跳到正文
10月21日周三
10月20日周二
  1. Hugging Face Blog72

    ALTK-Evolve 用提示词级学习记忆在 τ²-bench 客服基准中超越多家前沿模型

    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。

  2. 商汤科技SenseTime40

    大晓ACE-Brain-0.6以数据Scaling推动具身空间智能跃迁

    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。

  3. arXiv · AI31

    语言智能体任务不敏感性诊断:上下文线索导致忽视任务需求

    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。

  4. arXiv · AI42

    PACE基准测试:编码智能体在企业级成熟仓库中的表现评估

    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%。

  5. arXiv · ML76

    Maestro:基于协调的代理式形式化证明开发

    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。

  6. arXiv · ML29

    PACT:在消费级 GPU 上实现 NVFP4 数据流 LoRA 微调

    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。

  7. arXiv · NLP40

    多智能体 LLM 辩论中的立场收敛:并非所有翻转都代表服从

    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。

  8. arXiv · NLP25

    大语言模型红队测试中的预算化攻击调度研究

    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。

  9. arXiv · NLP24

    GEO 审计揭示 ChatGPT 和 Gemini 对生成引擎优化的位置依赖差异

    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。

  10. arXiv · NLP21

    LLM 时代科学论文文风加速漂移:基于中断时间序列分析的证据

    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。

  11. arXiv · NLP58

    Epi:面向自主研究的持久自改进智能体技术报告

    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%。

  12. arXiv · NLP20

    LastWords:重审无聊问题与数字名称阅读

    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。

  13. arXiv · NLP25

    Gemma-4 12B 与 Inkling-Small 的无编码器多模态 LLM 隐式编码器分析

    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。

  14. arXiv · NLP38

    大语言模型如何建模囚徒困境中的人类行为

    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。

10月19日周一
  1. arXiv · NLP23

    PDDL-Mind 揭示 ToM 基准测试主要考察算法状态追踪

    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。