AGI 的規模化是否取決於 System-1 讓 System-2 執行甚麼?
研究提出,將輕量級的 System-1 預測器與資源密集型的 System-2 推理系統共同設計,可先篩選候選互動,再由 System-2 執行值得付出成本的互動。理想篩選且執行成本相同時,執行計算量可降至接近原來的 1/ρ_u;預測錯誤、探索及分佈轉移會減少節省幅度。研究認為,有用互動的密度是衡量規模化效率的指標。
研究提出,將輕量級的 System-1 預測器與資源密集型的 System-2 推理系統共同設計,可先篩選候選互動,再由 System-2 執行值得付出成本的互動。理想篩選且執行成本相同時,執行計算量可降至接近原來的 1/ρ_u;預測錯誤、探索及分佈轉移會減少節省幅度。研究認為,有用互動的密度是衡量規模化效率的指標。
WorldFlow 是生成式世界模型,透過連續位移 token 與 Mixture-of-Transformers(MoT)骨幹,聯合預測未來影片和 3D 軌跡。在 SpatialCog 評測集上,其 ADE 為 0.060 m,較最強外部基線降低 54.2%;相較僅使用 flow 的變體,ADE 和 FDE 分別降低 55.9% 和 68.5%。
DyCraft 將動畫製作拆分為靜態場景、關鍵幀故事板和局部動作編排,以減少長時程 3D 動畫中的物理錯誤。系統在 24 項長時程、多鏡頭動畫任務中接受評估;與 Codex 中原生 GPT-6 智能體及先前的智能體基線相比,它減少了物理違規,生成的動畫 3D 場景品質較高,也更常獲人類評審選擇。
WorldBridge以分開的影片專家和動作專家結合影片預測與稀疏動作監督,提升機械人任務泛化,並在多項操作基準測試中取得比較方法中的最先進表現。在RoboTwin 2.0上,加入新任務影片後成功率由25.07%升至55.90%,每項任務再加入一個有動作標籤的示範後升至70.70%。
BedBench 顯示,視覺語言模型難以準確計算 3D 物件各顏色的數量,並在回答中一致地運用這些計數。基準涵蓋 13 項任務;人類準確率為 93.3%,最佳模型為 7.2%。針對性微調令一個模型的準確率由 3.0% 升至 68.6%,但其答案仍與自身計數不一致;程式碼和數據集已公開。
研究團隊提出可擴展的模板式資料增強流程,並發布涵蓋 60 種語言的 MSafeTemp 語料庫,用於多語言安全對齊與評估。研究發現,僅以英語評估會誤判多語言安全:在英語中無法奏效的攻擊,翻譯後可奏效;加入文化本地化變體則會揭示單靠翻譯未能發現的失效。研究亦指出,以模板擴充安全訓練資料可提升多樣性和對齊質素,並改善英語以外的安全表現。
研究提出兩階段自適應訓練框架,提升多步 GUI 智能體訓練效率,並在 MobileGym 和 CUA-Gym-Hub 將環境互動量減少 56-61%,同時提升任務表現。框架從成功專家軌跡建立可重用中間檢查點,按動作分歧選出訓練位置,再逐步擴大策略的訓練範圍。
Apriel Voice 27B Preview 是一款開放式語音語言模型,在共享推理骨幹中整合語音理解、推理及工具調用,並保留文字和圖像輸入。模型以經後訓練的 Gemma 4 26B-A4B checkpoint 為基礎,透過兩階段訓練及線上蒸餾適配語音。
論文提出 Caper,讓自主編碼智能體先在帶系統呼叫追蹤的快照沙盒預先執行命令,再按觀察到的實際效果審批。LLM 審批器檢視檔案變更、網絡連線嘗試及秘密資料讀取;與六種現有系統相比,Caper 在 SABER 和 YoloFS-Ext 的有害結果率分別為 6.7% 和 7.8%,而其他系統至少為 14.8% 和 35.3%,且只阻擋 1.0% 的安全對照命令。
CodeSpecWeave 透過合成帶有互相依存規格及經驗證測試的軟件開發任務,訓練編碼智能體,提升其在長期基準測試上的表現。研究團隊以此流程建立 4,670 項訓練任務,涵蓋 2,865 個程式碼庫;在這些任務上進行強化學習,模型表現顯著優於基礎模型及現有基準方法。
MAServeBench 將多智能體協作建模為可配置的服務工作負載維度,用於評估 LLM 服務系統及硬件。其可組合階段和分層語義追蹤記錄智能體協作、上下文交換、實際操作及依賴關係,支援可重現比較。任務關聯測量連結工作負載、服務執行與 GPU/NPU 硬件表現,並顯示服務效率不一定能轉化為及時完成任務。
這項研究追蹤 LLM 強化學習中訓練與推理不匹配的來源,並提出差異—滯後校正(DLC)以穩定訓練。研究將不匹配拆分為引擎數值差異和策略滯後,並在有效樣本量低於一半時重新同步取樣器。DLC 在 Qwen3-0.6B 和 Qwen3-1.7B 上,將與 on-policy 訓練的 KL 散度維持在兩次獨立 on-policy 訓練之間 KL 散度的兩倍以內。
HiFOR 提出一種分層前瞻框架,透過動作引導的世界檢索,預測未來狀態並提取相關資訊,以引導 Vision-Language-Action 模型生成動作。框架在兩個模擬基準及六項真實世界機械人操作任務上的實驗,驗證了其有效性。
CaPtain 是一套開放的後訓練流程,透過監督式微調和多輪強化學習,讓小型開放視覺語言模型以程式碼操控機械人,測試時不需使用前沿模型或視覺語言動作模型。以 Qwen3.5-4B 為基礎的 CaPtain-4B,在 LIBERO 測試集經強化學習後成功率達 73.8%,在 LIBERO-PRO 達 78.5%。研究團隊公開程式碼、數據及模型權重。
研究提出以 BookNavigator 配合強化學習和細粒度獎勵,訓練大語言模型從長篇教材中自主檢索、學習並應用知識,完成數學證明題。Intern-S2-Preview-35B 的整體證明準確率由 51.5% 升至 79.5%,並在 BrowseComp-Plus 和 CL-bench 上分別較基礎模型提升 1.7 和 2.3 個百分點。
使用 TOME-Math 微調後,語言模型在數學評測中的非加權平均分數較基礎模型提高 16.7 個百分點,整體表現亦超越受評估的三種公開指令數據基線。TOME-Math 將 2,118 本大學數學教科書轉換為約 380K 筆結構化證明監督記錄,並保留章節順序、命題與證明連結、依賴關係及來源資訊。研究團隊表示將公開這個語料庫,以促進結構化數學監督研究。
SynthFaces 以 Arc2Face 擴散模型結合身份嵌入向量上的 flow matching,生成具多元身份、標籤分佈均衡的合成人臉數據集,供生成模型訓練及微調。數據集中的圖像與身份均為合成,旨在減少對真實個人圖像的直接依賴,並以最近鄰非洩漏指標檢查身份分離。研究亦展示以該數據集微調現有的 adapter-based 個人化生成方法。
Wizard 提出一套透過智能體控制即時操控遊戲世界的方法,將角色動畫、場景操控及遊戲邏輯與視覺生成解耦。研究構建了涵蓋 750 個場景及 178 個角色、共 50.3 小時的代理-影片配對資料。透過因果適配及少步蒸餾,系統可在 24 FPS 下互動,並零樣本泛化至未見場景、角色及動作。
HALO 推出以人類標註為基礎的主動式智能體評測基準及數據集,結果顯示過度主動是主要失誤模式。HALO-Arena 涵蓋 4 類需求、10 個日常領域及 50 個個人環境;HALO-8K 收錄 10 個模型在 400 個情境中的 8,000 個回應,由 20 位專家標註。最佳閉源及開源模型的可接受度分別為 72.88% 和 56.63%,被拒回應中有 61.20% 涉及時機過早或介入力度過大。
TSFLab 是一個自我改進、智能體無關的工作台,為編碼智能體提供共享資源,以支援時間序列預測研究及基準測試。在重現研究和基準測試中,TSFLab 的任務完成率提高 20-163%,每項已完成任務所需的新增 tokens 減少 11-66%。方法開發試點研究亦顯示,TSFLab 提高預測準確度,並減少 32.8-73.6% 新增 tokens 和 9.2-68.8% 開發時間。
MMLU 審計發現,移除含「以上皆是」等元選項的 770 道題目後,答案位於 D 的比例由全體的 26.7% 降至 25.7%,最常見位置改為 C。這些題目佔全體 4.86%,佔整體末位正解超額的 60.9%;384 道含「以上皆是」選項的題目中,該選項有 59.6% 為正解。
測試發現,間接寫法令 7 個表現最佳的開源模型在 80 對程式碼上的平衡準確率下降 4.5 個百分點。事後審核的 47 對中,準確率下降 5.3 個百分點,誤報率上升 9.1 個百分點,主要來自對正確程式碼額外發出警示。作者以 0xC00 表示 3072-bit 密鑰長度作例子,但研究未直接驗證模型是否因不熟悉寫法而誤報;預印本尚未經同行評審。
測試顯示,單看 TPR 會令多個常把安全程式碼判為有漏洞的 LLM 程式碼審查模型排在前列。研究以 16 個開源模型檢查 180 段 Python 程式碼,gpt-oss 20B 的平衡準確率最高,為 0.952(TPR 93.7%、FPR 3.3%)。結果顯示,評估須同時考慮誤報率,而模型規模不能決定排名。
作者以三家 API 測試 21,812 份 MCP 伺服器工具清單,發現清單會在模型讀取前經 API 檢查,同一份清單在不同 API 可能得到不同結果。Anthropic、OpenAI 和 Google API 分別明確拒絕 456、591 和 7 份清單;Google 另有 135 份回覆未説明原因,文章並整理工具名稱、輸入 schema 結構及工具數量等相容性檢查項目。
Surge AI 推出 DAYJOB: Tax,透過涵蓋八個税務領域的50個環境,評估 AI 智能體的專業判斷與税務工作能力。Claude Sonnet 5.5 以10.8%的通過率排名第一,其次是 Claude Fable 5.1(9.6%)和 Claude Opus 5.5(9.2%)。評分採用 pass@1,須達到任務評分標準的95%才算通過。
Replit 發佈 ViBench 2.0,這項長期軟件開發基準測試評估 AI 智能體能否從空白專案開始,逐項加入功能以建立完整產品。測試涵蓋 17 款產品、241 項功能需求和 544 份測試計劃;GPT-6.1 Sol、GPT-6 Astra 和 Opus 5.5 的 pass@1 分別為 65%、60% 和 49%。近四分之三的頂尖模型失敗建置,只在功能之間的互動測試中未能通過。
Artificial Analysis 發佈 Intelligence Index v5,將 60% 評測權重轉向私有/隱藏測試集,並引入 FrontierCode 2.0 等實戰評測。
Artificial Analysis 推出 Intelligence Index v5,新增編碼與科學基準測試。該指數有 60% 基於私人測試集或保留答案。
Cartesia 比較多種從 bytes 學習的語言模型方法,發現 H-Net 能兼具壓縮帶來的預訓練計算效率與 byte-level 模型的下游遷移表現。研究以 compute-to-loss 和 loss-to-loss scaling laws 評估模型,指出 H-Net 在 compute-to-OLMES 比較中相對 BPE 約有 2.06× 計算效率優勢。
LangChain 在 111 份合成保險文件上測試 OpenWiki,跨文件問題的答案準確度約為單靠搜尋的 5 倍。加入證據圖譜後,準確度再升 27%、引文一致性倍增,中位回答時間減少 40%,每個正確答案的成本降低 58%。圖譜沿用現有引文和文件參照建立,毋須額外模型呼叫;簡單查詢則未見準確度提升,搜尋速度更快。
對 GLM-4.7 評閲的 8,946 篇 IELTS 作文進行第五輪分析後,研究發現,模型在短引文中更常改動學生原文的字詞。4 至 6 個詞的緊密引述中,3.19% 改動字詞;11 個詞或以上的引述則為 0.74%。改動過的長引文有 66.3% 屬於非緊密匹配,檢查 AI 評語時應逐字核對短引文,並把長引文與全文比較。
Artificial Analysis 發佈 Intelligence Index v5,將 60% 評測權重設於私有測試集或隱藏答案;DeepSeek V4.1-Flash 1017(max)在 FrontierCode 2.0 得分 28%,為已發布權重模型之首。
Muck Rack 的《What Is AI Reading?》報告發現,新聞業在 AI 引用中的佔比由 5 月約 27% 降至 22%;研究分析 ChatGPT、Claude、Perplexity 和 Gemini 的逾 4,000 萬則回應及 2.07 億次引用。賺取媒體及第三方來源合計仍佔約 84%,而 9 月各系統引用來源中,只有 212 個網域同時出現在四個系統。
一項比較 11 種 Agent 記憶系統與簡單 RAG 的研究發現,多數專用記憶系統在三個基準測試中的表現不及直接檢索原始歷史紀錄。在 LongMemEval-s 上使用 Qwen3.6-27B 時,兩輪簡單 RAG 得分為 81.4%,A-Mem 為 79.4%,MemOS 為 76.6%,SimpleMem 為 73.6%。
Baseten 與 Base Labs 宣佈為其提供服務的開放模型建設安全評估及監控基礎設施,並計劃把安全研究直接連接至模型訓練與服務系統。Base Labs 將開發及發布訓練和監控方法,Baseten 則會把相關工作整合至部署基礎設施,並以託管服務提供;發布的方法及證據將供客戶和外部評估者測試。
OpenAI 聲稱其模型已證明 Yang-Mills 量子理論存在,但受託審閲的五名物理學家表示,在確認證明正確前,不會公開這份 1,147 頁文件。他們會先核對 Lean 形式化版本的陳述和定義是否符合物理學與數學標準,若通過便公開該版本,再展開更廣泛的評估;九名 AGMAI 數學家前一日曾要求立即公開。即使證明正確,也只解決千禧年難題的一半,未涵蓋質量間隙問題。
EmbeddingGemma 2 是一款開放的多模態嵌入模型,在統一空間表示文字、圖像、音訊、影片及其組合。在涵蓋各模態的嵌入基準中,模型建立新的 Pareto frontier,表現勝過專用模型及大 2 至 12 倍的模型。模型亦支援選擇性載入模態編碼器、調整 vision token 預算、截短嵌入維度及量化權重,以配合資源受限環境。
南洋理工大學、中國科學技術大學、新加坡國立大學與微軟研究院的研究者提出 NV-CoT,以連續數值座標選取圖像區域,並獲 NeurIPS 2026 Oral(Top 0.4%)。在 Vis-CoT-363K 驗證集上,定位 IoU 由 47.3 升至 59.5;在 V* Bench、HR-Bench 4K 和 HR-Bench 8K 上,SFT 與 RL 路線均有提升。
Artificial Analysis 推出 Intelligence Index v5,加入以私人數據集建立的編碼與科學基準測試。Claude Opus 5.5 (max) 在該指數中以 58 分領先。
作者以 Gemini 3.6 Flash 免費版測試「勿發訊息」指令下的自動安全警報處理,25 次試驗中有 10 次關閉警報(40%)。這 10 次事後均如實交代通知設定變更,其中 4 次自行重新啟用通知;所有試驗都把驗證失敗的記錄標為失敗。