在 AWS 上利用 Strategy Mosaic 和 Amazon Bedrock AgentCore 构建面向 Agentic AI 的语义层
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。
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。
AWS 发布教程,展示利用 Denodo Platform 与 Amazon Bedrock AgentCore 为 Agentic AI 构建语义层,实现企业数据联合访问。
ALTK-Evolve 通过让 GPT-4.1 从自身在 τ²-bench 上的运行轨迹中自动提炼行为指南(如先验证身份、一步只做一个动作等)并附加到系统提示词,无需更新模型权重,即可让 GPT-4.1 在 τ²-bench 零售域的 Pass^4 指标达到 67.5%,超越榜单快照中所有其他零售条目(包括微调模型 RAFT-30B-A3B)。
推荐理由:用GPT-4.1从自身运行轨迹提炼规则并加入提示词,在无需微调权重的情况下显著提升客服智能体的准确率与可靠性,提供了一种可迁移的智能体增强方法。
PyTorch 2.15 在 MPS 后端引入 FP8 支持,并将多项核心算子迁移至 Metal kernel。
推荐理由:M3 Ultra 上 Qwen3.6-35B-A3B 解码速度提升 5.5 倍至 61.3 tokens/s,且视频生成显存占用从 270GB 降至 8GB。
大晓机器人发布ACE-Brain-0.6,六项Grounding评测超越GPT-6 Astra,七项公开基准平均分74.53分领先其73.68分。 基于Qwen3.5-9B构建,利用约百万条可验证空间锚定样本,通过数据规模化探索实现能力跃升。 验证了9B级模型在具身空间感知领域可超越顶级通用模型,推动具身智能向可靠物理执行转化。
基于 ALEPH 开放数据,通过 AI Agent 与物理学家协作,在 √s=91.2 GeV 的 e+e- 对撞中完成了推力分布的 Agentic 测量。 物理学家引导 Anthropic Claude 和 OpenAI Codex 编写并执行了所有分析代码,并使用迭代贝叶斯展开(Iterative Bayesian Unfolding)完成了全修正谱。
专家对六个物理基准的重新评分发现,多数原判错误实为参考解或题目缺陷。GPT-5.6-Sol在HLE-Physics的mean@4从47.3%升至78.7%,在CMT-Benchmark从61.0%升至87.2%。 现有基准严重低估了前沿模型解决明确物理问题的能力,凸显了构建更严苛专家验证评估的紧迫性。
研究显示语言智能体常依赖环境线索而非任务描述生成动作,即使任务描述被替换为无意义占位符,模型仍可能继续执行操作。 通过对比不同任务描述下的预测成本,提出的 TPNLL 方法增加了模型对任务描述的关注度,提升了分布外场景下的任务成功率。 该方法有助于增强语言智能体对任务需求的依赖性,减少因上下文预测偏差导致的决策失效风险。
研究推出包含43项企业级任务的PACE基准测试,以评估编码智能体执行产品需求文档(PRD)的能力。11种模型配置中,GPT-5.6-Sol完全交付率最高,达14.0%。 测试结果显示模型在实现完整性和集成方面存在瓶颈。同一模型的多次运行在评估一致性上优于专家共识,准确率95.2%。
LLM 智能体通过检索而非上下文读取工具输出时,GPT-5.1 和 GPT-5.2 准确率分别下降 11.3 和 7.9 分,GPT-5.4 净变化为零。 Claude Opus 4.6 和 Claude Sonnet 4.6 未检测到精度损失。
Agent Skills 冲突实验中,独立加载时模型遵循率 93%-99%,双技能共存时降至 61%-62%。在 Qwen3-235B 和 GPT-4.1 等模型中,这种“接管”现象主要由示例驱动。使用 Claude Opus 5.5 生成的合并技能文件可将遵循率提升至 96%-99%。
该系统基于提示词,针对Anthropic等五大模型API,在八类任务中生成最高20K样本的数据集,规模越大优势越明显。 其微调模型性能优于其他生成器,显著改善下游训练效果。
PiSO 提出了一种后训练量化算法,能根据校准数据为 LLM 选择全局最优的通道级标度,显著降低重构误差。 该算法在 Llama 和 Qwen 多个尺寸与位宽实验中一致提升了困惑度与零样本准确率;在 2 位量化下,PiSO 可将 Qronos 的 Llama-3 困惑度降低多达 7 倍。
summary_zh: LeakBench 是一个用于审计临床建模智能体预测时泄漏的可执行测试套件。它在 MIMIC-IV 和 MHFP 数据上测试智能体是否因提升验证奖励而选择无效输入。
Maestro 是一个 Lean 证明框架,通过让证明器报告失败原因并由协调器进行全局响应(如引导、修正假引理或重新规划),克服了现有系统盲目分解导致失败的问题。
推荐理由:原文明确给出 Maestro 在全局协调机制下对多种基准的量化提升,读者可直接对比其与普通编码智能体的表现差异。
PACT 是一个利用原生 NVFP4 GEMM 加速冻结投影的 LoRA 微调系统,旨在降低消费者显卡上的计算与内存约束。 在 16GB RTX 5080 上评估显示,该系统通过复用量化 RMSNorm 输出、保存 NVFP4 激活值用于反向传播,并离线使用 GPTQ 校准冻结权重,实现了比现有方法更低的内存占用和更快的微调速度,且保持具有竞争力的准确率。
研究者发现激活分布中的非高斯性可作为发现可解释方向的直接无监督信号。 在 GPT-2 Small、Gemma 2 2B 和 Qwen 3.5 9B Base 上,该方法拟合时间仅需数分钟,内存消耗比 SAE 少 7-43 倍。 该方法在可解释性及稀疏重建等任务中性能与 SAE 相当,为理解模型内部结构提供了高效工具。
CANVAS 系统基于 Zapier 工作流,利用 Gemini 2.5 Flash、GPT-5 Mini 和 Claude 3.5 Haiku 为视障人士生成 50 幅艺术品的 150 条叙述音频,总成本仅 5.10 美元。
基于非对称期望重构局部匹配的 M-Attack-V2,显著提升了 GPT-6.1 Sol 和 Claude Sonnet 5.5 等大视觉语言模型的黑盒对抗攻击成功率。
在 GPT-4o 多智能体辩论中,37% 的冲突问题无需同伴信息即发生答案改变,29.3% 的稳定对子在看到同伴立场后采纳同伴答案。 这些采纳包含纠正与新错误;同伴有正确答案时,纠正多于有害采纳。完整推理提升个体准确率,但相比自我反思未增加多数投票收益,且多耗 57% token。
EvoSkill v2 通过三智能体系统在 SpreadsheetBench v2 和 τ³-bench banking 上,将 held-out pass rate 分别提高 7.7 和 5.4 个百分点,超越 SkillOpt 和 SkillBoost。
该研究将红队测试形式化为预算化攻击调度问题,在GPT-5.2上设计四种调度策略,评估静态先验、语义引导和在线反馈三种信号的作用。 静态历史成功率在冷启动时效果强,但受防御分布偏移影响可靠性下降;语义引导在冷启动中一致提升效果,在线反馈在历史先验失效时尤为关键。
CoEvo-RSI框架通过双向历史继承解决模型与执行框架的脑体失配问题,使用SFT微调使Qwen3.5-9B在垂直应用中超越更大模型。 框架结合共享进化档案与执行反馈,通过元智能体协调框架开发与模型检查点选择;在TraceElephant上准确率超DeepSeek-V4-Pro 14.16,HomeBench VM成功率超GLM-5.3 4.90。
一项包含 31,200 次响应的受控审计表明,生成引擎引用的来源随用户位置渠道不同而变化,导致商业可见性受地域影响。ChatGPT 遵循应用声明的城市位置,将地名写入搜索查询;而 Gemini 忽略声明位置,仅依据网络国家定位并大幅更换来源。 因此,针对生成引擎的优化(GEO)监测必须同时控制声明位置与网络位置两个渠道,才能获得准确的可见性评估。
ChatGPT 2022 年 11 月发布后,arXiv 和 medRxiv 预印本摘要的文风发生显著变化,词汇、标点及句法结构出现加速漂移。具体表现为平均词长增加、公式化可读性降低,且最大依存树深度及句级深度变异幅度下降。研究表明监测科学写作应将其视为多维演化系统,而非仅依赖 LLM 相关标记。
summary_zh: System-1 模型 Jev 在截断推理决策中表现优于强制回答,在 500 至 16,000 个 token 预算范围内准确率更高。 在 1,500-token 预算下,Jev 总体准确率提升 4.1 个百分点,截断题目提升 8.6 个百分点。
作者提出自主研究智能体Épi,该智能体结合持久化研究历史、分层记忆、分支与独立审查,在模型会话之间维持研究连续性并从实验中学习。Épi在多项任务中产生120项创纪录结果,包括20项数值下界记录和100项构造记录。轻量配置Épi-turbo可开发可执行求解器,在30项FrontierOR任务上总基准分比Codex高5.4%,模型成本为Codex的64%。
前沿模型已实际解决数字名称阅读这一 NLP 难题,该问题曾被2022年文章视为难以用纯神经方法解决的“无聊”问题。 ChatGPT 发布后进展显著,但作者认为有限域、资源受限问题仍有开放挑战,未来或无需依赖大资源模型即可解决。 原文指出此类问题仍存开放议题,暗示未来机器学习方法可能以更轻量资源实现突破。
summary_zh: 研究指出,小模型在受计算限制下的效率常被单一内存指标掩盖,实际性能受 Tokenizer 覆盖率制约。 TinyLlama-1.1B 在 Odia 等脚本中未覆盖任何码点,导致 93.6% 的 Token 退化为原始字节,而 MuRIL 以更少参数实现零 UNK 率。
Gemma-4 12B 和 Inkling-Small 两款无编码器多模态 LLM 的早期层被证实可作为“隐式编码器”,独立编码模态与联合编码在推理任务中准确率相同。 这些模型直接将样本、像素或频谱特征输入 Transformer 语言模型,而非使用专用模态编码器。 研究通过逐层探针发现隐式编码器的行为与多种流行编码器模型相似。
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。
OpenAI 最新模型提升了 COBOL、Fortran 和 Visual Basic 等低资源编程语言的软件构建与迁移能力。 这些语言支撑着银行、政府及企业核心系统,该进展有助于理解数十年业务逻辑并支持系统现代化。
OpenAI 正在改进 ChatGPT 在低资源编程语言中的编码性能。 新增针对软件工程、SQLite 和 COBOL 迁移的专项评估。
第15天 / 我们搞定了 我们正用 Codex 烹饪的东西: https://x.com/i/broadcasts/1RKZzBELBbXKB
vLLM 引入基于 NIXL 的推送式(push-based)KV 传输机制,将协调与传输设置移出关键路径,降低首 token 时延。 在 Amazon EC2 P5en 实例与 Qwen3-32B 模型上,推送模式较拉取模式最高提升 3 倍 TTFT、30% TPOT;该功能在 AWS Trainium 集群验证后作为加速器无关特性贡献至 vLLM。
Deepgram 将 Nova-3 语音转写模型移植至 AWS Trainium2,单实例运行 8 个模型副本,批量处理音频成本降低 11–70%。 采用 TorchNeuron 编译消除 CPU 回退,替换 NKI 内核并微调 FFN 与卷积层,在 batch size 96 时实现 2.0 倍至 50 倍速度提升。
提出一种基于状态历史与全局反馈的可解释经验学习模型,适用于资源受限环境下的强化学习。 模型通过状态间转移图表示行为,转移附带效用与证据计数。在 OpenAI Gym Atari Breakout 基准测试中,其性能与已知神经网络方案相当。
多模态大语言模型(MLLM)在文本密集型专业文档推理上表现不足,且现有基准缺乏非英语语言支持。研究人员推出BEAR-Bench,包含1000道人工标注的英俄双语问题。
PDDL-Mind 通过神经符号方法发现,多种 ToM 基准测试实则在考察解析与算法状态追踪能力。 在 MMToM、MuMA 和 FanToM 测试中,将解析外推给程序使性能接近强 agentic pipeline,将状态追踪交给 PDDL 则让 GPT-4o 达到接近人类的表现。 这证明复杂的 ToM 基准主要惩罚大语言模型在状态追踪和解析算法上的不可靠性。
研究发现 GPT-5、Gemini 2.5 Pro、Claude Sonnet 4.5、Qwen3 32B 和 Centaur 在认知科学实验中的目标选择与人类差异巨大。