Anthropic 研究:專業分析師 86% 的時間跟從 AI 智能體隨機分配的「傾向」
Anthropic 的研究發現,專業分析師在主觀分析判斷中,有 86% 的時間會跟從 AI 智能體隨機分配的「傾向」。另有 77% 的分析師採用了智能體提出的論據。
Anthropic 的研究發現,專業分析師在主觀分析判斷中,有 86% 的時間會跟從 AI 智能體隨機分配的「傾向」。另有 77% 的分析師採用了智能體提出的論據。
LFORLA 的 Drone Build benchmark 以固定任務、統一評分規則和確定性飛行物理 oracle,端到端評測 AI Agent 的無人機建造能力。
EvidenceConnect 透過合成訓練數據,強化模型連結視覺證據的能力,改善空間感知及多模態推理。研究者以該框架生成數據訓練基礎 VLM,取得 Zooming without Zooming v2(ZwZ2),並在細粒度與空間感知等任務上取得提升。驗證方法包括要求獨立 VLM 對參考答案達成一致,以及以區域消融測試剔除不合格問題。
Polymathic AI、Princeton University、USC ISI、NYU 和 Flatiron Institute 的研究人員發佈 FlashMap,這款推測解碼草擬器以連續 flow map 一次草擬完整的 16-token 區塊。
愛丁堡大學與巴斯大學的研究指出,AI 機械人程式向英國政府2023年煙草與電子煙法案諮詢提交90,835份自動回應,佔118,756份回應的76%。除兩份外,這些回應都反對禁售一次性電子煙,英國衞生及社會關懷部已將其排除於決策之外。研究人員形容,這似乎是首宗有記錄的大規模自動化幹預正式公共衞生政策諮詢的案例。
Hugging Face 官方基準測試地圖顯示,目前收錄 52 項官方基準測試、45 個排行榜及 1,131 個排行榜項目,涵蓋 438 個模型和 104 個機構。新增的檢索領域排行榜採用 BRIGHT 基準,目前有 2 個項目。排行榜分數由發布者自行提交,地圖不會重新執行評測。
Factorized Vector Quantization 以互補特徵視圖的對稱平行碼本改善離散視覺 token,令其在多模態理解上達到連續視覺表徵的水平。模型在九項指標的平均表現較 UniAR 高 22.8%,較 Emu3-Chat 高 59.2%。它亦能媲美 Qwen3-VL 等連續表徵模型,包括在細粒度 OCR 任務上的表現。
天津大學張長青在 CNCC 2026 報告中介紹多模態融合研究,探討如何保留模態特有資訊、根據證據評估預測不確定性,並以 Fusion Anything Model(FAM)適應不同模態組合與預測任務。
Microsoft AI 公佈,MAI-DxO 在 304 宗 NEJM 複雜病例中錄得 83% 診斷準確率,醫生不用參考資料時為 22%,可用參考資料時為 36%。
一項 PyPI 套件複現研究發現,下載量最高的 3,000 個套件中,72.3% 的依賴宣告行由可選 extras 控制,長尾套件則為 37.4%。熱門套件的直接依賴中位數為 2,低於長尾套件的 3。研究各抽樣約 3,000 個套件,並只檢視每個套件的最新版本。
OpenAI 宣佈在數學、電腦科學及物理學領域取得三項成果,並採用不同發布安排,科研界對成果公開方式提出批評。數學成果據稱證明掛谷猜想,電腦科學成果則宣稱證偽指數時間假説;物理學研究涉及量子色動力學及楊–米爾斯理論,但沒有解決質量間隙問題。受訪研究人員指出,核驗成果需要大量時間,並質疑由 OpenAI 選定專家及限制查閲範圍,主張公開材料供學界共同檢視。
推薦理由:三項成果的公開程度並不一致,爭議落在專家遴選與證明材料的平等查閲,呈現 AI 科研如何兼顧核驗和開放的難題。
VibeVideoBench 評測以程式碼生成影片的多模態智能體;在 239 項任務、九個前沿智能體系統及 2,151 次評分執行中,GPT-6 Astra 和 Claude Opus 5.5 分列第一、第二。最強系統在 76.3% 的任務中滿足所有核心要求,但交付影片仍是主要挑戰,四分之三未交付的影片因最終渲染開始太遲、速度太慢或未能開始。
研究提出 CrossProfile 基準,發現按稀有度或相關性挑選討論記憶,都會令 LLM 羣體決策出錯。基準包含 60 個模板、480 項任務;在 Qwen2.5-7B、Llama-3.1-8B 及兩個 DeepSeek 模型上,相關性篩選會重新納入誘餌,而稀有度優先的平均表現不優於隨機選擇。
ETH Zurich 展示由小鼠骨骼肌細胞與水凝膠支架構成的生物混合微型機器人,行走速度達每秒 6.2 毫米,約為每秒 0.4 個體長,刷新步行型生物混合機器人的速度紀錄。新驅動器在相近肌肉量下,運動幅度最高達此前系統的 11 倍;但肌肉須浸泡在營養液中才能存活,機器人仍難以脱離實驗室環境運作。
一項以小型網絡進行的 Permuted MNIST 實驗發現,連續微調令 Task A 準確率下跌 12.3 個百分點,未達預先設定的 20 點嚴重遺忘門檻。EWC 恢復了 98.0% 的準確率損失,使 Task A 準確率回升至 97.63%;Task B 準確率則比未受保護的情況低 0.41 個百分點。
在14個產品類別中,YouTube 評論者只有7.8%的意見提及可靠性、耐用度及支援,Reddit 車主則有17.0%,約為兩倍;13個類別均是車主提及較多。分析涵蓋6,900則 YouTube 評論意見及3,567則 Reddit 討論意見。這些數字反映車主較常提及相關問題,並非產品故障率;不少故障可能在評論發布數月後才出現。
PDRVLA透過輕量級物理動力學模組,利用世界模型監督預測未來視覺特徵,改善機械人動作生成,並避免在線生成影片造成的延遲。在四項模擬基準測試中,PDRVLA於LIBERO、LIBERO-Plus、RoboTwin 2.0及SimplerEnv的成功率分別為99.3%、89.9%、93.6%及81.5%。訓練完全使用公開數據,並透過人類到機械人的合成、子任務標註及具身鏈式推理標註擴充。
RynnWorld-Latent 使用以 3D 為基礎的潛在動作作為共享條件介面,學習跨具身影片世界模型,並支援多種影片來源的聯合預訓練及合成數據生成。模型以 23 個數據集、約 553.5M 幀進行預訓練。合成中期訓練提升 LIBERO 和 LIBERO-Plus 的策略成功率;兩種數據生成途徑在受評估設定下,均較僅使用真實示範訓練提升真實世界策略成功率。
研究指出,在 KL 正則化控制下,策略會編碼其訓練執行框架的偏好;部署回報等於執行框架的回報上限減去策略失配。MiniWoB++ 測試中,反轉觀察欄位次序令受訓模型的成功率由 85.0% 降至 19.2%。在 Terminal-Bench Lite 上,回報上限減去失配可重現編碼智能體執行框架的準確率排名,單看其中一項則無法做到。
Carnegie Mellon University 與 Browser Use 合作推出 Odysseys2,這項長時程網頁智能體基準測試包含 100 項真實網頁任務,每項以 8 至 12 項通過/失敗檢查評分。
芬蘭理論哲學研究員凱薩·凱爾基指出,AI 廣泛使用可能引發不易察覺的專業技能退化。她以醫療領域為例,提醒醫生若過度依賴大語言模型而未能識別錯誤,可能造成嚴重事故。她呼籲明確人類必須掌握的核心能力,並在教育階段安排禁用 AI 的訓練環節,制定使用規範與考核機制。
清華大學翟季冬教授團隊的八卦爐 2 論文獲 SC26 錄用,提出按實時顯存壓力調整激活保存、重計算與卸載的 MoE 訓練方案。
研究指出,專業人士把工作交給 AI 處理,可能逐漸失去自身技能,卻難以察覺這種退化。研究員凱薩・凱爾基探討相關責任問題,指出技能退化不能全由從業者個人承擔。各專業社羣應界定必須由人掌握的核心能力,醫學教育亦有觀點主張,基礎技能訓練應設置禁止使用 AI 的階段。
研究員凱薩・凱爾基指出,從業者把工作交給 AI,可能在不知不覺中出現技能退化,並因認知偏差而難以察覺過度依賴。她認為,這不只是個人責任問題;各專業領域應界定必須由人類掌握的核心能力,並透過訓練、考核及使用規範應對風險。
香港大學經管學院人工智能評測實驗室測試十多款主流生成式人工智能模型,Seedance 2.0 Pro 的整體生成影片表現最佳,在6個範疇均排名榜首。其安全防護及攔截能力排名第六;Hailuo-2.3 的風險測試表現最佳,安全防護及攔截能力排名榜首,但生成影片能力排名第九。研究團隊建議加強聲畫同步、複雜指令理解、長時序生成及安全防護等能力。
agentic-arena 比較七種 AI 智能體框架在批次工具呼叫出錯時,如何傳遞成功結果及回報錯誤。測試涵蓋未知工具名稱、格式錯誤的參數及缺少必填參數,並發現錯誤可能被靜默忽略、連同成功結果一併丟棄,或直接觸發例外。測試在模擬模式下進行,衡量的是框架處理錯誤的行為,並非答案質素排名。
MLE-World 提出一種學習式世界模型,讓 AI 研究智能體無須實際執行程式即可預測機器學習實驗結果。它由 Qwen3.5-4B 微調而成,根據程式碼和數據描述預測程式的終端輸出;在 17 項 MLE-bench Lite 任務的留出程式中,與真實終端輸出的吻合率為 77.9%,而規模大得多的提示模型為 41.1%。
ThinkWorld提出一種視覺-語言-動作(VLA)學習框架,以世界動力學為動作推理奠基,並透過世界想像的強化學習提升機械人泛化能力。框架以動態鏈(CoD)表示動作,利用未標註人類影片中的狀態轉移提供監督;模擬及真實機械人實驗顯示,該方法能促進人類經驗向機械人遷移,並泛化至未見任務和環境。
CodeCap-Bench 評估多模態大語言模型以程式碼描述影片的能力,涵蓋 323 段影片、五類結構化 2D 內容,並採用細緻標註及多層次評估框架。研究發現,程式碼描述在下游問答的推理準確度和影片重建保真度方面優於自然語言描述;領先的閉源模型雖展現潛力,仍難以忠實捕捉複雜時間動態,開源模型則明顯落後。
Prox 以 top-k 通道選擇取代經校準的閾值,在 Mixture-of-Experts 推理解碼中無需校準數據。於 13% 和 18% 讀取預算下,top-k 版本在 43 項比較中有 40 項匹配或勝過閾值版本;在三個後訓練 MoE 模型上,新讀取器以 17.8% 的路由專家讀取量保留完整模型 98.1% 的準確度。
Timestral 推出一系列用於機率預測的時間序列基礎模型,包含 5M、28M、123M 和 209M 參數四款模型。該系列在 GIFT-Eval、TIME 和 fev-bench 創下 SOTA,Timestral-209M 和 Timestral-123M 在每項指標均排名前兩位。四款模型的權重已在 Hugging Face 開放,推理程式碼則可在 GitHub 取得。
Just Action Model(JAM)將骨幹網絡初始化、未來觀測目標和推理機制拆分,提出結合預訓練視覺骨幹、動作專家及前瞻損失的機器人控制框架。在 LIBERO 和 LIBERO-Plus 上,JAM 優於相應的 FastWAM 和 ImageWAM;在 RoboTwin 上,成功率相若或略高。
ModelCompare測試14款主流AI模型,發現41個答案中有35個都認為,人類將歸屬感置於真理之上。研究亦測試6款AI圖像模型,其中10幅畫作以相近笑點描繪人類沉迷手機、消費主義及破壞地球。研究認為,模型訓練資料高度重疊,令它們吸收相似的世界觀。
Artificial Analysis 發佈 Intelligence Index v5,並推出 Progress Index v1,以單一能力尺度比較 2022 年 11 月以來發佈的語言模型。
MV2 對 GLM-4.7 評改的 8,946 篇 IELTS 作文進行第四輪分析,發現優秀作文中被改動的引文較多,原因包括排除改寫建議後的樣本組成差異,以及模型確實較常改動優秀作文的原文措辭。只看緊密匹配的引文,優秀與較弱作文的改動率分別為 3.03% 和 1.69%;作文程度不能判斷短引文是否誤引,應優先檢查短引文。
數學家 Scott Armstrong 表示,研究 OpenAI 納維-斯托克斯千禧難題證明的偏微分方程專家已基本理解其思路,但理解不等於確認證明正確。OpenAI 約以1萬個 AI 智能體工作88小時,生成166頁證明;其構造利用流體不穩定性自行產生振盪,以抵消維持漩渦收縮所需的外力。
LociArt 提出自由風格局部影片風格化的統一範式,以 GRNStyle 控制指定區域的風格,同時保留非目標內容並維持時間一致性。研究團隊建構含 100K 組局部風格化配對的 LociArt-100K Dataset,並建立涵蓋 80 段來源影片、84 個目標遮罩及 168 種前景/背景風格化情況的 LociArt Benchmark。
Nemotron-Labs-Diffusion-Uni(NLD-Uni)是一款結合視覺理解與生成的統一離散擴散大語言模型,採用跨範式策略上蒸餾及漸進式自我精煉擴散。在視覺問答、多模態推理、物件定位、文字生成圖像及圖像編輯等多種任務上,NLD-Uni 在統一擴散大語言模型中達到最先進表現。
LongChang 評估大語言模型能否透過模擬實驗,自主發現經改變的物理定律;12 個模型中,只有 GPT-6-Astra 有限度地成功。GPT-6-Astra 的發現率為 16.7%,其餘 11 個模型均為 0%;探索紀錄亦顯示,仍有異常未獲調查,對改變後物理定律的識別亦不完整。
Hy-Nomas 是一個採用 8B 擴散骨幹的影片世界模型,支援多輪自由形式文字指令及連續鏡頭控制,並保留互動歷史。模型按當前輸入與快取歷史生成可變長度片段,並以結構化影片描述、動作感知因果注意力及視覺語言 Prompt Enhancer(PE)形成下一片段的條件。