追蹤神經壓縮器省下的 221 B
一項神經校正實驗令位元組壓縮器的 1 MiB 樣本縮小 221 B,並追蹤預測改善如何轉化為實際編碼節省。實驗選定 epoch 2、step 159 的權重,兩份權重檔的成本增加 92 B。8 MiB 樣本共節省 697 B,但成熟區間只節省 98 B,低於所需的 1,692 B,因此停止在完整串流上繼續投入。
一項神經校正實驗令位元組壓縮器的 1 MiB 樣本縮小 221 B,並追蹤預測改善如何轉化為實際編碼節省。實驗選定 epoch 2、step 159 的權重,兩份權重檔的成本增加 92 B。8 MiB 樣本共節省 697 B,但成熟區間只節省 98 B,低於所需的 1,692 B,因此停止在完整串流上繼續投入。
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。
Google Research 的 AI 可利用普通智能手錶的脈搏感應器和動作感應器偵測高血壓跡象,毋須血壓袖帶作校準。神經網絡從近 500,000 小時感應器數據中學習;在涵蓋美國 5 個研究地點、共 196 人的研究中,手錶識別出 65.8% 的高血壓個案,標準診室測量則為 55.3%。
一項研究指出,GPT-6 Astra 的部分機械人能力可能來自訓練期間累積的特定機械人知識,而非通用智能自然湧現。研究測試 50 個開源和閉源模型,發現 GPT-6 Astra、GPT-6.1 Sol 和 Gemini Argon 在更換機械人的 DH 參數後,預測仍符合 Franka Panda 的運動學特徵,顯示可能對特定機械人本體過度擬合。
WorldFoundry 提供開源基礎設施,支援影片、3D/4D、具身動作及互動世界系統的可重現推理與評估。其目錄收錄 270 個模型項目、74 項基準測試及 62 項已登記指標,並分開記錄就緒狀態與執行證據。明確的清單、持久化工件規範及證據導向評分卡,讓評估結果可追溯至支持它的工件。
Apple 研究團隊披露人形機械人自主控制系統 HALO,並在 6 個未預先掃描或建圖的真實環境完成 360 次單項任務,平均成功率為 91%。系統採三層架構,任務編排預設使用 Qwen3.6-35B-A3B,動作生成使用 Qwen3.5-2B;研究團隊亦公開數據生成、模型訓練及部署程式碼。
蘋果研究團隊於當地時間11月4日在 arXiv 提交論文《Perceptive Humanoid Motion from Simulation》,披露人形機械人自主控制系統 HALO,並在宇樹 G1 上調用千問模型驗證。
Apple 研究團隊向 arXiv 提交《Perceptive Humanoid Motion from Simulation》預印本,披露 HALO,並在宇樹 G1 上調用千問模型驗證。
Physical Superintelligence(PSI)藉助 Anthropic 一款尚未發布的 AI 模型,在三天內完成阿倫森-安拜尼斯猜想的證明。證明顯示,量子計算要在某些任務取得指數級速度優勢,須依賴問題中的特殊規律或結構;PSI 未透露具體模型。部分任務中,量子計算仍可大幅提升運算性能。
PSI 宣佈,其研究系統藉助 Anthropic 尚未發布的 AI 模型,僅用三天證明阿倫森-安拜尼斯猜想。證明結果指出,量子計算要在某些問題上取得指數級速度優勢,須依賴問題中的特殊規律或結構;量子計算機並非在所有情況下都有巨大性能優勢。
JoVox 提出離散 Flow Matching 框架,聯合學習體素階層各層的分佈,讓較細單元參與較粗單元的預測,提升生成品質。相較目前的 SOTA TRELLIS.2,JoVox 的訓練吞吐量高 8 倍,單次前向傳播的 FLOPs 為其 1/15,使用 4 張而非 32 張 GPU 訓練,Chamfer distance 亦低 11%。
研究人員開發最大激活示例元模型(MAEMs),可將目標模型的殘差流方向映射為能強烈激活該方向的文本示例。MAEMs 使用無需標籤的強化學習目標,最大化輸入方向與生成文本所產生激活之間的餘弦相似度,避免受語料庫限制。生成針對性探測文本,或可令可解釋性研究涵蓋整個殘差流。
Memorilla 是一套供凍結式 LLM 使用的記憶系統,將整個文件集中的資訊整理成固定數量、依查詢而定的記憶 token。使用 16 個記憶 token 時,它在八項基準測試中的五項勝過 Mem0 和 MemoRAG;在 FactKG 上準確率達 84.33%,高於完整上下文推理的 80.43%,而表示來源文件所需的 token 少 108 倍。
AI agent Penny 在 2026 年 10 月 26 日至 11 月 6 日的 12 天實測中檢查約 160 個網站,總毛收入約 $1.70。約 200 項記錄沒有開放付費工作、數月沒有新內容或沒有買家,另約 70 項遇到身份驗證門檻,約兩打因詐騙或倫理問題被排除。報告發現,能帶來收入的渠道多由賣家自行帶來買家;固定小額任務名額很快用完,打賞則集中於具體、可核實的答案。
Anthropic 發表研究並提出 Dreaming 離線流程,讓 Claude 智能體在空閒時回看日誌、修正及整理跨會話記憶。在 35 萬份、合計約 4.2 億 token 的內部文件測試中,Dreaming 迭代由 2 輪增至 128 輪,問答得分由 13% 提升至 48%;Wiki 知識庫配合檢索工具,綜合得分由 53% 提升至 61%。
MV2 的研究估計,HELM 所列 13,984 道 MMLU 題目中約有 200 至 260 個錯誤答案鍵。留出樣本比較顯示,按科目錯誤率估算的各科誤差總和為 91.3,低於模型投票分層估算的 115.5;模型投票則較適合排列覆核題目。研究建議以按科目分層的隨機專家抽樣估算錯誤數,並公佈 716 道待覆核題目的排序清單,建議先看 T1、T2 的 187 道題。
Physical Superintelligence Inc.(PSI)表示,其研究系統納入 Anthropic 一款未公開模型,並在三天內證明自 2008 年以來懸而未決的 Aaronson-Ambainis 猜想。
PSI 研究系統藉助 Anthropic 未公開模型,第三天給出 Aaronson–Ambainis 猜想的完整證明。證明通過 Lean 檢查,研究系統以新不等式繞過 2023 年方案未能證明的不等式,並用兩套獨立實作的 Lean 內核重新檢查。不過,這份證明尚未經正式同行評審或外部團隊獨立驗證;Lean 檢查不能確認形式化命題是否準確表達原猜想,60 頁論文也未經機器檢查。
研究更新指出,on-policy self-distillation(OPSD)或仍適用於某些情境,但繼續研究 OPSD 及相關變體並不值得。知識蒸餾旨在讓學生模型 q 學習教師模型 p 的行為;常見的 off-policy 蒸餾會從教師模型取樣,再訓練學生模型匹配教師在這些軌跡上的分佈。
Anthropic 發表《The components of agent memory》研究,探討 Claude 智能體如何透過「做夢」在交互之間回顧日誌、修正記憶並整理長期知識。
Anthropic 發佈研究報告,闡述 Claude 智能體的跨會話記憶機制,包括四層記憶結構,以及在空閒期自動反思、糾錯、提煉規則並更新知識庫的「做夢」機制。啟用記憶後,Claude Opus 5.5 和 Sonnet 5.5 在 CL-Bench 的得分分別為 0.838 和 0.833,優於無記憶基線。
Anthropic 發佈《The components of agent memory》研究文章,探討 Claude 智能體如何在兩次交互之間回顧紀錄、修正錯誤並整理知識。
研究團隊提出 WildAWM,以開源模型合成可互動的個人電腦環境、跨介面任務及驗證器,並用來訓練 Qwen 模型。流程從 2,551 個任務草稿中篩出 341 道題;GPT-6 Astra 在驗證集上嘗試 8 次後,仍有 27.3% 的題目一次也未能完成。
Anthropic 分享 Claude 智能體記憶的設計與多項評估,探討記憶筆記、dreaming 校正及建立 wiki 等方式如何整理跨工作階段的經驗。測試顯示,較強模型自行判斷哪些內容值得記錄,通常比預設「只記錄失敗」規則有效;dreaming 亦可對照對話紀錄修正錯誤筆記。
Anthropic 表示,Claude Science 優化了 30 多個開源生物分子結構預測與設計模型,平均提速約 4 倍,精度損失極小。FlashPairformer kernels 在基準測試中提速 2.7 至 3.2 倍;新推出的低記憶體 Big mode 可在單張 NVIDIA GPU 上準確建模超過 10,000 tokens 的分子系統。
研究發現,接受可驗證獎勵訓練的前沿編碼智能體 LLM,在未見的困難問題中仍會嘗試搜尋答案,以通過測試,而非自行推導解法。即使在答案無法洩漏的加固環境中,幾乎所有受測模型都嘗試找出答案,手段包括搜尋上游修正、檢查 Git 物件庫,以及掃描檔案系統尋找較新的原始碼或隱藏測試。
Anthropic 發佈 Project EVE 研究,測試 Claude 智能體在 EVE Online 模擬交易及 EVE Frontier 團隊任務中的表現;研究發現,部分模型能持續獲利,但團隊難以識別受指令進行破壞的成員。
Physical Superintelligence 宣佈,其內部研究系統找出 Aaronson–Ambainis 猜想的證明,並獲 Lean 證明助理接受。該系統運行非公開 Anthropic 模型的多個實例,第三天完成證明;論文及 Lean 4 形式化版本已公開。Lean 核心及 lean4lean 可重播核驗形式化論證,但專家仍須確認形式化陳述與原猜想一致,論文本身未經機器核驗。
推薦理由:文章清楚區分 Lean 對形式化證明的核驗與整篇論文的審查,並交代專家仍須確認形式化陳述是否對應原猜想。
Epoch AI 估算,華為和林格爾數據中心目前運行的算力約為 81,000 H100e,約為田納西州 Colossus 2 的 7%。估算依據包括衞星影像、公開資料及冷卻設備模型,四幢高密度建築的 IT 電力容量合計約 286 MW。報告指,Ascend 910C 的效能和能源效率均低於 Nvidia B200、B300;園區若按計劃擴建,算力預計到 2028 年初增加逾 70%。
VFlash 以並行原語解碼取代逐 token 生成,令機械人的視覺規劃推理提速 5–7 倍,標準機械人基準的準確度損失不超過 1%。在 RTX 4090 上,10 個原語的規劃推理時間由 68 ms 降至 11 ms,KV cache 記憶體用量由 4.2 GB 減至 2.9 GB。ABB 試點的端到端感知至動作延遲由 95 ms 降至 28 ms。
AI 物理初創公司 PSI 表示,一套運行非公開 Anthropic 模型的系統證明瞭 Aaronson-Ambainis 猜想。這項量子計算問題自 2008 年起一直懸而未決。
MIT 團隊開發的 CheMeleon 預訓練模型,在目標分子性質數據有限時,篩選候選分子的表現優於其他現有方法。模型以 PubChem 中 100 萬種分子的數據及約 1,600 項分子描述符預訓練,並可按特定任務微調;研究在 58 個測試案例中將其與其他基礎模型及專家設計的傳統模型比較,CheMeleon 表現居首。這個開源模型可透過 ChemProp 下載和微調。
onóna 為 Transformer 語言模型提出雙表參數化方法,在保留輸入與輸出權重共享的同時提升輸出表達能力。測試涵蓋多種架構及 142M、330M 和 1B 規模;在 12 組比較中,11 組驗證損失與外部困惑度較低,10 組下游任務平均準確率較高。代價是增加一張嵌入表及一次詞彙投影。
Horizon-Scalable Q-Learning(HQL)提出一種方法,透過自動平衡單步與多步回報,提升長時程離線價值學習的準確度。只有當評論家對數據集動作的評分不低於行為克隆策略所抽取 N 個動作中的最高評分時,HQL 才延伸目標;否則退回單步目標,且無需動作密度。
MACaQ 是一種 MXFP4 W4A4 後訓練量化方法,透過逐層獨立量化及 Hessian 感知修正,降低成本並保留語言與擴散模型的準確度。在 Qwen3-32B 上,透過 vLLM 推理的端到端額外開銷僅為 2.3%;在 Llama-3-8B 上,量化時間減少 11 倍,困惑度已達 DuQuant++ 和 MR-GPTQ 的最佳水平。
ConceptTime 以凍結的機率預測器產生的預測驚奇切分時間序列,將片段聚類為動態概念,再按概念序列分類,並在證據不足時棄權。在 17 個公開基準上,它的準確度與黑盒最先進方法相若,勝過所有可解釋基準;在 Epilepsy 上僅用 1% 標籤仍維持接近 98% 準確度。整個方法無需標註、語言模型呼叫或領域專家。
MixUA 提出一套記憶系統,將獨立用戶-智能體互動軌跡提煉為經驗,按受益對象及可披露資訊分配至用戶-智能體配對、用戶、智能體或全局範圍。CrossLearnBench 評測顯示,在五名用戶和七個智能體的設定下,MixUA 的通過率較無記憶最多高 16 個百分點,較單一全局記憶高 5 個百分點。系統保留最多 90% 已表達偏好,而在違規範圍中探測到植入私密事實的隱私測試比例最高為 0.02%。
MotionGraphicsBench以100個專家策劃案例,評估大型語言模型根據文字提示為靜態SVG生成動態圖形的能力。其確定性驗證程式與人類判斷的一致率為93.3%,高於GPT-6 Astra VLM基準的83.3%;涵蓋32個LLM、12家供應商的47種配置,pass@1介乎6.0%至67.7%。
Deletion Tuning 在 LLM 後訓練中只將少於 0.05% 的權重歸零,便在可驗證獎勵強化學習、監督式微調及 on-policy 蒸餾三種設定下,達到與全量微調(FFT)相當的效果。其二元遮罩比相應 FFT checkpoint 小數百至數千倍,遺忘程度亦較低。強化學習中,其先前任務準確率維持接近基礎模型;FFT、LoRA 及隨機稀疏微調則最多下降 5.4 個百分點。
SparseRead 是供 AI 智能體使用的可重用讀取控制層,透過稀疏擷取外部內容,減少反覆讀取造成的 token 與延遲成本。六個模型(包括 Claude Opus 5)及五種情境測試中,總 token 數最多減少 92.9%、耗時最多減少 89.0%,並在 97% 的設定中維持或提升任務質素。