DynaFlow:學習自由形式的多智能體編排
DynaFlow 讓主智能體合成可執行工作流程,以協調子智能體進行協作。研究只訓練主智能體,子智能體保持不變;在六項基準測試中,DynaFlow 使用 Qwen3.5-27B 主幹模型,在 Forced mode 達到 88.08% 總體準確率,較最強的受測基線高 10.90 個百分點。
DynaFlow 讓主智能體合成可執行工作流程,以協調子智能體進行協作。研究只訓練主智能體,子智能體保持不變;在六項基準測試中,DynaFlow 使用 Qwen3.5-27B 主幹模型,在 Forced mode 達到 88.08% 總體準確率,較最強的受測基線高 10.90 個百分點。
AgentProofBench 評測網頁智能體的可重用驗證,透過連結凍結的接受規則與執行軌跡,建立程序閘門正確性及重用基線。基準涵蓋 97 項任務、79 個家族及四項 Web 服務;在 48 個家族的測試中,DeepSeek Flash 和 Pro 分別保留 82/96、79/96 個來源程式。
研究提出 SATE-Bench,評估 MLLMs 在以人為中心的場景中能否主動探索視角,以建立空間理解。基準包含 316 個真實場景及 2,525 組多輪問答;評測發現,模型常在證據不足時提早停止探索,且難以處理精細的 3D 幾何任務。以 GRPO 微調雖增加主動探索,卻降低整體準確度。
這項研究比較 7 個前沿編碼模型上的 17 種 Agent harness 驗證設計,發現獨立評審能提升準確度,且成本增幅較低。Terminal-Bench (TB) 的平均準確度提升 5.9-9.5 個百分點,成本為基線的 1.13-1.25 倍;SWE-bench Verified (SWE) 提升 3.9-6.6 個百分點,成本為 1.00-1.04 倍。
這項研究比較 LLM 智能體在不同推理力度下的成本與表現,發現提高力度雖可提升整體準確率,卻常在低力度已能解決的任務上失敗。研究涵蓋四項基準;在每種力度都能解決的簡單任務中,最高力度成本最高可達最低力度的 42x。
PyPI 套件分析發現,熱門套件並非更集中於單一框架;長尾中最常見框架所佔比例為 28.6%,高於熱門組的 21.3%。分析比較下載量最高的 3,000 個套件與隨機抽取的 2,921 個套件。Odoo 在長尾出現 73 次,在熱門組則一次也沒有,其外掛套件推高了長尾的集中度。
Sentinel 的即時基準測試以 GPT-6 Astra 比較讀取完整程式碼、使用結構化資訊及先看摘要再按需查閲原始程式碼三種方式,在 87 條問題中分別答對 84、82 和 87 條;結構化資訊方式另有五條未能解答。混合方式估算輸入 token 比完整程式碼方式少約 71%,但結果只來自一次受控測試,不能證明 AI Agent 已不會出錯。
兩項預先註冊的可重現普查顯示,MultiNLI 金標籤的一致程度因文本類型而異,政府文本的一致率最低(53.4%),書信最高(65.3%)。另一項 ChaosNLI 審計發現,3,113 個抽樣例子中有 311 個即使經過 100 次標註仍沒有嚴格多數。這些結果衡量的是標註者一致度,而非標籤正確性。
LayerEditor 透過組合式編輯先驗蒸餾,在單一擴散流程中將文字指令轉為可重用的前景、背景及遮罩圖層。LayerEditor(v1)在 COCO-Edit 的 Mask IoU 為 0.78,較最佳基線高 23%,並在 RTX-4090 上以 0.92 秒完成推理。研究尚未評估影片的時間一致性。
DeepSeek 關聯團隊提出 Engram,以可擴展查表模組為 Transformer 加入靜態記憶,在 27B 參數規模下,於作者報告的所有基準測試中勝過參數量及 FLOPs 相同的 MoE 基線。
報告分析原生 NVFP4 強化學習在訓練後期不穩定的原因,並提出 TRIAGE 更新方法和 miniTE 數值執行框架。在 8×B300 上,miniTE 採用 BF16 backward 的完整學習器更新速度約為 BF16 的 1.33–1.37×;另一項固定輸出服務測試的吞吐量約為 BF16 的 1.64×。
Convovo 一項研究發現,透過 API 要求模型在即將舉行的中期選舉中直接推薦候選人時,Grok 4.7 有 92% 的回答推薦共和黨候選人,OpenAI 的 GPT-6.1 Sol 則有 97% 推薦民主黨候選人。
Accenture《Hong Kong AI Index 2026》調查 150 名本港企業高層,發現只有 12% 的戰略性生成式 AI 投資成功擴展至規模化應用。只有 3% 企業把 AI 及數據全面納入核心業務策略,規模化亦受數據、流程、舊有基建及治理能力限制。報告建議先以業務成果設定投資門檻,補足數據架構與流程設計,再擴展有價值的項目。
中國信通院聯合相關機構發布《大模型詞元服務性能監測報告(2026年)》,稱2026年6月國內模型 token 日均消耗量約500萬億,為2025年12月的近4倍。報告分析2026年1至8月的監測數據,8月國內模型平均TPS為78.23個/秒,低於國外典型模型的112.82個/秒。同一模型在不同平台的TPS差距最大可接近一倍,國內歸一化均價則由2025年下半年的6.8元升至今年以來的13.46元。
一項由 Google 資助的研究發現,使用 Google Labs 未公開 AI 助手 InFlow 的初級專利律師,在專利草擬任務中的評分高於未使用 AI 的對照組。但在無 AI 的專利草稿審閲任務中,初級律師沒有取得相同優勢,評分分佈反而更分散;資深律師則保留優勢。研究作者認為,AI 可能加快部分初級律師的技能培養,卻取代另一些人的技能發展;實驗未能解釋兩者差異。
中國信通院聯合相關機構發布《大模型 Token 服務性能監測報告(2026 年)》,指出 2026 年 6 月國內 Token 日均消耗量約 500 萬億,為 2025 年 12 月近 4 倍。
研究檢查排名前 1,000 個網站的 robots.txt,發現 20.9% 至少封鎖 16 個 AI 爬蟲中的一個。CCBot 和 GPTBot 最常被封鎖,比例分別為 15.5% 和 13.8%;AI 搜尋爬蟲 OAI-SearchBot 則為 7.0%。研究區分訓練、AI 搜尋及用戶觸發三類爬蟲,並公開逐站數據與研究方法。
秦始皇帝陵博物院與山東大學考古學院的聯合研究團隊分析79枚秦俑指紋,推斷製作者中成年男性佔45.0%、成年女性佔32.7%、15歲以下少年佔22.3%。研究以陶俑本體的生物學證據證實秦俑製作由多元人羣協作完成,為理解秦代手工業組織模式提供新實證。
surviving-lines 的 Claude Code 外掛在六組程式碼所有權測試中取得最高分,在 5 項封存任務中得 9.67/25,高於最佳對照組的 7.33。它在 11 項公開任務中得 47.67/51,最佳對照組得 41.00;由於這些任務在開發期間已被閲讀,相關結果的證據較弱。
研究以 5 個模型和 3 種 harness 比較編碼智能體,發現多數解題率差異處於測量誤差範圍內;更換 harness 對任務結果的影響,與重跑同一設定相近。相同模型和任務下,單項任務成本可因 harness 相差最高 3 倍,主要差異來自每步重送的系統提示詞和工具描述。447 個任務的大型測試池中,OpenCode 的解題率較另外兩種 harness 低最多 9 個百分點。
作者以 11 種配置比較 Claude Code 上的 ai-slop-linter 與六款聲稱可去除 AI 文風的技能;在 12 項公開任務中,該 linter 得 58.67/60,高於最佳其他配置 Humanizer(按名稱呼叫)的 56.00。
作者將以 Claude Code 協助撰寫的數學論文手動提交至 aiXiv,交代一套失敗框架如何引出黃金窗口猜想。三項命題已證明,並由 CI 中的獨立計算重新核查,但尚未與既有文獻比對;猜想仍未證明,現有證據來自數值結果。aiXiv 不作發佈前同行評審,論文上載後留下的是有日期的紀錄,而非研究結論的裁定。
香港大學與清華大學提出離線價值學習框架 VAST,讓模型自適應選擇未來子目標與時間跨度,以支援長程決策。VAST 在 OGBench 的 10 個領域、50 個基於狀態輸入的任務上與 8 個基線方法比較,在多個場景表現領先,尤其是多階段操作任務。
PyPI 熱門項目最新版本在週末發佈的比例為 16.1%,隨機抽取的長尾項目則為 21.4%,顯示熱門項目較偏向在工作日發佈。兩組發佈時間都分散於 UTC 下午至晚間,最繁忙時段各佔不到 7%,未見固定 UTC 時段的明顯排程峯值。
雲深處科技圍繞自研具身大腦 DEEPRobotics-Brain,發布五項研究成果,涵蓋世界模型 DR-WM-1.0、具身基礎模型 DR-VLA-2.0、具身智能體 DR-Agent、策略優化框架 DR-APO 和數據閉環平台 DR-Benchmark。五項成果覆蓋具身大腦全鏈路技術,構成一套面向真實場景作業的具身智能架構。
《From Recall to Forgetting》提出 Memora 基準,評估個人化智能體的長期記憶;結果顯示記憶智能體更擅長回憶,但記憶累積也會加重過時資訊的影響。
EchoChat 將共情語音對話建模為感知、心智理論推理和語音回覆生成三個相連環節,並以統一訓練框架協同優化。模型在監督微調階段引入 Acoustic-Anchored Attention(AAA),在強化學習階段採用 Step-Decomposed Credit Assignment(SDCA),針對不同環節提供訓練回饋。
清華大學李一鳴教授團隊提出 PrismWAM 與 RoboDoctor,分別在 RoboTwin 2.0 和 RoboDojo 基準對比中居首。PrismWAM 將語義上下文與物理狀態解耦,未進行額外動作數據預訓練,RoboTwin 2.0 平均成功率為 83.67%,Clean-to-Random 成功率為 75.5%。
蒙特利爾大學、Mila 人工智能研究所和麥吉爾大學的團隊提出 HyperQ,讓擴散語言模型按 Token 動態生成量子電路。64 量子比特下,11 億參數模型在六項零樣本測試的平均分超過 Qwen3-8B 等 80 億參數模型;在 IBM 156 量子比特量子集羣上測試時,平均分較經典模擬低 1.12 分。
CI Bench v1 公開 GitHub Actions runners 基準測試,涵蓋熱門開源項目的 12 個 CI 工作負載;測試方法、工作流程、分析及原始工作記錄均已公開。測試的九種配置中,Vitko Runners 配合 warm starts 和測試並行化速度最快、每項工作的託管成本最低;RunsOn 使用 spot instances 在極高用量下每項工作成本較低,但耗時約兩倍。
生成式人工智能令釣魚攻擊文本更流暢、更個人化,傳統依靠錯別字和排版瑕疵的識別方式因而失效。研究主張把識別重心轉向行為信號,留意異常請求、緊迫施壓及連結與來源核驗,並透過事件上報機制和無懲罰演練,培養存疑即核實的習慣。
研究提出端點側智能檢測方案,在用戶輸入憑證前識別仿冒站點並即時告警。方案以域名仿冒、混淆基礎設施及欺騙性請求作為結構指標,並以零知識架構在設備本地處理頁面資訊,避免上傳瀏覽記錄或憑證資料。
Kyutai 發佈 CADRE,一組為互動式世界模型設計的開放式因果擴散表徵自動編碼器,旨在降低動作延遲。在 1 張 H100 上,CADRE 世界模型以 20 fps 運行、反應時間低於 230 ms;CADRE-2×32×32 單步解碼延遲為 185 ms。
PyPI 項目普查發現,熱門項目的發佈間隔較規律,但並不比長尾項目更頻密。在至少有 5 個具日期版本的項目中,熱門組的間隔中位 CV 為 1.31,長尾組為 1.57;典型間隔中位數則分別為 27 天和 2.68 天。長尾項目往往集中短時間連續發佈,之後長時間沉寂。
作者核對 MCP Registry 的 38,977 個伺服器條目,發現至少 5,192 個(13.3%)至少有一項套件、版本或連結失配。問題包括 GitHub 連結回傳 404、npm/PyPI 版本撤回或無法安裝,以及程式碼庫封存;數據取自 2026-10-04 的登記快照,查詢於 2026-10-06 執行,並非安全評估。
OpenAI 表示,已利用快取的網頁內容建立「離線世界」,用來訓練隔離的前沿模型瀏覽網頁、搜尋資訊及使用網頁應用程式。
PyPI 長尾專案會發布 wheel,但大多隻發布單一、通用的純 Python wheel,涵蓋的平台遠少於熱門專案。長尾 wheel 發布者中,94.7% 只發布純 Python wheel,熱門專案則為 83.2%;平均平台標籤數分別為 1.02 和 2.87。長尾專案發布二進制 wheel 的比例為 4.3%,熱門專案為 16.4%。
Redwood Research 發佈模擬控制評估(SCE)論文,提出以大型語言模型模擬工具回應,在不實際執行攻擊的情況下評估監控器能否識別智能體的有害行動。在 LinuxArena 的 5% 審核預算下,SCE 安全度預測的 RMSE 為 3.6 個百分點,BashArena 則為 10.1 個百分點。作者指出,模擬器保真度只能在可實際執行攻擊的設定中核對,現有方法亦未涵蓋長時程多智能體攻擊。
MV2 對 OpenBookQA、SciQ 和 QASC 進行三項可重現普查,發現答案標註可能直接包含正確選項,令閉卷評測在未移除標註時測量字串回憶而非推理。
PyPI 長尾套件的版本字串並不比熱門套件凌亂,兩組最新版本中分別有 96.3% 和 97.2% 符合 PEP 440 的穩定版本格式。熱門套件平均發佈 82.6 個版本,隨機抽樣套件平均只有 10.9 個;長尾中另有 1.7% 的套件停留在開發版本。