跳到正文
11月18日周三
  1. arXiv · AI35

    CueClash:前沿视觉语言模型在接近图像平面的 3D 关系判断中存在偏差

    研究提出 CueClash 数据集,揭示 Claude Opus 5.5、GPT-5.5 和 Gemini 3.6 Flash 等前沿视觉语言模型在判断 3D 关系时依赖 2D 视觉线索。 低推理力度下,这些模型的“捷径差距”达 +18 至 +37 个百分点;提供地面坐标后可正确率达 99% 至 100%。 模型生成的场景地图多保留深度顺序但缩短深度,表明其 3D 空间理解仍存在局限。

  2. arXiv · AI32

    RehearsalBench 基准测试:评估 AI 预测企业运营变革后果的能力

    RehearsalBench 发布基准以测试 AI 预测企业变革后果能力,最佳模型 GPT-6 Astra 较无干预提升 6.8%。 十款模型在 14 个组织场景中完成 280 次尝试,平均预测正确但效应大小常高估五倍,且从未建议“不行动”。 外部验证中 12 款模型对 33 个真实变更的预测排名与现实排名相关系数达 0.92。

11月17日周二
11月16日周一
11月11日周三
11月10日周二
  1. IT之家70

    谷歌 DeepMind 用 AI 完成 Signal 协议形式化验证,数学证明其端到端加密可靠性

    谷歌 DeepMind 团队利用 AI 完成了 Signal 加密协议的安全性形式化验证,确认该协议在既定模型下满足安全承诺。这一验证对广泛采用该协议的 WhatsApp 和 Google Messages 具有参考价值。研究团队表示,虽然 AI 成功识别了旧版协议中的已知漏洞,但将此类技术应用于其他软件的安全证明仍面临大量计算资源消耗的挑战。

  2. Google DeepMind86

    Google DeepMind 推出 AlphaProof Code:AI 形式化验证 Signal 加密协议代码

    Google DeepMind 发布 AlphaProof Code,这是一个结合人类专家与多 LLM 智能体的形式化验证框架,首次完成了对 Signal 加密协议实际运行代码的深度数学证明。

    推荐理由:AlphaProof Code 首次实现了对已部署加密协议底层代码的深度形式化验证,为软件安全证明提供了可迁移的 AI 框架。

  3. arXiv · AI31

    PITA 基准揭示推理模型在长程任务中的长度泛化差异

    研究引入含 2300 万条命题逻辑语句的 PITA 数据集,发现含推理痕迹的模型在广度大而深度浅的子集上泛化良好,但在深度大且广度窄的子集上表现劣于基线模型。 研究通过受控传递推理任务验证了广度利于推理模型而深度暴露长上下文弱点的机制,解释了观察到的标度规律。 该发表于 NeurIPS 2026 的研究明确了证明式推理痕迹在受控长度泛化场景下的显著优势与局限。

11月7日周六
  1. 机器之心48

    ASP:基于昇腾算力的首个 NeurIPS 大模型 RL 训练加速系统

    华为与深圳市大数据研究院联合研发 ASP 系统,在昇腾 910B3 上将 Qwen3-30B-A3B RL 训练迭代时间降低 76.7%,生成吞吐提升 222%。 该开源工作消除多实例异步 RL 中的三类调度气泡,在百卡电信场景中压缩训练周期至 2 个月,并计划迁移至 verl 框架。 ASP 是首个被 NeurIPS 接收的基于国产算力的大模型 RL 训练加速系统,证明了昇腾生态的前沿技术实力。

11月6日周五
11月4日周三
11月3日周二
10月28日周三
  1. Hacker News AI83

    Project Zero 对比 Fuzzilli 与 BigSleep 在 V8 引擎漏洞挖掘中的效能

    Project Zero 对比了模糊测试工具 Fuzzilli 与基于 LLM 的 BigSleep 在 Chrome V8 引擎上的漏洞挖掘效果。过去六个月中,BigSleep 发现 45 个漏洞,Fuzzilli 发现 37 个,重叠率约 25%;但在历史故障重现实验中,BigSleep 重新发现了约 60% 的 Fuzzilli 历史漏洞。

    推荐理由:通过真实生产数据对比模糊测试与LLM在V8漏洞挖掘中的重叠度,明确了二者互补边界及各自优势场景。

10月27日周二
10月26日周一
10月22日周四
  1. arXiv · ML38

    Transformer 推理内部动态研究:层状态轨迹揭示层序计算效应

    针对 Qwen、Llama 和 Gemma 模型的研究表明,层顺序产生的轨迹比端点保持shuffle对齐1.60至2.24倍。 该效应在同一Qwen架构的随机初始化中更强,确认为架构兼容框架而非特定训练规律。局部过渡执行器在置信门控下成功控制17条闭包轨迹而不影响203条非闭包输出。 研究证实了层顺序的可观性和可计算性,但未建立完整的LLM动态理论或答案正确性控制。

10月20日周二
10月19日周一
  1. arXiv · ML32

    跨越 LLM 训练阶段切换优化器的短暂成本

    研究发现 Llama-3 模型从 AdamW 切换至 Muon 优化器几乎无显著性能惩罚,且 Muon 比例增加通常提升 SFT 后的下游性能。 该结论基于 1.2B 模型预训练及 14B 规模 Llama 和 Qwen 模型的持续预训练与 SFT 实验,结果显示后训练优化器选择可独立于预训练优化器。 该研究已被 NeurIPS 2026 研讨会接收,为优化器跨阶段迁移提供了系统性实证依据。

10月17日周六
  1. Hacker News LLM76

    LLM Benchmaxxing 统计分析报告

    作者提出统计模型量化 LLM 对旧基准的过拟合(Benchmaxxing)倾向,发现 Google 模型在发布前基准上平均高出 1.41 ECI 分。若扣除该效应,Gemini 4.0 Argon 在 ECI 排名中将从第 4 降至第 6。

    推荐理由:通过统计模型量化各实验室在旧基准上的过拟合倾向,为解读 LLM 排行榜分数提供可复现的分析框架。

10月15日周四
  1. arXiv · ML20

    MAPLE:用于评估LLM的参数化知识提取多轴透镜

    研究提出MAPLE框架,以评估知识提取增强(KEE)技术对大语言模型的影响。 MAPLE在表层、概率层和采样外层解耦效应,通过测量答案恢复、破坏及排名变化进行诊断。研究评估了OLMo2、Qwen2.5和Llama3三种模型家族的六种KEE技术。 结果显示不同技术间存在显著差异与权衡,表明MAPLE在超越整体准确率方面具有重要价值。

10月14日周三
10月7日周三