MIT研究者測試 GPT-6 Astra 不重訓修復 Qwen,結果引發爭議
MIT 四名研究者測試 GPT-6 Astra 直接修改其他模型權重,並在不重訓 Qwen3.5-0.8B 的情況下改善其評測成績。Astra 修改 0.016% 的權重後,Qwen3.5-0.8B 的 MATH-500 分數由 7.9% 升至 48.1%,IFEval 分數由 21% 升至 62.3%。
MIT 四名研究者測試 GPT-6 Astra 直接修改其他模型權重,並在不重訓 Qwen3.5-0.8B 的情況下改善其評測成績。Astra 修改 0.016% 的權重後,Qwen3.5-0.8B 的 MATH-500 分數由 7.9% 升至 48.1%,IFEval 分數由 21% 升至 62.3%。
一項關於編碼智能體持續 harness 自我演進的實證研究發現,後續任務演進會令先前數據集上的表現大幅下滑。研究將三個軟件工程任務數據集整理為六種演進方向,並以兩種代表性 harness 演進方法進行持續演進實驗。
研究提出 CoworkOS,一套面向長期工作的通用智能體框架,將策略決策與執行管理分開,並支援人類與智能體共同檢視和修改共享成果。在 12 項基準及 6 類真實應用中,CoworkOS 與 Codex、DeepSeek Harness 等智能體應用相比表現具競爭力。
Reviso 是一個智能體影片描述框架,透過分層規劃與主動感知,按影片內容優先擷取關鍵視覺證據,以提升描述品質及下游影片理解。在四個影片描述基準測試中,Reviso 表現優於受評估的開源基線,其生成的描述亦更有助下游影片問答。
該研究提出 Collaborative Intelligence Benchmark,以 240 項任務評估 AI 智能體的協作能力。基準涵蓋 8 個團隊合作維度,評估 18 個封閉權重及開放權重模型,最高得分為 82.2/100。研究亦發現,能力分數相近的模型,作為隊友時的表現可相差 11 分;模型接手較弱模型作弊的任務時,通過率由 97% 降至 81%。
FLAMIA 提出面向 Blackwell 的注意力核心,透過 MXFP8 及混合精度訓練路徑加速前向與反向計算,並防止因果資訊洩漏。涵蓋量化的 MXFP8 路徑,在 B200 的加速幅度為 1.10–1.40 倍,在 B300 為 1.06–1.42 倍。研究亦在 Llama 類預訓練模型上驗證訓練穩定性及品質維持。
Lab2Sim 提出一項把科學實驗影片轉化為互動式虛擬實驗的基準,涵蓋 218 條影片及 11,881 個評分項目。EduVideo2Code 將實驗程序編碼為明確狀態機,並透過執行驗證改善生成頁面;在兩個骨幹模型上,四個評估維度均有提升,器材保真度增加 24.15 分。
LG AI Research 在 ICML 2026 回顧結構化數據與時間序列深度學習研究,並介紹其為緩解 TabPFN 類別偏差而提出的 DistPFN。團隊分析 OpenML 的 253 個表格數據集,發現約 85% 存在類別不平衡;極端情況下,TabPFN 將 98.3% 的測試樣本預測為多數類別。DistPFN 在推理時調整預測機率,以減少訓練數據類別比例對預測的影響。
Metal America 測試六款大語言模型回答 387 個真實建築問題的表現,比較模型單獨作答與檢索相關資料後的結果。在六款模型均完成的 199 題中,平均正確率由約 19% 升至約 90%;只有兩款模型回答了全部 387 題。檢索後仍出現的錯誤主要與內部文件互相矛盾有關,尤其是融資規則。
Library of Layers(LoL)提出一種架構,可在推理時動態排列 Transformer 區塊,以適應不同任務。模型可在參數重用與稀疏性之間調整,並在數獨、迷宮及多語言任務中採用不同的層排列;安全數據上的路由器探針則能以高 AUROC 區分安全與不安全文本。
MIT CSAIL 研究團隊以 GPT-6 Astra 直接修改 Qwen3.5-0.8B 的權重,只調整 131072 個參數,令其 MATH-500 成績由 7.9% 升至 48.1%。
Koopman Generative Operator(KGO)結合結構化潛在動態、單步 flow matching 和自適應不確定性門控,用於概率時間序列預測。KGO 在 17 項 ProbTS 基準中,CRPS 有 13 項、NMAE 有 16 項達到最先進水平。與迭代生成模型相比,KGO 的推理時間至少減少 25 倍。
研究提出 Avatar Intelligence,主張以持續運作的個人智能體代表用戶的目標、價值觀和限制,透過跨情境、跨時間的決策委託,減少日常監督,同時保留用戶對重大決定的控制。
CUA-Master 提出巢狀雙循環遞歸改進框架,利用開放世界數據和反饋引導的重試,持續改進電腦操作智能體。CUA-Master-27B 在 OSWorld Verified、OSWorld 2.0、WeaveBench 和 Agents' Last Exam 分別取得 80.2、36.9、43.9 和 25.0 分。
L3G-World 以儲存 VAE 潛在特徵的 3D Gaussian 記憶實現即時渲染,RGB 渲染速度提升 8.3–10.4 ×,VAE 條件處理吞吐量提升 349–359 ×。相比 NeoVerse,模型最多少用 38.6 × 3D primitives,記憶更新速度提升 3.2 ×。評測在兩個室內數據集上進行,互動生成速度為 9 FPS。
Weight-Space Programming 研究展示,前沿大語言模型可按自然語言目標直接讀取及編輯神經網絡權重,而毋須梯度下降或訓練循環。研究報告稱,編輯 Qwen3.5-0.8B 僅 0.016% 的權重後,MATH-500 得分由 7.9% 升至 48.1%。文中指出,目前展示集中於簡單遊戲與強化學習策略;討論者亦質疑基線低分可能源於模型重複輸出,未必反映普遍數學能力提升。
Anthropic 發佈 FlashProve,一個用於大型混合專家語言模型可證明推理的開源原型。以 4-bit 量化的 Llama 4 Maverick(400B 參數)測試時,單張 H100 每秒可生成約 110 tokens,每個 1,024-token 請求的證明約 19 MB;驗證在 24 條執行緒下需 17 秒。
浙江大學團隊等在 CoRL2026 發佈 GR‑BC 機械人操作演算法,從不完美試錯軌跡中提取有效動作片段訓練模型。算法將多輪嘗試構成狀態圖,透過反向 Dijkstra 搜索及動作片段加權,無需完整完美示範或額外訓練獎勵模型。
一個混合檢索 RAG 管線在三種檢索後端接受中毒語料及無法回答問題測試,植入主張在 80.6% 的攻擊測試中進入答案,無法回答的問題則有 83.3% 被編造答案。良性測試的完成率為 90%,沒有錯誤拒答;SQuAD 格式測試中,20 題有 19–20 題包含標準答案片段,平均 token F1 為 0.20–0.21。
MIT 研究稱,GPT‑6 Astra 可直接分析並局部改寫模型權重,令 Qwen3.5‑0.8B 無須梯度下降,數學表現大幅提升。研究僅修改 0.016% 權重,MATH‑500 得分由 7.9% 升至 48.1%;觸及 32768token 輸出上限的樣本比例由 93.0% 降至 33.1%。
OpenAI 於 11 月 2 日發佈 LifeVal 基準,評估 AI 協助普通人完成日常事務的能力。公開示例中,為孩子找幼兒園得分 93.1%,組織防洪志願者得分 98.0%,為糖尿病家長準備膳食計劃得分 90.4%。LifeVal 目前主要是 OpenAI 的內部評估,完整任務集及評分代碼尚未公開。
作者以攻擊成功率、誤拒率及受攻擊時的完成率,評估兩種智能體安全層抵禦變異攻擊的表現。支援智能體的模式偵測器未能阻擋任何一類編碼載荷,每類 24 次測試均無一成功攔截;SQL 審批閘則阻止 84 次攻擊中的 83 次,但錯誤封鎖 13 條良性查詢中的 2 條。測試只使用模擬後端。
商湯研究院、香港科技大學 MMLab、斯坦福大學及清華大學智能產業研究院的研究者提出 MT Forcing,以改善多輪圖像編輯中的畫質退化與內容漂移。SenseNova-U1.5 使用該方法後,第八輪指令遵循分數由 4.52 升至 9.17,內容一致性分數由 3.22 升至 7.68;畫質抗漂移分數則在八輪維持 4.20—4.35。其八輪幾何位移均值由 6.34 像素降至 0.74 像素。
Zyphra 推出 Zyphra Hierarchical Attention(ZHA),以樹狀索引器搜尋 KV cache,讓稀疏注意力的索引過程不再掃描整個上下文。
加州理工學院 Ralph Adolphs 團隊以不提供特質詞的多重排列任務,研究人們如何從面孔推斷性格,發現面孔印象可歸納為五個維度。實驗一涵蓋1,751名被試,實驗二涵蓋1,683名被試;兩個實驗均重現五維結構,而面孔的種族多樣性會影響偏見在印象中的呈現。
11月2日,OpenAI 發佈 LifeVal 基準,評估 AI 模型協助普通人完成照護、健康、教育及財務等真實生活任務的能力。基準參考美國及跨國時間使用調查,並調研近4000名代表性受訪者,涵蓋搬家擇園、糖尿病照護及政府表格填寫等場景。目前 LifeVal 是內部工具,任務集與評分標準尚未公開,評估結果尚不可獨立重現。
麻省理工學院 CSAIL 團隊提出「權重空間編程」,以 GPT-6 Astra 修改阿里雲 Qwen3.5-0.8B 的模型權重,令 MATH-500 準確率由 7.9% 升至 48.1%。方法只調整 0.016%(131072個)參數,繞過梯度下降與反向傳播;GSM8K 和 IFEval 成績亦顯著提升,且未新增模型固有知識。
Sketchpad 研究提出一項形式化方法:若模型每一步只讀取外部工作記憶體的有界視窗,驗證 runtime 會呈現的有限視窗集合,即可保證模型對任意長度輸入的算術精確性。
OpenAI於2026年11月2日發布LifeVal,這項評測部分根據3,995名受訪者的調查設計,用來追蹤AI模型處理日常實務任務的表現。OpenAI公佈五項工作流程的評分,依次為93.1%、98.0%、100%、96.3%及90.4%。OpenAI希望藉此推進實務協助的評量,並將ChatGPT發展為能執行實際任務的智能體個人助理。
OpenAI 於 11 月 2 日發佈 LifeVal 基準,評估 AI 模型能否協助普通人完成日常事務。公開示例中,為孩子尋找幼稚園得分 93.1%,組織防洪志願者得分 98.0%,膳食計劃得分 90.4%。LifeVal 目前主要供 OpenAI 內部評估,完整任務集及評分程式碼尚未公開。
MIT CSAIL 研究人員提出「權重空間編程」,讓 GPT-6 Astra 直接修改 Qwen3.5-0.8B 約 0.016% 的權重,使其 MATH-500 成績由 7.9% 升至 48.1%。
OpenAI 於 11 月 2 日發布 LifeVal 基準,評估 AI 模型能否協助普通人完成日常事務。公開示例中,為孩子尋找幼兒園得分 93.1%,組織防洪志願者得分 98.0%,為糖尿病家人準備膳食計劃得分 90.4%。LifeVal 目前主要是 OpenAI 的內部評估,外界尚未取得完整任務集、評分程式碼或可獨立重現的排行榜。
Halley 是一套面向 AI 數據中心光學網絡的預測控制框架,透過預測故障及預先調度資源,在形式化保證下提升有效吞吐量。模擬顯示,若失去耗盡備用資源的時段,有效吞吐量由 65.2% 升至 76.5%;若只損失暗通道頻寬,則達 67.4%。在維持相同訓練量下,數據中心容量最多可減少 3.3–14.7%。
MIT CSAIL 研究人員展示 GPT-6 Astra 可在不使用梯度的情況下編輯 Qwen3.5-0.8B 權重;Mandiant 則追查到被盜 API 金鑰令部分受害企業單日遭收取超過 $100,000,累計費用達 $1 million。
研究分析美國密歇根州兩個城鎮的定向網絡釣魚事件,指出攻擊者利用公開會議資料中的真實項目信息,偽造政府函件及電郵索款,攻擊成效關鍵在於公開資訊與社會工程學手法的結合。防範措施包括政府資訊分級治理、強化郵件認證、建立公眾核驗習慣,以及加強跨機構協作。
研究提出一套將基於 Attention 的 Transformer 蒸餾至 Mamba 類架構的兩階段方法,讓改編的 Mamba 不使用 Attention 區塊。
一項刊載於 arXiv 的研究報告,污染 0.1% 預訓練資料即可在 AI Agent 植入可觸發遠端程式碼執行(RCE)的後門。研究團隊從零預訓練 0.6B、1.7B 及 4B 參數模型,再進行標準後訓練;4B 模型的攻擊成功率約 92%,而污染比例低至 0.0005% 時仍可觸發攻擊。
推薦理由:研究把 CLI Agent 的後門風險延伸至預訓練資料來源,並公開程式碼與評測方法,為檢視資料供應鏈防護提供具體測試依據。
MIT CSAIL 團隊以「權重空間編程」測試 GPT-6 Astra 直接讀取和修改神經網絡權重,並修復 Qwen3.5-0.8B 的推理循環。在 50 次前向計算下,Astra 修改 131,072 個權重,佔總數 0.016%,令 MATH-500 成績由 7.9% 升至 48.1%,GSM8K 由 13.8% 升至 67.1%。
南洋理工大學 MMLab 與上海人工智能實驗室的研究者提出 PhysLDM,以隱空間擴散生成高保真可變形物體的完整仿真軌跡。模型以時空 VAE 壓縮軌跡,壓縮率最高達 78 倍;在 3 萬多個 Objaverse 物體生成的約 8 萬條仿真軌跡上訓練,平均重建誤差為 2.48 毫米。PhysLDM 可零樣本泛化至未見物體,並支援端到端及高階求導。
Zyphra 提出 ZHA(Zyphra Hierarchical Attention),以階層樹逐層搜尋每個查詢相關的 token,並在合適的 top-p 路由閾值下實現次二次複雜度。