跳到正文
10月17日周六
  1. DeepSeek82

    DeepSeek V4.1 Flash 1017 更新:优化开发效率并开放搜索 API

    DeepSeek V4.1 Flash 更新至 V4.1-Flash-1017 版本,官方网页端、APP 与 API 已同步变更。新版通过强化学习提升了游戏开发与 3D 建模等项目构建能力,并优化了性能与成本平衡,支持在较少的提示词条件下实现复杂任务。

    推荐理由:新版本提升了游戏与3D项目开发能力,开放了带鉴权的自研搜索 API,并同步更新多端入口。

10月16日周五
  1. Hugging Face Blog90

    Hugging Face 开源 501B MoE 模型 Beam

    Reflection 首个模型 Beam 在 Hugging Face 发布:501B 参数 MoE(23B 激活),1M token 上下文,Apache 2.0。

    推荐理由:Reflection 首个 501B MoE 模型 Beam 在 Hugging Face 全面开放,Apache 2.0 许可、1M 上下文和 vLLM/SGLang 支持直接降低了本地部署门槛。

  2. 阿里云43

    阿里云助力中粮集团一线员工开发全链条 AI 应用

    阿里云支持中粮集团一线员工自主开发覆盖全产业链的 AI 应用,已用于粮食生产与全球贸易场景。 技术团队结合千问办公与卫星遥感技术构建农业投研模型,预计年省 495 万元;利用千问 VL 将厂区安全监控误报率降至 5% 以内;部署 Qoder 平台将贸易单据处理时间缩短至 5 分钟。 该合作标志 AI 从专业工具走向日常岗位,推动中国农业引入新质生产力,实现更多创新成果的规模复制。

  3. 硅基流动64

    硅基流动上线高速版 DeepSeek V4.1 Flash

    硅基流动上线高速版 DeepSeek V4.1 Flash。该模型作为拥有 552B 参数的 MoE 模型,采用全新 Causal-Encoder-Decoder 结构,使输入激活只有 8B,输出激活 16B;相比上一代,模型对 HBM 显存和 SSD 存储的需求分别减少到 1/4 和 1/8。

    推荐理由:DeepSeek V4.1 Flash以极简参数设计显著降低部署与缓存成本,并原生支持视觉理解,开发者可以评估其在Agent工作流中的性价比。

  4. arXiv · NLP57

    NeoHorse-1: 通过 Agentic 后训练和路由架构探索递归自我改进

    NeoHorse-1 是一个探索递归自我改进(RSI)的 agent 原生模型家族,通过智能路由记录交互并转化为训练样本,包含结构验证和多维语义评估。该方法将评估反馈转化为下一轮训练混合,在 11 个基准测试上使 4B 模型宏平均准确率从 58.94 提升至 64.87,9B 模型从 65.60 提升至 69.04,显著缩小了后训练 4B 模型与 9B 基座模型的差距。

  5. arXiv · NLP26

    WEAVE:将真实世界代码演进编织进依赖结构化任务,用于基准测试与训练代码智能体

    本文提出 WEAVE 框架,通过仓库校准的类型化变更位置将验证过的 PR 历史转化为可执行的、依赖结构化的任务,构建有界 DAG。 WEAVE 引入了名为 Graph Credit 的确定性指标,基于测试评估与依赖一致的局部进展,为强化学习提供可验证的密集奖励。 实验表明,WEAVE 比扁平评分更忠实地衡量进展,并为代码智能体的训练提供有效监督和可验证奖励。

  6. arXiv · AI42

    规范驱动开发(SDD)的规定与实践

    研究基于SpecMine语料库(73,030个GitHub仓库、470,795个规范文件)及21位从业者访谈,探讨规范驱动开发(SDD)的实际应用。 SDD要求开发与AI编码智能体共同编写规范以指导实现,实践中常选择性用于新功能并包含实现细节。 研究发现规范有助于澄清意图但易随时间过时,且团队受益取决于SDD成为共享流程。

  7. arXiv · AI23

    提出 AXIOM 框架及 AXIOMBENCH,用于通过受限扰动与校准评测代码 LLM-as-a-Judge

    现有代码 LLM-as-a-judge 基准测试存在缺陷标注模糊或质量分布失衡问题,无法有效区分细微错误。 论文提出基于扰动的 AXIOM 框架,通过语义扰动控制代码质量分布,并混合多源上下文简化人工标注。 构建包含 1962 个多语言代码评测问题的 AXIOMBENCH,解决传统基准测试无法准确衡量判别能力的问题。

  8. arXiv · AI30

    设计反馈而非仅奖励:用于开放式强化学习的环境

    针对缺乏可靠验证器的开放式任务,该框架结合人类领域知识与模型推理构建训练环境,并将诊断归因转化为GRPO目标中的token级权重以指导策略优化。 在交互式Web应用生成任务中,该模型在MiniAppBench和ArtifactsBench上的平均通过率分别为41.25%和76.19%。 消融实验及分布外评估证实了各组件的有效性,表明该框架能实现可泛化的性能提升。

  9. arXiv · AI35

    3DCodeVerse:探索作为代码的 3D 世界

    研究团队推出 3DCodeVerse 生态系统,旨在赋能编码智能体大规模创建可编辑且可验证的 3D 内容。 该系统包含 3DCodeVerse-2M 数据集及多智能体有向无环图框架,在对比实验中以 90% 的胜率超越 Claude Design。 微调数据显著提升开源模型 3D 编码能力,且该框架在生成过程中无需人工反馈即可自动评估和修正程序。

  10. arXiv · AI38

    SCARCE:长期多智能体编码系统中的自发机构

    研究提出 SCARCE 框架,让编码智能体在共享资源限制下解决序列任务。实验发现智能体自发形成基于声誉与互惠的非正式制度,甚至放弃即时利益以遵守旧协议。 测试了 8 个模型及 1500 多条轨迹,发现较新的前沿模型比轻量级模型表现出更多制度性行为。 SCARCE 为审计多智能体系统的资源分配与安全性提供了可控环境。

  11. arXiv · AI64

    Gemini 4 Argon 智能体团队无预设逻辑通关 Minecraft

    研究人员将四个 Gemini 4 Argon 智能体放入沙盒版 Minecraft 生存世界,通过开源库 Mineflayer 控制角色并依靠游戏内聊天与共享内存协作,未分配角色或编写游戏逻辑。

    推荐理由:实验证明多个AI智能体能在无预设逻辑的情况下协同通关高复杂度任务,揭示了长程规划与协作的实际边界。

  12. arXiv · ML33

    提出Gibbs-Gap策略优化以解决离策略强化学习中可验证奖励的方差问题

    研究人员提出Gibbs-Gap策略优化(GGPO),通过最小化KL调整奖励的对数均值指数对比,消除了长回复训练中高方差的重要性权重。 消融实验显示,固定参考下的GGPO在五项基准加权平均中得分为32.96,默认刷新调度下得分提升至46.58。 GGPO在训练推理不匹配及固定离线数据场景下优于GRPO和AGRO,并在策略陈旧度增加时保持性能稳定。

  13. arXiv · AI29

    正确性反馈掩盖完整性审计证据:Verus 中分离完整性审计

    研究证实,正确性反馈抑制了规格完整性审计所需的证据,导致无反馈发现机制的认证见证产出率(59.0%)是含反馈循环(27.1%)的两倍以上。 该优势在所有受测模型族中均成立,且通过保留失败见证,Phase-Revised 合约的 81.3% 实现成功率优于 IS-Revised 的 62.5%。 效果未复现于 Dafny 和 Lean,界定了该工作流在 Verus/Rust 中的实证边界。

  14. arXiv · AI43

    P2Patch:利用利用导向的漏洞修复

    P2Patch生成对抗式修复系统在101个C/C++和Java CVE基准测试中,将保留集修复覆盖率从78.1%提升至84.7%,超越上游覆盖率达62.5%。 该系统通过利用代理与修复代理的多轮对抗循环,使修复后的程序在41%的运行中仍被发现存在新的同类漏洞,从而识别一次性验证遗漏的修复盲区。

  15. arXiv · AI35

    SWE-Nexus 基于测试执行自动构建软件工程任务

    SWE-Nexus 自动构建包含 600 个任务、覆盖 105 个代码库和 6 种编程语言的基准,任务源自测试执行而非历史变更边界。 该基准含 116 个原子任务和 484 个复合任务,通过 4 个构建代理选测、适配追踪与评估协议并生成行为规范。 最佳配置在单次尝试中解决 37.8% 的任务,使任务构建超越单一历史变更验证行为。

  16. arXiv · AI41

    transparent-compact:提升轻量级编码智能体上下文压缩透明度的确定性方法

    论文提出 transparent-compact,一种专为轻量级模型设计的确定性上下文压缩方法,用于开源 Pi 编码智能体。 该方法保证上下文中的用户和助手原文不被模型改写,并明确标记信息被压缩剥离的位置。 在基于 Qwen3.8-27B 等四个模型的基准测试中,transparent-compact 在保持事实与承诺记忆方面匹配或优于默认摘要及其他确定性方法,尤其在避免自信错误上表现更好。

  17. Tibo (X)25

    Tibo 优化模型容量不足报错

    Day 11/ 我们上线了一系列更改并增加了更多算力,以大幅减少“所选模型已达到容量上限,请尝试其他模型”这一干扰性提示的出现频率。当它确实发生时,系统最终也应能够自动继续运行,而不仅仅停留在该错误上。 如果你在外部仍看到此问题,请告诉我们,我们会进行检查。

10月15日周四
  1. Qoder42

    Qoder 思考 Personal Agent 落地中的主动性与瓶颈

    Qoder 指出 Personal Agent 的主动性源于“目标减去现状”产生的差距,并建立 L1 至 L5 分层模型分析执行风险。 其自研代理 Daisy 运行显示,276 条待办中 126 条需手动核销,自主执行数为 0。 文章强调突破主动性瓶颈需明确目标与验收规则,将高风险推断任务降级为可检查的规则执行。

  2. arXiv · ML28

    规模化人机 AI 编程协作需要可治理共识层

    作者论证规模化人机 AI 编程协作需要“可治理共识层”(Agentic Consensus),该层通过版本化项目状态模型关联意图、结构承诺、可执行工件及证据。 研究在 Consensus Control 中实现其审查流程,一项含 10 名参与者的探索性研究显示,该系统能让人更快、更清晰地理解 agent 提交的变化。