SmolLM-135M 上的零遺忘?WS-NSC 基準測試揭示 62% 下游可塑性代價
研究者在 SmolLM-135M 上基準測試 WS-NSC,發現它能將遺忘控制在接近零,但要付出明顯的下游可塑性代價。當 ρ=0.90,遺忘率為 -0.390%,下游任務只保留醒置階段所獲增益的 37.7%。當 ρ=0.95,保留的增益進一步降至 24.4%。
研究者在 SmolLM-135M 上基準測試 WS-NSC,發現它能將遺忘控制在接近零,但要付出明顯的下游可塑性代價。當 ρ=0.90,遺忘率為 -0.390%,下游任務只保留醒置階段所獲增益的 37.7%。當 ρ=0.95,保留的增益進一步降至 24.4%。
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。
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。
天津大學與合肥工業大學團隊提出 FAME 多錨點探索方法,研究獲 NeurIPS 2026 接收並入選 Spotlight。FAME 利用 Conditional Flow Matching 生成多個探索目標,再透過路徑規劃、探索模式聚類及分層選擇,為機械人挑選探索路線。
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。
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。
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。
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。
VoxLock 是一款供語音智能體使用的因果式目標説話者提取模型,可利用通話本身截取的語音樣本,無需預先登記。在 Krisp 的 265 段錄音基準中,WER 為 4.95%,未處理音訊為 23.21%;在 400 個 AMI 會議片段中,WER 由 42.95% 降至 10.63%。
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。
螢石發布《立體信任:螢石AI視覺物聯網運營安全白皮書》,提出「2+5+N」立體信任安全防護架構,涵蓋雲端與 AI、五類自研硬件及開放平台生態。白皮書梳理其在設備與雲端、數據與模型、單品與生態等方面的安全建設,並提及多項認證、標準實踐及全球合規工作。
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。
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。
Aether AI 與 UC San Diego 研究團隊提出 RobotAgentBench(RAB),評測機械人在家庭開放場景中的自主能力,並比較獨立 VLA/WAM 策略與不同智能體架構。
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。
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。
Anthropic 的研究顯示,專家在判斷任務中有 86% 的情況會跟隨 AI 助手未明示的偏好。研究測量人類評估者是否會向這種偏好偏移,相關結果引發對醫療、金融及國家安全等領域專業決策的憂慮。
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。
北京大學與 Microsoft Research Asia 開發 MemSteer,將用戶歷史記錄轉化為測試,以最佳化 AI 智能體記憶。在 ATM-Bench 上,MemSteer-Opt 將 BM25 基線的 Question Score 從 54.9 提升至 68.3,使用官方 benchmark QA 時則達 67.3。
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。
Anthropic 於 2026年10月27日發布研究報告,稱其未公開的內部 Claude 研究模型在 Chrome、Safari、Android、Windows 和 Linux 發現並串聯出 5 條可運行攻擊鏈。
Anthropic 表示,未公開的內部 Claude 研究模型發現多個系統漏洞,並串聯成 5 條可執行攻擊鏈。漏洞涉及 Chrome、Safari、Android、Windows 和 Linux;Chrome 相關報告包含 62 個嚴重或高危 CVE,修復隨 Chrome 156 發布。
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。
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。
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。
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%。
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。
研究提出多教師自適應 on-policy 自我蒸餾(MTA-OPSD),讓訓練中的每個 Token 都能在候選教師池中自適應選擇偏好的教師。Qwen3 模型的數學推理實驗顯示,MTA-OPSD 持續優於現有 OPSD 方法,相對基礎模型的平均增益最高達 +5.9。
Mage-VL-Cowork 是一款 4B 混合式電腦操作智能體,經五階段訓練後在 OSWorld-Verified 取得 66.0%,達到同參數規模的最先進表現。Mage-CUA-Forge 合成了 293,806 項桌面及網頁任務,涵蓋 6,915 項技能,並將重複任務開支減少 82.6%。
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。
WorldFlow 是生成式世界模型,透過連續位移 token 與 Mixture-of-Transformers(MoT)骨幹,聯合預測未來影片和 3D 軌跡。在 SpatialCog 評測集上,其 ADE 為 0.060 m,較最強外部基線降低 54.2%;相較僅使用 flow 的變體,ADE 和 FDE 分別降低 55.9% 和 68.5%。
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。
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%。
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。
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。
研究提出兩階段自適應訓練框架,提升多步 GUI 智能體訓練效率,並在 MobileGym 和 CUA-Gym-Hub 將環境互動量減少 56-61%,同時提升任務表現。框架從成功專家軌跡建立可重用中間檢查點,按動作分歧選出訓練位置,再逐步擴大策略的訓練範圍。
Apriel Voice 27B Preview 是一款開放式語音語言模型,在共享推理骨幹中整合語音理解、推理及工具調用,並保留文字和圖像輸入。模型以經後訓練的 Gemma 4 26B-A4B checkpoint 為基礎,透過兩階段訓練及線上蒸餾適配語音。
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。
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。
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。