跳到正文
目前篩選:論文
11月3日週二
  1. DEV Community44

    小型 Next-Concept Modeling(NCM)模型在 TinyStories 上訓練:損失更低,故事更差

    作者以 MLX 從頭訓練小型 NCM 模型,發現教師強制下的損失愈低,模型自行生成的故事反而愈差,表現也不及使用相同 Transformer 區塊的自回歸(AR)基線。減少訓練時的程式碼損壞後,clean code CE 由約 2.25 降至約 1.39 nats per code,但兩個生成器種子的 GPT-2 large perplexity 均上升,最高由 45.568 升至 93.833。

  2. 新浪科技34

    GSMA:2026年電訊網絡安全目標架構

    GSMA提出電訊網絡安全目標架構,主張由事後防禦轉向把安全能力嵌入網絡設備、網絡層及安全營運體系。架構提出原生安全、縱深防禦、網絡安全協同、差異化檢測響應及雙SOC五項原則。報告建議分兩年推進,建立CT-SOC與IT-SOC協作模式,並逐步引入AI驅動的威脅預測和自動響應。

  3. DEV Community27

    LifeVal 基準測試以 ChatGPT 用戶回饋塑造,聚焦日常個人助理任務

    LifeVal 是一項評估 AI 個人助理日常任務表現的基準測試,設計方向參考了數以千計 ChatGPT 用戶的回饋。材料提及的任務例子包括尋找托兒服務,但未交代完整任務清單、評分方法、參測系統或結果。企業可把基準測試作為比較參考,並以自身工作流程中的代表性任務測試候選工具。

  4. OpenAI:失準報告與通報59

    OpenAI 訓練用於安全與對齊的激活分類器

    OpenAI 從 GPT-5.6 起在安全防護系統中加入激活分類器,利用模型內部激活監測所有助手回應。分類器以串流方式逐 token 評分,分數超過閾值時會停止向用戶傳送回應,並交由推理模型作最終判斷;工具調用亦會在確認安全前被阻止。報告指,探針整體上比內容分類器更能抵抗越獄,但每個新的預訓練基礎模型都需要重新訓練探針,模型權重偏離訓練檢查點時性能亦可能下降。

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

    SphereFlow:透過超球面上的幾何傳輸補全缺失模態

    SphereFlow 將各模態投影至共享超球面潛在空間,透過流匹配及幾何感知調整,根據已觀察模態合成缺失模態。在 BraTS 多模態 MRI 補全及 CT-MRI 轉換實驗中,SphereFlow 的生成保真度在所有設定下達到最先進水平;使用補全數據進行下游腦腫瘤分割,與完整模態基準的差距縮小約 80%。

  6. HuggingFace Daily Papers(社區熱門論文)49

    VideoMemBench:多模態大語言模型在影片對話中的記憶能力如何?

    VideoMemBench 評測多模態大語言模型在長篇多輪影片對話中的記憶能力,結果顯示模型表現差距顯著。基準涵蓋 326 段影片及 2,476 個對話輪次,其中 1,387 個輪次依賴較早的對話內容。逾 20 款開源及閉源模型中,Claude Opus 5 整體得分最高,為 45.7%;數據集及評測已公開。

  7. HuggingFace Daily Papers(社區熱門論文)45

    StepX-OPD:重新思考擴散模型的多教師在策略蒸餾

    StepX-OPD 將多教師在策略蒸餾與少步採樣整合訓練,讓文字生成圖像擴散模型同時習得多項能力並以少量步驟生成。研究在 SD3.5-Medium 和 FLUX.1-dev 上評估,StepX-OPD 在比較的四步方法中取得最高標準化平均分,並超越四十步 Flow-OPD。於 SD3.5-Medium 上,其 GPU 訓練時數較先後進行 DiffusionOPD 和步數蒸餾減少約 37%。

  8. HuggingFace Daily Papers(社區熱門論文)64

    推理型 VLA 可在理由不變時改變動作,研究診斷並引導這種分歧

    研究發現,推理型視覺語言動作模型(VLA)在視覺擾動下可出現理由逐字不變、實際動作卻改變的情況。在 Alpamayo 的 154 個有障礙物標註駕駛場景中,TNAS 引導攻擊在完整影像擾動下造成新碰撞的比例為 52.6%,局部前置鏡頭區域擾動下為 35.1%,無引導攻擊則為 4.55%。研究指出,安全監測不能只看理由文本,還須直接核查預測動作通道。

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

    Harness-S:從同系 Harness 學習,訓練具泛化能力的智能體

    Harness-S 以同系 Harness 挽救強化學習中失敗的 rollout,並將所得能力轉移至單一策略,使其在原有 Harness 下維持效能。自適應 Harness 路由器會在基礎 Harness 的所有初始嘗試失敗時,選出 Top-k 變體產生替代軌跡。於 AppWorld、SWE-Gym 和 DBBench,訓練所得策略在原有 Harness 下優於僅訓練策略的方法。

  10. MIT Technology Review · AI40

    提升智能體分析的洞察質素

    調查顯示,受訪企業的分析智能體生成的洞察中,平均有 48% 帶來改善業務的行動,較受訪者所述一年前的 37% 上升。55% 受訪高管指出,缺乏業務背景是洞察質素欠佳的主因,45% 則提到數據零散或無法存取。52% 受訪企業認為智能體產生的洞察過多,只有 24% 能評估全部洞察。

  11. DEV Community38

    EVERYTHING to solid 公開 STL 網格轉 CAD 實體的方法

    Matthew Armstrong 發表《SOLID evidence》,公開 EVERYTHING to solid 將 STL 網格轉成 STEP 實體所用的方法,讓相關技術留在公開紀錄中,避免日後被專利限制使用。文件涵蓋 17 項披露,並整理項目的研究報告、測量結果及未奏效的方案。EVERYTHING to solid 是免費、非商用的離線程式。

  12. DEV Community44

    我們如何為選舉預測評分,以及分數不能衡量甚麼

    這套選舉預測基準先評分答案的推理,再於結果認證後加入勝選者準確率、校準曲線及 Brier score。每份答案由固定評審按具體程度、證據根據及校準度評分,各項為 0 至 100;預測答錯仍可能得高分,含糊答案則總是低分。評分不衡量預測是否正確,樣本亦不足以支持對模型預測能力作出強結論。

  13. DEV Community53

    作者抽查 317 個已合併 AI 編碼智能體 PR,檢視其工單要求完成情況

    作者逐項核對來自 317 個不同組織、由編碼智能體撰寫並已合併的 317 個 PR 與其關閉工單,發現 15% 至少有一項要求未完成或只部分完成,6% 完全漏掉要求。作者將 15% 視為上限,估計實際比例更接近 1 in 9;工單在智能體開始工作後有修改的案例中,23 個有 6 個出現要求遺漏或部分完成。文章指出,審查時應同時查看工單與 diff,並留意工作開始後被修改的工單。

  14. DEV Community36

    LLM 弱隨機數生成器偵測測試

    作者以三款本地程式碼模型測試四段使用 Python random 生成不可猜值的程式碼,評估模型偵測弱隨機數生成器的能力。模型合共標記 23/60 次(38%),兩段使用 secrets 的安全對照程式碼則 0/30 次被標記。作者推測模型較會辨認已知危險的函數名稱,而非值的用途,但尚未測試這個假設。

11月2日週一
  1. HuggingFace Daily Papers(社區熱門論文)43

    P²-MOPD:以參數先驗加速多教師 on-policy 蒸餾

    P²-MOPD 將凍結專家模型的 task vectors 作為可學習參數先驗,與學生權重及係數 α 聯合訓練,以加速多教師 on-policy 蒸餾。Qwen3-1.7B 和 4B 實驗中,最終平均恢復率分別達 94.7% 和 94.9%,高於 MOPD 的 80.9% 和 83.1%,並以一半訓練步數超越 MOPD 的最終表現。

  2. Apple Machine Learning Research46

    以規劃與 UI 定位智能體進行即時 iOS 應用程式導航的線上密集強化學習

    研究提出在即時 iOS 應用程式上訓練 UI 導航智能體的線上強化學習框架,結合規劃智能體與 UI 定位模型,並以逐步及任務完成獎勵訓練。評測顯示,8B 強化學習智能體在 Android 環境的分佈外泛化表現較 SFT 基線提升近七倍。它們在真實 iOS 應用程式上勝過 Gemini-3.5-Flash,並與 Gemini-3.1-Pro 持平。

  3. 新浪科技47

    NeurIPS 2026|MemSkill 讓智能體學習並進化記憶技能

    南洋理工大學等機構的研究團隊在 NeurIPS 2026 發表 MemSkill,將記憶操作封裝為可學習、可重用和可進化的 Memory Skills,並透過任務回饋改進技能選擇及技能庫。MemSkill 在長期對話問答與具身交互評估中,於 LLaMA 和 Qwen 基礎模型上取得表列最高的 L-J 分數及 ALFWorld 平均成功率;相比 LightMem,LLM 調用量下降近七成。

  4. HuggingFace Daily Papers(社區熱門論文)42

    BEND 2.0:評測設計 DNA 所需的能力

    BEND 2.0 評估 DNA 語言模型預測突變效應及指導序列設計的能力,結果顯示線性讀出可媲美或超越模型原生輸出,功能性後訓練亦能提升表現。基準涵蓋五個實驗數據集的八項任務,模型選擇及表徵取得方式都會影響表現。模型在情境特定效應及多細胞目標設計方面仍有改進空間。