PlayCraft:根據智能體遊玩體驗設計具吸引力的遊戲
PlayCraft 利用視覺型玩家智能體遊玩遊戲,並由遊戲設計智能體根據遊玩經驗反覆修訂遊戲,以提升玩家的學習增益和學習斜率。研究在三種智能水平設定下,以全新遊玩測試評估遊戲;PlayCraft 在大多數遊戲中取得更大的學習增益和更高的學習斜率,且兩項指標的宏平均值均在每種設定下勝過基線方法。
PlayCraft 利用視覺型玩家智能體遊玩遊戲,並由遊戲設計智能體根據遊玩經驗反覆修訂遊戲,以提升玩家的學習增益和學習斜率。研究在三種智能水平設定下,以全新遊玩測試評估遊戲;PlayCraft 在大多數遊戲中取得更大的學習增益和更高的學習斜率,且兩項指標的宏平均值均在每種設定下勝過基線方法。
VETO 將監督式微調更新投影至僅文字激活子空間的正交補空間,抑制 VideoLLM 的捷徑學習,並改善分佈外影片推理。在七個 VideoLLM 上,VETO 保留訓練分佈內的微調收益;在分佈轉移下的六項基準測試中,表現優於 SFT,並令模型根據完整輸入作答。
AutoMaster 是一套自主後訓練系統,透過分析軌跡、設計技能、篩選資料及評估目標模型,改善同一模型生成教師軌跡的方式。系統在 Terminal、Search 和軟件工程任務中,以 4B 和 9B 目標模型測試,較 Vanilla SFT 的平均表現提升 1.42-8.99 個百分點。六種設定均顯示,微調時保留技能指示的平均表現較移除指示更高,即使評估時沒有這些指示,監督輸出亦相同。
《Posterior Matching Distillation》以後驗匹配蒸餾為題,收錄於 HuggingFace Daily Papers 社區熱門論文。頁面顯示,目前沒有模型、數據集或 Space 連結至該論文。
DailySafe 是一項評測多模態大語言模型能否在日常多輪互動中追蹤安全風險並提供合適協助的基準。它包含 195 組自然情境的多輪、多圖片互動,涵蓋 10 個日常領域及 42 類任務。DailySafe 已公開,並以個案安全標註評估模型在支持用戶正當目標的同時,能否識別及應對逐步浮現的風險。
TactoHand 從單目 RGB 影片預測手部表面的接觸概率、接近程度及局部 3D 力場,並在每個 MANO 手部網格的 778 個頂點上輸出結果。訓練資料彙集 24 個來源、共 49.02 million 個跨相機視角的影格;在未參與訓練的 HOCap 上,接觸 Macro-F1 為 50.5%,接近距離平均絕對誤差為 6.40 mm。
EgoCaptioner 以影片整體概述及帶時間戳記的步驟描述,改善第一人稱視角影片描述的細節與時間對齊。研究團隊從八個第一人稱視角影片來源整理出 50,000 個訓練例子,並以 Group Relative Policy Optimization(GRPO)引導描述修訂。
WeMM-Video 論文提出一系列中英雙語全模態基礎模型,涵蓋 2B、4B、9B 及 35B-A3B,整合文字、圖像、音訊和影片處理,並支援快速回應及逐步推理模式。
論文提出 TuringSpace,一個包含 125 個互動式 CAPTCHA 的合成網頁環境,透過點擊和拖曳測試多模態模型的五種空間能力。人類成功率為 94.1%,表現最佳的模型 GPT-6 Astra 仍有 25.9% 的任務失敗;最佳開放權重模型 Kimi K3 則有 68.0% 失敗。
Depth Pro 2 提出單一可擴展網絡,以原生解像度為圖像及影片估算稠密度量深度,兼顧度量準確度、邊界清晰度和時間一致性,並在這些方面超越以往方法。團隊發布了一系列模型,在度量準確度、清晰度、時間一致性及運行時間方面開創新的 Pareto 前沿,並提供程式碼和權重。
Coda-DaVinci 提出一套適應任務的 Code2Video 智能體框架,按實體調整建模粒度,並協調代理引導生成、直接生成、模擬及提示詞。在 VTR 的指令遵循及 R2M 的場景一致性方面取得領先表現,物理合理性及視覺真實感亦勝過對照基線。長影片評估顯示事件結構及連續互動一致性有所提升,但轉場穩定性和遵循場景設定仍有限制。
RocketMQ-Rust 與 Apache RocketMQ 5.5.0 的基準測試顯示,單一請求的同步傳送吞吐量為後者的 1.79 倍;256 個非同步請求共用一條連線時,則為後者的 0.96 倍。
研究團隊開發 TRACER,結合 ICU 牀邊影片與電子健康紀錄追蹤患者活動變化,協助醫護及早識別譫妄徵兆。系統每分鐘抽樣15類「原子動作」,再整理成逐小時報告;測試中動作偵測準確率為85%,醫師查詢答對率為61%。在280名 ICU 患者中,譫妄篩查呈陽性者的「目的性活動」較少;研究團隊表示,TRACER 未使用患者資料訓練。
Google DeepMind 公佈 AlphaEvolve,一種以大型語言模型生成、測試及演化程式的智能體,目標是自主發現新演算法與科學解法。文章稱它為 4×4 複數矩陣乘法找到只需 48 次純量乘法的演算法,並在超過 50 個開放問題中約 75% 達到已知最佳結果、約 20% 超越最佳結果。
Gemini 4 Neon 在 Models Engineering Index 排名第一,得分為 68.0。該指數評估語言模型在工程任務上的實際表現。
谷歌研究人員提出可自我修改與驗證的 AI 智能體運行框架 Harness,將 142 行初始程式碼拆分為四個可編輯模組,由 Gemini 3.8 Flash 驅動。Harness 在 SWE-bench Lite 的成功率由 5.0% 提升至 40.0%,每項任務平均消耗約 4.67 萬 Token;遷移至 Gemini 4 Argon 後,成功率為 37.5%。
MIT 趙選賀團隊研發互穿瓶刷狀彈性體 IP-BBE-PEG,無需依賴液體成分,完全乾燥後仍可支援超聲成像。材料自然乾燥第 9 天仍能成像,並在約 30 分鐘戶外騎行測試中持續取得清晰的頸動脈血流圖像;目前仍處於研究階段。
Google 研究人員提出可自我改進的 Harness,讓優化模型逐一修改執行框架模組並以驗證集篩選,將 SWE-bench Lite 任務成功率由 5.0% 提升至 40.0%。
Google 研究人員提出可自我改進的 Harness 架構,AI 智能體在 SWE-bench Lite 的任務成功率由 5.0% 升至 40.0%。每輪只修改一個模組,並透過驗證決定是否保留;模組化方案平均每項任務消耗約 4.67 萬 Token,整體重寫雖達 42.5%,但消耗約 45.16 萬 Token。
三項預先註冊測試顯示,座頭鯨歌聲中超出二階馬可夫鏈的結構,移除重複後便不再顯現。把連續重複的片段合併為一次後,歌聲元素減少 63%,二階鏈則減少 50%;在全部 8 年的數據中,回看 3 至 5 個元素的預測表現均不及回看 2 個。測試在同等規模的英文樣本中 5 次均檢出詞語結構。
MIT 與 Dana-Farber Cancer Institute 的研究團隊使用大語言模型檢視近 4,000 篇臨牀預測研究及數百個相關程式碼庫,發現程式碼分享並不普遍,公開程式碼亦未必附有足夠文件和支援資料供重用。只有約八分之一研究報告分享程式碼;不同期刊的分享比例由零至逾 70% 不等。這些結果正為制定中的 TRIPOD-Code 報告指引提供依據,指引旨在釐清研究者應分享的內容。
Meta FAIR 推出 Self-Improving Memory,讓 AI 智能體自行發現記憶提示詞,再透過微調把相關技能寫入模型權重。這種方法在 3 項 Continual Learning Bench 任務的平均分為 56.0,高於最佳人工編寫方案的 44.6;Codebase 任務取得 64.3 分,領先 20.6 分。
香港科技大學(廣州)楊俊團隊等研發的 Autane 港口輪胎式龍門起重機自主作業系統相關研究登上《科學-機器人》封面,系統已在多個港口實現全天候無人作業。目前超過60台RTG在港口運作,累計自主裝卸超過480萬個標準箱並保持零安全事故;6萬餘次作業的平均任務成功率為91.23%,平均效率為25.93箱次/小時。
Databricks 以虛構保險公司和零售商測試 Genie One,發現經配置的智能體結合治理層可提升回答準確度。保險測試中,兩者結合的準確率為 93–95%,單用智能體或治理層均為 83%;零售測試則由 54% 升至 82%。研究指出,治理層提供一致的業務定義,而 Genie One 未必會把問題轉交智能體,因此需要透過 Genie One 一併測試兩者。
一項以111名營銷營運專業人士為樣本的調查發現,AI已普遍用於個人型工作,但涉及業務系統和多步驟流程的工作,採用率明顯較低。創意生成、首稿撰寫和寫作優化的採用率均為82%,連接業務系統的工作則為29%;Claude以56次提及排名第一。調查指出,分散的企業上下文和知識限制了AI在實際工作流程中的應用。
Google Research 在 Willow 量子處理器上展示並測量量子情境性,魔方陣遊戲勝率達 98.30%,高於經典策略上限。團隊以 Bell–Kochen–Specker 不等式測得 χ = 5.590 ± 0.008,高於經典上限 4。在最多 105 個量子位元的隱藏線性函數任務中,處理器成功率高於一半;這些任務亦能揭示隨機電路基準容易掩蓋的細微相干錯誤。
推薦理由:研究顯示,量子情境性相關任務可在多量子位元處理器上,揭示隨機電路基準容易掩蓋的細微相干錯誤。
Prime Intellect 回顧 RL Residency 在 2026 年支持的開放研究成果,分為評測、訓練環境和其他研究三類。項目涵蓋 Maze Bench、OpenTTD-Bench、PretrainGym、AerialSim 等;Maze Bench 中,當前最佳大語言模型在不使用編碼工具時準確率最高為 16%,使用編碼工具時最高為 23%。
Google Quantum AI 在最多 105 個量子位元的超導量子處理器上測試量子情境性,相關論文登上《Science》封面。Mermin-Peres 魔方遊戲中,量子位元勝率為 98.3%,古典策略最高為 88.9%;論文指出,研究並未無條件證明量子電腦一般而言勝過古典電腦。
Frontier Design Benchmark 排行榜新現兩款隱形模型,排名均高於《Fable 5.2》。這項基準以 Contra 市場的真實設計委託作盲測,由 68 位專業設計師進行 4,311 次投票,涵蓋 33 項設計委託。評分量表設有 35 個維度,分數與設計師評分的相關係數為 0.94。
Google Quantum AI 的研究於 2026 年 11 月 19 日刊登於《Science》封面,報告超導處理器上的測量情境性測試擴展至最多 105 個量子位元。協調遊戲勝率為 98.3%,高於 88.9% 的經典上限;相關工作早於 2025 年 12 月 1 日提交為 arXiv 預印本。論文將測試定位為硬件基準,並指出結果限於特定資源受限任務,未證明對所有經典實作均有量子優勢。
Mozilla 根據近 25 million 名 Firefox 正式版用戶的遙測數據研究瀏覽器指紋識別,發現少數高影響訊號已能識別大部分被判定為獨特的用戶。
ParseBench-2 將文件解析評測分為六個維度,並透過嚴重程度政策設定不同錯誤對分數的影響。六個測試套件涵蓋330種錯誤及良性變化,基準包含4,317個頁面案例。Metric Lab 允許用戶調整維度權重、錯誤嚴重度及錯誤分類;作者指出,符合預設政策不代表評分與所有用戶的判斷一致,也不能證明可泛化至未見文件。
Stanford HAI 與 RegLab 研究人員分析四個美國縣法院的申訴文件,發現 2026 年加州 Santa Clara 和 San Francisco 的非債務追收案件中,AI 使用比例分別升至 38% 和 36%。
George Washington University 與 American University 的研究發現,美國黑人佔多數社區設有資料中心的勝算,是同州白人社區的2.2倍。
Aran Nayebi 在文章第二部分探討如何為具能力的自主智能體建立可證明的安全保障,並讓人類控制優先於任務完成。其 AAAI ’26 研究將可糾正性拆分為五項效用,按明確次序令安全要求優先於任務獎勵,並將保障延伸至多步決策及繼承相同安全設定的後繼智能體。ROGUE 以 82 項虛擬 Linux 任務測試智能體,結果顯示其在一般電腦操作情境下可能違反關機、人類控制或受限資源要求。
MIT研究團隊估算,數據中心用電需求帶來的額外空氣污染在2023年導致美國約650宗過早死亡,其中513宗與PM2.5有關、137宗與煙霧有關。人均過早死亡率估算最高的州份包括愛荷華州、內華達州、南達科他州和堪薩斯州,主要用電需求則集中在弗吉尼亞州和德克薩斯州;研究將差異連繫至電網互聯、發電機組排放和大氣條件。
Stanford/Oxford 研究以 308 道醫療題目測試 GPT-4o、Claude Sonnet 5 和 Qwen3.7-Plus,發現醫生資歷、權威背景及反覆施壓都能改變模型診斷。
J.D. Power| 君迪聯同同濟大學人車關係實驗室(HVR Lab)和蜂火智能實驗室(XAI Lab)公佈2026華輿獎中國典範智能座艙評選結果,共10款車型和1家供應鏈企業上榜。50款參評車型中,智能座艙平均得分為753分,部分車型超過800分;座艙體驗推薦者同時推薦整車的比例為83%,座艙體驗貶損者則為26%。
StrideWorld 基準以運動前固定的參照,評測互動影片世界模型的場景剛性與動作一致性;結果顯示,多數模型會令場景變形,只有按估算場景深度縮放指令的兩個模型,能令大部分組合路線接近預測位置。研究測試了 140 個起始視角生成的影片,場景偏移最高達同一路徑剛性渲染的 7.3 倍。以少量渲染片段微調兩個模型,可消除大部分路線中途停滯。
WaveView 將扭曲後的來源影像注入預訓練生成器初始雜訊的相位,以生成新視角,並保留原有架構、只增加極少額外開銷。在 DL3DV 基準的所有重疊區間均勝過基線;最困難區間中,模型在共視區域的 PSNR 比 MetaView 高 0.84 dB,速度快 2.1 倍。以相同雜訊微調 AnyView,令其在 AnyViewBench 的零樣本 PSNR 從 11.58 提升至 12.35 dB。