跳到正文
10月27日周二
  1. arXiv · NLP21

    EdgeDeID:一款在无真实患者数据训练下实现的 0.6B 本地临床去标识模型

    EdgeDeID 是一个 0.6B 参数的本地运行临床去标识模型,完全使用合成数据训练,无需真实患者文本参与。 在 100 条合成临床笔记的基准测试中,该模型达到 0.994 micro-F1,99% 的笔记无遗漏标识符;对比八款现成系统中最强者的 0.857 F1 和 12% 遗漏率表现更优,量化后仅需 615 MB CPU 内存。

  2. arXiv · NLP26

    基于扰动的医疗问答数据选择

    研究提出基于高斯扰动的数据选择方法,结合预测变化频率与非翻转边缘收缩信号。在 MedGemma-4B 模型上,RSP 和 RSP-Drop 在 128 样本预算下 Macro-F1 分别达 47.55 和 48.28。该方法仅使用问题和选项进行筛选,结果基于回顾性评估,未确立临床有效性。

10月26日周一
  1. arXiv · AI32

    PROBE:基于探测引导的 LLM 智能体分子优化框架

    PROBE 是用于结构导向药物设计中 LLM 智能体分子优化的框架,在 CrossDocked2020 基准上达到 SOTA 性能并缓解绑定亲和力与成药性冲突导致的优化失败。 该框架将配体分解为可编辑位点并构建袋特异性位点图谱,通过受控探测编辑生成 EditManual 引导多智能体迭代优化。

  2. arXiv · AI21

    提出 TNCS 以提升代码模型后门攻击的数据效率

    研究提出触发词中性化反事实评分(TNCS)方法,通过对比有触发词输入与反事实输出的评分差异,精准筛选对自回归代码模型最具攻击性的后门毒化样本。该方法在极低中毒率下于 CodeXGLUE 的三项任务和五类触发词家族中均优于基线模型,且对纯净任务性能无损害。TNCS 是目前唯一对所有触发词家族均有效的方法,其筛选出的毒化样本可迁移至不匹配的受害模型。

  3. arXiv · AI40

    开源项目中 AGENTS.md 和 CLAUDE.md 指令文件的普查研究

    对 13 种语言热门 GitHub 仓库的普查显示,部分仓库使用 AGENTS.md 或 CLAUDE.md 引导编码智能体,且两者共存时前者常指向后者。 指令集包含代码规则与工作流,但大量指令缺乏解释;三分之一指令集带有 AI 生成签名,且约五分之四在创建后被编辑。 研究发布了标注数据、分类体系及文件版本指针,为理解智能体指令实践提供实证基础。

  4. arXiv · AI39

    Compact-Bench 评测长时程编码智能体上下文压缩对任务完成度的影响

    Compact-Bench 显示上下文压缩导致 5-64% 的全历史成功任务受损,Claude Opus 4.8 保留率最高,DeepSeek-Flash 损伤最大。 该基准包含 35 个 SWE-bench 修复和 146 个会话,机械提取保留 79.1% 细节,远超 LLM 摘要的 16.0%。 结果表明可靠压缩需保留任务进展,仅保留相关信息无法确保任务成功。

  5. arXiv · AI30

    SWE-Shift:评估演化工作区中编码智能体的基准测试

    SWE-Shift 基准测试评估编码智能体在执行任务期间应对工作区动态变化的能力。 该基准包含 120 个场景、12 个变化族及 9 个干预点,成功标准包括完成当前任务、保留有效工作及满足状态检查。 对 17 个系统的测试显示,所有系统在“偏移”条件下的成功率均低于“干净”条件,且工具变更导致所有系统配对成功率为零。

10月24日周六
  1. Qoder70

    Qoder 首发上线 Kimi K3.1 Pro

    Qoder 国际版和 CN 版全系列同步上线刚刚发布的 Kimi K3.1 Pro。该模型拥有 3 万亿级参数,支持 100 万上下文,在 Terminal-Bench 4.0 得分 65.7%,Kimi 内部长程编码测试得 61.2%,BenchCAD 3D 建模得 92.7%。用户可在 Qoder 模型选择器中选择 Kimi-K3.1-Pro 使用。

    推荐理由:Qoder 作为集成平台首发上线 Kimi K3.1 Pro,明确了其在长程编码任务中的实测数据与调用入口。

  2. ZCode25

    ZCode 1024程序员节赠送20万份5亿Tokens福利包并更新办公模式与Workflow功能

    ZCode于10月23日启动1024程序员节活动,不限用户登录最新版客户端即可免费领取20万份5亿Tokens福利包,包含GLM-5.3与GLM-5.3-Flash。 福利包在23日20:00至26日09:00期间可用,采用先到先得机制。 近期ZCode更新办公模式、Workflow动态工作流及插件市场,将编程Agent能力延伸至日常专业工作与深度数据分析场景。

  3. 月之暗面 Kimi92

    月之暗面发布 Kimi K3.1 Pro 及高速版

    月之暗面发布 Kimi K3.1 Pro 模型,这是其 3 万亿级参数、支持 100 万上下文的版本。K3.1 Pro 在 Terminal-Bench 4.0 基准测试中得分 65.7%,并在内部金融与 3D 建模场景中实现了长程智能体工作流的端到端交付。即日起可通过 Kimi 官网、API 及桌面应用使用,完整模型权重将于 11 月 4 日前发布。

    推荐理由:月之暗面发布 3 万亿参数 Kimi K3.1 Pro,其在代码和金融长程任务上的提升为评估新一代模型能力边界提供了直接样本。

10月23日周五
  1. Qoder62

    Qoder 上线 php2shell Defense 与 Node.js 漏洞扫描插件协助排查高危漏洞

    Qoder 插件市场上线 php2shell Defense 和 Node.js 漏洞扫描两款插件,用于应对 PHP 和 Node.js 近期的安全更新。该功能允许用户通过预设指令对项目进行只读检查,在用户确认方案后执行文件修改与本地测试,并协助验证部署结果。文中指出使用 DeepSeek-V4.1-Flash-1017 执行该检查流程目前免费。

    推荐理由:官方针对 PHP 和 Node.js 高危漏洞提供了两款配套插件及标准化检查指令,帮助开发者在不接触生产环境的前提下完成风险排查与修复验证。

  2. arXiv · AI68

    Measuring the Permission Gate: A Stress-Test Evaluation of Claude Code's Auto Mode 发布:对 Claude Code 自动模式权限系统的压力测试评估

    研究团队发布了对 Claude Code 自动模式权限系统的独立评估,指出该机制在处理用户意图明确但范围模糊的任务时存在防御缺口。使用包含 128 个提示词的 AmPermBench 基准,评估了 253 个状态变更操作,端到端漏报率(FNR)达 81.0%,显著高于生产流量中的 17%。

    推荐理由:论文通过独立压力测试揭示了 Claude Code 自动模式在模糊授权场景下的防御盲区,指出文件编辑路径未被覆盖导致漏报率高达 81%。

  3. arXiv · AI31

    **title_zh:** R²Orch:通过技能内化循环中的自博弈实现智能体编排的递归自我改进

    **summary_zh:** 提出R²Orch递归自我博弈编排范式,解决手工课程、优势坍缩及评估信号不可靠等挑战。 该方法引入“递归可学习性”目标奖励任务提案者,并通过“技能撤回”机制将失败蒸馏为技能及参数,最终实现零技能部署。 在12个数据集的实验显示,R²Orch在问答、数学、代码及交互任务中持续优于基线模型。

  4. arXiv · AI27

    ManimAgent:用于视觉教育的自进化多模态智能体

    ManimAgent 是一款自进化多模态智能体,通过双通道情景记忆库在任务间传递反思经验,无需权重更新或人工种子。 记忆库包含存储成功范例的正向通道和存储失败模式的负向通道,由视觉语言模型对渲染关键帧进行评分后生成。 在固定探针评估中,随着记忆库规模增加,盲测 Pass@1 指标上升且所需反思轮数减少。

  5. arXiv · AI45

    ProductWebBench:评估超越任务完成度的网站连续性

    论文推出 ProductWebBench 基准,在 320 个变更任务和 80 个长期构建任务中评估前端编码代理的网站连续性。 基准基于 8,737 次运行和 13 个模型测试,发现 28.2% 通过目标检查的运行仍存在连续性故障,18.3% 破坏了已验证状态。 ProductWebBench 通过冻结快照和确定性检查,实现对动态系统中补丁影响的精确溯源。

  6. arXiv · AI37

    Agentic Verified Optimization of Real-World Software

    提出代理式验证优化框架,利用机器检查证明确保代码加速且行为不变。 该框架通过 Aqueduct 迁移 C/C++/Go/Rust 程序至 Lean 4,并在 Verina 的 189 个实现中成功对 156 个生成带证明的快速重写。 在 17 个迁移应用中的 51 个场景里,92 次验证重写有 47 次实现加速,证实代理已具备生产级验证优化潜力。

  7. arXiv · NLP36

    开放权重模型在提取列表中填充至 schema 最小计数:预注册研究揭示 34.5% 至 55.4% 的误报率

    一项预注册研究测试了 8 个开放权重模型在 558 份真实文档上的表现,发现当 schema 设定未强制的最小计数 k 时,模型倾向于填充列表。 显示 schema 中的最小计数会将列表长度超过真实数量的比例从 34.5% 提升至 55.4%,且约一半的填充项来自原文,难以通过常规检查发现。 研究者发布了代码和运行记录,指出常见修复方法效果有限,重新询问验证错误反而使填充更常见。

  8. AWS Machine Learning Blog65

    SageMaker 推出 training session APIs:免管 GPU 自定义 LLM 训练循环

    SageMaker 上线 training session APIs,开发者在本地代码中编写 SFT、RL 等训练循环,SageMaker 负责 GPU 上的 sample、forward_backward、optim_step 等算力操作。

    推荐理由:SageMaker training session APIs 把训练循环和底层算力分离,让开发者可以保留算法控制权同时避开 GPU 运维。

10月22日周四
  1. arXiv · NLP40

    编程语言对编码智能体 Token 消耗行为的影响研究

    研究显示编程语言显著影响编码智能体的 Token 消耗成本,且该差异在五个最新模型中表现一致。 通过 Python、Java、Rust 和 OCaml 的实验发现,智能体常在陌生语言中生成非编译代码,并倾向于用 Python 原型代替目标语言。 研究提出按语言进行 Token 效率基准测试,为多语言智能体开发提供指导。

  2. arXiv · ML23

    基于能量函数的强化学习迁移方法

    提出一种基于能量函数的迁移学习方法,利用分布外检测使预训练教师策略仅在训练分布内的状态进行干预。 该方法通过理论联系能量得分与在策略强化学习下的状态访问模式,在单任务和多重任务设置中提升了样本效率与性能。