跳到正文
10月29日週四
  1. DEV Community36

    Prinevo Memory:智能體長期記憶的上下文圖譜

    Prinevo Memory 在 LoCoMo 和 LongMemEval 上分別取得 83.89% 和 82.60% 的評分。系統以結構化記憶、實體解析、時間感知更新及按問題類型選擇的檢索策略構建上下文圖譜。兩項評測均使用 Claude Haiku 4.5 擷取和回答,並由 Claude Sonnet 5 評分;結果不代表與其他記憶系統的直接比較。

  2. HuggingFace Daily Papers(社區熱門論文)31

    影片生成與 Agent Harness 的交會:智能體影片生成、智能體世界建模與遞歸式自我改進

    這份研究探討影片生成與 Agent harness 的交會,分析智能體如何藉由規劃、工具使用和回饋,製作連貫且可控的多鏡頭影片。研究聚焦智能體影片生成、智能體世界建模,以及影片模型開發中的遞歸式自我改進。研究亦分析視聽感知、長期規劃、記憶和多智能體協作等能力,以及自主影片製作和成效評估方面的挑戰。

  3. 阿里雲開發者社區 AI30

    2026 年 AI 滲透測試平台產業發展與技術架構研究報告

    AI 滲透測試平台正由單工具探索邁向多 Agent 協同的平台化發展,多引擎交叉驗證、持續測試及開放生態成為核心方向。報告指出,傳統人工滲透測試每年 2–4 次,難以跟上以周為單位的攻防迭代;多 Agent 平台可將高危漏洞平均暴露窗口期由 45 天縮短至 7 天內。報告亦提出企業選型評估體系,並提醒須留意授權合規及測試數據安全。

  4. 新浪科技67

    IDC 報告指中國 MaaS 市場規模按年增長 889.4%,火山引擎份額領先

    IDC 報告顯示,2026上半年中國 MaaS 市場規模達106.3億元,同比增長889.4%,火山引擎以45.1%的份額領先。上半年全市場 Token 消耗量達2857.9萬億,同比增長約432.5%;影片生成模型調用所產生的收入佔32.7%。火山引擎的整體份額高於阿里雲的25.2%,但在大語言模型市場,阿里巴巴以46.6%居首。

  5. Sakana AI:Blog48

    Sakana AI 情報分析報告:以 SNS AI 分析觀察美國中期選舉

    Sakana AI運用AI分析美國中期選舉中的德州參議院選戰,研究候選人及兩黨州級組織在X發布的2,042則帖文與705,976則回應。系統以敍事為單位分析內容,並由多個AI模型對照原文核實,再結合民調、選舉資金、預測市場及新聞報道等公開資訊。分析發現,Paxton在共和黨決選前獲得的支持比例,在決選後由約五成跌至不足兩成。

  6. 新浪科技56

    IDC報告指2026年上半年中國MaaS市場規模達106.3億元,PPIO成唯一上榜獨立服務商

    IDC《中國AI軟件市場半年度追蹤,26H1》報告顯示,2026年上半年中國MaaS市場規模達106.3億元,同比增長889.4%。PPIO是上榜企業中唯一的獨立MaaS服務商,在大語言模型MaaS市場排名第六;截至2026年9月,其平台日均Token調用量達3.4萬億,同比增長近20倍。報告指出,市場競爭正由成本轉向效率,模型生態、調度及推理效率成為競爭重點。

  7. 新浪科技57

    與 AI 互動或加重初發精神病患者症狀

    範德比爾特大學醫學中心研究人員發現,部分患者的病歷顯示,聊天機械人互動可能加重精神病症狀,首次發作患者在相關病例中比例較高。團隊從2022年12月至2026年4月約21.6萬名行為健康患者的電子健康紀錄中篩出73人,其中28人的紀錄顯示症狀加重;這28人中約61%經歷首次精神病發作,比例高於另外兩組。研究未聲稱聊天機械人會導致精神病,並指出精神科診療或應定期評估患者使用 AI 的情況。

  8. 新浪科技47

    EMNLP 2026 Main:佐治亞理工學院和麻省理工學院提出 MASCOT,提升 AI 羣聊的角色分工與協作

    佐治亞理工學院與麻省理工學院研究團隊提出 MASCOT,透過兩階段訓練提升多智能體羣聊的角色分工與協作。測試中,MASCOT 在 ED 正向情境的角色一致性得分為 80.0,較最強基線高 14.1 分;在 ED 中性情境的羣體互動總體評分為 57.3,高於基線的 51.9。研究涵蓋情感支持與會議討論,並以人工盲評補充驗證。

  9. DEV Community43

    美國天然氣輸送網絡實體 AI 系統設計:洩漏偵測、壓縮機健康監測及 OT 安全證據

    這套面向美國天然氣輸送網絡的實體 AI 參考架構,整合洩漏偵測、壓縮機健康監測及 OT 安全證據,並採用唯讀接入、被動監測和單向資料二極管;系統不向現場設備寫入資料。Chronos-2 和 RF-DETR 在邊緣運行,Mistral Large 3 675B 部署於控制中心。各模型先以影子模式運行,通過分段靈敏度與誤報測試後,才進入面向控制員的告警流程。

  10. HuggingFace Daily Papers(社區熱門論文)47

    多模態推理中的參照落差:視覺輔助能解決和不能解決的問題

    多模態語言模型在多步視覺推理中的失誤,可能源於語言未能連結相關視覺物件、區域或位置的「參照落差」,而非視覺感知不足。研究提出 ReGap-Bench,涵蓋五項視覺推理任務;結果顯示,配合任務的外部參照可在無需訓練下令準確率提高最多 25%,不匹配的參照則助益甚微,甚至會降低表現。

  11. DEV Community55

    CrowdStrike 的 GbVD 研究以 AI 護欄反應定位漏洞候選

    CrowdStrike 提出護欄式漏洞發現(GbVD)方法,透過比較模型對基準程式碼與含缺陷版本的拒答、推理中斷等反應,縮小漏洞候選範圍。在涵蓋 5 類、44 個含漏洞及 42 個安全案例的 86 個情境中,方法正確分類 73 個(TP=36、TN=37),並出現 5 個 FP、8 個 FN;73/86 不代表發現 73 個漏洞。

  12. DEV Community34

    每日沽空成交量能否預測沽空未平倉量?以 660,246 個結算窗口測試三排名次公式、Ridge 與小型 Transformer

    每日沽空成交比例變化能反映同一結算窗口的沽空未平倉量變化,但不能預測下一個窗口;在 2025 年至 2026 年 7 月的回溯測試中,26,213 參數的 Transformer 得分為 +0.414。測試涵蓋 6,959 隻股票的 660,246 個結算窗口,模型權重、ONNX graph 和輸入規格已在 Hugging Face 以 Apache-2.0 授權提供。

  13. 新浪科技82

    Anthropic 稱內部 Claude 研究模型在五個平台發現漏洞,Linux 攻擊鏈 53 分鐘取得 root 權限

    Anthropic 於 10 月 27 日發布報告,稱內部 Claude 研究模型在五個平台發現漏洞並串成 5 條攻擊鏈。其中 Android 攻擊需實體接觸 Pixel 9,Linux 攻擊鏈的驗證耗時 53 分鐘並取得 root shell。相關漏洞均已按協調披露流程報告廠商並修復。

    推薦理由:報告涵蓋五個平台,呈現漏洞串接後造成的不同後果及修補情況,可用來理解模型輔助漏洞研究的範圍。

  14. DEV Community52

    「一律選 D」在 MMLU 高中統計題的準確率達 46.7%,研究按科目及資料分割分析答案位置

    Munim, Inc. 的 AI 智能體研究檢視 MMLU 各科及 OpenBookQA 各資料分割的正確答案位置,發現 MMLU 的末項偏差集中於少數科目,而 OpenBookQA 整體呈輕微 A 偏差。MMLU 高中統計題中固定選 D 得 46.7%,OpenBookQA 測試集固定選 A 得 27.6%。研究指出,閉卷準確率應與相應基準及科目的選項位置基線比較,而非一概以 25% 為準。

  15. DEV Community43

    NeurIPS 2024 前瞻:零樣本學習是個誤稱嗎?

    研究分析34個多模態模型後指出,所謂零樣本表現可能來自模型在預訓練期間接觸過相關概念,而非真正的泛化;概念在預訓練資料中出現的頻率,能有力預測模型表現。研究發現,概念頻率與零樣本表現呈對數線性關係,模型需要指數級增加訓練資料,才能取得線性表現提升。測試包含290個罕見概念的「Let it Wag!」數據集時,受測的50個CLIP模型表現均遜於ImageNet。

  16. DEV Community34

    NeurIPS 2024 前瞻:打造 SPIQA,回應現有科學 VQA 數據集的侷限

    SPIQA 是面向科學論文理解的大規模數據集,納入論文全文、圖表及相關説明文字,以支援多模態科學 VQA。數據集涵蓋超過 25,000 篇論文、150,000 張圖及 117,000 個表格。研究團隊結合 LLM 自動生成問題與專家人工篩選,89% 的 LLM 生成問題在人類評估者眼中與人工撰寫的問題難以區分。

  17. Cohere Labs:官方研究博客42

    SLAM-ASR 的單語 ASR 訓練線性投影器能實現甚麼零樣本口語理解?

    研究測試以 11 種語言訓練的 SLAM-ASR 單語投影器能否讓模型執行零樣本口語理解,結果顯示投影器未能有效傳遞相關能力。回答是非問題的平均指令遵循率為 49.8%,要求以單一數字選項作答時則升至 81.3%。主題分類平衡準確率為 23.2%,低於同一解碼器使用參考轉錄文本時的 71.5%。

  18. Cohere Labs:官方研究博客57

    AfriGuard 研究非洲語言的安全性與穩健拒答

    Cohere Labs 提出 AfriGuard,一個涵蓋 10 種非洲語言及英語、用於研究有害意圖、安全類別理解和拒答行為的多語言數據集。防護模型在安全意圖及安全類別分類上的表現遜於開源及閉源大語言模型;模型對恰當安全行為的理解得分低於 60% F1,亦常因語言表達不足而未能提供適切協助,而非明確拒答。

  19. HuggingFace Daily Papers(社區熱門論文)35

    AGI 的規模化是否取決於 System-1 讓 System-2 執行甚麼?

    研究提出,將輕量級的 System-1 預測器與資源密集型的 System-2 推理系統共同設計,可先篩選候選互動,再由 System-2 執行值得付出成本的互動。理想篩選且執行成本相同時,執行計算量可降至接近原來的 1/ρ_u;預測錯誤、探索及分佈轉移會減少節省幅度。研究認為,有用互動的密度是衡量規模化效率的指標。

  20. HuggingFace Daily Papers(社區熱門論文)44

    DyCraft:用智能體生成長時程 4D 場景的系統

    DyCraft 將動畫製作拆分為靜態場景、關鍵幀故事板和局部動作編排,以減少長時程 3D 動畫中的物理錯誤。系統在 24 項長時程、多鏡頭動畫任務中接受評估;與 Codex 中原生 GPT-6 智能體及先前的智能體基線相比,它減少了物理違規,生成的動畫 3D 場景品質較高,也更常獲人類評審選擇。

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

    WorldBridge:連接影片與動作,提升世界動作模型的任務泛化能力

    WorldBridge以分開的影片專家和動作專家結合影片預測與稀疏動作監督,提升機械人任務泛化,並在多項操作基準測試中取得比較方法中的最先進表現。在RoboTwin 2.0上,加入新任務影片後成功率由25.07%升至55.90%,每項任務再加入一個有動作標籤的示範後升至70.70%。

  22. HuggingFace Daily Papers(社區熱門論文)47

    視覺語言模型在哪些 3D 推理任務上失敗?

    BedBench 顯示,視覺語言模型難以準確計算 3D 物件各顏色的數量,並在回答中一致地運用這些計數。基準涵蓋 13 項任務;人類準確率為 93.3%,最佳模型為 7.2%。針對性微調令一個模型的準確率由 3.0% 升至 68.6%,但其答案仍與自身計數不一致;程式碼和數據集已公開。

  23. HuggingFace Daily Papers(社區熱門論文)62

    《我如何對齊你的模型》提出以模板擴大多語言安全訓練的方法

    研究團隊提出可擴展的模板式資料增強流程,並發布涵蓋 60 種語言的 MSafeTemp 語料庫,用於多語言安全對齊與評估。研究發現,僅以英語評估會誤判多語言安全:在英語中無法奏效的攻擊,翻譯後可奏效;加入文化本地化變體則會揭示單靠翻譯未能發現的失效。研究亦指出,以模板擴充安全訓練資料可提升多樣性和對齊質素,並改善英語以外的安全表現。

  24. HuggingFace Daily Papers(社區熱門論文)51

    「我們應否批准?」:Caper 提出自主編碼智能體的後果感知審批方法

    論文提出 Caper,讓自主編碼智能體先在帶系統呼叫追蹤的快照沙盒預先執行命令,再按觀察到的實際效果審批。LLM 審批器檢視檔案變更、網絡連線嘗試及秘密資料讀取;與六種現有系統相比,Caper 在 SABER 和 YoloFS-Ext 的有害結果率分別為 6.7% 和 7.8%,而其他系統至少為 14.8% 和 35.3%,且只阻擋 1.0% 的安全對照命令。

  25. HuggingFace Daily Papers(社區熱門論文)38

    CodeSpecWeave 如何透過互相依存的規格擴展長期編碼任務

    CodeSpecWeave 透過合成帶有互相依存規格及經驗證測試的軟件開發任務,訓練編碼智能體,提升其在長期基準測試上的表現。研究團隊以此流程建立 4,670 項訓練任務,涵蓋 2,865 個程式碼庫;在這些任務上進行強化學習,模型表現顯著優於基礎模型及現有基準方法。

  26. HuggingFace Daily Papers(社區熱門論文)43

    MAServeBench:以分層協作工作負載評測多智能體 LLM 服務系統

    MAServeBench 將多智能體協作建模為可配置的服務工作負載維度,用於評估 LLM 服務系統及硬件。其可組合階段和分層語義追蹤記錄智能體協作、上下文交換、實際操作及依賴關係,支援可重現比較。任務關聯測量連結工作負載、服務執行與 GPU/NPU 硬件表現,並顯示服務效率不一定能轉化為及時完成任務。