跳到正文
10月20日周二
  1. arXiv · NLP69

    Muse Glimmer 30B 开源端侧智能体模型发布

    Muse Glimmer 是一个基于 Apache 2.0 许可开源的 300 亿参数因果语言模型,专为消费级硬件设计,集成了多模态感知、多步推理与工具调用功能。模型经过 4-bit 量化优化可在单 GPU 上本地运行,无需云端基础设施,在同量级模型中实现了 agentic benchmark 的领先性能,并支持超过 100 种语言的训练数据。

    推荐理由:Muse Glimmer 作为 30B 参数模型实现了本地智能体功能,为消费级硬件部署多模态推理模型提供了新路径。

  2. arXiv · NLP38

    大语言模型如何建模囚徒困境中的人类行为

    研究发现,TII Falcon 7B Instruct、Gemma 7B 等开源 LLM 在重复囚徒困境中普遍比人类更合作,尤其在随机伙伴环境下,人类平均合作率为 28.5% 时,部分模型超过 80%。 Qwen-2.5-7B-Instruct 表现确定性强,Phi-mini-MoE-Instruct 变异性大且短暂接近人类水平。这些 LLM 具备行为模拟代理潜力,但目前尚不可靠地替代人类参与者。

  3. AWS Machine Learning Blog37

    Amazon SageMaker JumpStart 2026 年度回顾:新增超 100 个模型,覆盖 30 家提供商

    2026 年 1 至 9 月,SageMaker JumpStart 新增超过 100 个模型,来自 30 家提供商。 重点纳入 Alibaba(Qwen)29 个模型、NVIDIA 17 个模型及 Mistral 7 个模型,支持 LoRA、SFT、DPO 等微调技术。 强化多模态与高效推理能力,提供量化模型如 GLM-5.2 FP8 和 MiniCPM5-1B。

10月19日周一
  1. arXiv · NLP36

    KiranaBench:评估 LLM 智能体在多语言印度杂货店场景下的经营能力

    研究团队提出多智能体基准 KiranaBench,模拟印度多语言杂货店运营场景,包含经理、收银员等四个 LLM 智能体角色。 该基准支持英语、印地语和 Hinglish 交互,需求数据基于印度国家家庭消费支出调查校准。 测试显示,四款开源 LLM 中最佳模型利润仅为固定规则基线的八分之一,两款模型表现甚至低于无管理店铺,印地语和 Hinglish 下的性能显著低于英语。

10月16日周五
  1. arXiv · ML25

    多头自注意力中强制数据对称性的固有权衡

    完整刻画了等变多头自注意力(MHSA):若对对称群 G 等变,则 G 仅能通过置换 head-clusters 作用。 固定架构若以多项式参数化实现精确等变,必然导致表达力损失;8 头在 D4 群下存在 Ω(C^64) 个分量。 实验表明,当注意力层被压力变为等变时,预测的 head-cluster 结构会自然出现。

  2. arXiv · ML24

    IBIS 框架:通过优化正交性实现单运行隐私审计中干扰最小化的 Canaries 设计

    隐私审计中的 Canaries 互扰会削弱差分隐私下界估计的统计效力,尤其在高成本的多运行方法中尤为突出。 IBIS 框架结合基于影响的贪婪初始化与双层优化,通过嵌入空间正交正则化最小化 Canaries 间干扰,并增量更新单一模型。 该设计在提升 MIA 指标的同时,将计算成本降低最多两个数量级。

  3. arXiv · ML39

    LeanGraphSearch 提出基于图检索的 Lean 4 形式定理证明方法

    LeanGraphSearch 利用 Mathlib 前向依赖构建图,通过多跳依赖链提升形式定理证明引理检索效果。 该方法基于 Lean 4,将图排序算法与重排序结合,在 MathlibQR 基准上将召回率最高提升 12%。 结合 Lean 反馈的迭代证明循环显示,其 32 轮反思下的通过率相比 vanilla prover 最高提升 40%,具有更高的精度-成本效率。

  4. arXiv · AI47

    JevAgentHarness: 基准测试、部署及训练与 LLM 共享控制的决策模型

    JevAgentHarness 提出了利用 Jev 决策模型替代 LLM 进行工具选择以降低成本与延迟的方法。 评测发现,未设定置信度阈值时委托决策使成功率降低 19.0 个点;基于 Agent 轨迹训练的开源 4B 模型 AgentDecision-4B 在类训练数据任务上使成本降低 81.1%-89.0%,速度提升最高 2.5 倍。

  5. arXiv · AI43

    PLVR 将 Kimi-K3 专家轨迹蒸馏为程序,提升小模型在工具使用任务中的表现

    PLVR 系统构建自教师模型 Kimi-K3 推理轨迹的程序,显著提升冻结小模型性能。Granite-4.2-8B 在 Telecom 测试集得分由 43.0% 升至 91.2%。 基准测试覆盖 tau2-Bench 与 LiveMCPBench,模型间基础性能差距从约 7 点缩小至约 2 点。 方法无需更新模型权重,适用于程序化工具使用场景。

  6. Hugging Face Blog91

    Meta 发布开源权重多模态大模型 Muse Spark Open

    Meta 发布 816B 参数的开源权重多模态 MoE 大模型 Muse Spark Open,每 token 激活约 42B 参数,支持文本、图像、音频和视频输入,上下文窗口达 1M token。文章详细介绍其架构与部署方案,提供 transformers、llama.cpp、vLLM 和 SGLang 的运行及微调示例,演示代码编写和浏览器操作等智能体任务。

    推荐理由:文章给出了模型架构、部署方案和微调方法,方便开发者评估其实际可用性和算力门槛。

10月15日周四
  1. arXiv · ML21

    CAtt-BiGNN:一种受有限元启发的二部图学习模拟器用于大型冲压成形可制造性评估

    CAtt-BiGNN 通过跨注意力二部图网络实现节点位移与单元薄化的联合预测,在自主回归滚动中优于基线模型。 该模型利用节点-单元边编码有限元状态组织,动态更新边表示,并支持大规模图的长程传播。 其在穹顶冷成形和角部热成形基准测试中验证了准确性提升。

  2. arXiv · NLP55

    PrismaCoder: 通过分解评审标准合成推动开源多模态代码智能边界

    PrismaCoder 提出了一种名为 PrismaForge 的层级数据管线,利用分解的评审标准合成数据并驱动多模态代码模型的强化学习。基于该管线,作者构建了 PrismaCoder-2M 数据集,并训练、开源了 PrismaCoder-9B 和 35B 模型。这些模型在开源领域大幅领先现有最优水平,并与头部专有系统性能相当。

  3. arXiv · NLP29

    通过推理引导翻译扩展多语言安全与推理评测

    提出推理引导翻译框架,用于构建多语言评测。该框架结合任务感知验证与独立质量筛选,生成了覆盖 11 种语言、包含 7 项安全与数学推理资源的评测集。 在需修复的两个子集中,该集合实现了 99.94% 的预期条目 - 语言对覆盖率。评测开源 LLM 显示,低资源语言中存在显著的推理退化。 这种语言依赖性表明,在英语之外理解多语言模型行为需任务敏感的基准构建。

  4. arXiv · ML40

    SAE-IDF:面向符号匹配的共享稀疏坐标系

    SAE-IDF 通过稀疏自编码器将符号编码为稀疏码,并利用稀有度对维度重新加权,实现了跨异构符号系统的单位匹配。 在涵盖 6 种符号系统的 12 项任务中,该方法是首个基础性步骤,相比同一 LLM 稠密基线,在使用 Gemma-2-9B 时于全部任务上、在使用 Llama-3.1-8B 时于除一项外的任务上均实现超越,最高提升达 45 分。

  5. arXiv · NLP44

    LLM-jp-4 技术报告

    LLM-jp-4 发布 8B 稠密模型与 32B-A3B MoE 模型,均在约 12 万亿 tokens 上从头训练。 该家族模型强调透明性与可复现性,公布了数据与选型标准,性能超越前代且媲美同规模开放权重模型。 旨在为未来主权 AI 开发提供参考。

10月14日周三