AgentDojo 审计:攻击判定与模型排名存在误差
研究审计 AgentDojo 在 19,381 次运行中 97.7% 未崩溃,但 433 次误判为无攻击;新协议下仍漏报 55/744。 审计工具 sova-oss 开源,支持离线校验;Grok 4.1 的 3 项攻击在 4.7 版本复发,部分预设防御规则失效。
研究审计 AgentDojo 在 19,381 次运行中 97.7% 未崩溃,但 433 次误判为无攻击;新协议下仍漏报 55/744。 审计工具 sova-oss 开源,支持离线校验;Grok 4.1 的 3 项攻击在 4.7 版本复发,部分预设防御规则失效。
首个智能体弃答评测框架 AgentAbstain 发布,含 263 组配对任务与 42 个沙盒环境。 AbstainGen 自动化管线生成任务并经 3 名标注者验证 94-98% 为良好设计。 17 个前沿 LLM 最佳者 Gemini 3.1 Pro 仅达 59.5% 配对准确率,弃答能力独立于任务解决能力。
研究人员提出无学习PTQ框架CoreQ,通过几何分解计算层自适应校正系数,结合贪心逐次舍入优化量化目标。 该框架避免了对有限校准数据的过拟合,无需调节系数,其扩展版K-CoreQ以少量额外计算换取性能提升。CoreQ在多个LLM家族和量化设置中实现了比强基准更低的困惑度和更高的下游准确性。
研究构建了多层级大规模数据集,系统记录 AI 生态中模型、数据、算力等要素在组织间的流动关系。 该数据集标注了时间与类型标签,通过分析中心节点、网络集中度及关键控制点,揭示了行业权力结构。 此资源旨在推动对 AI 供应链政治经济学的批判性研究,相关数据已公开供交互式探索。
CoSlice 框架通过协同多智能体强化学习解决 5G 切片资源共享难题,在多样化负载下显著降低平均和尾部 SLA 违规率。 该框架采用偏好条件切片智能体实现快速资源分配,并结合 LLM 协调器基于全局网络观测在较慢时间尺度上动态调整目标,同时推导了次线性遗憾界。 实验基于 ORANSlice 及其射频仿真器 RFsim 构建评估环境,结果验证了该方法优于其他集中式及多智能体基线。
研究团队发布 CratesBump,这是首个用于预测 Rust 生态版本升级的公开数据集,包含约 220,000 个 crate 和超过 200 万连续发布对。 数据集为每个发布对提供 41 个特征(如 AST diff、依赖变更)及基于 Cargo 规则与语义化版本规范的两个标签。 基准测试发现该任务具有可学习性但远未解决,且后期发布分数较低;审计发现部分小版本升级实际破坏了公共 API。
AdaS-ViT提出测试时自适应路由架构,在ImageNet-1k上每图像能耗仅1.02至2.45毫焦,能效比达32至72倍。 架构基于AdaE-IF模型,结合S-GSA和S-LGU模块,通过时空渐进课程训练稳定发射精度与路由掩码协同。
该研究构建了视觉 LLM 与经典 CV 结合的管线,处理 3954 篇 COF 文章,生成 11445 条校准衍射曲线并开源为 COF-PEAK 数据库。 视觉 LLM 负责解析图像布局定位曲线,经典 CV 细化至像素级精度;与手工数字化相比,提取峰值中位偏差仅 0.07 度。 该方法使衍射图谱转化为可复用实验数据,支持分析合成条件下峰强变化及结晶度标记。
针对量化神经网络误差验证难题,论文提出基于 zonotope 的抽象解释框架,引入统一 round-clamp 抽象变换器处理舍入与截断。 在 ACAS Xu 基准测试中,约束 zonotope 方法使平均误差界宽度减少约 70-85%,运行时间降低 65-80%。普通 zonotope 方法虽精度较优,但平均速度提升近 300 倍。
研究提出 StatePortal 代理,能从自然语言测试用例和只读源代码合成可版本化检查点,解决 GUI 软件深层状态测试瓶颈。 系统发布包含 61 个任务、跨 10 个应用的 DeepStateBench,源码行数覆盖 874 至 7.2M。
研究者提出 MSPA 监督降维算子,将 1580 波段光谱压缩 96%,在 8963 条光谱和 5 种植物系统上验证。 该算子结合吸收深度、局部奇异特征模式与 Fisher 加权子空间,使平均 macro-F1 从 0.7756 提升至 0.8520,推理速度提升 126.5 倍。
在170个GameWorld任务中,代码策略平均进度达47.80%,优于模型控制器策略的30.90%,且在五个游戏类别中均领先。代码策略允许模型在离线阶段编写、测试和修改程序,该程序在实时游戏运行期间执行动作,而模型控制器需配合实时分块执行。结果表明,将学习存储在执行程序中比直接调整模型权重更能有效利用离线推理时间。
研究基准测试了保形预测在格点气温预报中的8种区间构建方法,涵盖6小时至10天8个预报时效。 结果显示逐单元方法虽达到近名义边际覆盖率,但日间覆盖率方差为独立单元的3至10倍且误差聚集。 该研究仅覆盖单一变量和粗网格,指出无单一方法在过分散指数与区间得分上均最优。
该研究提出混合 GNN 框架用于股骨应力预测,解决 FEA 高算力成本及传统 ML 缺失网格拓扑结构的问题。 模型采用 GCN-SAGE-Residual 架构,在 14 个模型对比中性能最优,R^2 达到 0.8022,平均绝对误差为 2.879 MPa。 代码已在 GitHub 公开,为骨科分析提供高效替代方案。
TRESS 模型通过保留 8 至 16 个最新观测值及全历史统计摘要,在四个基准测试中取得最低的测试 MSE 和 MAE。 其查询条件化事件提升模块依据观测龄期和预测步长加权偏差,配合通道特定解码器预测修正值;服务 32 个连续查询时间时,CPU 推理时间缩短 2.12 至 2.60 倍。
CaDO 框架在 18 组实验中的 16 组显著优于最强数据清洗基线,将下游模型准确率提升高达 9.1%。 该框架通过形式化因果推理、多级诊断和自动修复生成三阶段工作,95% 以上标记样本确认为缺陷,在 CLadder 上错误修改正确标签比 LLM 裁判少 92.2%。 代码和数据已公开可用,可促进高质量因果推理数据集的发展。
该贝叶斯方法在 AIMS 竞赛中实现 0.188477 的 Brier ALC,比基准降低 24.6%。 提交代码仅 7,754 字节,单次预测耗时 12.71 微秒。 证明紧凑贝叶斯模型在稀疏反馈下的预测价值。
研究者推出原生权重编辑方法族 HypoLoop,利用实验反馈动态调整参数修正策略。 在涵盖 22 个科学任务的实验中,该方法在 Burgers 数据集上将误差降低 58.80% 至 47.72%,并显著提升了 DIODE 的预测精度。 该方法证明了实验证据能有效塑造模型更新问题本身。
summary_zh: KnowMe Paper Radar 发布,通过整合主题、时效及合作网络等多维数据,实现无需大语言模型推理的个性化论文发现。 基于174,640条记录测试,系统重复上下文准备速度提升3倍,NDCG@10指标从0.412升至0.598,提供浏览器及CLI界面。
Metaⁿ 提出固定元操作 Ω 并递归输入的方法,在 8 个基准测试家族中均优于现有自我改进智能体。 系统通过进化档案搜索层链,在抗技能记忆的 ARC-AGI-2 中是唯一得分大于 0 的模型。 消融实验表明递归增益主要源于层间条件传递。
MOLT 是 Hugging Face 原生的极简可扩展智能体强化学习开源框架。 代码仅 9.2K 行,支持 4B 至 753B 模型,异步训练速度提升 2.4 倍。 其训练器 NeMo AutoModel 支持高达 2.8 万亿参数的模型。
研究证实在线强化学习将 AndroidWorld 移动端 GUI 智能体成功率提升至 80% 以上,但泛化能力随场景距离增加单调衰减。 基于 UI-TARS-7B-SFT 和 Qwen3-VL-8B 两个基座模型的实验显示,RL 在分布内提升显著(最高+17.5%),但在未见应用等远端场景增益降至 0-4.2%。
EasyOPD 是基于分布式强化学习框架 verl 开发的在线策略蒸馏框架,支持跨 tokenizer、自蒸馏及步进式蒸馏三种场景。 该框架通过解耦用户配置、监督逻辑与执行后端,提供 YAML 配置文件、文档及安装演示包。 实验显示其能在推理、代码生成等基准任务中保留特定目标并展现差异化性能表现。
Polar 是一个包含 4026 个多选题的基准,通过选项级似然度而非基于提示词生成来衡量大语言模型的政治偏见。 该基准涵盖两个意识形态轴和八个议题类别,并在美国与韩国政治语境下并行评估了 38 个模型。
S-GRADES 是一个开源 Web 基准,整合了 14 个评分数据集,提供标准化访问和可复现的评估协议。 该基准用于测试三种最先进大语言模型在多种推理策略下的表现,并分析示例选择与跨数据集迁移的影响,旨在揭示不同评估范式间的可靠性与泛化差距。
研究提出V-lens,利用统一多模态模型的图像生成能力,无需训练解码器即可可视化选定token的隐状态。 在BAGEL、SenseNova-U1等模型上应用lens tuning后,代词指代正确可视化率从2-11%提升至86-94%,且该视觉监督意外改善了文本答案质量。
DRIFT 提出一种端到端自动驾驶框架,集成 <150M 参数的轻量语言模型进行场景描述与动作注释。 该框架通过蒸馏代理推理特征,允许在推理时绕过语言模型且无损驾驶性能。 DRIFT 总参数量仅 255M,在 Bench2Drive 上达到 97.03 Driving Score 和 89.39% Success Rate,并在 NAVSIM 和 AlpaSim 上以更低计算成本取得竞争力结果。
提出长窗口投机解码框架 Sightline,通过匹配草稿器视界长度的验证窗口提升 SVG 生成速度。 在涵盖 text-to-SVG 与 image-to-SVG 的六项基准(源自 MMSVG、MMSVG-2M 及 SArena)测试中,Sightline 在所有设置下均为对比无损解码器中速度最快。 分析表明其优势源于更长的验证窗口避免了短窗口被截断导致的轮次损失,相关代码与数据已开放获取。
LipSpell 提出一种语言无关的语音评分框架,结合 IPA 显著特征矩阵、键盘几何及语料频率先验,解决传统拼写检查器在处理音位错误时的局限。 在巴西葡萄牙语非 NFD 容忍测试中,LipSpell Top-1 准确率达 73.00%,优于 Norvig 的 66.40%;俄语西里尔字母准确率达 85.67%。该框架支持六种语言跨五个语系及三种文字系统,验证了固定权重迁移的有效性。
最新AI Access Index显示,684个顶级域名中79.7%对AI搜索和训练均开放,7.7%完全关闭。 11.3%的服务器拒绝robots.txt允许的爬虫,而63.7%仍提供robots.txt封锁的内容。
DocSpring 于 11 月 17 日发布名为 Standard Support 的草案,定义了 AI 智能体请求支持的统一协议,并已在 DocSpring 产品中落地实现。
针对单LLM模拟器导致的策略泛化失败,研究提出Verbalized Sampling与Co-Training两种解决方案。 在Persuasion for Good等三项基准测试中,Verbalized Sampling提升留出成功率9%,Co-Training进一步升至14%,并保留了策略多样性。 研究指出多样化模拟器是服务真实用户的必要要求,并开源了SCOPE框架。
该研究通过最小化参数敏感度,揭示了连续学习目标在代数补全任务中对功能压缩(共享代数组成)的偏好。 分析表明,全局最优解强制隐表征实现几何对齐和单位性,且在抵消操作中迫使隐表征成为单射同态。 这一结论解决了 Huh (2025) 提出的核心猜想,证实了模型在敏感度地板处会实施目标代数结构。
基于 OpenROAD 的 MLBuf-RePlAce 框架在开源流程中实现 TNS 最大 56%、平均 31% 的改进。 该框架采用递归学习预测 buffer 类型与位置,并解决了传统方法的计算开销及 ERC 违规问题。 在商用流程中,其 TNS 平均提升 28%,且后路由功耗保持无显著退化。
ForceBody 成为首个将真实力监督引入参数化人体表征的数据集,涵盖140名受试者的10,386个动作试验。 数据集包含SKEL动作模型、地面反作用力及970万帧逆动力学关节扭矩标签,并通过蒙特卡洛采样提供逐帧逐关节的扭矩不确定性注解。 使用逐样本不确定性加权微调Transformer可将关节扭矩估计的MAE降低5%,该成果已被NeurIPS 2026数据集赛道接收。
LeViT-UNet++ 架构通过 Haar Wavelet 多尺度下采样模块和基于深度卷积的解码器,在有限计算资源下平衡局部细节保留与全局上下文建模。 在 Synapse 数据集上,该模型以 8.025M 参数量和 241.72 FPS 的推理速度实现 76.57% 的 DSC,验证了波let 特征提取与轻量级局部-全局融合的有效性,代码已开源。
团队提出 MAVE 框架及 MAVEBench 基准,通过结合度量观察、智能体建模与证据验证,从电影镜头重建可编辑 3D Blockout。 在 MAVEBench 评测中,MAVE 相比基线提升了 27.5-41.1 分;使用 DeepSeek-1017 时平均成本仅为 0.054 美元/镜头。
EGS 提出了一种轻量级、模型无关的运行时框架,通过查询审核、场景感知教学指导和响应审核,将教育安全从二元拒绝转向上下文引导。 该框架根据风险等级分诊输入,使用特定教育干预重定向灰色区域查询,并在交付前审核输出,旨在增强安全性同时保留教学效用。 其代码和模型权重将公开提供,以支持社区采用。
FM-Mamba 提出基于 Fornasini-Marchesini 模型的原生 2D 选择性状态空间架构,解决现有 Mamba 方法处理图像时破坏空间邻接性或计算量过大的问题。 模型通过双对角波前扫描执行递推,利用两个独立输入依赖步长及归一化比率 $r_k$ 进行稳定性约束,避免对特征图进行展平操作。 代码已开源。
证据引擎 GauntletScore 在 LLM-AggreFact 测试集取得 79.51 平衡准确率,匹配 2026 年 11 月 15 日排行榜最佳公开成绩。 其 95% 置信区间覆盖 nimble-v4-max 的 79.45 分;该引擎采用固定贝叶斯规则结合多阅读器证据账本,并发布逐条目预测及评分脚本。