotoGuider:構圖感知裁剪、360° 全景取景與可解釋攝影評估

    PhotoGuider以共享的構圖感知特徵選擇 360° 全景的觀看方向並完成取景,同時輸出相機參數及根據評估生成的解釋。在兩個標準 2D 裁剪基準測試中,PhotoGuider取得最高平均 mIoU。盲排名研究中,120 名參加者比較 100 個全景場景,PhotoGuider 的取景有 53.2% 獲排名第一。

  8. HuggingFace Daily Papers(社區熱門論文)34

    TaoMate-FVSR:音訊引導的面部影片修復

    TaoMate-FVSR提出音訊引導的面部影片修復框架,結合參考引導影片流模型與音訊同步,修復 AI 生成影片中的面部細節,處理唇部和牙齒與語音不一致的問題。在 talking-head 修復基準測試中,該方法在配對感知相似度及同步評分上均優於其他受比較方法,亦支援更換音訊時的視覺配音。