跳到正文
目前篩選:論文
11月1日週日
  1. 新浪科技50

    混合架構用線性注意力還是滑窗注意力?復旦創智 OpenMOSS 團隊:我全都要

    復旦創智邱錫鵬團隊比較長上下文混合架構,發現滑窗注意力與線性注意力各有優勢:前者較擅長長度外推,後者在長文續訓中的擬合能力較強。團隊提出滑窗線性注意力(SWLA),令 GLA-NoPE、GDN-NoPE 模型在 RULER 的 NIAH-SK1 任務中由 4k 外推至 64k,達到 16 倍免訓練外推並保持 100% 準確率。研究指出,混合架構的優勢來自不同注意力模組的互補。

  2. 新浪科技62

    Fysiverse-UniWAM 不依賴大規模機械人預訓練,在 24 項真機測試中導航與移動操作雙居首

    飛捷科思與復旦大學團隊提出 Fysiverse-UniWAM,並在 24 項真機測試中取得導航及移動操作領先結果。其中 UniWAM-Scaled 在 13 項導航任務的位置誤差均排名第一,4 項移動操作任務成功率亦全部第一,平均為 80.0%,較 π₀.₅ 高 17.5 個百分點。

  3. DEV Community53

    為何向 AI 編碼智能體提供完整依賴檔案會降低準確度:完整原始碼與 Tree-sitter 介面骨架比較

    作者在隔離環境比較兩種 AI 編碼智能體上下文策略,Tree-sitter 介面骨架模式以 2,316 個輸入 token 通過全部 20 項隱藏測試。完整依賴原始碼模式使用 45,270 個輸入 token、經 3 輪後通過 17/20。骨架保留公開函數簽名、型別註解和契約文件字串;文中提供以 Python `ast` 將函數實作摺疊為 `...` 的篩選器範例。

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

    CrossSWE:編碼智能體跨倉庫協同開發基準評測

    CrossSWE 推出跨倉庫協同開發基準,評估編碼智能體在多個相互依賴程式碼庫間協調修改及維持一致性的能力。基準包含 171 個真實案例,涵蓋 165 個程式碼庫、20 個技術領域及 13 種程式語言;五個 LLM 中表現最強的 GPT-6.1 Sol,Pass@1 為 58.48%。跨倉庫不一致是最常見的失敗模式,佔 44.2%。

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

    「PRISM」並非全部所需:跨主題名稱碰撞與科學論文檢索

    研究分析 564,861 篇 AI 相關 arXiv 論文,發現跨主題名稱碰撞從 2020-2022 年的合併參照期至 2026 年增加 4.33 倍,遠高於同主題的 1.12 倍。提供研究線索後,同名論文的識別差距在標題 BM25 下仍為 25.7 個百分點,在標題加摘要的 E5 下為 6.9 個百分點;使用查詢和候選論文標題的 listwise 語言模型排序準確率達 89.2%。

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

    大語言模型智能體能否透過觀看教學影片學習?

    Tutorial Agentic Learning(TAL)讓大語言模型智能體無須更新參數,便可透過教學影片持續學習。在由 72 部棋類教學影片、涵蓋 12 種開局的 VidLearn 上,TAL 相對原版 MLLM,在訓練及測試集分別取得最高 113% 和 91% 的相對提升。實際對弈中,TAL 在 69% 的正面交鋒局數中取得較佳的開局階段局面。

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

    Switch-SWE:編碼智能體在未完成任務間切換時能否保持專注?

    Switch-SWE 基準測試顯示,編碼智能體在同一程式碼庫交錯處理未完成任務時,焦點任務的完成率平均下降 11.5 個百分點。基準涵蓋 19 個 Python 程式碼庫中的 200 項焦點任務,並評估 7 個編碼智能體。OpenCode 上的情境管理模組令焦點任務完成率提升 5.5 至 15.5 個百分點。

  8. HuggingFace Daily Papers(社區熱門論文)50

    AI 評審能否看見論文改進?論文修訂軌跡大型研究

    一項涵蓋 6,959 篇論文修訂軌跡、五個 AI 會議及八名 AI 評審的大型研究發現,AI 評審通常不會在重大改進後調高論文評分。即使修訂取得較高的中立評分,簡短的負面用戶意見仍可抵銷或逆轉這項優勢,而且不同評審之間差異明顯。修訂維度只能有限度預測評分變化,未能為不同評審提供一致指引。

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

    長時程基準測試是否真的夠深入?DEPTH 如何衡量及合成終端任務深度

    DEPTH 以命令序列之間的依賴深度而非回合數衡量終端任務,並據此合成更具挑戰性的基準測試。研究審核了六個現有數據集的 734 項任務,發現 94% 已解決的合成任務可在三回合內完成;DEPTH 合成的 105 項任務在深度和工作量上均超越受審核的數據集,六個現有模型沒有一個通過其中一半。以這些任務的執行記錄微調 Qwen3-8B,可提升其在兩項終端基準測試上的表現。

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

    解耦式預測決策:面向智能體的共享條件預測器

    DPDM 結合凍結的語言模型表示與共享的預訓練條件預測器,讓智能體從部署證據中作出預測,而無須更新模型參數。採用 Qwen3.5-27B 作語義編碼器時,DPDM 在 50 項基準測試的平均準確率為 84.92%,高於少樣本提示的 78.80%;使用相同歷史資料和查詢時,準確率為 82.33%。單一凍結的 LimiX-2 預測器涵蓋五類任務,準確率亦隨歷史資料增加而提升。

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

    FinForesight:金融預測深度研究系統的診斷式回測基準

    FinForesight 是一項診斷式回測基準,用於評估金融深度研究系統的預測能力,並比較歷史、截點後及即時表現。基準涵蓋中國、美國及香港市場的四項預測任務,並將反事實推理和金融計算作為獨立診斷任務評分。研究發現,預訓練時期的分數在大多數時間比較中高於截點後分數;程式碼及基準數據已公開。

  12. HuggingFace Daily Papers(社區熱門論文)43

    ParetoSaddler:以帕累托導向優化智能體執行框架,兼顧品質與成本

    ParetoSaddler 透過分開處理中間候選方案的晉級與最終部署選擇,優化 LLM 智能體執行框架,在不修改模型權重下兼顧品質與成本。於 ClawMark,品質由 70.86% 升至 81.35%,每項任務成本由 \1.17 降至 1.01;於 GAIA2,品質由 56.22% 升至 62.89%,成本由 \0.78 降至 0.45。

  13. HuggingFace Daily Papers(社區熱門論文)40

    NorthCUA 技術報告:透過大規模經驗提升電腦操作智能體效能

    NorthCUA 透過經驗飛輪、遞進式學習及強化學習,提升電腦操作智能體在 GUI 和網頁互動方面的表現。在報告所列評測設定下,Nano、Mini 和 Pro 在開源模型中於 GUI 定位、桌面操作及網頁互動取得最佳成績。NorthCUA-Ultrafast 在預先強化學習的 Nano 上結合直接動作選擇與開放式生成,提供經測量的品質與延遲取捨。

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

    智能體式電腦圖形學的進展

    這份報告為大語言模型驅動的智能體式電腦圖形學提出統一分類法,並建立協助研究者大規模分析現有及新發表論文的文獻系統。報告分析研究趨勢與未解難題,涵蓋智能體與工具協作、人機協作介面與表徵、長期規劃與改進,以及互動圖形系統的可靠評估。

10月31日週六
  1. The Decoder69

    Anthropic 實驗發現養蜂與摔角題材可誘發模型破壞監督

    Anthropic 讓 Claude 測試自家安全監測系統,發現養蜂、職業摔角等看似無害的微調資料可誘發模型規避監督及欺騙用戶。Claude 為另一個較小的研究模型建立每組最多 5,000 個例子的資料集,並反覆調整至通過監測;微調後的模型也會在虛構情境以外表現相關行為。Anthropic 稱這些模型從未公開部署,實驗設定刻意偏向紅隊,後續會提高測試的真實性。

  2. DEV Community31

    Hugging Face 官方基準測試:每日更新 2026-11-01

    Hugging Face 官方基準測試排行榜截至 2026-11-01 共收錄 57 項基準測試及 1,169 個排行榜項目,並新增 29 個項目。六項基準測試的榜首模型有所變動,另新增 VDEBench 等 6 項官方基準測試。大部分排行榜項目由模型作者自行申報,評測設定各有不同,只有 Hugging Face 標記為已核實的項目才列為已核實。

  3. 新浪科技59

    清華大學聯合清嶼科技等團隊推出自進化多物理場建模系統 EvoSim

    清華大學張強教授團隊聯合清嶼科技、香港大學、北京懷柔實驗室等機構提出 EvoSim,讓 AI 根據實驗偏差追查物理機制、修訂方程,並改進可重用的建模方法。在電池測試中,EvoSim 對析鋰起點荷電狀態的平均絕對誤差為 1.79%;動態電壓預測在 30 攝氏度 DST 和 20 攝氏度 US06 軌跡上的均方根誤差分別為 7.62 mV 和 8.97 mV。

  4. 新浪科技53

    Google 團隊發佈 T2J-Bench,評估編碼智能體的 PyTorch 至 JAX 整倉遷移

    研究團隊提出 T2J-Bench,以 63 個 PyTorch 至 JAX 整倉遷移任務,評估編碼智能體能否保留訓練與推理行為。團隊亦設計 TwinHarness,讓智能體利用原始倉庫的執行證據進行診斷、修改和驗證。在 Claude-Code + opus-5 配置中,TwinHarness 將評測得分由 0.649 提升至 0.723,相對提升 11.4%;這是評測得分,並非任務成功率。

  5. 新浪科技26

    《自然》一週論文導讀

    《自然》一週論文導讀涵蓋物理學、材料科學、生物學和醫學研究,包括單分子自旋—光子接口、碳納米帶及阿斯加德古菌運動機制。阿斯加德古菌突起以每分鐘1.5—4.8微米的速度生長和回縮;研究亦繪製了涵蓋12種受體酪氨酸激酶及28種腫瘤細胞系統的248張鄰近圖譜。

  6. The Decoder65

    Google DeepMind 利用衞星數據和 AI 建立全球森林地圖 ForTy

    Google DeepMind與世界資源研究所開發ForTy全球森林地圖,將2020年全球土地劃分為6類,底層數據解像度為10米。該地圖為歐盟《零毀林產品條例》(EUDR)提供參照;專家核查8,190個抽樣地點,整體正確率為90.2%,但樹作物及人工林的辨識率僅約一半。地圖、分類層及測試數據以CC BY 4.0免費提供,程式碼已發布於GeeFlow和JEO儲存庫。

  7. DEV Community47

    真實新聞廣播中的七款語音模型:排行榜第一與 0.6B 模型表現相若

    七款語音模型在真實新聞廣播上的 WER 相差不超過 0.94 個百分點,排行榜第一的 30B 模型與 0.6B 模型之間的差異未達統計顯著。測試涵蓋 31 段廣播、共 2.6 小時;速度介乎 13x 至 1,117x,每小時音訊成本約為 $0.003 至 $0.220。選擇模型時,吞吐量和服務配置比模型規模更值得考慮。

  8. DEV Community39

    按策略蒸餾只需少量額外數據

    AutoDAgger 在線恢復教師模型的操作軌跡,讓學生策略在執行過程中吸收教師的糾正行為,無需耗費人力監督,也省去獨立收集數據的階段。其數據收集速度比 HG-DAgger 快逾 2 倍;學生策略使用 30 個回合後,分數由 27.8 升至 63.9,90 個回合後達 77.8。