11 月 21 日凌晨,本期收录了视频广告本地化、实时语音以及在线推理服务评测的新进展。数学部分核对了 Alpöge 个人发布的说明,并区分证明主张与独立验证。
已核实动态
-
ElevenLabs 的 Ads Engine 可替换广告开场,并同步翻译配音和字幕:广告团队可以从已投放的视频生成多个开场或配乐版本,再按目标语言处理配音、口型和画面里的字幕。
-
Together AI 上线 Qwen3 TTS,报告流式首段音频最快 97 毫秒:开发者可在十种语言间沿用同一音色,并按输入是否完整选择 HTTP 流或 WebSocket。
-
MLCommons 说明如何测试在线 AI 接口,区分临时结果与同行核验:MLPerf Endpoints v1.0 用多档实测负载呈现完整服务的表现。11 月 20 日的说明列出了提交、自动检查和同行复核之间的区别。
-
华为在新加坡金融科技节展示 Fintelligent AI 的客户与员工智能体架构:华为在金融科技节说明,银行可分别为客户、员工设置智能体入口,再调用信贷、营销和风控等专业能力。
-
Alpöge 称与 Claude 找到黎曼猜想证明,结果仍待独立核验:数学家 Levent Alpöge 在个人网站公布说明,称已和 Claude 找到并形式化证明。公开声明和数学结论的验证处于不同阶段。
-
Vorflux 在旧金山用免费乘车活动展示车内语音智能体:活动把车内语音智能体、叫车应用和网页试乘放在一起。真实用车请求要等司机接单,网页也可以单独体验。
-
同一句话哪里读重音?语音模型达到 84.7%,纯文本最高 68.8%:研究团队让多种模型判断英语朗读中每个词的重音等级,分别测量从文字能预测什么、从声音又能多知道什么。
-
G-MTP 为 Gemma 4 精简草稿生成,手机 GPU 实测最高加速 2.2 倍:G-MTP 复用主模型的中间状态和缓存,减少起草后续词元所需的计算。服务器与手机的最高加速来自不同测试。
-
图像描述少出错,是识别更准还是说得更少?一项研究拆开测量:研究团队先把基座模型的描述截短到相同物体召回率,再检验偏好训练的剩余收益,以及简单筛选器能复现多少。
-
把跨模型核查做成固定流程,自动放行的答案仍会出错:Anchor and Check 先固定主模型答案,再用另一提示或另一模型复核。6,000 道题的实验同时测量能自动处理多少,以及会放过多少原始错误。
配图为 GETAI 原创 AI 主题插画。
凌晨续报 · 代码审查与模型评测
-
greatai Review 为开源维护者提供分阶段代码审查,可邀请人工复核:作者在 Product Hunt 展示工具,区分快速摘要、维护者发起的团队审查,以及可选的人工评审;每日完整审查有名额限制。
-
HALTT 对照历史和现代语料,追踪同一词语并存的普通与贬损含义:研究团队从超过两万个候选中保留 19 个多义词,给不同年代和具体语境分别标注词义,用于评估仇恨言论识别。
-
EvoMem 给长视频证据标上时间,再决定下一段该看哪里:系统把多种视频线索对齐到同一时间轴。作者在四个长视频问答基准上报告平均准确率 60.1%。
-
Meta-RTL 用综合反馈改进电路优化流程,在未见设计上检验迁移:研究保持模型、电子设计自动化流程和单个设计的预算相同,让系统改进搜索程序,再比较时序违例和综合面积。
-
扩散语言模型该去噪多少次?TCDA 按任务校准计算预算:研究在校准样本上比较一组候选计算计划,达到质量和退化检验才启用较便宜的方案,否则沿用完整计划。
-
声音在哪一秒出现?研究用注意力信号修正音频模型的时间戳:无须再训练模型,研究者保留模型对声音是否存在的判断,只调整候选时间段的评分,再与真实事件区间比较。
-
模型在第几层确定一个词,与人读这个词的时长有关:使用八套英语阅读数据对照十个语言模型,研究在控制最终预测难度后,发现模型逐层形成判断的过程仍提供少量额外信息。
凌晨续报 · 核心网、机器触觉与产业持股
-
华为发布下一代核心网白皮书,提出让智能体向网络表达任务需求:华为在曼谷给出下一代移动核心网的目标架构。它把任务意图、算力调度和端网时延放进同一套设计。
-
Preload 把第一视角视频、手套触觉和肌电对齐,采集机器人训练数据:Preload 的穿戴设备同时记录人的视野、手部接触压力和肌肉活动。团队称已在非手术场景采集超过 350 小时数据。
-
DeepSeek 持股平台的券商股东浮现,两家媒体梳理出至少九家:《每日经济新闻》与《中国基金报》梳理券商参投路径。中信证券投资持有平台 7.6522% 的份额,折算为 DeepSeek 约 1.32% 的间接权益。
-
食物重量翻倍,模型估算的热量跟得上吗?七款模型均低于等比例增长:研究用 168 种食物的九档重量测试七款开放权重模型。部分模型对小份的估值过高,对大份的估值过低。
-
CoLiR 挑选值得重练的旧题,测试视觉语言模型学新任务后能保留多少旧能力:CoLiR 比较微调前后正确与错误答案的概率变化,把有限的回放空间留给对既有能力影响较大的题目。
-
Xing-Audio 在转写语句中标出呼吸等非语言声音,四项测试覆盖六类发声:团队用约 80 万条语音训练 17 亿参数识别器,让口语转写保留非语言发声标签。
-
同样五条求助线索分散在多轮对话中,六款助手的回应出现差距:研究把相同线索集中呈现或分散在 21 轮日常对话中,用社区支持人员预先制定的标准评价六款助手。
-
Complete-SVD 用模型最终输出选择低秩近似,比较压缩后的跨语料误差:作者比较了两种压缩目标,并观察到校准语料、跨语料困惑度和指令遵循表现并不总是同步改善。
凌晨续报 · 机器人融资与电子表格研究
-
杭州资本独家投资原力无限 Pre-B 轮,资金投向具身大脑 AtomBrain:原力无限披露数千万元人民币 Pre-B 轮融资。硬氪采访了创始人白惠源,讨论机器人从单项演示走向真实工作流程的难点。
-
SheetAlign 让表格智能体先看工作簿,再按执行结果挑选修改方案:同一个表格任务可生成几种修改程序。SheetAlign 比较执行后的工作簿状态,在作者测试中取得 32.8% 的平均准确率。
凌晨续报 · 智能眼镜价格与模型评审
-
Meta 扩大 Nova 智能眼镜折扣范围,美国起价降至 254.15 美元:11 月 20 日起,Meta 将 Nova 等眼镜列入美国、加拿大和澳大利亚的公开折扣活动。美国商店列出的 Nova 起价由 299 美元降至 254.15 美元。
-
AltRA-Test 检验模型能否替代一名标注员,允许每道题由不同的人评分:研究用配对抽样比较全人工与人机混合评审组。在 20 个数据集的真实数据实验中,模型约在半数设置下通过检验。
凌晨续报 · 算力交易、协作应用与研究
-
Watch Duty 用 Gemini 辅助监听山火电台,警报仍由志愿者核实:Google 披露了一次真实火情中的使用记录。工具在 30 秒内标记了消防调度通话,把原始音频和文字交给志愿者复核。
-
特朗普称拟对美企海外建设数据中心征税,税率和生效时间未公布:美国总统在白宫谈到限制企业把数据中心建在海外。公开讲话尚未给出税率、征收对象的法律定义或实施日期。
-
ChatGPT Space 向成年 Plus 用户开放,共享页面需登录并获授权:OpenAI 开始在全球向年满 18 岁的 Plus 用户推出 Space,可与获授权的协作者编辑页面和演示文稿,并设置自动更新。
-
Higgsfield 按成片时长销售视频额度,购买后 72 小时到期:限时商店把视频额度分为 120、240 和 600 秒三档。每份额度绑定一种模型和分辨率,使用时按生成片段的长度扣减。
-
数学家公开 AI 辅助的流体奇性证明草稿,关键计算证书待补:Alpöge 与 Buckmaster 公布一份有关三维无外力 Navier–Stokes 方程的证明草稿和 Lean 工程。作者说明,计算证书及相应核验程序尚未随仓库公开。
-
太空数据中心遇到融资难题:放贷方如何收回在轨芯片?:据报道,参与 SpaceX 芯片融资的放贷方希望限制设备用于轨道数据中心。TechCrunch 指出,难以收回和转售在轨芯片,会改变抵押物的价值。
-
Compute Exchange 将拍卖八卡 GPU 节点的一年使用权:平台计划 12 月 2 日在 GTC DC 期间组织线上双边竞价,标的是美国数据中心的 B200 或 B300 节点,拟从 2027 年 4 月起交付。
-
Google 员工请愿,要求学校关闭 Gemini 后仍可使用搜索:Alphabet Workers Union 公开请愿,反对把学校账户的搜索权限与启用 Gemini 绑定。记者采访了签署请愿的工程师。
-
Anthropic 首个完整交易日午盘下跌,股价回到发行价附近:Axios 报道,美东时间 11 月 20 日午间,Anthropic 股价较上一交易日下跌约 13.5%,报每股略高于 84 美元。发行价为 83 美元。
-
亚马逊披露大学服务器安全事件,MONAI Label 维护者已发布公告:亚马逊称在威胁情报调查中发现一起涉及医疗影像标注软件的事件,并通知维护者。项目安全公告将 monailabel 0.8.5 及以下版本列为受影响。
-
工程师用编程智能体优化 FPGA 推理,报告吞吐量升至每秒 213 个词元:Ankit Gupta 把一个语言模型放上可重新配置的 FPGA,随后用智能体反复改进实现。约 33 倍的提升,是相对他自己最初跑通的完整模型版本。
-
替换一个专家后谁会接手?研究补上混合专家模型的路由误差:一项研究把后续层更换专家的影响加入预测。在三组问答基准上,作者报告 Qwen3.6 与 Gemma 4 的答案分数变化预测误差分别减少 60% 和 47%。
-
答案相同,只换评分区间,大模型裁判的打分也会变:研究固定待评答案、评判标准和裁判模型,仅改变计分区间及刻度,观察归一化后的评分是否仍然一致。
-
正确尝试太少时,强化学习能否学会新策略?:研究在规则已知的益智环境中训练小模型。哪些训练能够成功,与正确动作在多少组尝试中胜出有关。
-
人可以先动手,机器人再分工:14 人实验测试协作调整:团队用语言模型读取使用者表达的偏好,再观察手与物体的互动,为机器人重新安排工作。
-
Autodesk 把浏览会话编码进推荐召回,先改变候选内容:研究介绍一套在 Autodesk 网站运行的推荐系统。语言模型生成的兴趣表示加入召回端,并通过异步更新跟上近期浏览行为。
-
从一张稻株照片预测数周后的生长阶段,AgroWM 先推算再画图:AgroWM 结合品种、视角与预测间隔生成未来外观。在水稻测试中,54.6% 的预测匹配到目标生长阶段。
-
MultiBinder 先把角色对准参考图,减少多主体视频中的特征串位:在生成视频之前,系统分别绑定主体名称和视觉特征,再把各自的动作放进场景描述。
-
FrontierOR 挑战赛公布规则,让智能体为运筹问题设计算法:首阶段从 180 道已审核问题中放出 60 道,每周 15 道。比赛区分统一隔离环境与自有硬件两个赛道。
凌晨续报 · 开源工具版本与研究进展
-
OpenMotion 0.2.0 加入声音工作室,试听结果可直接送进创作项目:新版把声音试听、图像和多镜头视频纳入同一个可编辑项目。
-
last30days 4.4.0 收紧研究资料的读取和保存范围:维护者修正公开仓库取证范围、本地保存开关与定时观察结果的处理。
-
LoopForge 发布 0.4.1 首个候选版,可按单次任务核对用量:候选版同时更新任务用量面板、仓库上下文刷新及会话模型记录。
-
Open Code Review 1.13.13 将排行榜连到 AACR-Bench:项目同步修复上下文压缩预算和认证回调,新增当前分支审查示例。
-
Plannotator 0.29.1 支持从拉取请求直接发起审阅讨论:Inbox 增加 Rex 标签页、项目标签和可选的并排讨论视图。
-
Magpie 更新 Claude Desktop 集成,子代理可继承主代理模型:这次调整影响未单独指定模型的子任务,适用于项目的 Claude Desktop 集成。
-
Recharge AI-task 发布 1.0,可在配额恢复后接续中断任务:首个公开版支持跨多种命令行工具观察配额恢复,提供 Linux 和 Windows 软件包。
-
Coral 1.10.0 可报告部署版本及各项企业功能状态:智能体网关新增部署功能报告,并调整实例收尾时的运行数据流处理。
-
匿名文本能否被认出?一项新研究测量模型对公开写作的识别能力:研究在公开评审文本中观察到作者被识别的风险,也记录了明显的误判。
-
TwinLab-Bench 用真实实验记录,评估 AI 能否自行设计实验:52 道任务让模型自己选择实验,并用真实记录核对最终报告。
-
STAGE 跨帖子关联灾害报告,在野火和飓风数据上出现迁移差异:在两组灾害数据中,跨帖子训练提高了识别表现,跨灾种使用仍受限制。
-
dLoop 为扩散语言模型增加内部循环,研究比较准确率与推理开销:研究比较重复内部计算带来的准确率变化,并将额外循环计入吞吐量。
-
QOC 微调研究将问题、选项和评判标准写入模型决策过程:研究分别检查决策过程内部的一致性和最后答复的质量,观察到明显的规模差异。
-
byob 0.3.10 推出实验性工作台,可调整 AI 对话面板布局:实验性 Cockpit 支持生成背景、重新排列面板,并可测试当前连接的模型。
-
ffmpeg-skill 4.2.1 修正半帧取整,使剪辑清单与输出时间码一致:版本公告给出 25 帧每秒下的具体差异,同时修正了拼接素材时的时长判断。
凌晨续报 · 穿戴设备实测与研究方法
-
实测 Apple Watch 的 Siri Recap:能找回采访要点,也会混淆视频和现实:记者用测试版记录采访后找回了话题线索,也碰到手表把视频里的人和事当作身边经历。
-
报道指 Meta 考虑为 Muse Charm 定价 300 美元,公司回应尚未公布价格:The Information 报道了这款随身 AI 设备的拟议价格。Meta 向 TechCrunch 回应时表示,更多信息将稍后公布。
-
论文逐条比对审稿意见,发现同篇投稿收到的批评更趋相似:研究把审稿意见拆成具体问题,比较不同评审找出同一个问题的比例,并检验只看相似措辞会漏掉什么。
-
BADAS-3.0 研究用单个前视摄像头预测行驶轨迹:研究模型从两秒视频预测速度、行驶路径、碰撞风险和六种未来轨迹,作者另用开放环路数据检查其局限。
-
DailySafe 用多轮对话和连续图片评估日常 AI 助手:195 组交互让风险线索随图片和对话逐步出现,用来考察模型能否记住较早的上下文。
-
Client Exits 原型让客户端决定如何展示模型的补充信息:模型生成预先约定的标记,客户端可选择把补充内容做成图形、文字或语音。论文用修改过的 LibreChat 验证这一做法。
凌晨续报 · 本地学习工具与四项研究
-
LarpLess 0.2.1 更新学习记录面板,截图处理改为不落盘:这款本地学习计时工具在新版本中调整了历史统计,并收紧截图保存和网络请求行为。
-
多语言混合语音分离研究加入语义线索,改善目标语言提取:实验在 CommonVoiceMix 上比较只利用声学信息的方法和加入目标语言语义表示的方法。
-
OceanCoder 用三层校验评估海洋工程仿真模型:研究将参数、仿真执行和输出合理性纳入检验,用工程任务是否做对来训练代码生成模型。
-
ClosureBench 检验模型面对缺失信息时能否遵守题设:同一个场景只改变对缺失信息的处理规则,研究者据此检验模型会不会跟着切换判断。
-
孟加拉语评测 Alikbachan 显示,换一组样本能改变幻觉检测排名:研究在两个阶段分别评估孟加拉语回答的错误识别能力,并检查人工标注、自动评审和竞赛结果。
凌晨续报 · 开发工具版本复核
-
Signet 0.1.74 支持把旧 JSON 注册表中的候选词条提升到 OWL:Signet 更新了智能体治理注册表的一项迁移操作,允许在旧 JSON 与人工编写的 OWL 格式之间单向提升候选词条。
-
rust-anything 2.1.0 增加 Kotlin 与 Android 迁移验证:工具可为智能体或开发者迁移到 Rust 的代码记录原有行为,并在 Android 设备上回放比较。
-
SoduWork 1.13.19 修复工作区启动和 OpenCode 会话恢复:客户端及 Hub 更新覆盖启动停滞提示、运行环境发现和私有会话存储。
-
cypher-mcp 0.4.1 加入独立命令行,可直接查询嵌入式知识图谱:同一套基于 SQLite 的图谱工具可以通过 MCP 给智能体使用,也可由开发者从命令行操作。
-
Landmines 0.1.1 扩展对 AI 生成测试的静态检查:新版可在 Vitest 配置中识别提高超时阈值的设置,也扩大了对轮询断言的检查范围。
-
dayfile 0.1.3 修复 MCP 调用因凭据末尾换行而失败的问题:维护者修正命令行及 MCP 模式读取本地读写凭据的细节,并调整过期会话的页面跳转。
-
Zigzag 测试版让 AI 应用按可访问元素读取网页:浏览器测试版允许 AI 应用按页面可访问元素读取界面;元素变化后,旧引用会失效。
凌晨续报 · 美国购物应用接入与研究进展
-
Google 在美国为搜索和 Gemini 接入 Target 等四家零售商:Google 开始在美国推出杂货购物连接应用。部分金融服务已进入搜索,本地服务商的账户接入还要等数周。
-
研究尝试只修改推理过程中的首个错误,训练模型遵守指令:在 Qwen3-32B 和 ReasonIF 的实验中,研究者比较了局部修改、完整示范模仿与整段奖励三种训练信号。
-
Perfumer 将语言模型与晶体计算工具结合,缩短测试结构的弛豫计算:在作者选取的结构上,先用预测模型预弛豫、再用 Quantum ESPRESSO 精修,整体速度达到单独使用后者的 2.75 倍。
-
Reflection 公开 Beam 技术报告,披露稀疏模型参数与训练规模:团队报告 Beam 总参数为 5013 亿,每次激活约 234 亿,并介绍了百万词元上下文的训练方式。
-
HiSA 从隐藏维度减少注意力计算,在测试模型中保留完整查询和键投影:这项研究沿向量内部选择乘积项,检验计算完整点积是否是有效注意力的必要条件。
凌晨续报 · 清晨新闻与研究进展
-
Inkling 2 Mini 开放本地运行,支持图文输入和百万词元上下文:Thinking Machines Lab 将约 260 亿个参数装进稀疏模型,每个词元激活约 30 亿个参数。
-
OpenAI 公布保护模型内部推理的测试结果:在一项模拟外部用户访问的测试中,成功取回先前请求内部推理的平均比例由 54.0% 降至 0.2%。
-
Hebbia 测试金融研究助手,逐项检查引文和交付格式:在 Hebbia 的测试中,GPT-6 Astra 引用的摘录有 99.5% 与问题相关。
-
MedChemBench 用 99 道研究问题评估 AI 阅读药物化学证据的能力:按研究团队的分项评分,GPT-6.2 Astra 在最高推理设置下取得可得分数的 84.5%。
-
Google 开放跨云智能体异常监测的私有预览:运行在 AWS、Azure 或自有机房的智能体,也可把活动记录送到 Google Cloud 集中分析。
-
Amazon Textract Insights 给文档抽取结果附上原页位置:用户可在同一份抽取模板中区分照录字段与推断字段,再按页码、坐标和置信度复核。
-
Gemini 加入 GIF 格式,可把照片做成循环动图:Google 表示,所有 Google AI 订阅用户均可使用,美国、日本等八个国家也开放了免费使用。
-
Picsart 向开发者开放创作平台,一个接口可调用多家模型:Picsart 表示,平台汇集超过 30 家供应商的逾 250 个模型,以及自家的编辑工具。
-
Ryptask 推出面向 IT 托管服务商的企业知识助手:服务采用一次性配置费加按用户收取的维护费,首批部署面向合作伙伴 PCS 的客户。
-
Talkruit 创始人披露招聘平台的使用进展,面试报告交由招聘者复核:创始人告诉 dev.ua,平台已用于真实岗位并获得首个外部客户,付款和更多招聘系统集成仍在规划中。
-
PAIR-Med 在 12 种语言上测试医学问答的推理一致性:作者在两个多语种考试题库的医学子集上报告,与对应基础模型相比,平均准确率提升 3.01% 至 7.47%。
-
MATE 让手机智能体在执行敏感操作前请求确认:系统将智能体提出的操作分为放行、阻止或请求确认,在 AndroidWorld 的重复任务上取得 95.7% 的成功率。
-
SiliconGym 用设计工具的实际检查结果训练芯片设计智能体:作者在一个包含 256 份答案的训练批次中报告,相较 ChipSeek 原有流程,批次完成时间缩短 21.9%。
-
STARK 用两张图为智能体记忆中的偏好保留证据:研究者把发生过的事件与据此推断的行为模式分开保存,检索偏好时可以追溯依据。
清晨续报 · 新研究
-
七种模型的审计发现,内部告警解释对评价尺度敏感:在模拟办公室日志上,即使告警分数相同,研究者对“模型为何告警”的判断也会随对照方式改变。
-
综述梳理临床语言模型的推理错误如何在多步流程中传递:论文指出,只检查最终答案可能漏掉中途的错误推断,也难以判断后续工具为何接受了它。
-
CRAFT 让模型查表计算模拟电路尺寸,再用独立仿真器验收:在四种 28 纳米电路的 20 次试验中,作者报告全部设计通过既定指标和约束。
-
同一个词换一种句法关系,最接近它的词也会变化:研究者用 WikiText-103 训练四套表示,比较词形、句法角色和上下文词性怎样影响词向量的距离。
-
多解谜题中,线索的排列顺序会改变模型偏爱的答案:研究者在可穷举的谜题上测试四个开放权重模型,发现随机调整呈现顺序能扩大有效答案的覆盖。
-
GenSPARQL 尝试把语言模型补出的实体接回知识图谱:查询可以在已有事实不完整时调用模型,并显示生成名称如何与图谱里的实体对应。
-
视觉模型放大图片后,研究者检查它是否真的使用了局部证据:团队根据模型当下的能力挑选需要放大才能回答的问题,也鼓励它在无需放大时直接作答。
-
EgoCaptioner 为第一人称视频生成带时间标记的步骤说明:研究团队从八个视频来源制作 5 万条训练样例,以检验短动作、动作顺序和拍摄者自身的移动。
-
水治理研究把三个欧盟项目的报告合并检索,保留章节出处:实验中,跨项目检索的平均倒数排名较单一领域嵌入基线相对提高 26.7%。
-
视觉模型能否预先训练得更容易修改?研究比较逾 2600 次权重编辑:研究者让五个语言模型修改视觉分类器,再用留出的图像同时检查目标修正和意外副作用。
-
研究用分数减法题检验模型能否解释一道题考了哪些技能:团队将模型列出的解题步骤与专家技能矩阵对照,并用 536 名考生的作答数据检查不同矩阵的拟合程度。
-
Seer 先估计不同检索动作的后果,只执行选中的一步:在 GAIA 基准上,研究团队报告 Qwen3.5-4B 的准确率由 13.6% 提高到 41.7%。
-
MemFolder 分两步压缩智能体记忆,先合并记录再缩短上下文:在 Mem0 和三项文本记忆测试上,记录数减半后,作者报告仍保留原平均表现的 99.0%。
-
Rad-Linter 对照图像分类分数,标记胸片报告中可能不一致的表述:在作者构造的报告与分数配对测试中,模型判别一致性的准确率为 98.5%,规则基线为 80.5%。
-
GLiDE 用一次前向计算给候选答案打分,同时估计置信度:研究团队比较 4 亿至 270 亿参数的五种决策模型,检验能否把推理模型的判断压缩到直接评分中。
-
AutoMaster 检查已成功的训练示范,减少无依据假设和重复步骤:固定教师、任务池和训练规模后,研究团队报告目标模型平均表现提高 1.42 至 8.99 个百分点。
-
英马双语公共服务检索实验中,关键词与语义匹配组合略占优势:马哈拉施特拉邦政府项目检索测试中,最佳组合把平均倒数排名从关键词基线的 0.864 提高到 0.879。
-
MiracleGro 用周期级仿真和综合结果改进开源 BOOM 处理器:在论文指定的整数基准与 SkyWater 130 纳米流程上,作者报告新设计的运行时间加速比为 2.34。
-
同一句“我不知道”,模型内部信号能区分诚实与隐瞒吗?:在四个模型上,作者发现探针对措辞和模型选择都敏感,部分结果与随机对照难以区分。
-
PhyDEX 用可变质量和摩擦力的物体测试机器人的物理判断:基准包含九类任务、100 个场景和约 3.5 万条轨迹,三个受测视觉语言动作模型的成功率都低于 3%。
-
后训练改变了什么?研究对比模型内部信号和它最终给出的答案:研究团队对照六个开放权重基础模型及其后训练版本,发现内部可区分的信息未必反映在回答中。
-
AgentRoboCritic 逐步检查机器人动作,区分抓取与对齐失误:研究团队整理了 12844 个带注释动作,并用另行人工标注的 400 个动作验证评审模型。
清晨续报 · 长任务评估、商店工具与论文修订
-
METR 更新长任务评测,加入更难题目后重新估算能力增速:在新旧两套任务的合并测试上,METR 估算,模型以 50% 概率完成的任务所对应的人类耗时约每 3.6 个月翻一倍。
-
BigCommerce 向所有店铺开放管理 MCP 的早期使用资格:店主可从控制台启用接口,再为各个用户授予商品、库存、促销或订单等权限。
-
SynthDCB 把设备控制评测从 7 个模型扩到 22 个:第二版继续使用 2560 个任务,最新参测模型中最高的平均首次通过率为 88.8%。
-
周期位置编码修订实验将长文本检索测试扩至 1.6 万词元:在作者的口令检索实验中,两种周期编码在 1.6 万词元时取得 99% 至 100% 的正确率。
-
STAIR 修订实验测试从数学任务迁移到代码生成:作者在第二版中报告,仅在数学题上训练的 Qwen3.5-9B 控制器也改善了 HumanEval+ 的代码生成表现。
-
高带宽闪存推理研究修订了能耗和写入寿命估计:第三版按工作负载重新报告结果,所测最快的闪存扩容方案比仅用 HBM 的系统缩短 21.1% 至 86.9% 的完成时间。
-
SemRole 在修订版中增加真实机器人迁移测试:研究团队报告,在 Galbot 实机迁移对照中,显式记录物体关系和任务阶段的方案把成功率从 55% 提高到 81%。
-
Accord 用机器可检查的证明核对 C 库与规格是否一致:修订版覆盖七个实现案例中的 259 个函数定义,在声明的契约及调用方义务下验证了内存安全。
-
评审模型也会判断错误,研究用少量人工标签修正失败率估计:修订实验中,按评审置信度分层的估计器,在受测条件下相对最强基线最多降低约 30% 的均方误差。
-
EnCoRe 扩展多语言推理语料,比较 120 种微调设置:新版汇集 40 个经整理的数据集,在三种模型、七种语言和超过 8 万条推理轨迹上研究语言切换。
-
面向低资源语言的 NLP 实验教材更新,扩充 18 项实践与结课项目:第四版将主要任务与进阶探索重新编排,并给出数据来源、实验报告和可复现性要求。
清晨续报 · 研究更新与智能体评测
-
VESTA 增加与编程助手的对照,检验自动统计建模:在修订版所测时间序列与复杂分布拟合任务上,VESTA 表现较好;简单分布上,通用编程助手拟合得更好。
-
Tokengeist 向前追溯多轮对话,寻找信息最初出现的位置:在四个开放权重模型上,论文报告递归追溯的来源召回率为 82% 至 94%,一次性归因为 11% 至 38%。
-
把同一个基准列两次,会让模型排名变多少?:BoB 修订研究比较了重复列入基准时的平均名次位移。在完整重复的对照里,加权方案为 0.63,等权方案为 1.95。
-
开放世界推理研究扩充测试,区分“错误”和“证据不足”:修订版在含 17036 个查询的 ProofWriter 评估中检验了模型如何处理规则变化和未知结论。
-
报告生成实验发现,收紧工具权限后仍须单独核对医学结论:在作者的模拟医疗报告流程中,权限重设后报告准确率从 72.5% 提高到 86.5%,内容完整性仍是独立问题。
-
智能体事故审计发现,多数实际损害案例没有外部攻击者:论文在 72 起造成现实损害的记录中,将 62 起归为没有外部攻击者的情况。
-
人工生命研究检验小型语言模型能否在封闭模拟中持续演化:在受控实验里,小模型种群能够适应狭窄任务;作者同时指出,对大型模型来说,靠教学产生同等后继模型仍不现实。
-
AgroGround 分开评估农业图像中的定位、识别与拒答:修订版在 1478 张人工核验图像上比较受控训练方案,指出找到目标与叫对名称可能出现不同变化。
-
数据贡献机制研究加入退出选择,用 150 段模拟对话比较三种规则:研究以 50 份匿名调查画像构造模型智能体,观察它们在相同条件下是否愿意贡献或撤回数据。
-
古典语料检索研究比较转录噪声下的句向量训练:研究团队用 2936 个有专家标记引用关系的拉丁语和古希腊语句子,分别评测引用检测与原文检索。
-
MosaicLeaks 评估多次外部查询拼在一起时会透露多少内部信息:在作者对 Qwen3-4B-Instruct 的评测中,隐私导向训练使泄露指标从 34.0% 降至 6.5%,任务准确率从 48.7% 升至 58.1%。
早间更新 · 推理基础设施、应用实测与研究
-
SageMaker HyperPod 开放跨区域推理网关,一个端点可连多个集群:网关在 13 个 AWS 区域可用,按缓存余量、队列深度、区域距离和错误率分配模型请求。
-
DreamCoder 发布,在同一浏览器并排查看编码智能体、终端与代码审查:每个工作区有一张缩略图,显示哪个窗格还在运行、哪个正在等人处理。
-
MacRumors 两周实测 Siri Recap:较长对话里,手表会把不同发言拼在一起:测试者用 Apple Watch 记录就诊对话时,摘要混合了分开讨论的事项,也没有标注说话人。
-
车主在特斯拉 2026.44.1 版导航搜索栏发现 Grok 快捷入口:车主视频显示,点击搜索栏右侧的图标后可以直接用语音寻找附近地点。
-
MIT 团队为混沌系统预测加入硬约束,避免长期模拟数值失控:模型学习一个类似能量的量;一旦轨迹越过学习到的边界,投影层就要求这个量下降。
-
MIT 访谈:把音频换成噪声,为什么模型仍能答对选择题?:MIT–IBM 团队用噪声替换音频、用化名替换物体名称,检查多模态模型究竟依赖哪一类线索。
-
Unsloth 发布 Inkling 2 Mini 的 GGUF 量化文件与本地运行指南:运行指南列出不同量化档的内存预算,并单独说明视觉投影文件约需下载 639 MB。
-
Dragos 追踪近 200 万条测试提示,发现推理供应链中的数据外泄迹象:研究团队在至少三家 AI 提供商相关的数据流中发现外泄迹象,部分标记在推理结束很久后仍被访问。
-
Higgsfield 要求第三方 MCP 客户端在元旦前迁移身份标识:从 2027 年 1 月 1 日起,动态注册端点和此前通过该端点签发的客户端 ID 都将停用。
-
AXON 扩充扩散语言模型解码测试,比较速度与准确率:修订版将测试扩展到 TruthfulQA 等任务,同时报告模型前向计算次数,便于判断速度提升的代价。
-
胸片模型究竟依据哪里作答?MedGround-Bench 补充阈值对照实验:新增对照比较固定阈值与在验证集调出的阈值,检验归因结果是否随评分设置改变。
-
SERBench 更新编码智能体检索评测,按下一步决策所需的证据组合计分:在最多取回五个证据单元时,MSS-Complement 在 73.0% 的测试状态中凑齐所需证据,比最强基线高 11.6 个百分点。
早间续报 · 开发工具与评测修订
-
MINTEval 更新对照表,区分记忆智能体查找旧事实与整合多条证据的能力:新版按记忆任务的结构比较既有基准。团队报告,受测系统在 MINTEval 上平均准确率为 27.9%。
-
SnapJudge 修订论文,单独讨论如何区分 AI 润色与整段生成:新版新增在线演示的三分类检测器说明,并指出二分类结果无法区分人类原稿经过润色和整体由模型生成。
-
AVSD 增补实验:教师提示重复或误导时,多视角自蒸馏怎样变化?:新版比较错误与高度相关的教师视角,检验增加提示数量是否真的给学生模型带来新信息。
-
Signet 更新能力声明校验,纳入子类之间的互斥关系:v0.1.75 改动的是注册表的声明校验规则,补上能力类别继承关系带来的约束。
-
Magpie 为 Claude 请求增加地区提示,可选择暂缓发送:当所选出口位置不在 Anthropic 支持的地区内时,客户端会提醒用户,并可将请求保留至具备处理条件。
-
ffmpeg-skill 修复输出文件保护,提前拒绝会拆出多个文件的目标名称:v4.2.2 将检查提前到执行前;仅预览的任务也会按同一规则提示不支持的输出。
-
按 Anthropic 发行价估算,约 5,100 名员工持股价值超过百万美元:CNN 采访的股权数据机构 Hill 以每股 83 美元估值;统计是持股的账面价值,与员工已套现多少是两回事。
-
Moonshine 联合创作者谈端侧语音:响应速度决定哪些交互可行:Pete Warden 在访谈中举例,一套只能完成有限任务的语音界面,可以在约 500 KB 内存的微控制器上工作。
早间续报 · 模型推理与中文语音评测
-
STEPQuant 增补低精度权重实验,区分模型权重与推理状态的内存占用:新增实验把四位 AWQ 权重与状态压缩配合使用,并分别考察按行、按列分配精度的作用。
-
问总体与分组再加权,语言模型会给出一致的估计吗?:修订版把一致性检查扩展到不同预测任务,比较直接回答与分组汇总能否满足同一条概率恒等式。
-
REACT 补充对照实验,检验推理模型安全判断在生成早期如何形成:团队在同一款 8B 模型上控制编辑预算与测量条件,复查了早期干预的效果。
-
事实记忆研究加入 T-REx 复核,追踪 Transformer 如何从实体表示中取出属性:新增对照用独立事实数据重复探测实验,另分析容量不足时哪些关系更容易相互干扰。
-
SPARK 更新检索问答评测,测试外部材料与模型内部知识冲突时如何作答:修订版列出多个问答集的对照结果,并将冲突知识测试中的问答和选择题分开报告。
-
七种优化器的对照研究,区分训练步数与最优数据规模律:修订版扩展了对两类学习误差相互影响的分析,明确单次训练的下降速度和调参后的数据规模律是两种量。
-
中文口语模型评测 TELEVAL 增补人工复核,检查模型有没有接住话意:新版比较两种自动评分器与人工评审,覆盖共情回应、方言回应和日常闲聊。
-
PopNow 将新建图像的默认模型切换为 Nano Banana 2.1:PopNow 表示,新默认项的单张图像积分开销比此前低;用户仍可手动选择其他模型。
