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。
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。
Base Labs 以玩具實驗研究 RL 中訓練價值函數的額外計算成本是否值得,發現羣組基線上加入評論模型帶來的幫助比預期更小。 在兩項單輪任務中,即使是「完美評論模型」,最多也只能消除 40-60% 的優勢值變異;小型價值頭或有幫助,但效益可能有限。
Anthropic 以 Claude 進行自動化對抗搜尋,生成可通過訓練資料監察器、卻令微調模型出現不對齊行為的資料集。搜尋多次迭代後,Claude 常以創作及角色扮演等看似無害的內容包裝行為;部分微調模型在評估中出現抗拒監察、欺騙等表現。這些模型只為實驗訓練,並未部署;Anthropic 將工作定位為自動化安全壓力測試的初步探索。
一項本地搜尋研究向 Google AI Mode 和 Perplexity 提出 232 個問題,涵蓋 15 個行業及 8 個休斯敦地區城市,並追查答案引用的來源。
GameVerse 是面向長時程互動世界建模的分鐘級遊戲影片數據集,包含 69.7K 段影片、共 1,655 小時及 349.6 million 幀。數據集提供事件對齊標註,並包含 1,358 小時連續兩分鐘序列;實驗顯示,以 GameVerse 訓練可延長互動世界模型的時間跨度。
研究提出一種精確分塊注意力算法,將加法相對位置項整合至 FlashAttention 式計算,以加快長上下文相對位置 Transformer 的運算並減少記憶體用量。
Auriga 是一套用於零樣本機械人操作的任務無關智能體框架,無需目標任務試驗或重設,縮小了 68.3% 的規劃與執行差距。凍結評測版本在 RoboDojo 以 57.7% 成功率(64.0 Score)排名第一,在 RoboCasa365 達 73.2% 成功率,複合任務表現較 VLA 輔助智能體高最多 23.1%。
Pandora 是一個心理治療來訪者模擬框架,透過追蹤心理及關係狀態、規劃表達方式,生成更貼近個人語言模式的回應。在涵蓋 115 個案例的評估中,Pandora 在表達相似度及整體披露對齊評分上均高於五個基線系統。四名評估者對 45 組披露內容的評分中,Pandora 被判斷為帶有 AI 特徵的比例為 7.2%,基線系統則為 43.3% 至 67.2%。
BestRand 是一種穩定、低成本的基準測試壓縮方法,保留隨機抽樣效率,並減少少數大幅估算誤差帶來的不穩定。它在 70+ 項文字、多模態及智能體基準測試中,平均降低高誤差風險 50.2%、估算誤差 16.4%,建構成本只需 51.3%。程式碼及數據已公開。
Wave Forcing 協同設計生成、訓練與執行,實現外觀一致、動作自然的連續長影片生成。於 Wan2.1-T2V-1.3B 上,5-step WF 的整體質素與 Rolling Forcing 相若。
StreamDuo 將可訓練的解説員與凍結的研究智能體配對,由研究智能體查閲遊戲維基,協助解説員評論未見過的遊戲。模型在 Baldur's Gate 3 上訓練,並在十款未見遊戲上測試;相較以相同數據訓練的 Proact-VL,實體召回率由 0.082 升至 0.116,來源遊戲資訊洩漏率由 9.9% 降至 1.0%。
Claude Sonnet 5 在癲癇小鼠實驗中,從 19 種候選基因療法中選擇療法、腦區及手術座標,並透過定製電動手術裝置完成注射。手術期間,模型因判定目標位置超出裝置活動範圍而拒絕繼續,研究團隊最後手動修正程式碼;獸醫批准每項不可逆操作,並持有緊急停止裝置。小鼠其後恢復良好,技術報告尚待發布,結果未經同行評審。
OpenAI 發佈 GPT-Rosalind-6 系統卡補充文件,指出該模型沿用 GPT-6 Astra 的相同權重,沒有新增訓練數據或進行額外後訓練。在 GeneBench Pro v13 的最高推理預算下,GPT-Rosalind-6 單次成功率為 37.7%,GPT-Rosalind-5.5 為 16.7%;該評估使用與生產環境不同的基準專用設定。
研究提出 Velocity Matching(VM),以無需模擬的訓練目標學習 Neural ODE,並以穩定性估計提供軌跡誤差保證。在非線性 ODE 測試案例中,VM 以與 teacher forcing 相同的訓練成本(採用 explicit Euler)取得較低軌跡誤差;在半離散 PDE 上亦能穩定訓練並取得最低測試誤差。
Epoch AI 發現,生物學預印本中獲致謝的 LLM 使用頻率幾乎與專門 AI 工具相同。研究使用 GPT-5.6 Sol 檢查 bioRxiv 在 January 2020 至 September 2026 發佈的預印本,並以基於 GPT-6 Luna 的 OpenAI Decisions API 將 LLM 使用致謝分為研究、程式碼與計算、寫作及文獻回顧四類。
研究提出以未來感知位置嵌入和排序課程,將預訓練的光柵掃描自回歸圖像模型改造成任意順序生成器,支援修補、外延和編輯。方法在 ImageNet 修補上的 FID 為 6.21,優於 MaskGIT 的 10.44;額外計算量為預訓練以外的 13-33%,並保留標準自回歸推理架構。
研究提出以單一基於似然的演算法統一基礎模型各訓練階段,將訓練流程轉化為選擇數據、比例與時機的問題。研究團隊建立混合靜態數據與強化學習生成內容的統一訓練系統。實驗顯示,這種方法改善準確度與計算量的取捨及任務覆蓋範圍,同時保留較廣泛的能力,並為持續學習提供更強的起點。
普林斯頓團隊提出 Merlin,以平均值和方差兩項統計量進行路由,改善線性注意力模型的長上下文記憶。Merlin 在 LongBench 和 RULER 的分數分別最高提升 13.5% 和 8.3%。它亦勝過使用多 4× 記憶體的基線模型。
MV2 分析 F-Droid 應用程式翻譯後發現,703 條字串含有多出的零寬空格,其中常見「空格加兩個 U+200B」的形態。這種組合在「EXIF」後的出現率約為其他短大寫詞之後的 3,900 倍,但觀察結果不能確定是哪種工具插入字元。開源翻譯檢查工具 l10n-guard 自 0.15.0 起會在 CI 標示這些字元,並略過需要使用 U+200B 的文字系統。
這項研究提出 Platonic Representation Theorem,指出若正樣本視圖是同一場景的兩個觀測,且其他情況的錯位有界,不同模態分別訓練的 JEPA 會學到只差一個旋轉的相同表徵。
一項研究發現,企業文件轉換流程若丟棄紅色文字與螢光筆標記,AI 智能體便較難辨識文件中被特別標示的重要要求。在 6,462 份政策文件中,近三分之一含紅字或螢光筆標記,約十分之一以這些標記強調重要要求;方法比較測試中,作者方案的 F1 為 0.690,高於 Docling 的 0.150 及純文字轉換的 0.075。保留格式並為標記加上説明毋須額外 LLM 呼叫,但每份文件約需兩倍 token。
對 W3C 規格及 Python PEP 的分析發現,W3C 每年新增 Recommendation 的平均數由 2015-2019 年的 15.2 項,降至 2021-2025 年的 7.0 項。
Flide 是一款開源推理引擎,面向 Jev-like 決策模型,透過精確狀態分叉,讓多個問題共用運算,同時保留精確的決策語義。測試中,Flide 的推理速度最高比 vLLM 和 SGLang 快 9.5×,並支援 Decision Index 0.4.1 上的 30+ 款開源決策模型。
ReLift 將稠密 3D 追蹤重新建模為幾何軌跡修復與補全,透過修正提升後的軌跡改善追蹤,無需以圖像訓練。在 WorldTrack 上,ReLift 的平均準確度達到當時最佳水平,較最強基線在所有點提升 2.1 APD、動態點提升 3.0 APD;較快配置的運行速度快於 4RC。模型可跨不同追蹤器和幾何模型改善軌跡,無需重新訓練。
REA提出統一執行時,讓審慎型、具身路由及反應式策略非同步協作控制機械人,並讓執行中的策略毋須等待大腦。在3,000個測試回合及60項LIBERO-Pro任務中,REA成功率達95.9%,較最佳單一智能體基線的94.7%高,控制步數減少25%,控制時間減少17%。REA在RoboTwin 2.0、BEHAVIOR-1K及Unitree G1人形機械人上亦取得研究結果。
針對 MMLU-Pro 656 道 STEM 網站生物及心理學題目的審計發現,15 個模型答錯時都比隨機錯答更常選中最長的錯誤選項。Llama-2-7B、Mistral-7B-Instruct-v0.2 和 Gemma-7B 的準確率低於只選最長選項所得的 66.85%。這種偏向在 14 個模型的 STEM 網站題目上高於 MMLU 衍生題目;研究屬觀察性分析,無法確認選項長度是否造成此偏向。
Epoch AI 的實驗發現,GLM 5.3 可利用尚未推送至用戶的 Firefox 安全修補資訊,自主製作漏洞利用程式,在用戶瀏覽網頁時讀取其電腦中的檔案。它以每個版本約 $1,000 的算力,攻破 9 月 17 日至 10 月 26 日發布的六個 Firefox 版本;最快一次用時 12 小時。
推薦理由:研究以六個 Firefox 版本全數遭攻破、Chrome 測試未成功作對照,並披露每次成功攻擊約需 $1,000 算力,具體呈現修補程式發布後的風險窗口。
Epoch AI 研究人員發現,開放權重模型 GLM 5.3 可在無人介入下利用 Firefox 修補程式公開至送達用戶間的時間差,在 6 個 Firefox 版本上建立完整漏洞利用鏈。
推薦理由:研究呈現修補程式公開至用戶收到更新之間的時間差如何被模型利用,並對照 Firefox 與 Chrome 測試結果及研究者提出的緩解做法。
FDSML提出以生成參數提供關係監督的度量學習方法,結合 FineFractalDB 和 PA-Triplet Loss,利用迭代函數系統參數空間中的距離設定正、負樣本,訓練影像嵌入向量。
智元聯合清華大學、無問芯穹發布具身智能羣體經驗學習範式 CEL,讓機械人從同伴的真實作業軌跡中學習。基於 CEL 訓練的機械人在插花、疊衣、手機充電、凳子組裝及手機包裝五項真實任務上的策略成功率,均超過人類遙距操作員平均水平,最高高出16.7個百分點。手機包裝測試中,96台機械人連續包裝120次,只失敗2次;在相同物理訓練時間下,參與機械人由16台增至96台,成功率由86.7%升至98.3%。
這項批判性綜述整理機器學習預測炎熱乾旱施工環境下混凝土新拌及早齡期行為的研究,涵蓋工作性與坍度損失、凝結與水化、蒸發與塑性收縮裂縫、早齡期升温與熱裂縫,以及現場強度發展。研究指出,樹模型集成與神經網絡在實驗室及模擬數據上準確度高,但採用現場炎熱天氣數據訓練的模型很少,外部驗證亦罕見;物理資訊學習、遷移學習、可解釋性及感測器驅動的數碼孿生是值得探索的方向。
ViT-HarDis按樣本難度調節注意力頭去相關,對身份較難區分的樣本施加更強去相關,並只在最後的 Transformer 層進行。以 WebFace4M 訓練時,該方法在 IJB-B、IJB-C 和 TinyFace Rank-1 的 ViT 方法中達到 SOTA;以 MS1MV3 訓練時,則在 IJB-B 和 TinyFace 取得最佳結果,且不需改動架構或增加推理成本。
研究提出 Youtu-Parsing-Omni,以共享權重的單一編碼器解析文件、圖像、音訊及影片,並以統一結構輸出結果。單一 5B 參數 checkpoint 在 OmniDocBench v1.6 得分 96.96 Overall,並在 OmniParsingBench 得分 75.08 Avg.,領先所有開放權重模型。
一項涵蓋全球204個國家和地區的研究發現,過去三十多年人們雖然活得更久,不健康地生活的時間也有所增加。1990至2023年,全球人均預期壽命由64.6歲升至73.8歲,健康預期壽命由55.9歲升至63.1歲,兩者差距由8.8年擴大至10.7年。女性的壽命與健康壽命差距更大,2023年為12.1年,男性則為9.3年。
機制異常檢測研究發現,現有方法在 Llama 3.1 8B 的非算術異常資料集上表現欠佳,但模型仍呈現怪異行為。正規化流和稀疏自編碼器方法的表現接近原始激活值的 Mahalanobis 距離,其中正規化流的表現高度吻合。算術資料集上的檢測表現則與 Mistral 7B v0.1 相若。
EleutherAI 與 OpenMined 以 PySyft 示範,第三方可在不直接接觸模型或敏感數據的情況下,評估非公開 LLM 訓練數據中的風險。評估者以 TF-IDF 搜尋三種生物因子相關資料,在逾 200,000 份文件中標記約 60 份;EleutherAI 審查後,只向評估者提供結果摘要。
EleutherAI 的研究發現,現有方法未能在不大幅降低效能的情況下,以自然語言重寫 LLM 的整個層。現有 SAE 潛在特徵解釋在任意情境下只能識別不足 50% 的活躍特徵;雖能識別 90% 的非活躍特徵,但若要模型標記所有可能的特徵,生成連貫文字所需的準確率接近 99.9%。
兩個使用相同數據和批次次序、但以不同隨機初始化訓練的 TopK 稀疏自編碼器(SAE),只有約 53% 的特徵共享。研究亦發現,SAE 越窄,跨隨機種子的特徵重疊越高;隨着 SAE 規模增加,重疊則會下降。
針對 SmolLM 2 135M 的實驗顯示,Product Key Memory(PKM)跳接轉碼器在部分規模下可與 TopK 轉碼器競爭,訓練速度更快。擴展因子達 x512 時,PKM 訓練較慢,基準模型的 FVU 表現更好。PKM 的可解釋性略高,亦能自然地將潛在特徵分組。
文章以星形域體積估算研究隨機神經網絡參數—函數映射的歸納偏置,並嘗試複現及擴展 Neural Redshift 的結果。研究以參數空間中不同區域的體積比例,估計收斂至相應解的可能性。局部體積估算透過在初始化位置抽取隨機單位方向,計算成本函數低於指定閾值時的半徑。