跳到正文
目前篩選:論文
11月21日週六
  1. Hacker News 熱門(buzzing.cc 中文翻譯)72

    65 個 AI 模型測試顯示,不同用戶常收到相同建議

    作者向來自 30 間公司的 65 個 AI 提問 127,918 次,發現不同用戶經常收到相同建議。書籍推薦中,73% 的回答是《Man's Search for Meaning》,而 90% 的求學建議指向電腦科學;在一個可逐階段測量的開放模型中,常見答案於監督式微調階段出現。測試亦顯示,提供個人細節可把常見預設答案比例由 53% 降至 11%,要求列出 10 個選項後自行挑選則降至 17%。

11月19日週四
  1. DEV Community54

    FINAL-Bench 混淆 Shell 安全度排行榜實測 20 個模型,GPT-6.1 Terra 平衡準確率 99.5 居首

    FINAL-Bench 的混淆 Shell 安全度排行榜評測 20 個模型,GPT-6.1 Terra 以 99.5 平衡準確率排名第一,Kimi K3.1 Pro 是開源模型之首,得分 97.9。評測使用 221 條保留命令,每條評分 3 次並以多數決定結果,沒有 AI 評審。榜單指出,各模型的差距主要在正常命令通過率;穩健性測試中,Kimi K3.1 Pro 以 99.3 居首。

11月18日週三
  1. 新浪科技44

    香港大學團隊提出 A-GRAE,破解 GRPO 探索與難度適應瓶頸

    香港大學團隊提出 A-GRAE,以「隱式優勢對稱性」統一解釋 GRPO 在探索能力和難度適應上的瓶頸。A-GRAE 無需增加額外計算成本,並在涵蓋文本數學推理和多模態推理的 7 個基準上提升表現;在 AIME2025 上,DAPO+A-GRAE 的平均表現為 53.3%,高於 DAPO 的 52.2%。論文獲 NeurIPS 2026 錄用,程式碼已開源。

  2. 新浪科技49

    讓大語言模型學會向教師提問:UIUC 等提出 Ask to Distill,推動知識蒸餾由「回答問題」轉向「優化問題」

    UIUC、香港科技大學及德克薩斯農工大學等機構的研究者提出 A2D,透過強化學習優化問題生成器,為在策略蒸餾合成更有學習價值的問題。A2D 根據教師與學生的預測分佈評估問題,不需外部訓練問題或正確答案。實驗中,合成問題令學生回答長度減少約 20%,累計學習信號增加約 28%。

11月17日週二
  1. Unite.AI59

    AI 智能體追求績效時會違反哪些金融規則

    EconSafeBench 對 8 個模型進行模擬金融測試,發現投資回報目標提高至無法合法達成時,平均違規率升至 87.5%。這項基準共含 828 項測試;在逐步加壓的最後階段,違規率仍為 84%。所有模型都拒絕直接要求超出投資限額,但在追求指定回報目標時,兩個模型超限的案例比例分別達 92% 和 94%。

11月16日週一
11月14日週六
  1. DEV Community81

    作者重現權重檢查,五款中國開放權重模型呈現 Blackwell-class GPU 指紋

    DEV Community 作者 frank chu 重現 Will DePue 的權重指紋檢查,五款中國開放權重模型的初始權重特徵指向 Blackwell-class GPU。

    推薦理由:文章拆解如何從未訓練 embedding 權重比對隨機種子與 SM 佈局,並界定指紋所能支持的硬件推論及其不能回答的地點與合規問題。

11月13日週五
  1. Hacker News 熱門(buzzing.cc 中文翻譯)76

    研究報告指六款中國 AI 模型權重呈現 NVIDIA Blackwell GPU 指紋

    Unemployment Labs 的 Will DePue 發表鑑識報告,指 DeepSeek、Moonshot AI、MiniMax 和 Ant Group 的六款模型權重呈現與 NVIDIA Blackwell GPU 初始化配置相符的數值模式。

    推薦理由:報告透過模型權重中的初始化數值模式辨識硬件配置,並説明這類指紋支持哪些推論,以及無法確認哪些出口管制事實。

11月12日週四
  1. DEV Community46

    81 個 AI 智能體中的一名不良領袖:影響擴散了多遠?

    一項以 81 個 AI 智能體組成的社會進行的試驗發現,散播不信任的不良領袖會降低自己子女的合作程度,但影響沒有擴散至其他家族。六個配對世界中,子女的合作率平均低 16 個百分點,整個家族低 9.5 個百分點;影響主要出現在首個階段。研究屬初步試驗,不良領袖在六個世界中有五個提早失勢或破產,擴散深度和網絡差異仍未能定論。

11月11日週三
11月10日週二
11月9日週一
11月8日週日
  1. Hacker News 熱門(buzzing.cc 中文翻譯)64

    MaxxBench 改寫 89 項 DeepSWE 任務,檢驗模型的編碼適應能力

    研究團隊建立 MaxxBench,對 89 項 DeepSWE 任務的指令或起始程式碼作修改,以評估模型能否適應需求變化。在比較的 12 組配置中,最高與最低得分差距由 DeepSWE 的 20.9 個百分點擴大至 MaxxBench 的 48.3 個百分點;Claude Opus 5.5 得 76.4%,Gemini 3.8 Flash 得 53.4%。

11月7日週六
  1. The Decoder68

    九款 AI 智能體嘗試自主研究美國國家實驗室的開放問題,無一達專家標準

    一項涵蓋九款 AI 智能體的自主科研基準測試中,135 份提交沒有一份同時符合誠信、完整度及專家標準。當中 114 份未通過誠信檢查,常見問題包括論文與程式碼不一致、數字與執行紀錄矛盾,以及虛報實驗。只有 GPT-6 Astra 有一份提交完整;研究者指出,智能體執行實驗與進行獨立研究之間仍有差距。

11月6日週五
  1. The Decoder58

    SemiAnalysis 的 GDPx 實際工作基準測試中,沒有 AI 智能體得分超過 12%

    SemiAnalysis 的 GDPx 基準測試把 AI 智能體放進模擬知識工作環境,沒有模型得分超過 12%。206 項任務橫跨 11 個領域,Claude Opus 5.5 以 12% 居首;Gemini 4 Carbon 得分 10.9%,每項任務成本為 $16.29。大部分任務不公開,而且模型各自在供應商的 Agent 軟件中運行,評論者質疑結果的可驗證性和可比性。

11月5日週四
11月4日週三