跳到正文
目前篩選:論文
今天11月22日週日1 則
  1. TNW68

    OpenAI 稱其編碼智能體無需人手協助即可完成近半需 2 至 4 小時的研究任務

    OpenAI 的編碼智能體現可在無需人手協助下完成 46% 原需人類花 2 至 4 小時的研究任務,3 月比例為 23%。對需 4 至 8 小時的任務,成功率由 13% 升至 35%;各類任務表現不一,監察訓練運行的成功率為 79%,為推理及服務系統編寫程式碼則為 25%。OpenAI 提醒,研究員可能隨智能體進步而改變交辦任務,令成功率數據亦反映任務選擇的變化。

11月21日週六
  1. DEV Community58

    AI 編碼智能體 Fail-Before-Fix 基準測試:先復現門檻較推測式修補少用 95.3% 輸入 token,20/20 通過

    作者在隔離 VM 中以 20 個隱藏評分案例比較兩種 AI 編碼智能體修 bug 流程,先復現門檻以 20/20 通過,推測式修補則為 17/20。先復現門檻將累計輸入 token 由 49,801 降至 2,323(減少 95.3%),模型呼叫由 3 次減至 1 次。該流程先要求 5 項最小 bug 復現斷言在原有程式碼上全部失敗,才開放修改;這些斷言涵蓋零金額授權及多餘鍵處理等邊界問題。

  2. 阿里雲開發者社區 AI35

    大語言模型智能體在臨牀決策支援中的應用綜述

    一項關於大語言模型智能體臨牀決策支援的綜述,梳理研究由靜態知識問答轉向交互式診斷與多智能體協作的演進。研究亦涵蓋強化學習訓練、安全與可解釋性;各路線在推理深度、計算成本及安全性之間取捨,現時仍缺乏統一評估基準與理論框架。

  3. 阿里雲開發者社區 AI38

    LLM 驅動的數據可視化生成與評估綜述

    這篇綜述梳理 LLM 驅動數據可視化生成與評估的演進,涵蓋從規則系統到多智能體協作,以及評估從結構匹配轉向多維對齊。MultiVis-Agent 在 MultiVis-Bench 上的任務完成率為 74.18%,以部分生成靈活性換取可靠性。領域核心問題是在確保數據保真度的同時,實現複雜可視化的可靠生成。

  4. 阿里雲開發者社區 AI34

    LLM 文本私隱與匿名化方法綜述

    這項綜述梳理 LLM 文本私隱與匿名化方法的演進,指出研究已由靜態移除個人可識別資訊(PII),轉向兼顧語義效用、任務需求與合規性的動態決策。文中整理語義重寫、局部差分私隱、基準評估及代理私隱對齊等路線,並比較各自在表示質素、適應效率與計算成本上的取捨。

  5. 阿里雲開發者社區 AI36

    大語言模型談判與議價智能體綜述

    這份綜述梳理大語言模型談判與議價智能體從語言模擬走向經濟理性的研究演進,指出人類對齊訓練帶來的親社會偏見與博弈論最優策略之間存在矛盾。NegotiationArena 等基準揭示模型的錨定偏差與過度合作,可驗證獎勵強化學習(RLVR)、情感策略蒸餾及機制可解釋性分析則分別探索策略優化、邊緣部署與偏差成因。各路線在策略理性、部署效率和可解釋性之間各有取捨。

  6. 阿里雲開發者社區 AI34

    大語言模型人類行為模擬與決策方法綜述

    這份綜述梳理大語言模型人類行為模擬與決策方法的演進,指出研究焦點已由定性模仿轉向分佈一致性、個體保真度及因果效應校準。SimBench涵蓋20個數據集,OmniBehavior則評估長時程、跨場景行為軌跡;兩者反映領域對標準化評估和長期行為建模的關注。

11月20日週五
  1. Hacker News 熱門(buzzing.cc 中文翻譯)72

    Frostbite:AI 發現、設計並驗證的新型 CPU 架構

    Frostbite 是一款採用全新指令集、由 AI 系統自主設計並驗證的通用 CPU。與同製程的現代雙發射、順序執行超純量 CPU 核心相比,25 項工作負載的每瓦效能幾何平均為 4.59x;在 15 項未參與調校的保留測試上為 3.83x。

  2. 阿里雲開發者社區 AI20

    三角形生長體系(TGS v1.0)全域通用認知方法論白皮書

    Asura_阿修羅提出三角形生長體系(TGS v1.0),以「三角制衡」為核心,作為跨領域結構化認知方法論。白皮書列出四大公理、七層架構及涵蓋金融、商業、教育、AI等領域的落地工具。截至2026年9月,TGS v1.0 已完成司法區塊鏈確權、接入百度 AI 生態,其公理與工具可供 AI Agent 直接調用。

  3. HuggingFace Daily Papers(社區熱門論文)53

    TwinLab-Bench 評估 AI 科學家在真實實驗室智能體孿生環境中的表現

    TwinLab-Bench 是一項評估 AI 科學家自行設計實驗能力的基準,涵蓋物理科學、生命科學和工程領域的 52 項任務。基準支援 100 多種實驗操作類型,並由各任務專屬的 TwinLab agent 執行受測智能體設計的實驗,再將報告與取自真實實驗室紀錄的隱藏答案比較評分。研究顯示,前沿模型在這些任務上仍有困難,表現最佳的 Claude Fable 5.2 平均得分為 45.0。

  4. HuggingFace Daily Papers(社區熱門論文)32

    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。

  5. HuggingFace Daily Papers(社區熱門論文)38

    AutoMaster:透過讓同一模型成為更好的教師實現自主後訓練

    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。

  6. HuggingFace Daily Papers(社區熱門論文)44

    Coda-DaVinci:以 Code2Video 重新構想影片生成

    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。

  7. Stanford HAI News53

    TRACER 結合 ICU 影片與病歷,協助及早識別譫妄徵兆

    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。

  8. Unite.AI72

    AlphaEvolve:Google DeepMind 邁向 AGI 的突破性一步

    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。

  9. DoNews45

    谷歌提出可自我改進的 AI 運行框架 Harness

    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%。

  10. Databricks:Blog52

    Genie One 準確度分析:為何經配置的智能體需要治理層

    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。

  11. Prime Intellect51

    Prime Intellect 回顧 2026 年 RL Residency 研究成果

    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%。

11月19日週四
  1. CMU:Machine Learning Blog64

    具備能力的自主智能體如何實現可證明安全:第二部分

    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。

  2. 霞光社38

    2026華輿獎中國典範智能座艙評選結果公佈:「8系」「9系」車型同場競爭

    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%。

  3. HuggingFace Daily Papers(社區熱門論文)45

    PIPETTE:提升 LLM 智能體抵禦間接提示詞注入攻擊的紫隊測試框架

    PIPETTE 是一套提示詞注入紫隊測試框架,透過字典學習和在策略對抗訓練,將紅隊測試發現的攻擊轉化為對 LLM 智能體的防禦提升。它在 AgentDojo 和 ASB 評測中,令防禦模型在靜態攻擊下的攻擊成功率接近零,並能抵禦強適應性攻擊,同時維持接近未設防基線的正常任務效用。

  4. HuggingFace Daily Papers(社區熱門論文)35

    Movie2Game-Bench:超越可玩性的電影改編遊戲全面評估

    Movie2Game-Bench(M2G-bench)提出一套評估電影改編遊戲的基準,結合一般評估、電影特定評估及三個 GUI 模型玩家的測試,衡量可玩性以外的改編品質。基準涵蓋22部電影及658項來源特定參考項目,並以相同電影評估14個模型;所有模型在可玩序列的內容呈現平均為37.9/100,低於標誌性元素的54.8。

  5. HuggingFace Daily Papers(社區熱門論文)49

    RoughCut-Bench:大型視覺語言模型自動影片粗剪基準測試

    RoughCut-Bench 為大型視覺語言模型自動影片粗剪建立基準,並提出引導模型生成結構化剪輯計劃的智能體工作流程。基準涵蓋 101 個視覺案例(831 段原始影片、1,476 個精彩片段標註)及 84 個語音案例;評測顯示,現有模型仍難以產生符合專家剪輯計劃的結果。