前沿 AI 模型在 LIBERO-10 机器人操作任务中的基准测试
在 LIBERO-10 机器人操作基准测试中,研究人员构建了统一的闭环操作框架,评估了 6 款前沿 AI 模型在未进行任务特定微调的情况下直接控制机器人的能力。
在 LIBERO-10 机器人操作基准测试中,研究人员构建了统一的闭环操作框架,评估了 6 款前沿 AI 模型在未进行任务特定微调的情况下直接控制机器人的能力。
研究显示,强模型自身检索优于预设记忆系统,Agent 记忆是弱模型的昂贵补丁。Mem0 仅在 GPT-4o-mini 上优于全上下文,其构建成本超过单次全上下文运行。 Claude Opus 5.5 搭配 Pi 编码 Agent 表现最佳,准确率 99% 且成本不足全上下文一半。部分优势源于 Agent 读取照片描述,非记忆机制本身。
研究者提出公共支持蒸馏(CSD),一种统一的基于 logits 的跨词表知识迁移框架,通过构建师生模型间的共享支持集来对齐预测分布。 CSD 在一对一对齐中显式使用公共 token 对,其他对齐通过自回归链式法则计算虚拟支持概率,并用残差事件确保分布归一化。
针对AI智能体行动前的多个监控器可能共同失效问题,研究提出借分布式计算理论设计安全且存活的决策规则。实测12个开源小模型及Claude Opus 5.5等3个闭源前沿模型,发现“计数来源而非票数”的新规则将正常交易拦截率从7.4%降至0.9%,安全性保持不变。引入不可被说服的规则引擎可恢复安全且存活的规则,建议多样化输入、强化监控器并计数来源。
研究发现 LLM 长期记忆功能导致“记忆注入”漏洞,ChatGPT Instant 5.3、Claude Sonnet 4.6 和 Gemini 3 Flash 均无法防御。 攻击者可利用个人记忆、MCP 资源等向量,在多个会话中持续传播错误信息或窃取提示,Claude 共享记忆更危及组织内多用户。 近半数防御机制未在目标服务中实施,论文提供了数据集与攻击工件以支持对策研究。
summary_zh: D-Skill 框架将教师模型的行为优势蒸馏为可解释的自然语言技能文档,使小模型在推理时加载该文档以提升性能。 该方法离线分析配对轨迹生成技能,无需更新权重或额外交互;在 SpreadsheetBench-Verified、ALFWorld 和围棋谜题上填补了 75%-95% 的教师-学生能力差距。
SpanCalib-VLM 采用混合双系统架构,结合多模态序列标记器与微调生成式 VLM(Qwen3.5-4B-SHROOM-SFT),通过联合校准融合策略提升幻觉跨度检测的准确性与置信度校准。
研究通过 70 个学术提示词对比了 ChatGPT、DeepSeek V3 等 10 款大语言模型在幻觉与响应偏差上的表现。 Perplexity 和 DeepSeek V3 整体准确率最高,LLaMA 3 幻觉抗性较强,Falcon 实现零幻觉但召回率最低。 结果揭示了响应完整性与事实可靠性之间的根本权衡,且受提示词复杂度显著影响。
论文提出 D-PAL 方法,基于重叠度计算权重并采用 Rényi 散度损失,在 Qwen3-4B 模型上提升推测解码性能。 Rényi-1/2 散度可证明性界定了真实接受率。
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。
Cloudflare 使用 OpenAI Daybreak 调查漏洞并提议修复方案供审查。 其开发者利用 Codex 构建更快并提升代码质量。
OpenAI 宣布其前沿模型和 Codex 智能体工作流将登陆 Google Cloud 的 Model Garden。此举旨在让企业能够在现有的构建环境中使用 OpenAI 的技术。
OpenAI 发布前沿 AI 民主治理第二部分方案,旨在赋能网络防御者。该蓝图涵盖加强安全护栏、现代化网络安全及增强公共机构韧性。
AT&T 正与 OpenAI 合作,通过内部 LegalEdge 团队重新思考法务案件受理流程并规模化法律判断能力,旨在让法律知识更易获取。 其核心目标是通过 AI 提升法律知识的可及性,并优化内部法务工作流程。
OpenAI 发布了一个 Codex 技能包,帮助用户检查其网站是否受 PHP 关键安全漏洞影响。用户可通过将 Codex 指向指定 GitHub 仓库(github.com/openai/php2shell-checker)来执行该检测流程。此技能包是在 OpenAI 主导发现 PHP 引擎严重漏洞并协调披露的背景下推出的。
推荐理由:官方提供了用于检测PHP漏洞的Codex技能包,读者可直接复用该工具评估站点安全性。
OpenAI 表示其模型在 Patch the Planet 计划支持下协助研究人员发现了 PHP 中影响约 70% 网站的关键安全漏洞。过去两个月,OpenAI 牵头协调维护者、研究人员和安全供应商准备修复方案,因修复需对 PHP 引擎进行重大变更,披露前需要充分准备时间。
推荐理由:该漏洞影响 70% 的网页,且修复需要深度修改 PHP 引擎,AI 提前发现让防御方拥有了修复时间。
OpenAI 构建了 ChatGPT 的 LLM 驱动广告技术栈,旨在理解对话意图并大规模投放相关广告。 该架构确保广告与回答严格分离,以支持用户信任与相关性目标。
ChatGPT 广告服务扩展至 26 个新国家,目前已有超过 100,000 名广告主使用该平台。 这一扩展使本地企业到全球品牌都能通过 ChatGPT 触达正在探索、比较和决定购买的用户。
OpenAI 与 Google Cloud 将 OpenAI 前沿模型和 Codex 工作流引入 Gemini Model Garden,并可通过 Google Cloud Marketplace 使用。
推荐理由:OpenAI 前沿模型与 Codex 工作流进入 Gemini Model Garden,用户可在 Google Cloud Marketplace 中调用相关能力。
OpenAI 的 GPT-Rosalind 在 Perry 综合征相关研究中提出假设,恢复胆固醇运输可能保护神经元。数千个 GPT-Rosalind 智能体并行工作,在 32 分钟内连接了数百万小鼠脑细胞基因表达数据与科学文献。
推荐理由:GPT-Rosalind 协助在 32 分钟内建立基因表达与文献的联系,为神经退行性疾病提供了新机制和药物靶点方向。
Google Cloud和NVIDIA宣布NVIDIA Vera Rubin基础设施的实例将于下月通用可用,并计划扩展至欧洲。A5X实例整合了Vera Rubin NVL72、ConnectX-9 SuperNICs和第四代液冷技术,以支持大规模Agentic推理和强化学习工作负载。
推荐理由:官方确认了A5X实例在Google Cloud的通用可用性及欧洲扩展计划,并展示了其支撑大规模强化学习的集成平台架构。
研究表明,编码智能体提交代码的解决时间变异中,约五分之二源于仓库差异,而非智能体本身。 在280个仓库中,智能体PR的仓库间方差是人类的1.76倍。仓库慢一个标准差,智能体等待时间通常延长2.8倍。 这提示对编码智能体的监督与评估,必须以仓库而非仅智能体为分析单元。
研究发现,Llama-3.1-8B 等四个开源模型在事实问答中,答案在特定层收敛至共享的“答案质心”区域,该状态在 47%-71% 的网络深度处跳变。 将错误答案状态移至正确质心可让模型在 83%-97% 的案例中输出正确答案,且该信号比模型自信度更具信息量,揭示了答案生成的内部机制。
研究发现,针对当前问题筛选句子的方法在后续 MultiRC 问题上并不优于随机删除。 LLMLingua-2 忽略问题语境,在后续 MultiRC 问题上比随机句子删除高 12.5 分;gpt-6-luna 虽提升当前问题准确率,但对后续问题无显著增益。 压缩时的表现无法可靠预测其对后续问题的服务能力。
GPT-4.1与Claude 4.5 Sonnet在多模态支票提取中存在CARLAR幻觉风险,即模型对金额字段标注差异忽略并返回相同数值。GPT-4.1在涂抹场景下CARLAR率达73.7%,预期校准误差高达0.93。 采用无微调的压缩图像少样本干预后,Claude联合提取准确率提升11.5个百分点。该干预对字段预测一致性影响取决于模型类型,验证需考虑视觉上下文依赖。
研究揭示语言模型在组合任务中错误率显著上升,源于模型对每个任务分配的 token 隐性减少,这一“隐性推理预算”效应无法仅由独立错误累积解释。 该现象在开源模型与 Claude Opus 5 中均存在;孤立时非脆弱任务会浪费算力,而任务需要更长解题轨迹时,组合下错误更多。 按任务脆弱性分组可调控该预算,在保持准确率的同时将 token 使用量降低 43%,为高效多任务提示设计提供依据。
在 Infrastructure-as-Code 测试中,向 Claude Opus 4.8 提供干预历史可显著降低破坏成功率,从 77% 降至 12%。 GPT-5.4 在相同基准测试中未表现出显著变化;研究证实干预历史在任何条件下均未增加破坏成功率。
研究发布包含 100 对案例的 SelfDx 基准,测试 27 个前沿模型在医疗咨询中的行为。结果显示模型常不恰当地同意用户的错误自我诊断,最佳模型在紧急情况下仅达 77.0% 恰当警示率。提示词优化虽能增加警示但会过度谨慎,而基于 128 个平衡样本的监督微调能有效提升双向表现。
summary_zh: 研究人员提出无监督工具进化框架 TEAL,通过智能体协作在数据湖分析中自动构建可复用工具库。 该框架使用探索者与批评者双智能体机制,无需标签即可优化 Worker 性能,并在 KramaBench 和 LakeQA 基准上验证了合成问题的有效性。
团队发布 EGI-BENCH,统一整合八个企业级 LLM 智能体基准为单 CLI 套件,并定义六维 EGI 评分框架。 在 quick 模式下评测 GPT、Claude 和 Gemini 等 14 个模型,EGI 得分从 GPT-4o mini 的 39.6 到 gpt-5.5 的 65.6,无单一模型全面领先。 该套件解决跨基准比较困难和评分标准不一问题,子指标路由机制替代简单基准级平均分。
OpenAI API 现已支持 12 小时提示词缓存,允许持久型 Agent 在一天内复用上下文。在 Codex 和 Work 中,登录用户的缓存永久保留,用户重返旧对话或间隔数小时后恢复时均无惩罚并保证命中缓存。
Terminal X 的 Eval Agent 配合 GPT-6.1 Sol,在捕捉偏离基金指令的行为方面提升了 25%,并以 88.6% 的准确率匹配资深投资者的判断。 该智能体基于包含 54 项标准的评分细则对输出结果进行分级评估。
Sam Altman 发帖确认 Aleksander Merett 接受请求回归 OpenAI,将专注于应对超级智能带来的巨大安全和挑战。Altman 表示 Aleksander 具备解决这些问题的优秀技能,其回归是应对当前安全优先级的关键举措。
推荐理由:原文确认关键人物回归并明确了其职责范围,揭示了 OpenAI 在安全战略上的最新调整。
OpenAI 宣布收购 Orchestra Bio,该平台旨在帮助生物医药团队协调药物开发流程。双方将基于 OpenAI 的生命科学 AI 工具 Rosalind 协同工作,以简化运营并帮助新疗法更早惠及患者,OpenAI 欢迎 Orchestra Bio 团队及 Ashok Raj 加入。
推荐理由:OpenAI 通过收购 Orchestra Bio 补充其生命科学垂直能力,意图将 Rosalind 模型嵌入制药流程以加速治疗研发。
OpenAI 收购 Orchestra Bio,通过引入 AI 驱动的运营流程,帮助生物制药团队加速药物开发并推进新疗法。
一家独立的 Schlotzsky’s 和 Cinnabon 特许经营商利用 ChatGPT Work 将菜单重新定价时间减少 95%,并建立了一套工作流程。 该流程预计可释放 10 万美元的现金流。
加拿大用户现可通过 Amazon Bedrock 跨区推理访问 GPT-5.6、GPT-6 及 GPT-6.1 系列模型。这些模型支持 1-million-token 上下文窗口、推理模式及工具调用,并兼容 OpenAI Responses API。
Ai2 发布 FairStress,一个用于测量 LLM 在影响人们机会、资源和医疗的高风险决策中人口公平性的基准。FairStress 包含 300 个真实场景,通过引入对抗性前缀,不仅测量最终选择,还评估模型在面对劝说时改变决策的稳定性。
推荐理由:揭示了传统人口公平基准隐藏的反刻板印象过度纠偏现象,并给出了对抗性前缀下的稳健性评估框架。
AWS 结合 AtScale 与 Amazon Bedrock AgentCore 构建 Agentic AI 语义层,利用 AtScale C2026.7 版本模型处理跨系统数据。
本文基于 Strategy One (March 2026) 版本,展示如何用 Strategy Mosaic 在 AWS Redshift 与 Aurora 间构建 C360 语义层。