NEWS DESK·新闻资讯
人工智能日刊 · 第 15 页
最近发布的产品动态、研究进展与行业消息。
订阅
切换主题
- 安全·
OpenAI·
OpenAI 承诺 200 万美元支持儿童 AI 安全研究
OpenAI 11 月 12 日宣布,承诺投入 200 万美元,支持研究 AI 对儿童的影响及其安全与福祉。公司本周在巴黎和平论坛签署了儿童更安全 AI 的参与宪章。 资金将支持相关联盟下的科学研究网络,重点是建立共享的测量工具,研究 AI 对儿童带来的风险和机会,为产品保护措施和政策提供证据。 公告强调,研究团队保留对研究结论的控制权,结果将公开发布,包括负面或无法得出明确结论的结果。这是一项研究支持承诺,并非新的儿童版 ChatGPT 产品发布。

- 机器人·
Runway·
Runway 开放 Praxis-1 权重,用视频知识控制机器人
Runway 11 月 11 日宣布开放机器人世界动作模型 Praxis-1 的权重、推理和微调代码,采用 Apache 2.0 许可证。模型在 9 月曾面向合作伙伴预览,此次是扩大到公开使用。 Praxis-1 是约 270 亿参数的混合专家扩散模型,将视频预训练学到的物体运动知识用于同时预测未来画面和机器人动作。公开仓库提供单臂、双臂及基础检查点,并支持全量微调与 LoRA。 Runway 报告,在 RoboLab-120 的 1200 次测试中,模型成功率为 46.2%。这是团队在指定基准和设置下公布的结果,不代表所有真实机器人任务都达到同样表现;部署还需对应硬件和任务适配。

- 商业·
IT之家·
澳航拟外包 850 个岗位,AI 转型说法引争议
澳洲航空在 11 月 10 日公布的调整中,计划与埃森哲推进技术和 AI 转型,约 850 个企业职能岗位将受影响,部分工作转移至海外。相关变化预计从 2027 年中开始实施,而非当天已完成全部裁员。 财务、采购、人力资源和市场营销等职能处于调整范围。工会质疑,公司将成本削减和离岸外包归因于 AI,会弱化对就业安排的解释与协商责任。 澳航表示将与工会协商并支持受影响员工转岗。11 月 12 日的路透社相关报道讨论了这一争议,现有材料不能证明这些岗位已经全部被 AI 系统替代。

- 机器人·
arXiv·
RoboScript 让机器人在上下文中学习操作
11 月 9 日公开的预印本提出 World In-Context Learning,作者来自华中科技大学与 ArcheOne AI,配套框架名为 RoboScript。方法从一次示范出发,在模拟环境里练习,把反馈写进任务记忆,而不是更新基础模型权重。 随后,系统冻结任务记忆,在新场景中使用真实机器人能够获得的输入执行任务。研究还展示了从模拟双臂平台向真实双臂机器人迁移记忆的实验。 团队报告,在 RoboTwin 2.0 的 50 项任务上,干净与随机场景的平均成功率为 83.4%。这是论文特定设置下的结果,不能直接推广为任意机器人、任意操作的成功率;公开代码仍处于 1.0 之前的阶段。
- 视频·
IT之家·
Seedance 2.5 Flash 发布,主打更快的视频生成
火山引擎 11 月 12 日推出 Seedance 2.5 Flash 视频模型。据发布信息,新模型定位高频创作与批量内容生产,生成效果接近 Seedance 2.5,速度和价格进一步优化。 公布的规格包括最长 30 秒视频、480P 和 720P 输出,以及最多 10 张图片、5 段视频和 5 段音频的参考输入。720P 文生视频和图生视频报价约为每秒 0.99 元,具体费用取决于调用方式。 模型将逐步进入即梦、LibTV、Updream、Creao AI、TapNow 等平台,火山方舟 API 计划 11 月 15 日上线。
- 音频·
IT之家·
讯飞 SparkAudio 1.0 开放 API,支持 99 种语言
科大讯飞 11 月 12 日宣布,星火语音基座大模型 SparkAudio 1.0 在讯飞开放平台上线 API。接口支持文本、语音输入和文本输出,覆盖 99 种语言、202 种方言。 开发者可用它处理语音转写、多语言翻译、环境音理解、说话人分离、情感分析和音频问答。模型本身此前已发布,这次新增的是开放平台 API 接入渠道。 官方接口文档显示,音频采用 16kHz、16bit、单声道的 PCM 或 WAV;单次会话累计最多处理 30 分钟音频。文档要求客户端主动提交音频段触发推理,并非默认自动断句。
- 安全·
arXiv·
SPADE 借助软提示信号研究跨数据集 AI 文本检测
利用提示对文本的影响提升域外检测,不能作为对个人作者的确定判定。 SPADE 把提示对文本生成的影响引入 AI 文本检测,用软提示和互信息相关信号区分候选文本,尝试改善检测器换数据集后的表现。 团队在多个基准上比较监督与零样本检测方法,报告域外测试中的改善。论文研究的是特定实验分布,不代表能够准确判断所有个人文章是否使用 AI;检测分数也不能直接作为对作者身份或行为的确定结论。
- 研究·
arXiv·
LSVOS 报告比较 0.5B 预算下的多模态统一模型
统一图像标签、检测与描述三项输出,报告前三名紧凑模型方案。 第八届 LSVOS 挑战赛 MUMU 赛道报告公开,要求单个模型同时完成多概念图像标签、开放词汇检测与简短图像描述,参数不超过 5 亿、峰值推理内存不超过 8GB。 前三名方案都基于 Florence-2-base,但分别使用轻量标签头、共享低秩适配器或无需训练的组合流程。报告显示紧凑模型可以兼顾多种输出,新类别的开放词汇检测仍是主要瓶颈。此次是竞赛总结,不是发布新的通用大模型。
- 研究·
arXiv·
FOAM 优化器尝试保留 SOAP 效果并降低状态开销
在所测预训练规模中减少 SOAP 状态开销,保持相近验证损失。 研究团队提出 FOAM,一种轻量化 SOAP 变体,通过单侧预条件处理和分解的 Adam 矩估计,减少优化器状态与特征分解开销。 作者在 1.24 亿至 7.6 亿参数的语言模型预训练中报告,验证损失可与强 SOAP、Muon 基线相当,优化器状态约为 SOAP 的一半,耗时接近 Muon。结论对应论文所测规模与条件,不能直接当作超大规模训练已经得到验证的统一加速比例。
- 研究·
arXiv·
研究用语言模型把量子软件需求转成执行参数
用模拟执行检查速度、成本等要求,发现语义匹配改善不等于保真度提升。 一项量子软件工程研究比较七种语言模型与确定性启发式方法,测试把速度、成本等自然语言要求转换成 shots 和转译优化级别的能力。 评估覆盖 540 条合成需求和 18 条真实用户故事,并使用 Qiskit/Aer 模拟执行。模型的语义匹配优于启发式基线,但真实样本中不同模型之间未出现统计显著优势,也没有证据支持保真度普遍提升。论文强调应以执行结果而非只看文字相似度来验证配置。
- 研究·
arXiv·
同等预算研究比较人工与合成偏好数据的训练收益
以美元而非样本数对齐预算,比较帮助性和摘要任务的后训练收益。 研究者把人工标注与合成偏好数据按相同美元预算比较,而不是只固定样本数量,观察它们在后训练中的性价比。 在所测帮助性和摘要任务中,合成数据在低至中等预算下更划算;人工数据的不同来源之间也存在明显质量差异。部分任务中,高得多的人工预算才缩小差距。作者没有把结论外推到所有任务,实验提示“人工”或“合成”这一标签本身不足以决定数据价值。
- 研究·
arXiv·
研究用结构化 AI 工作流完成 37 项算法形式化验证
结合 Dafny 检查、测试与人工规格审阅,完成复杂算法的交互式验证。 研究团队在 Dafny 中组织十步工作流,把规格、循环不变量、证明、求解器性能诊断与资源优化串联起来,并由语言模型辅助完成证明构建。 团队在图论和带标签迁移系统中的 37 个复杂算法上评估,包含 Hopcroft–Tarjan 三连通性测试。论文报告许多验证在数小时至数天的交互中完成;正确性关键决策和规格审查仍有人类参与,完成机器检查也不代表自然语言需求已经自动正确。
- 研究·
arXiv·
研究发现训练数据分布会改变模型比较实体的方式
受控实验连接频率、位置等学习捷径与训练数据的统计性质。 研究者用九类实体比较任务分析模型预训练,观察到按出现频率猜测、按提示位置选择、再到按正确属性作答的不同学习阶段。 在小模型的受控实验中,任务数据数量与实体频率分布会改变这些阶段的出现方式;团队还在 OLMo-2 32B 中观察到类似动态。论文说明数据统计能影响模型学习的捷径,并未证明所有能力都遵循同样三阶段规律。
- 研究·
arXiv·
ControlHarbor 测试编码智能体设计控制器的能力
44 项任务分别检查回报与扰动鲁棒性,高回报不代表控制器稳定可靠。 ControlHarbor 发布 44 项任务、覆盖 13 类系统,用保留种子、物理扰动与结构性要求评估编码智能体生成的控制器。控制器以单个 Python 文件把测量映射为动作,不使用神经网络。 团队发现,部分会话能达到强化学习参照回报,但只按回报通过的控制器往往无法应对扰动。不同结构设计与强化学习方法在强扰动下各有局限。基准、控制器和评分均公开,结果不意味着智能体已经可靠胜任真实控制系统工程。
- 研究·
arXiv·
Visual Cipher Bench 测试 AI 从图中自行发现规则
40 道原创图谜区分视觉规则发现与执行能力,机制提示能显著改变结果。 Visual Cipher Bench 收集 40 道原创视觉谜题,只提供少量黑白线图与最少提交说明,要求智能体自行找出解题机制,而不是照着文字规则执行。 团队比较八个前沿模型的 29 种推理配置,最高准确率为 26.7%。在十题子集上提供不泄露答案的机制提示后,准确率明显上升。作者据此区分“执行多步计划”与“从视觉证据发现规则”两种能力,结果限于该谜题集合。
- 研究·
arXiv·
联邦 LoRA 研究比较本地训练步数与能耗
在指定硬件与小模型设置中,本地训练步数解释了大部分能耗差异。 研究团队在 A40、RTX 6000 Ada 与 A100 上测量联邦 LoRA 微调的能源与估算碳排放,比较 1.35 亿、3.6 亿参数模型以及 10、100 个本地训练步的组合。 在这些设置内,本地训练步数解释了大部分能耗差异;A40 与 RTX 6000 Ada 的较少步配置能以低得多的能耗获得相近准确率。论文采用 CodeCarbon 估算碳排放,结论受硬件、模型规模与训练任务限制,不能直接套到任意大模型训练。
- 研究·
arXiv·
研究区分语言理解基准中的数据捷径与记忆效应
新人工验证题也复现熟悉数据集的线索,抗扰动分数未必来自真正理解。 研究者对八种语言模型进行删除名词、打乱词序等扰动测试,并加入 368 条经过人工验证的新题,检查模型为何在输入损坏后仍能保留部分分数。 结果更支持数据集风格中的捷径,而非单纯记住了测试题:新题采用熟悉风格时也出现同样现象,去掉承载线索的功能词后趋势逆转。作者强调,这类“抗扰动表现”有时更多反映基准的线索,而非模型真正理解能力。
- 研究·
arXiv·
ESGPred 结合企业报告语义与关系图预测 ESG 评分
5266 份企业报告结合关系图预测既有评级,结果不是客观 ESG 认证。 ESGPred 将领域语言模型与企业关系图结合,用企业可持续发展报告预测总体及分项 ESG 评分。研究使用 2134 家上市公司在 2020 至 2023 年发布的 5266 份报告。 团队以 LSEG Data & Analytics 评分作为实验参照,报告图关系学习优于纯文本基线。该结果是对特定评分体系的预测,不代表模型已经测出企业客观可持续性,也不是投资建议或新的评级认证。
- 研究·
arXiv·
研究发现医学问答模型准确率之外仍需校准置信度
校准与保形预测补充准确率之外的风险信息,低准确率时答案集合仍很大。 一项研究在英语 MedMCQA 与阿拉伯语 MedAraBench 上测试两个开放权重模型,发现原始选项概率在四组实验中都存在过度自信。 温度校准降低了误差,保形预测可以提供覆盖率控制,但当模型准确率较低时,候选答案集合会变大。两个数据集的主题、难度和选项数不同,因此不能把差异直接归因于语言。研究是考试题评估,不是临床诊断表现。
- 研究·
arXiv·
FlatSeek 用反向数据生成辅助发现非线性系统平坦输出
生成带证书的系统与符号表达式训练对,为控制问题提出可验证候选。 FlatSeek 把反向数据生成与任务专用语言模型训练结合,尝试自动发现非线性系统的符号平坦输出,为轨迹规划与控制提供可验证候选。 团队从已知重建关系生成带证书的系统与输出对,再微调模型,对未见过的动力学提出符号表达式。作者在文献与合成基准上报告优于若干传统方法和未调优模型,并发现新的替代表达;结论属于指定控制问题的研究结果,非通用系统求解保证。
- 研究·
arXiv·
PREWARN 区分模型出错后的检测与出错前预警
相近的响应级分数可能对应不同提前量,评估需要对齐错误发生的时刻。 PREWARN 提出按错误发生时间评估模型监控器,区分生成完成后的分类、错误已开始时的检测,以及错误发生前仍来得及干预的预警。 团队以三种开放模型的重复退化为案例发现,响应级 AUROC 相近的探针,实际提前报警能力可能相差很大。方法先按应用容许误差校准阈值,再对照错误起点评分。论文公开带阈值的探针,但尚不能证明这些探针对所有幻觉或安全问题都能提前预警。
- 研究·
arXiv·
研究用本地语言模型选择 5G 网络切片速率
确定性校验保护有限速率选择,但实际业务服务质量仍未测量。 一项研究把 UPF 遥测与本地语言模型结合,在有限的合法速率候选中选择网络切片配置,再由确定性逻辑校验并生成 PFCP 更新。 所报告运行中未出现振荡或回退,最高优先级速率限制保持不变。不过作者明确区分配置保持与实际服务质量:每类业务交付的 QoS 保护尚未测量。论文展示的是受控实验中的配置行为,不是商用网络服务质量已经提升的证明。
- 研究·
arXiv·
研究审计 X 推荐代码,识别 13 处透明度断点
沿实际服务路径检查公开代码,区分生产依赖缺失与已不可达历史代码。 研究团队沿用户时间线向上游追踪 X 公开推荐代码,检查参与真实服务路径的模型、配置和服务是否能被外部研究者检视。 作者识别出 13 处依赖公开代码却未随仓库提供的透明度断点,涉及模型、服务、标签和配置;同时区分仍被调用的组件与已不可达的旧代码,避免把历史残留误当成现役缺失。论文讨论公开仓库的审计边界,并未声称已获取 X 未公开的完整生产系统。
- 机器人·
arXiv·
DashBench 用 1709 段罕见路况视频测试视觉模型
25 种视频模型在罕见危险场景中仍有漏检与幻觉,非量产自动驾驶路测排名。 DashBench 收集 1709 段交通视频,测试 25 种视频语言模型对碰撞和非碰撞罕见事件的理解,重点不是常见路况问答,而是安全关键情景。 团队在多种提示与开放问答中观察到漏看危险、误判事件及描述不存在对象等问题,报告全部受测模型仍未达到其安全关键应用要求。该结果不能等同于对量产自动驾驶系统的路测排名,论文计划公开代码与数据。




















