跳到正文
10月26日週一
  1. HuggingFace Daily Papers(社區熱門論文)40

    預訓練數據的詞彙印記

    研究發現,預訓練語料與基準測試目標的詞彙對齊程度,能持續反映零樣本準確率。涵蓋 10 個零樣本基準、4 個預訓練語料及 3 種模型規模的實驗顯示,較低 UCE 對應較高準確率。按詞彙對齊程度挑選訓練文件可提升準確率,把提示詞路由至語料較匹配的 drafter 則可提升吞吐量。

  2. HuggingFace Daily Papers(社區熱門論文)41

    SOMA:評測細粒度第一人稱行為與身體動作理解的基準

    SOMA 是評測多模態模型細粒度第一人稱身體動作推理能力的基準,涵蓋 1,632 條經人工核驗的問題及身體姿勢、動作動態和時間推理三個能力面向。研究評估 37 個多模態模型,最強的 Qwen3.6-27B 零樣本準確率為 50.0%,低於人類的 68.5%。研究亦提供訓練數據集及多模態基線,以支援相關研究。

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

    長時程 LLM 智能體的多尺度策略最佳化

    多尺度策略最佳化(MPO)透過在回合尺度對齊信用分配與策略更新,改善長時程 LLM 智能體的訓練。MPO 結合多尺度優勢估計(MAE)與回合層級重要性抽樣,在使用 4B 和 30B-A3B 模型進行的搜尋、工具使用及自動化任務實驗中,持續勝過多個強化學習基線。

  4. HuggingFace Daily Papers(社區熱門論文)57

    Outcome RL 帶來甚麼:改善作答完成度與可靠性,解題範圍拓展有限

    研究發現,Outcome RL 在固定 token 預算下提升 pass@1,主要靠提高答案完成率和作答可靠性,而非新增解題知識。研究比較 20 個已發布 RL 模型(1.5B 至 32B)及其基礎思考模型;Outcome RL 未提升大 k 下的 pass@k,四組物理及數學題的 Reach 增益最多為 2.1 個百分點。

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

    Fin-SD 如何提升金融推理:回溯自蒸餾的適用條件

    Fin-SD 透過學生模型自行撰寫錯誤評論,並以截斷至錯誤前的正確推理前綴進行按策略自蒸餾,改善多步金融推理,無須外部教師模型提供梯度。在 FinanceReasoning Hard 子集上,Fin-SD 比基礎模型準確率高 3.03 個百分點;以完整參考解答進行按策略自蒸餾時,準確率相若,但生成的 tokens 少 9.5%。使用 GPT-OSS-120B 撰寫提示,效益亦未見明顯高於自行撰寫。

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

    HaMo:面向長期持續學習的 Harness-Model 協作

    HaMo 提出一種 Harness-Model 協作框架,結合程序經驗卡片的快速檢索與模型的漸進式適應,以提升長期網絡智能體的經驗保留及跨任務執行能力。框架將軌跡提煉成策略級經驗卡片供即時檢索,並以經驗條件式持續學習訓練模型理解和執行策略。實驗顯示,HaMo 在域內及跨域轉移下均優於僅使用 harness 或僅作模型適應的方法,並提升保留與適應表現。

  7. HuggingFace Daily Papers(社區熱門論文)36

    超越估計:Wiener-informed Decoding 讓像素空間 Flow 模型更易訓練

    Wiener-informed Decoding(WiD)將維納統計估計融入像素解碼器,透過統計量初始化新路徑,並與模型一同訓練,以改善像素空間 Flow 模型的學習。WiD 適用於類別條件及文字生成圖像,並支援不同解像度;統計量以約 50,000 張圖像估算,使用 GPU 加速約需一分鐘。

  8. HuggingFace Daily Papers(社區熱門論文)42

    監督可見狀態:在串流影片中分離表徵學習與視角選擇

    研究提出可見狀態監督(ViSS)與測試時因果視角搜尋(TVS),分別改善串流動作識別的表徵學習和證據選擇。ViSS 特別提升幻覺檢測和因果推理,TVS 則有助事件回憶和前向推理。兩者結合後,在 StreamingBench 和 OVO-Bench 上達到所比較已發表系統中的最高報告準確率,處理的影格數僅為窮盡式選擇的一小部分。

  9. HuggingFace Daily Papers(社區熱門論文)53

    Rollback:在世界模型中回溯經驗以改進策略

    論文提出 Rollback,讓世界模型回溯關鍵決策並探索反事實行動,以改善機械人策略。在方塊抽取、拋球和桌上冰壺三項真實任務中,成功率較最強基線分別高出 10.67%、11.11% 和 11.85%。Rollback 以遠低於人類水平的遙操作示範作初始化,並在訓練 8 小時內,於拋球和桌上冰壺的平均成功率超越人類玩家。

  10. HuggingFace Daily Papers(社區熱門論文)41

    SearchHorizonBench:評估 AI 智能體搜尋價值的基準測試

    SearchHorizonBench 評估 AI 智能體如何根據執行歷史估算額外搜尋的價值;歷史校準能提升預測準確度,但未能解釋大部分搜尋收益的差異。基準涵蓋 3,168 條問題的 45,632 次執行;在 1,632 條留出問題上,歷史校準將 Brier 誤差降低 16.2%,但測試中的歷史估算方法對搜尋收益差異的解釋不足 2%。

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

    MoveBench:以評分規準評估大語言模型運動與健康教練能力的基準測試

    MoveBench提出一套專門評估大語言模型在運動與健康教練領域表現的基準測試,重點評估安全性、科學有效性及個人化。研究以 809 條問題及 5,012 項評分規準評估 15 個大語言模型,發現模型表現差異明顯,尤其體現在安全意識、訓練計劃設計及個人化能力。MoveBench提供開放資源及可重現的評估框架。

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

    語言模型有否使用外部資訊?CREDIT 反事實訓練提升自我歸因能力

    CREDIT 透過反事實訓練改善語言模型對外部資訊的自我歸因,減少模型錯誤承認未影響答案的資訊來源。該方法以反事實標籤直接監督最終答案,無需人工標註,並在四個開源模型(包括兩個蒸餾推理模型)上提升歸因表現,優於推理層微調及提示詞基線。提升效果亦部分泛化至未見資訊類型,以及包含支持相互矛盾答案來源的提示詞。

  13. HuggingFace Daily Papers(社區熱門論文)42

    MatAnyone-E:以稀疏記憶傳播提升高解像度影片摳圖效率

    MatAnyone-E 透過只對不確定區域進行高解像度匹配,並採用輕量解碼器,在維持與 MatAnyone 2 相若的摳圖品質下提升推理速度。在 4K 下,推理速度估計提升 7.4 倍,峯值 GPU 記憶體用量降至 MatAnyone 2 的 7.6%。使用單張 NVIDIA H200 GPU 並啟用編譯推理時,1080p 達 73.07 FPS,4K 達 28.62 FPS。

  14. HuggingFace Daily Papers(社區熱門論文)39

    GPT-4o mini 指令容量:可控負載下語言模型的行為與退化

    研究以無語義的逐詞替換規則作為負載,測試 GPT-4o mini 的指令容量及在可控負載下的退化,考察文本長度、答案中的詞語位置、替換密度、規則數量和規則排序位置。規則數量與品質呈對數線性關係,替換密度符合飽和定律,規則位置符合冪律;文本長度與答案中的詞語位置則互相制約。研究據此建立模型「護照」,其中的數值均可根據已發布數據重新計算。

  15. HuggingFace Daily Papers(社區熱門論文)36

    DTCA:為擴散語言模型強化學習進行去噪 token 信用分配

    DTCA 透過衡量 token 提交後其餘遮罩位置的預測信心改善,估算 token 貢獻,並按詞性分類訊號,為擴散語言模型的強化學習進行 token 級信用分配。DTCA 亦按策略更新引起的 token 級熵變化校準學習訊號;在 LLaDA-8B-Instruct 上,MATH500 分數最高提升 9.0 分,GSM8K 最高提升 5.3 分。

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

    Omni-InteractScope:評測連續全模態串流中的主動與智能體互動能力

    Omni-InteractScope 是一項評測 Omni-LLMs 在連續影音串流中互動可靠性的基準,涵蓋 1,479 個人工標註互動、1,790 個時間目標及八組任務。測試的 12 個模型中,工具調用的準時首答比例均不超過 40%,時間與工具聯合準確率最高為 32.0%;提醒召回率不超過 23.0%。9 個模型未能完整覆蓋任何一段指引序列。

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

    OmniShowcase:以多視角圖像實現全向、主體一致的影片生成

    OmniShowcase透過幾何驅動的訓練資料及表面法線圖條件,提升多視角影片生成的主體身份一致性與 3D 一致性。研究構建 Showcase-4K,涵蓋 12 種鏡頭運動及 88 種軌跡配置,並建立 ShowcaseBench 作為評估集。實驗顯示,方法在保持具競爭力的影片品質及動態表現下,達到最先進的主體身份與 3D 一致性。

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

    CEPO:改善多智能體系統提示詞優化的通用框架

    CEPO(Coordinator-Executor Prompt Optimization)透過分離共享協調與智能體專屬執行,改善多智能體系統的提示詞優化。涵蓋四個領域的 11 項基準測試顯示,將 CEPO 用於四種現有提示詞優化器均能提升表現;文件理解多智能體系統的受控研究亦顯示,其優化預算效率及隨智能體數量增加的表現均有改善。

10月25日週日
  1. 新浪科技71

    Pinal以自然語言功能描述生成蛋白質結構並設計候選序列

    研究團隊提出蛋白質設計模型 Pinal,將自然語言功能描述轉為蛋白質結構,再據此設計候選氨基酸序列。團隊以17億組蛋白質—文本配對、涵蓋約1.35億條蛋白質序列的數據集訓練出160億參數模型,並對四類蛋白質進行實驗驗證;其中設計的 pinalH02 令甘氨酸濃度達11.1毫摩爾每升,為天然大腸桿菌H蛋白組件的1.7倍。

  2. 新浪科技75

    哈佛等機構團隊提出 RAX 機器人在線探索方法,五大仿真基準平均領先 37.4 個百分點

    哈佛大學、英偉達、加州大學伯克利分校、MIT 和斯坦福大學研究團隊提出 RAX,讓機器人透過在線探索累積經驗,並將成功決策寫成可複用的控制程序。模型參數保持凍結,RAX 在 RoboDojo、BEHAVIOR-1K、HumanoidArena、DexJoCo 和 LIBERO-Pro 五大仿真基準上,較此前最強 SOTA 模型平均領先 37.4 個百分點。

  3. 新浪科技55

    研究指使用AI撰寫論文摘要的博士畢業生較少進入學術界

    一份研究分析逾22.6萬名美國STEM博士畢業生的論文摘要,發現在美國完成本科的畢業生中,使用AI撰寫摘要者進入學術界的可能性低17%,進入產業界的可能性高16%。AI生成摘要比例由2023年的1.7%升至2025年的18.8%,並在2026年前5個月達29.4%。研究未能確定AI輔助寫作是否損害畢業生的研究能力,也無法解釋這種就業關聯;論文尚未經同行評審。

  4. Hacker News 熱門(buzzing.cc 中文翻譯)45

    EPFL 的 LogSync 神經晶片解讀大腦各區域間的互動

    EPFL 研究人員研發可植入神經晶片 LogSync,追蹤大腦不同區域間的訊號交流,並即時辨識認知及情緒狀態。晶片以低於 200 microwatts 的功耗處理神經訊號;研究人員以人類腦部錄音評估狀態辨識,並在大鼠實驗中測試刺激觸發。

  5. Hacker News 熱門(buzzing.cc 中文翻譯)67

    GVS5H 研究顯示編排後 Qwen3.8-27B pass@1 升至 92.4%

    GVS5H 提出一種免訓練的零樣本自我編排方法,讓同一模型的多個新實例透過共享檔案系統分解問題並協作解題。在 11 款開放及封閉權重模型的 100 道最新高難度 LiveCodeBench 題目上,該方法在固定後端帶來最高 25.6 個百分點提升;本地部署的開放權重 Qwen3.8-27B pass@1 由 66.8% 升至 92.4%,但部分模型沒有改善或表現變差。

  6. 新浪科技48

    人大等團隊開源 TabClustPFN,讓表格聚類開箱即用

    中國人民大學等機構的研究團隊提出並開源 TabClustPFN,以預訓練後的一次前向推斷,從無標籤表格預測樣本分組及簇數。模型為 2 到 10 類的候選簇數提供概率;在 3,200 個未參與訓練的合成數據集上,95% 累計概率候選集合的真實簇數覆蓋率為 96.8%。團隊亦在 44 個真實數據集上評估模型,簇數估計誤差中位數為 1。

  7. DEV Community34

    PyPI 熱門套件標示非英語的比例較低,長尾套件則較高

    PyPI 調查發現,在有標示語言的套件中,長尾套件列出至少一種非英語的比例為 7.7%,高於熱門套件的 2.4%,與熱門套件較國際化的預期相反。熱門套件標示語言的比例較高,為 12.7%,但其 61 種語言集中在少數套件;長尾則只有 9 種。非英語套件數量有限,結果反映方向而非精確效應。

  8. DEV Community44

    實體 AI 系統設計:永不向 DCS 寫入的蒸汽渦輪狀態監測架構

    CodeNinja Praxis 設計的實體 AI 參考架構用於蒸汽渦輪狀態監測,透過硬件單向輸出讀取 DCS,沒有返回控制網絡的路徑。MOMENT-1 用於零樣本異常檢測,IBM Granite 4.2 8B 草擬診斷筆記及測試報告,兩者在廠區內一張 48 GB PCIe 推理卡上運行。設計設定每週 2 次誤報上限,三年場地成本估算為 21,600 至 23,400 美元。

  9. The HKU Lead 港大新聞 · AI 研究及應用33

    港大牽頭國際研究勾畫 AI 精神健康護理全面路線圖

    港大社會科學學院研究人員與多國專家發布 AI 及新興科技應用於精神健康領域的路線圖,提出結合腦部指標、臨牀症狀、個人生活經歷及社會背景,支援個人化治療。現有證據不支持以 AI 取代人類治療,或依賴自主系統處理高風險情況。相關技術仍處於早期階段,須接受嚴謹、以人為本的評估。

  10. DEV Community34

    熱門 PyPI 套件依賴「OS Independent」嗎?不是:長尾比例更高(81% vs 72%),熱門套件會列出實際平台

    PyPI 下載量最高的 3,000 個項目中,列出作業系統分類的項目較常標示具體平台,而不是隻用「OS Independent」。在有列出分類的項目中,長尾有 80.8% 標示「OS Independent」,高於熱門項目的 71.9%;熱門項目列出多個作業系統的比例則為 28.3%,長尾為 10.5%。分類由項目自行申報,不能證明套件實際具備跨平台或純 Python 特性。