跳到正文
目前篩選:論文
11月21日週六
11月20日週五
  1. DEV Community51

    Megabit Trajectories 公開 66 段經實際執行驗證的編碼智能體軌跡數據集

    Sumama-Jameel 公開 Megabit Trajectories,收錄 66 段經實際執行及驗證的編碼智能體軌跡,合計超過一百萬個模型 token。與四個較大型數據集比較時,SWE-Gym 在作者自訂的每萬 token 錯誤恢復配對數指標上以 10.72 比 6.48 領先,SWE-smith 的最長重試鏈則為 64 比 4;作者亦公開自己在規模等項目落後。

11月18日週三
  1. HuggingFace Daily Papers(社區熱門論文)49

    MillBill:具幾何回饋的加工智能體

    MillBill 將 B-rep 零件、毛坯及材料轉換為索引式三軸銑削的 G-code,並以幾何回饋協助模型修訂加工計劃。在100個 GrabCAD 零件的模擬評分中,本地運行的開源 Qwen3.8-27B 令97.4%的目標表面偏差維持在0.1 mm內;GPT-6 Astra、Claude Opus 5.5及 CNC-Net 分別達到94.3%、83.0%及42.3%。

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

    π^4:用於 4D 場景幾何與運動的基礎模型

    π^4 是面向 4D 場景感知的統一基礎模型,可從未經標定的 RGB 圖像或影片中恢復稠密幾何、相機位姿和度量尺度,並為多圖輸入提供點追蹤及移動物體遮罩。在多項基準測試的幾何評估中,π^4 的整體平均排名最佳,2D/3D 點追蹤及移動物體分割表現具競爭力。完整系統約有 0.5B 參數,可在一次前向傳播中聯合重建與追蹤,處理數千張輸入圖像;訓練上下文最多為 64 個視角,程式碼和模型已提供。

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

    TabBioMed:大型生物醫學表格學習基準

    TabBioMed 建立涵蓋 94 個經整理公開數據集的生物醫學表格學習基準,統一分類、回歸及多目標任務的評估,並比較 23 個模型。基礎模型整體預測表現最佳,但在推理時間或訓練成本受限時,樹模型和經調校的多層感知器仍具競爭力,且往往表現較佳。研究同時公開數據集及切分、預處理程式碼、基線模型和結果。

11月16日週一
11月15日週日
  1. DEV Community44

    掃描 7,135 個 GitHub 儲存庫的 3.8B 行程式碼:衡量認知所有權與 PR 審查風險

    SlopCodeMonitor 以確定性靜態分析啟發式方法,追蹤 7,135 個開源 GitHub 儲存庫,涵蓋約 3.8B 行程式碼及 16.0 million 次模式命中。基準測試將靜態分析結果歸納為四項 0–100 的審查指標,包括 PR 審查速度影響、認知所有權風險、Agent 過度工程比例,以及依賴項與供應鏈風險。這些分數只供人工審查參考,並非 AI 撰寫的證明或已確認的安全漏洞。

11月14日週六
11月13日週五
11月10日週二
11月7日週六
11月6日週五
11月5日週四
11月4日週三
  1. HuggingFace Daily Papers(社區熱門論文)46

    LoCo:以局部偏好學習壓縮推理

    LoCo透過局部偏好學習,教導推理模型何時繼續推理、何時停止,從而縮短輸出並維持或提升數學及程式任務的準確度。在五項數學及三項程式生成基準測試中,LoCo分別將完成長度縮短41.7%–45.4%及23.4%–36.3%,並在所有程式基準測試中取得最佳AUC。

11月1日週日
  1. 新浪科技62

    Fysiverse-UniWAM 不依賴大規模機械人預訓練,在 24 項真機測試中導航與移動操作雙居首

    飛捷科思與復旦大學團隊提出 Fysiverse-UniWAM,並在 24 項真機測試中取得導航及移動操作領先結果。其中 UniWAM-Scaled 在 13 項導航任務的位置誤差均排名第一,4 項移動操作任務成功率亦全部第一,平均為 80.0%,較 π₀.₅ 高 17.5 個百分點。

10月31日週六
  1. DEV Community57

    CloneProof 修正誤報後,在 100 個 npm 套件對應倉庫中判定 3 項真實失敗

    作者以 CloneProof 靜態檢查 100 個最常被依賴的 npm 套件所屬 GitHub 倉庫,修正誤報後,v0.2.4 的 3 項失敗判定均屬實。預先登記的 v0.2.0 測試中,6 個會令 CI 失敗的倉庫有 5 個只因誤報而失敗;修正版的 63 項警告中,60 項判斷正確。檢查不會安裝依賴或執行倉庫程式碼,另有 7 個倉庫因 CloneProof 的 clone 安全限制未能檢查。

10月28日週三
10月27日週二
10月26日週一
10月25日週日
  1. Hacker News 熱門(buzzing.cc 中文翻譯)67

    GVS5H 研究顯示編排後 Qwen3.8-27B pass@1 升至 92.4%

    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。

10月24日週六
  1. DEV Community48

    CI Bench v1:GitHub Actions runners 的開放基準測試

    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。

10月23日週五
  1. 新浪科技43

    機器人如何持續改進自身:Physical RSI 的框架、進展與挑戰

    研究者提出 Physical RSI 框架,探討機器人如何利用物理交互經驗,不只更新任務能力,也改進自身的學習流程。論文以 L0–L5 分級梳理研究進展,並指出現有工作仍缺乏直接檢驗改進流程遞歸增益的基準。可靠的物理反饋、安全保障及獨立評估,是驗證機器人能否越學越會學的關鍵。

  2. HuggingFace Daily Papers(社區熱門論文)46

    超越觀看與搜尋:以影片為中心的深度研究報告智能體基準評測

    研究人員提出影片中心深度研究報告生成任務,並建立評估 AI 智能體的 OmniDR-Bench 基準及 Omni Atomic Rubric Trees(Omni-ARTs)評估框架。OmniDR-Bench 涵蓋 19 個子類別的 50 項中英文任務,共設 6,414 項準則;18 種智能體配置中,最佳系統得分為 63.3/100。相關程式碼及數據已公開。

  3. Hugging Face Blog62

    ThinkingBox-Training 開放 GitHub,將資料庫終態檢查用作智能體後訓練獎勵

    ThinkingBox-Training 已在 GitHub 開放,將智能體完成任務後的資料庫終態可執行檢查用作後訓練獎勵。以 GRPO 對 Qwen3.8-27B 訓練 50 步後,在 ThinkingBox-Bench 的 507 項任務(每項測試 20 次)中,pass@1 由 51.70% 升至 60.78%,20 次全部成功的任務由 38 項增至 107 項。

    推薦理由:文章展示如何把資料庫終態的可執行檢查轉成智能體後訓練獎勵,並按基礎策略成功率篩選任務,説明混合成敗回報如何為 GRPO 提供組內對比。

  4. Unite.AI71

    Microsoft MAI-DxO 在《Science》研究的複雜病例診斷中準確率高於普通科醫生

    Microsoft MAI-DxO 在《Science》研究的《新英格蘭醫學雜誌》病例中取得 83.2% 診斷準確率,高於使用參考資料的普通科醫生(36.1%)。研究以 SDBench 將 304 宗《新英格蘭醫學雜誌》病例及 325 宗急症室收治病例轉為逐步互動診斷,並按準確率及檢查成本評估系統。作者指出,結果來自受控模擬,並非與專科醫生、多專科團隊或真實臨牀實踐比較。