跳到正文
目前篩選:論文
今天11月22日週日1 則
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20日週五
  1. 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。

  2. 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%。

  3. Google Research61

    Google Research 展示 Willow 量子處理器在魔方陣遊戲中勝過經典策略

    Google Research 在 Willow 量子處理器上展示並測量量子情境性,魔方陣遊戲勝率達 98.30%,高於經典策略上限。團隊以 Bell–Kochen–Specker 不等式測得 χ = 5.590 ± 0.008,高於經典上限 4。在最多 105 個量子位元的隱藏線性函數任務中,處理器成功率高於一半;這些任務亦能揭示隨機電路基準容易掩蓋的細微相干錯誤。

    推薦理由:研究顯示,量子情境性相關任務可在多量子位元處理器上,揭示隨機電路基準容易掩蓋的細微相干錯誤。

  4. Hacker News 熱門(buzzing.cc 中文翻譯)44

    Frontier Design Benchmark 排行榜新現兩款隱形模型,排名均高於《Fable 5.2》

    Frontier Design Benchmark 排行榜新現兩款隱形模型,排名均高於《Fable 5.2》。這項基準以 Contra 市場的真實設計委託作盲測,由 68 位專業設計師進行 4,311 次投票,涵蓋 33 項設計委託。評分量表設有 35 個維度,分數與設計師評分的相關係數為 0.94。

  5. Unite.AI52

    Google Quantum AI 在 105 個量子位元上展示測量情境性

    Google Quantum AI 的研究於 2026 年 11 月 19 日刊登於《Science》封面,報告超導處理器上的測量情境性測試擴展至最多 105 個量子位元。協調遊戲勝率為 98.3%,高於 88.9% 的經典上限;相關工作早於 2025 年 12 月 1 日提交為 arXiv 預印本。論文將測試定位為硬件基準,並指出結果限於特定資源受限任務,未證明對所有經典實作均有量子優勢。

11月19日週四
  1. Unite.AI48

    Tomorrow.io 研究顯示改善大氣初始資料可提升 AI 天氣預報

    Tomorrow.io 的研究顯示,改善大氣初始狀態可提升 Aurora 1.5 和 WeatherNext 2 的 AI 天氣預報,無須更改預報模型。Sky 1 每小時更新初始條件;加入 15 個微波探測器的觀測後,28 個案例的初始水汽誤差降低約 5–8%,112 個 Aurora 1.5 預報在最多五天的各評估時效均降低近地面氣温誤差。

  2. The Decoder73

    Anthropic、OpenAI 及 Google 模型在測試中把醫護人員、記者和投降士兵列為自殺式無人機攻擊目標

    Vals AI 的測試發現,多個模型會把平民、醫護人員、記者及投降士兵標為軍事目標,供應商的上游安全過濾器則未攔截任何請求。把情境描述為電子遊戲後,GPT-6 Astra 的目標獲取率由 6% 升至 92%,Claude Opus 5.5 在監視測試中的拒答率由約 90% 降至 20%。

11月18日週三
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%。

  2. Analytics India Magazine51

    約翰霍普金斯大學研究發現,與女性相關的提示語言會改變 AI 職場寫作風格

    約翰霍普金斯大學研究發現,帶有較常與女性相關語言特徵的提示詞,會令 AI 生成的職場文字精緻度較低、可讀性較高、正式程度較低。研究測試 Meta Llama 3.1 3B Instruct、Mistral 7B Instruct、Gemma 2 27B 和 GPT-4,差異在電郵及求職申請中最明顯,在辭職信中較弱;提示中的姓名幾乎沒有影響。

11月16日週一
11月15日週日
11月14日週六
  1. Google Research85

    Google Research 公佈 Antigravity /teamwork 在數學、科學與工程領域的成果

    Google Research 公佈 Antigravity 的 /teamwork 結合 Gemini 4 models 在數學、科學及工程任務上的多項成果,並向外部研究人員和開發者開放相關工具。

    推薦理由:文章以數學、化學與系統工程案例,呈現 /teamwork 如何透過並行探索、獨立驗證和任務分工支援長程研究工作。

11月13日週五
  1. HuggingFace Daily Papers(社區熱門論文)47

    WebArena-Pro:面向網頁智能體的異質、多模態、可重現基準測試

    WebArena-Pro 推出面向網頁智能體的異質、多模態、可重現基準測試,涵蓋音訊和影片內容。基準測試包含 300 項任務,分佈於六個領域類別的 20 個自託管網頁應用程式;Codex 搭配 GPT 6.1 Sol,以及 Claude Code 搭配 Claude Opus 5.5,均取得 62.3% 的最高表現。每項任務均獨立執行,並支援可重現的平行評估。

11月12日週四
  1. TNW78

    Google DeepMind 的 AI 智能體用 AlphaProof Code 形式化驗證 Signal 加密程式碼

    Google DeepMind 公佈 AlphaProof Code,利用 AI 智能體形式化驗證 libsignal 的部分程式碼,檢查 Signal 一對一聊天的多項安全性質。研究團隊在四週內產生約 6.5 million lines 的證明,研究人員沒有撰寫證明程式碼。驗證範圍限於研究人員自行構建的程式庫,未涵蓋 Signal 應用程式、羣組訊息或金鑰生成。

    推薦理由:這項工作展示 AI 智能體如何配合人工制定規格與 Lean 證明,並界定驗證範圍,呈現形式化驗證的實際流程與限制。

  2. Google Research51

    Google Research 提出以穿戴式數據進行 CKM 風險分層的個人化健康指導框架

    Google Research 提出研究框架,利用穿戴式數據評估心血管—腎臟—代謝(CKM)健康風險,並提供個人化生活習慣指導。其中的 SensorWM 以 2.28 million person-weeks 的 Fitbit 數據訓練,根據兩週基線資料預測 20 項生理指標未來 12 週的變化,再由語言模型智能體生成指導方案。