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%。
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%。
MIT 趙選賀團隊研發互穿瓶刷狀彈性體 IP-BBE-PEG,無需依賴液體成分,完全乾燥後仍可支援超聲成像。材料自然乾燥第 9 天仍能成像,並在約 30 分鐘戶外騎行測試中持續取得清晰的頸動脈血流圖像;目前仍處於研究階段。
Google 研究人員提出可自我改進的 Harness,讓優化模型逐一修改執行框架模組並以驗證集篩選,將 SWE-bench Lite 任務成功率由 5.0% 提升至 40.0%。
Google 研究人員提出可自我改進的 Harness 架構,AI 智能體在 SWE-bench Lite 的任務成功率由 5.0% 升至 40.0%。每輪只修改一個模組,並透過驗證決定是否保留;模組化方案平均每項任務消耗約 4.67 萬 Token,整體重寫雖達 42.5%,但消耗約 45.16 萬 Token。
三項預先註冊測試顯示,座頭鯨歌聲中超出二階馬可夫鏈的結構,移除重複後便不再顯現。把連續重複的片段合併為一次後,歌聲元素減少 63%,二階鏈則減少 50%;在全部 8 年的數據中,回看 3 至 5 個元素的預測表現均不及回看 2 個。測試在同等規模的英文樣本中 5 次均檢出詞語結構。
MIT 與 Dana-Farber Cancer Institute 的研究團隊使用大語言模型檢視近 4,000 篇臨牀預測研究及數百個相關程式碼庫,發現程式碼分享並不普遍,公開程式碼亦未必附有足夠文件和支援資料供重用。只有約八分之一研究報告分享程式碼;不同期刊的分享比例由零至逾 70% 不等。這些結果正為制定中的 TRIPOD-Code 報告指引提供依據,指引旨在釐清研究者應分享的內容。
Meta FAIR 推出 Self-Improving Memory,讓 AI 智能體自行發現記憶提示詞,再透過微調把相關技能寫入模型權重。這種方法在 3 項 Continual Learning Bench 任務的平均分為 56.0,高於最佳人工編寫方案的 44.6;Codebase 任務取得 64.3 分,領先 20.6 分。
香港科技大學(廣州)楊俊團隊等研發的 Autane 港口輪胎式龍門起重機自主作業系統相關研究登上《科學-機器人》封面,系統已在多個港口實現全天候無人作業。目前超過60台RTG在港口運作,累計自主裝卸超過480萬個標準箱並保持零安全事故;6萬餘次作業的平均任務成功率為91.23%,平均效率為25.93箱次/小時。
一項以111名營銷營運專業人士為樣本的調查發現,AI已普遍用於個人型工作,但涉及業務系統和多步驟流程的工作,採用率明顯較低。創意生成、首稿撰寫和寫作優化的採用率均為82%,連接業務系統的工作則為29%;Claude以56次提及排名第一。調查指出,分散的企業上下文和知識限制了AI在實際工作流程中的應用。
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。
Google Quantum AI 在最多 105 個量子位元的超導量子處理器上測試量子情境性,相關論文登上《Science》封面。Mermin-Peres 魔方遊戲中,量子位元勝率為 98.3%,古典策略最高為 88.9%;論文指出,研究並未無條件證明量子電腦一般而言勝過古典電腦。
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。
Mozilla 根據近 25 million 名 Firefox 正式版用戶的遙測數據研究瀏覽器指紋識別,發現少數高影響訊號已能識別大部分被判定為獨特的用戶。
Stanford HAI 與 RegLab 研究人員分析四個美國縣法院的申訴文件,發現 2026 年加州 Santa Clara 和 San Francisco 的非債務追收案件中,AI 使用比例分別升至 38% 和 36%。
George Washington University 與 American University 的研究發現,美國黑人佔多數社區設有資料中心的勝算,是同州白人社區的2.2倍。
MIT研究團隊估算,數據中心用電需求帶來的額外空氣污染在2023年導致美國約650宗過早死亡,其中513宗與PM2.5有關、137宗與煙霧有關。人均過早死亡率估算最高的州份包括愛荷華州、內華達州、南達科他州和堪薩斯州,主要用電需求則集中在弗吉尼亞州和德克薩斯州;研究將差異連繫至電網互聯、發電機組排放和大氣條件。
Stanford/Oxford 研究以 308 道醫療題目測試 GPT-4o、Claude Sonnet 5 和 Qwen3.7-Plus,發現醫生資歷、權威背景及反覆施壓都能改變模型診斷。
OpenAI 一項 28 人快速調查顯示,27 人偏好最新內部模型而非中階工程師;另一項調查中,研究員的中位回答是,寧願放棄團隊 40% 人手或 30% 算力,也不願三個月沒有現用編碼智能體。
WaveView 將扭曲後的來源影像注入預訓練生成器初始雜訊的相位,以生成新視角,並保留原有架構、只增加極少額外開銷。在 DL3DV 基準的所有重疊區間均勝過基線;最困難區間中,模型在共視區域的 PSNR 比 MetaView 高 0.84 dB,速度快 2.1 倍。以相同雜訊微調 AnyView,令其在 AnyViewBench 的零樣本 PSNR 從 11.58 提升至 12.35 dB。
IEA《World Energy Outlook 2026》的既定政策情境顯示,AI相關投資有助全球數據中心用電量於2030年翻倍至1,000 terawatt-hours。報告明言所有情境均非預測;相關情境下,數據中心容量到2035年將接近現時三倍,電網、供應鏈及部分地區的公眾接受度均是擴張限制因素。
AVTR 結合生成式視覺反思與文字推理,並按輸入內容學習選擇推理方式,以適應不同的感知與推理需求。在 16 項基準測試中,AVTR 較 Qwen3.5 基線平均提升 4.5 分,同時將推理延遲降低 33%。擴展至較小規模的骨幹模型時,AVTR 亦勝過受評估的 2B 規模基線。
CurvDelta 和 CurvLoRA 將大語言模型更新限制在低曲率保留空間,以提升一般能力保留度,同時維持目標適應效果。兩者以數學推理、程式碼生成及知識遺忘任務作評估;在 TOFU 和 MUSE 上,方法在目標遺忘與知識保留之間取得較佳平衡,保留表現接近從頭重新訓練的參考結果。
論文提出 AnyS1,將人手編寫的程序化技能轉換為共享決策點,以小型校準指針模型處理常規選擇,信心不足時則回退至大型模型。AnyS1 從超過 1,000 項公開技能挖掘決策點,並訓練單一校準 4B 指針 System-1。
多模態決策模型系列 Piccolo(0.8B 至 27B)透過智能體數據工程及遞歸自我改進,協同演化模型能力與訓練數據。
HINT-WAM 提出一種用於世界動作模型的 on-policy 自蒸餾框架,利用示範影片中的未來畫面作為後見資訊,為模型自身生成的動作軌跡提供訓練目標。框架以 energy score 蒸餾教師模型的動作分佈,無需環境獎勵或模擬器互動。
PReMind 提出兩階段強化學習框架,訓練個人化視覺語言助理結合視覺危險證據與用戶記憶,作出合適回應。PReMind-Bench 評估記憶提取、視覺根據、拒答及危險應對,並測試各項能力的聯合表現。4B 版本在相互依存測試集的聯合成功率由基礎模型的 12.9% 提升至 28.6%。
WorldRuler提出基於規則圖的生成式世界模型,可在儲存及載入時保留用戶定義的規則與世界狀態,並準確呈現規則對指定物件及屬性造成的視覺變化。研究以 GTA-V 和 Habitat 建立 RuleVerse 數據集,並透過動態物件綁定、屬性狀態替換及反事實重建訓練,提升規則執行與影片生成的一致性。
PIPETTE 是一套提示詞注入紫隊測試框架,透過字典學習和在策略對抗訓練,將紅隊測試發現的攻擊轉化為對 LLM 智能體的防禦提升。它在 AgentDojo 和 ASB 評測中,令防禦模型在靜態攻擊下的攻擊成功率接近零,並能抵禦強適應性攻擊,同時維持接近未設防基線的正常任務效用。
UltraTex 提出級聯多視角框架,結合物理知識與視覺語言模型特徵,從單張參考圖像為 3D 網格生成符合物理特性的 PBR 紋理貼圖。框架先聯合預測反照率與世界空間着色法線,再根據生成的反照率、參考圖像及材質語義先驗預測金屬度與粗糙度貼圖。實驗顯示,UltraTex 在視覺保真度、材質準確度及物理合理性方面勝過現有開源和商業方法。
Movie2Game-Bench(M2G-bench)提出一套評估電影改編遊戲的基準,結合一般評估、電影特定評估及三個 GUI 模型玩家的測試,衡量可玩性以外的改編品質。基準涵蓋22部電影及658項來源特定參考項目,並以相同電影評估14個模型;所有模型在可玩序列的內容呈現平均為37.9/100,低於標誌性元素的54.8。
LLM 迭代分析生成影片並要求修正,可提升影片的物理合理性,無須重新訓練影片生成器。PhysLoop 在 PhysLoop-Gen benchmark 的任務成功率為 85%,高於 Seedance 2.5 的 73%;修復有缺陷影片的成功率則為 86.00%,高於獨立基線的 19.33%。其視覺真實感評分為 3.72,低於 Seedance 2.5 的 4.29。
研究提出 Chiron,一個由大型語言模型微調而成的基礎模型,用於測量和預測人類行為,並使模擬人口回應分佈與人類統計數據對齊。訓練及評估資料涵蓋 36 個行為領域、78 項社會科學實驗、288,307 筆個人紀錄、1,411,750 項原子行為決策,以及涵蓋 109 個心理構唸的 99,953 項心理測量評估。
ECA 為搜尋增強語言模型提出循證信用分配方法,以檢索文件對參考答案似然的提升作為僅用於訓練的輔助訊號。
DrawScore 透過工程圖投影評估自動生成的 CAD 模型,利用飽和懲罰衡量投影曲線上的誤差,令局部錯誤的權重僅按線性幅度衰減。相較於體積或表面指標,它能揭示 IoU 評為近乎完美的輸出中的錯誤,並可用作強化學習獎勵;從工程圖生成 CAD 時,亦可在沒有 3D ground truth 或額外獎勵模型的情況下作為測試時驗證器。
RoughCut-Bench 為大型視覺語言模型自動影片粗剪建立基準,並提出引導模型生成結構化剪輯計劃的智能體工作流程。基準涵蓋 101 個視覺案例(831 段原始影片、1,476 個精彩片段標註)及 84 個語音案例;評測顯示,現有模型仍難以產生符合專家剪輯計劃的結果。
研究提出循環語言模型的延遲進入策略,讓新 token 跳過初始 passes,直接進入最後 K 個 passes,利用深層上下文 cache 加快推理。在 Ouro-2.6B(T = 4)上,Wake 於 tau = 0 達到 5.2x greedy-exact 加速;在 Huginn-3.5B 上,T = 64 時達到 8.4x。
新加坡國立大學與南京郵電大學團隊於11月19日在 Nature 發表 NeuroAxis 研究,裝置以葡萄糖供電,並按血糖水平觸發迷走神經刺激。在一型及二型糖尿病大鼠模型中,裝置改善血糖及相關代謝指標;三個月植入測試未見主要器官明顯炎症或壞死。文章指出,臨牀應用前仍需調整裝置尺寸與輸出功率,並確認材料的長期穩定性。
OpenAI 公佈 AI 模型輔助晶片設計的研究進展,模型已用於自研推理晶片 Jalapeño,以及 AMD 下一代 GPU、CPU 的設計優化。
Game2Player 提出協同開發遊戲環境與玩家的框架,大規模收集多元且可驗證的遊戲體驗。團隊建成568款經驗證的網頁遊戲、3,436項任務,收集15.7K條軌跡(307小時遊戲時間),並保留50款遊戲作為 PlayerBench。
Jeveration 將凍結的視覺語言模型改作生成模型,讓 System One 模型以單次前向傳播生成連貫圖像,並支援圖像轉圖像及密集預測。模型生成 512x512 圖像需時 78 ms,速度最高比現有統一模型快 122x。實驗顯示,其圖像質素及密集預測效能具競爭力。