Hugging Face 对比 8 款 AI 模型:古籍数字化识别 1000 页成本降至 0.1 美元以内
Hugging Face 测试显示,最新模型 LightOnOCR-3-0.8B 识别 1000 页古籍成本不到 0.1 美元,较早期 RolmOCR 的 0.51 美元大幅降低。
Hugging Face 测试显示,最新模型 LightOnOCR-3-0.8B 识别 1000 页古籍成本不到 0.1 美元,较早期 RolmOCR 的 0.51 美元大幅降低。
MonitorVLM 发布,通过视觉语言框架自动识别矿场监控视频中的安全违规行为。 模型基于 9000 个 VQA 样本训练,引入条款过滤器和行为放大器模块,推理延迟降低 13.56%;相比 72B 未微调基线,精准率提升 22.01%,召回率提升 34.22%。 框架支持自动违规报告与时间戳定位,提升多模态模型在职业安全监测中的应用潜力。
FedS2R 是首个面向自动驾驶合成到真实语义分割的单次联邦域泛化框架,通过不一致性驱动的数据增强与多客户端知识蒸馏融合特征训练全局模型。 在 Cityscapes 等五个真实数据集上,该全局模型显著优于单个客户端模型,性能仅比同时访问所有客户端数据的模型低 2 mIoU。
新型机器学习模型 STORM 在多个评估数据集上达到或超越 Boltz-2 的预测精度,结合亲和力预测的推理与训练速度提升超过五个数量级。 该模型集成多种蛋白质和分子表示的小型模型融合,旨在解决物理方法成本高及现有协同折叠模型在大规模筛选中昂贵的问题。 研究结果指出,整合历史实验数据与结构信息可显著提升亲和力预测准确率。
OpenKAGE提出智能体群进化框架,支持在开放世界中通过经验积累实现开放式终身学习。 框架包含两层知识表示(记忆层与经验层)及知识共享机制,将可执行技能原样共享,并将文本经验语义整合为持续演化的共享知识图谱。 在Minecraft中,该框架使智能体群达到高级技术里程碑,且积累的知识可迁移至不同骨干模型的新智能体群,提升其生存与探索进展。
该综述审视了突破Transformer二次方注意力复杂度的近期进展,涵盖亚二次方注意力变体、循环神经网络、状态空间模型及混合架构。 文章从计算与内存复杂度、基准测试结果及根本局限性三个维度进行批判性分析,探讨纯注意力Transformer的主导地位是否面临挑战。 作者认为这种挑战在领域特定和边缘设备应用中尤为可能,论文为同行评审会议版本。
Chorus 通过层自适应机制让所有网络层共享同一套 n-gram 嵌入表,在将表参数压缩至 1.2B 的情况下,预测性能优于使用 9.6B 参数的 FactorEngram 和 DeepSeek Engram。
受 Anthropic Anvil 系统启发,作者提出让前沿智能体自主寻找越狱并设计安全防护的蓝队测试方法。实验中,任务 GPT 6.1 Sol 改进 Gemma 4 12B 消融变体的安全性,过程称为 rebliteration。
Standard Kernel 通过软件优化在 Qwen3.5-27B 模型长文本推理基准上,使 Intel Gaudi2 的解码吞吐量比 NVIDIA H100 提高 60%,预填充吞吐量提高 8%。在每 $0.60 的租用成本下,优化后的 Gaudi2 展现出 9.4 倍的每美元 token 产出效率。
推荐理由:文章展示了通过软件优化让Intel Gaudi2推理性能超越NVIDIA H100的具体案例,揭示了优化推理栈对硬件性价比的巨大影响。
Langfuse 团队发布了 AI Gateway,采用 Rust 构建以解决 AI 代理工作负载中 Node.js 单线程阻塞和 Python GIL 导致的性能瓶颈。
推荐理由:揭示了 AI 网关在 Rust、Node.js 和 Python 中的内存与延迟表现,并解释了保留原生 API 对 Agent 稳定性的意义。
针对多兆瓦级灵活负荷整形,研究者提出一种可解释的“挑樱桃”策略,能在不增加批发电力成本的前提下,实现比静态LMP整形高2-3倍的年度电网CO2减排。 该方法基于对ERCOT电力市场近8900个节点的仿真数据,结合可观测的电网净需求与节点最低LMP阈值,动态选择当日最优整形信号。
summary_zh: TAR框架引入时间锚点(T-anchor)机制,通过渐进式精炼链式推理(CoT)并强制中间思考对齐视觉证据,显著提升推理忠实度与最终预测准确性。
summary_zh: LEAP框架结合领域专用语言模型与主动学习,实现了低数据条件下钙钛矿前驱体添加剂的优先筛选。 该模型从文献中提取机制相关知识,生成可解释分子描述符用于不确定性感知贝叶斯优化。
RTLReviewBench 基准测试显示,12 款 LLM 在审查 Verilog 模块时极少漏掉 Bug,但频繁错误拒绝正确代码,误拒率超过漏检率的 5 倍。 该基准包含 114 对由 LLM 生成器产生的真实故障与正确模块,且通过仿真确认标签;要求模型先推理再下结论能显著降低弱模型误拒率。
EmbedGym 提供虚拟硬件环境,使编码智能体无需物理板卡即可运行和调试嵌入式固件。该系统基于指令级微控制器模拟,集成 41 种外设模型及模拟电路、虚拟 WiFi/BLE 端点。
研究评估五个开源大模型在Solana跨链桥安全审计中的表现,测试了16,800次响应。 在无注释情况下,模型仅诊断出24%的漏洞源码;增加原始注释后诊断率升至60%。交易级诊断方面,缺少签名者场景表现良好,其余三种场景平均仅为6%。结果强调了在安全审查中区分正确诊断与无效警报的重要性。
ACM Multimedia 2026 发布 EgoLink 挑战,评测模型在第一人称感知、社会推理及交互行动中的能力。 该基准包含两个赛道,最佳系统 Track 1 准确率达 0.9263,Track 2 联合成功率为 0.844。 结果凸显过程验证与证据推理对可靠第一人称多模态智能的重要性。
临床联邦学习仅连接3至6家医院,导致标准拜占庭鲁棒聚合规则失效。审计显示,在Fed-Heart-Disease等数据集中,样本权重使中位数聚合变成“模型独裁”,单家医院掌握超半数数据即可主导结果。
针对基于流视觉-语言-动作(VLA)策略的强化学习后训练,提出结合 Outcome-Balanced PPO 与策略诱导流整流的方法,以提升模拟操作基准的任务成功率。 Outcome-Balanced PPO 基于任务成功率重新加权正优势,并调整正负优势幅度;策略诱导流整流通过拟合当前策略生成的 ODE 端点对,周期性刷新随机转换中的速度场几何表征。
NVIDIA 对 Nemotron 3.5 Super 进行 RL 后训练,在五个专家任务数据集上显著提升性能。 使用 rank-32 LoRA adapter,SWE-bench Pro V2 从 86.9% 升至 92.1%,GDP_pdf 从 10.4% 升至 24.2%。 各适配器在原本失败的任务上表现更优,如工具使用适配器先找数据再行动。
研究人员提出首个基于 AI 的观测系统模拟实验框架,用于评估 AI 气象模型对物理一致性的复现能力。 实验涵盖 FourCastNet V2、GraphCast、Aurora 和 Prithvi WxC 四个模型,在 60 天预报周期中植入 ERA5 温度场以推断大气状态。 不同架构模型对观测响应的表现各异,基础模型产生最强影响,而 GraphCast 在特定层级配置下出现可修正的数值不稳定现象。
研究发现,曲率增强图卷积网络(CGCN)在四个蛋白-蛋白相互作用(PPI)数据集上的性能提升主要集中于低度节点,而非其声称缓解的过挤压瓶颈边。 该增益源于增强簇内分离以改善簇内预测,但代价是三个数据集中低曲率(瓶颈)边的性能系统性下降。 论文据此提供了基于簇内或簇间预测重要程度来优先选择CGCN或标准GCN的实用指导。
Xing 4 是 TeleChat 衍生系列,在昇腾芯片上实现了 285B 参数模型的前训练,使用 8,192 张昇腾 910C 卡。 前训练基于 MindSpore HyperParallel,结合拓扑感知混合分片与长序列工作负载管理。 引入 TeleGym 智能体执行平台,支持异步解耦执行与部分 rollout,为后续更大规模模型奠定昇腾训练基础。
summary_zh: 提出RWOPD方法,利用SymbiYosys+Z3属性等价检查器对Qwen2.5-Coder-7B-Instruct学生模型进行奖励加权在线蒸馏,提升自然语言到SystemVerilog断言(SVA)生成的准确性。
研究提出Phoenix-bench基准,通过511个Verilator实例评估智能体AI在硬件工程中的表现。 结果显示,智能体在SWE-bench Verified与Phoenix-bench间性能下降37%-58%,失败集中在FSM及跨层级信号流追踪。 定位粒度比定位本身更重要,测试反馈使解决率提升42%-45%。
研究团队提出一种轨迹探测协议,通过截断并重新注入部分推理轨迹来评估模型预测答案的动态变化。 该协议应用于 Qwen3-4B/8B/14B、gpt-oss-20b/120b 等七款开源模型及 GPQA Diamond、MMLU-Pro 等四个基准。结果显示准确率随推理 token 比例增加而提升,且强模型常复现弱模型的错误,但允许进一步推理可显著恢复正确率。
针对四维 Wilson-Clover 传播子求逆,研究出两款可零重训练迁移的单层神经网络预处理器,均能直接减少广义共轭残差迭代次数。 第一款是规范协变并行输运卷积网络,可在不同格点体积、间距及π介子质量间迁移并保持加速效果;第二款是类CNN网络,可直接从小体积迁移至大体积集合并显著加速。 成本对比显示,考虑基构建与求解总耗时后,该方案在大体积格点集上比小体积更具优势。
NeuronGen 提出通过大语言模型生成神经网络参数的新范式,采用两阶段方法实现参数生成。 第一阶段预训练 LLM 以理解参数空间,第二阶段通过上下文增强指令微调适配特定任务。 实验证明该方法能有效生成可用参数,预示 LLM 与轻量级 NN 协同的新方向。
Olmo-core 更新训练栈以支持可扩展 MoE 训练,采用 DDP 及 Expert Parallelism,避免传统 FSDP 的高吞吐损耗。 支持 1.2 万亿参数在 512 GPU 下达到 858 TFLOP/s/GPU,DeepEP v2 后端可扩展至 2.38 万亿。 提出 Token Gerrymandering 缺陷,发现重叠通信会显著拖慢 Kernel 速度。
研究发现自我消耗训练会导致LLM内部表征发生漂移,且稀疏自编码器(SAE)的零样本性能随代际推进而衰退。 实验对比了五代合成数据模型与真实数据对照组,显示虽然微调SAE可恢复重建保真度,但任务相关信息的特征级有用性并未同步恢复。
作者使用 Claude Opus 5.5 复现了 Takehi 等人关于 GPT-6 Astra 的权重空间编程核心研究。Claude 成功从权重中识别 Atari 游戏并找到复制头,在 4/5 环境中超越 PPO,并利用 Qwen3.5-0.8B 的权重将 MATH-500 准确率提升至 58.1%,但其对训练数据的回答常受先验影响。
推荐理由:作者通过十项预注册实验复现了权重空间编程研究,展示了模型在不训练条件下修复网络与推理的具体边界。
开源Python包artist实现了太阳能塔发电厂的全链路可微分数字孪生,基于PyTorch和GPU加速,支持端到端梯度优化。 其光学管线涵盖反射镜面表示、运动学及光线追踪,能统一实现反射镜重建、辐照度预测及瞄准点优化等任务,兼容PAINT数据库。 该工具为数据驱动的自主太阳能塔运行研究提供了可解释的开放基础。
研究者提出 Model Maps 文档框架,通过构建知识图谱追溯基础模型的谱系及上游依赖,以解析 AI 纠缠现象。 该框架定义了 13 类依赖机制,应用于 15 个基础模型,记录了 2,778 个唯一依赖关系,并追踪了距离模型 9 跳之外的源头工件。 研究发现 AI 透明度要求应扩展至上游依赖,以促进供应链中的风险评估、审计与问责。
在 SE(2) 初始位姿坐标系下预测几何图元,可将单遍解码器的决策后悔值降低 1.9-2.2 倍。 单遍解码在对象坐标系下达到 0.020-0.021 的后悔值,速度为 1.6-1.8 ms,显著优于扩散模型和自回归模型。 软令牌期望与 2D Kabsch 投影结合,实现了最低轨迹误差和更高推理效率。
研究提出生成式 AI 驱动的参数化设计优化框架,整合 CAD 与 CAE 分析。 该框架基于 CATIA 模型构建 13 维参数化模板,利用扩散模型生成设计候选。 相比基线,Knee-point 设计使质量降低 7.1%,最大位移降低 29.4%。
该基准测试通过幂次序列控制变量,评估16个开放权重模型在纯演绎、干扰及矛盾检测上的表现。 纯演绎链长至L=128时多数模型接近饱和,但面对不一致前提时表现最低,24B-27B指令微调模型得分为零。
研究发现视觉语言模型在跨图像比较中存在特定失败点,通过调整16-32个注意力头可显著提升性能。在Qwen3-VL-8B模型上,仅训练这些头的查询和键投影使SPair-71k准确率提升28.3分,该效果可迁移至其他基准测试。
研究团队在三天内复现并扩展了 MIT 关于 GPT-6 Astra 直接编写和读取小型神经网络权重的成果。发现 GPT-6 Astra 编写的 Breakout 网络得分分别为 514、550 和 307,与 MIT 报告的 517 相当,且 Claude Opus 5.5 也能编写可运行网络但常因输出 token 耗尽而失败。
在豪萨语医疗选择题中,三个3-4B参数开源模型准确率较英语版本下降显著,且均未超过“只选高频字母”的基线。 误差分析显示,翻译丢失的医学术语是主要缺陷来源;试图通过自生成偏好对弥补差距的干预措施因模型无法理解豪萨语推理而未能执行。
研究分析了Hugging Face库中40篇LLM技术报告,发现多数新架构复用Llama组件,且仅19项创新声明有对照消融支持,可复现性披露极低。 具体数据显示,48个2025年新增架构中39个复用至少两个核心模块,73项创新声明中仅19项提供对照实验,40篇报告仅1篇同时披露数据混合、Token数与算力。 研究提出七项报告准则,强调LLM发布需加强消融验证与透明度,未测试声明不等同于错误。