跳到正文
10月28日周三
  1. arXiv · AI48

    AgentLogs:揭示 GitHub 云智能体内部运作的大规模日志数据集

    研究团队推出 AgentLogs,这是首个涵盖 GitHub 云智能体真实世界活动的大规模数据集,旨在打开黑盒,记录包括失败在内的执行过程。 数据集包含来自 40,565 个公共仓库的 363,624 个任务和 635,886 个会话,以及 75,631,136 条日志条目,详细记录了提示词、推理、工具调用和 token 消耗。 该数据集支持对智能体行为、故障模式、效率成本及人机协作等方向的研究。

  2. arXiv · AI31

    GPT-Image-2 实战:基于 Twitter 数据集的自述 AI 生成图像分析

    研究团队发布首个 GPT-Image-2 公开数据集,汇集 2026 年 4 月 21 日模型发布后六天内的 10,217 张确认图像。 数据经多语言启发式与浏览器自动化验证筛选,涵盖 CLIP 主题分类、OCR 文本可读性及人脸检测等四维度分析。 发现 Twitter CDN 上传会系统性剥离 C2PA 内容凭证,导致社交媒体来源 AI 图像的加密溯源验证不可行。

  3. arXiv · AI32

    LLM 生成反事实压力场景用于投资组合风险模拟:混合 Prompt-RAG 管道

    该研究构建了基于 LLM 的宏观金融压力测试管道,利用 2,420 个场景数据发现压力严重性主要由提示词设计继承,而非由模型自主生成。 实验对比了 GPT-5.6-luna 和 Llama-3.1-8B,前者遵循算术逻辑但锚定提示区间,后者离散度高出 4-7 倍且在 90% 案例中自相矛盾。 研究指出 LLM 场景生成器最适合在预设严重路径下进行叙事和部门启发,而非作为压力幅度的自主校准器。

  4. arXiv · AI23

    6G 意图驱动网络中的 Agentic AI 赋能

    该研究提出一种分层多智能体框架,利用 LLM 智能体通过 ReAct 循环自主分解自然语言意图并合成网络切片配置。 框架包含编排智能体及 RAN 和核心网专家智能体,基于结构化网络状态表示进行迭代推理。 实验表明系统性能优于单体智能体、基于规则系统及直接 LLM 提示,架构适用于 Open RAN 部署。

  5. arXiv · AI21

    探索大语言模型作为人类认知反映的局限性:道德判断情境下的例证

    LLM在人类参与者模拟中表现出局限性,轻微修改30个道德情景措辞会显著降低人类与LLM评分的相似度。 该现象源于LLM对新颖刺激的反应可能与人类不同,相似度下降幅度因模型而异。 研究者需在具体实验中验证人类与LLM反应的相似度,而非直接将LLM用作心理研究模拟器。

  6. arXiv · AI43

    FlashScript: 将重复智能体工作流编译为可复用神经符号程序

    提出FlashScript方法,将智能体成功运行编译为可复用神经符号程序(NSP),动作变代码、判断变LLM调用。 在120个WorkBench任务中,NSP使用约70倍更少的输入token且运行时间缩短至三分之一,比技能引导智能体更稳定。 NSP可视为累积软件资产,供用户在重复工作流中测试、维护和复用。

10月27日周二
  1. Qoder33

    国金证券 × Qoder 规模化 AI 研发共建实践:AI 代码生成占比超 90%

    国金证券与阿里云合作,利用 Qoder 将 AI 代码生成占比稳定提升至 90% 以上。 双方将 2000 余份知识卡片提炼为 10 条避坑规范,覆盖 5 类研发环节;实测知识导航减少工具调用约三成,显著降低存量系统开发风险。 此举将个人经验转化为组织标准,确立标准与约束为 AI 规模化落地的核心瓶颈,而非工具本身。

  2. arXiv · NLP36

    HealthAgentBench:涵盖9类临床工作流的75项任务智能体医疗基准

    HealthAgentBench是一套包含75个智能体医疗任务的基准,由研究人员发布。 该基准覆盖9个类别,任务要求智能体在复杂环境中处理原始数据并执行多步操作,如查询大型数据库或解读病理图像。测试显示,Claude Code Opus-5.5以57.3%的成功率领先,各AI智能体在CT和MRI等专业影像模态上的表现普遍较弱。

  3. arXiv · NLP32

    多模态 LLM 能否检测文档篡改?

    多项多模态大语言模型(OpenAI O1、Gemini、Grok、Llama 等)被评估在真实交易文档上识别篡改文本、格式错位及金额不一致,顶级模型在零样本场景下优于传统方法,但在分布外数据表现仍不稳定。模型规模与推理能力与检测准确率相关性有限,任务微调可能更关键。

  4. arXiv · NLP39

    VerifyMAS:LLM多智能体系统的假设验证式故障归因

    针对现有方法遗漏全局故障及搜索空间过大的痛点,VerifyMAS提出基于假设验证的故障归因框架,通过验证全轨迹中的失败假设来定位故障智能体,而非直接预测。 该方法基于结构化错误分类构建假设数据并微调LLM验证器,在Aegis-Bench和Who&When基准测试中,显著提升了包括Qwen和GPT在内的多种基座模型表现,且未牺牲长轨迹推理效率。

  5. arXiv · NLP45

    SEMA-Auto: 一种具备自主性的视觉化高效多轮攻击方法

    SEMA-Auto是一种具备自主性的视觉化高效多轮攻击方法,在多个数据集上取得了最先进的攻击成功率(ASR)。 该方法通过合成自举微调和决策监督强化学习进行两阶段训练,实现了在更少轮次内超越所有静态和交互式基线的效果。 例如,针对DeepSeek-V4-Flash,其在AdvBench上以平均3.0轮次实现了76.0%的ASR@1,显著优于基线表现。

  6. arXiv · NLP20

    MechAlign:评估数学形式化中项目级语义对齐的框架

    MechAlign 提出项目级语义对齐审查框架,结合形式依赖提取工具 LeanTrace 与基于大语言模型(LLM)的评估机制。 LeanTrace 从 elaborated declarations 构建语句依赖图,保留定义体与结构约束,排除证明体并在显式库边界处停止。 该框架在 201 个主结果上进行了初步审查,并构建了包含 501 个三元组的 LeanReviewBench 数据集。

  7. arXiv · NLP26

    研究揭示视觉语言模型在评估同一条低价项链时因背景不同产生显著价格偏差

    研究显示,同一条2.43美元项链在正式着装照片中估价是平铺照片的1.9至3.3倍。 该效应无需图像输入,纯文本描述背景时估价偏差比率为2.2至3.9倍;平铺估价本身已偏离收据价7.8至18.7倍。 模型对同一背景的价格评估并非基于客观事实,上下文背景显著影响了估值结果。

  8. arXiv · NLP26

    GPT-4o 在 ADHD 自诊断中的性别关联分析

    研究利用 Context Association Test 评估 GPT-4o 在零样本 ADHD 自诊断中的性别偏差,发现显性线索会放大特定亚型关联,而隐性线索呈现近代理分布。 结果差异表明显性人口统计线索可能激活过度矫正的偏见缓解机制,而隐性线索反映模型默认行为,LLM 自诊断中的性别偏差评估需关注模型编码的关联。

  9. arXiv · NLP28

    内容审核中分歧与决策风险并非同一概念:廉价结构化模型的独立审计与基准测试

    针对廉价“System One”审核模型(单次约0.000025美元、延迟100ms)的首次独立审计显示,其在142,658条标签数据上的零样本分类AUROC达0.83,与14个前沿推理模型在成本降低1-3个数量级的前提下准确率具有统计可比性。 研究指出模型置信度混淆了人类分歧与决策风险两种不确定性,通过分解子问题可恢复被原生置信度忽略的人类分歧信号,但该方法仅对最弱的模型有效且依赖分布敏感性。

  10. Sam Altman (X)92

    Sam Altman 宣布 GPT-6.1 Terra 开启计算机使用新纪元

    Sam Altman 发布推文宣布 GPT-6.1 Terra 上线,特别强调其开启了计算机使用的新纪元。引用的 OpenAI 说明称,该模型能以更低价格提供快速且有能力的计算机使用,可理解屏幕内容、跨应用执行操作并自然写作,成为更高效的工作日模型。

    推荐理由:OpenAI 负责人强调 GPT-6.1 Terra 开启计算机使用新纪元,为理解该模型在跨应用操作与日常工作流定位提供第一手视角。