清華團隊構建 HandsOn 靈巧操作基準,以 66 項任務評測機械人雙手能力
清華大學丁寧團隊聯同北京郵電大學、北京大學及自然意志 Nature Will 的研究員,構建跨本體靈巧操作仿真平台與評測基準 HandsOn,設有 66 項任務。
清華大學丁寧團隊聯同北京郵電大學、北京大學及自然意志 Nature Will 的研究員,構建跨本體靈巧操作仿真平台與評測基準 HandsOn,設有 66 項任務。
中國科學院大學、英國卡迪夫大學與可靈 AI 團隊提出 JointLight,能根據目標環境光調整人物影片的光影,同時盡量保留人物外觀、動作和場景結構。於 SynthDynamic 測試中,JointLight 的 PSNR、SSIM 和 LPIPS 分別為 16.39 dB、0.631 和 0.263,三項指標均優於參與比較的方法。
研究團隊提出蛋白質設計模型 Pinal,將自然語言功能描述轉為蛋白質結構,再據此設計候選氨基酸序列。團隊以17億組蛋白質—文本配對、涵蓋約1.35億條蛋白質序列的數據集訓練出160億參數模型,並對四類蛋白質進行實驗驗證;其中設計的 pinalH02 令甘氨酸濃度達11.1毫摩爾每升,為天然大腸桿菌H蛋白組件的1.7倍。
哈佛大學、英偉達、加州大學伯克利分校、MIT 和斯坦福大學研究團隊提出 RAX,讓機器人透過在線探索累積經驗,並將成功決策寫成可複用的控制程序。模型參數保持凍結,RAX 在 RoboDojo、BEHAVIOR-1K、HumanoidArena、DexJoCo 和 LIBERO-Pro 五大仿真基準上,較此前最強 SOTA 模型平均領先 37.4 個百分點。
一份研究分析逾22.6萬名美國STEM博士畢業生的論文摘要,發現在美國完成本科的畢業生中,使用AI撰寫摘要者進入學術界的可能性低17%,進入產業界的可能性高16%。AI生成摘要比例由2023年的1.7%升至2025年的18.8%,並在2026年前5個月達29.4%。研究未能確定AI輔助寫作是否損害畢業生的研究能力,也無法解釋這種就業關聯;論文尚未經同行評審。
EPFL 研究人員研發可植入神經晶片 LogSync,追蹤大腦不同區域間的訊號交流,並即時辨識認知及情緒狀態。晶片以低於 200 microwatts 的功耗處理神經訊號;研究人員以人類腦部錄音評估狀態辨識,並在大鼠實驗中測試刺激觸發。
GVS5H 提出一種免訓練的零樣本自我編排方法,讓同一模型的多個新實例透過共享檔案系統分解問題並協作解題。在 11 款開放及封閉權重模型的 100 道最新高難度 LiveCodeBench 題目上,該方法在固定後端帶來最高 25.6 個百分點提升;本地部署的開放權重 Qwen3.8-27B pass@1 由 66.8% 升至 92.4%,但部分模型沒有改善或表現變差。
中國人民大學等機構的研究團隊提出並開源 TabClustPFN,以預訓練後的一次前向推斷,從無標籤表格預測樣本分組及簇數。模型為 2 到 10 類的候選簇數提供概率;在 3,200 個未參與訓練的合成數據集上,95% 累計概率候選集合的真實簇數覆蓋率為 96.8%。團隊亦在 44 個真實數據集上評估模型,簇數估計誤差中位數為 1。
Google DeepMind 的 Jonathan T. Barron 等人指出,PyTorch、JAX、TensorFlow 等框架的 Softmax 與交叉熵標準實作存在兩種數值精度缺陷,可能在特定條件下改變梯度。
PyPI 調查發現,在有標示語言的套件中,長尾套件列出至少一種非英語的比例為 7.7%,高於熱門套件的 2.4%,與熱門套件較國際化的預期相反。熱門套件標示語言的比例較高,為 12.7%,但其 61 種語言集中在少數套件;長尾則只有 9 種。非英語套件數量有限,結果反映方向而非精確效應。
CodeNinja Praxis 設計的實體 AI 參考架構用於蒸汽渦輪狀態監測,透過硬件單向輸出讀取 DCS,沒有返回控制網絡的路徑。MOMENT-1 用於零樣本異常檢測,IBM Granite 4.2 8B 草擬診斷筆記及測試報告,兩者在廠區內一張 48 GB PCIe 推理卡上運行。設計設定每週 2 次誤報上限,三年場地成本估算為 21,600 至 23,400 美元。
港大社會科學學院研究人員與多國專家發布 AI 及新興科技應用於精神健康領域的路線圖,提出結合腦部指標、臨牀症狀、個人生活經歷及社會背景,支援個人化治療。現有證據不支持以 AI 取代人類治療,或依賴自主系統處理高風險情況。相關技術仍處於早期階段,須接受嚴謹、以人為本的評估。
PyPI 下載量最高的 3,000 個項目中,列出作業系統分類的項目較常標示具體平台,而不是隻用「OS Independent」。在有列出分類的項目中,長尾有 80.8% 標示「OS Independent」,高於熱門項目的 71.9%;熱門項目列出多個作業系統的比例則為 28.3%,長尾為 10.5%。分類由項目自行申報,不能證明套件實際具備跨平台或純 Python 特性。
ANLI 的分輪分析發現,「neutral 最難驗證」只在整體統計中成立,並非每一輪都成立:R1 中最少獲驗證者一致判定的是 contradiction,R2 和 R3 則是 neutral。驗證者一致率由 R1 的 76.9% 降至 R3 的 68.1%,但 gold 與驗證者多數判定的匹配率升至 100%;R1 亦集中了所有 22 宗分歧配對異常和 31 宗沒有嚴格多數的個案。
研究發現,人工智能生成文本比經往返翻譯生成的改寫文本,更常使用與人類處理難度相關的語言特徵。與人類寫作比較,九個前沿及近前沿模型都較常使用無生命主語搭配有生命動詞及低頻 n-gram;大多數模型在對話中亦有較長依存關係、更多名詞堆疊及較多縮減式賓語關係子句。
對 47,458 宗美股公司內部人士公開市場買入的研究顯示,一年後回報較典型上市股票高 2.56 個百分點,卻較 S&P 500 低 12.95 個百分點。把測量窗口延後 180 個交易日後,超額回報沒有明顯變化,顯示買入時機沒有帶來額外訊號。最大額買入組一年回報較最小額組低 17.1 個百分點。
Polygon Bridge 治理攻擊面審查將風險評為 7/10,指出升級權限集中及快速提案路徑是主要高風險問題。報告指出,快速提案可將時間鎖由 48 h 縮短至 6 h,並只需 2-of-5 簽署;升級權限則由 3-of-5 多重簽署錢包掌控。
EIA-860M 數據顯示,2022-2025 年美國太陽能及電池發電項目延遲一個月後再列入下月投運,按時投運比例略高於新列項目。太陽能項目比例為 40% 對 36%,電池項目為 35% 對 28%;太陽能延遲 2-3 個月後再列入的比例則為 27%。這些是羣組比率,並非個別項目的預測,研究亦未進行顯著性檢驗。
Munim, Inc. 比較 PyPI 下載量最高的 3,000 個套件與隨機抽樣的 3,000 個套件,發現熱門套件的受眾範圍沒有更廣,兩組都涵蓋 14 種受眾分類中的 13 種。頭部套件的受眾標記者中,97.4% 標記 Developers,尾部則為 84.8%;兩組均未使用 Religion 分類。
微軟團隊提出 Code Video Model,以可執行的 Three.js 程式統一描述場景佈局、物體運動、相機軌跡和事件時序,讓鏡頭可在影片生成前預演、檢查和修改。方法在凍結 MiniMax-H3 的情況下採用免訓練的階段化條件調度,早期用預演建立結構約束,後期由文字和參考圖引導外觀細化。研究的通路與時序實驗顯示,Proxy-VAE 較能維持結構,而參考圖主要影響亮度和整體視覺風格。
對 SNLI 和 MultiNLI 的逐類別、逐文本類型統計顯示,金標籤類別比文本類型更能預測標註者的一致程度。兩個數據集的全體一致率排序均為 contradiction > entailment > neutral;MultiNLI 的類別間差距約為文本類型間差距的兩倍。ChaosNLI 的 3,113 個案例原本全是五人中三人同意,加入 100 份標註後,28.3% 的原金標籤被其他標籤超越。
一篇 ArXiv 論文提出可質疑治理模式,讓 LLM 智能體為元數據決策提供帶信心分數和來源引用的論證,由資料管理者審核或修改後提交,並保留治理紀錄。高信心且沒有衝突的提案可在分數達 0.85 時自動提交;不確定或有衝突的提案則交由人工審核。記錄可用於審計、漂移檢測及智能體再訓練。
研究結合果蠅全腦記錄與神經力學數碼孿生,測試以內在目標訓練的智能體能否重現果蠅探索行為及未來行動的神經表徵。研究比較涵蓋好奇心、熵及能力度的 20 種內在動機算法,發現分層能力算法 DIAYN 在行為與神經的前瞻編碼表現上最接近果蠅。
研究顯示,簡單智能體循環配合高效 Lean 4 回饋,無須預設分解或搜尋流程,也能在多個形式化定理證明基準取得領先成績。
RynnVLA-Latent 以多元影片生成的 3D 潛在動作預訓練大型 VLA 策略,並在模擬及真實世界機械人基準取得高成功率。研究以 RynnLAM 處理 30.1K 小時的人類、機械人及模擬影片,產生 745.52M 個潛在動作描述符。
Δτ-Bench 評估智能體適應持續演變的工具生態系統的能力,並提出 Steward 透過增量技能維護與動態配置工具,提升智能體在環境變化下的持續成功率。基準包含 42 個領域、1,588 項經驗證的多輪任務,涵蓋六個連續生態狀態;評測中表現最強的模型或 harness 任務成功率僅為 42.3%。實驗顯示,Steward 在降低技能維護開銷的同時,能在生態變化期間維持較高成功率。
Continual Learning Exam(CLE)推出一項基準測試,評估 LLM Agent 能否累積過往經驗、遷移所學知識,並在長期任務中持續學習。CLE 涵蓋 89 種職業的 120 項真實專業任務,共設 600 個逐步解鎖的關卡。17 種前沿 Agent 配置中,表現最佳的 Claude Code + Opus 5 完成 47.7% 的關卡及 23.3% 的完整任務梯級。
這項研究檢測公開模型庫中的量化大語言模型檔案,發現部分低位元量化版本無法正常運作。研究測試了 Ollama 官方庫 15 個模型系列的 305 個符合條件、具程式碼能力的 GGUF 標籤,以及 22 個熱門 Hugging Face 社羣檔案;7 個官方標籤(2.3%)在 164 項 HumanEval+ 任務中最多解出 6 項。
ChronoReplay 是提升串流視覺語言模型空間推理能力的訓練框架,旨在解決模型受單一答案格式限制、難以應對不同空間推理任務的問題。它將不同類型的空間監督資料整理成按時間排序的互動片段,保留各任務的答案格式並平衡不同監督類別。
研究發現,相同數據配方及安全後訓練下,不同預訓練種子的語言模型仍會對不同越獄提示失守。在 25 種數據配方、共 150 個模型的比較中,同一預訓練運行的模型非拒答率相關係數為 0.984,換預訓練種子降至 0.811,換數據配方則為 0.779。
這項研究透過多項基準測試和不同模型骨幹的大規模評估,發現不少專用記憶系統在許多情況下不及直接從原始歷史檢索的簡單 RAG,呈現負淨價值。研究以 RAG 為參照,把記憶的淨價值拆分為「記憶收益」與「記憶税」;記憶處理可能移除或遮蔽證據,造成記憶税。作者表示將向社羣開源程式碼和結果,並希望這個概念能引導更可靠的記憶設計與評估。
AgentBaton 探討在長程智能體任務中,讓能力較強與效率較高的模型在合適階段交接,以降低成本並維持準確度。它在 11 對模型及兩個代表性基準測試中,平均降低 API 成本 65.9%,準確度最高較只用能力較強模型提升 8.8 個百分點,並擴展準確度與成本的 Pareto 前沿。
LOLPlay 是一項以《League of Legends》原生環境評測即時視覺智能體的基準,涵蓋 36 項英雄專屬任務,並以 82 項可執行子目標檢查區分部分進度與任務完成。
實證研究顯示,小型開放權重模型完成實際編碼工作的成效,取決於服務配置、Agent 協議及隱藏行為檢查;生成連貫文字並不足以證明任務成功。45 次試驗中,直接編碼通過 15/15,量化 Qwen3-Coder 30B-A3B 工作模型通過 12/15;另一測試中,直接編碼為 45/45,Nemotron Cascade 2 工作模型為 12/45,兩項研究不合併或據此排名。
AMBIT 是一套統一框架,透過自回歸場景規劃與 rectified-flow 渲染,生成及編輯一階 Ambisonics(FOA)音訊。框架以可執行 ScenePlans 描述聲源內容、活動及 3D 軌跡,並結合 FOA 專用連續 VAE 和 on-policy 自蒸餾。評測顯示,AMBIT 在語音、音樂及音效生成的內容與空間品質,以及指令引導編輯的音質保真度和未編輯聲源保留方面,優於比較基線。
一項受控研究比較 MCP 與 CLI 介面,發現即使可執行能力相同,介面呈現方式仍會改變智能體行為、任務表現及互動成本。六個模型在三個互動環境的 2,004 次測試中,有 94.3% 出現不同軌跡;DART 在六項評測設定中最多提升 9.0 分,並在三個環境中每項任務最多減少 27.1k 個 MCP token。
ParetoRSI-Gym 評估遞歸自我改進智能體能否透過整理數據與訓練,提升語言模型在多個領域的泛化表現。Claude Code 配合 Opus-5 的 proxy-best checkpoint 泛化分數,按三個基礎模型和五個領域等權平均,較起始模型提升 9.2%(絕對提升 2.3 點);單一領域最高相對提升 63%,出現在 Ministral-3-3B 的醫學領域。
InteractiveWorld提出可驗證的模擬環境及基準,用於評估多模態語言模型能否可靠地引導人類完成實體任務。研究推出的 InteractiveBench 涵蓋六個類別、共 120 項多輪任務。對 12 個前沿 MLLM 的測試顯示,Claude Fable 5.1 在長時程 Guidance 和 Planning 任務上的最高得分分別為 20% 和 25%。
ProAS 透過動態演進的智能體參考圖,改善 LLM 智能體無評論家強化學習中的信用分配。在 Qwen2.5-1.5B-Instruct 和 Qwen2.5-7B-Instruct 上,ProAS 在 ALFWorld 的成功率分別達 91.9% 和 94.3%,在 WebShop 則分別達 66.7% 和 70.8%。訓練收斂速度最高提升 2.44 倍,並能抵禦不完美或蒸餾後的 ARG。
HuGe 利用第一人稱視角的人類及機械人數據,預訓練人形通用視覺-語言-動作模型,以支援全身人形機械人控制。模型使用超過 2,000 小時數據,並透過三階段訓練流程及模擬生成的偽本體感知狀態,完成預訓練與人形適配。HuGe 在 HumanoidArena 模擬基準取得最先進成績;Unitree G1 的真實環境實驗亦顯示,加入經視覺適配的第一人稱示範,可提升抓取及放置任務的成功率。