跳到正文
10月19日周一
  1. arXiv · ML46

    多步智能体工具推荐:确保任务所需每个工具都被找到

    Tool Recommendation 系统通过固定接口为智能体提供全部工具,弥补单工具缺失导致的多步任务失败。 在 ToolRet 基准测试中,其 Top-10 工具召回率比 BM25 高 57%;在 Codex 会话中,首轮推荐覆盖所有必需工具的比例达 93%。 采用该系统可将输入 token 减少 17% 至 40%,并降低总账单费用,且不影响任务完成率。

  2. arXiv · NLP34

    NoLBERT 新闻主题提取与股票横截面收益预测研究

    研究者构建仅基于 1976 至 1995 年文本预训练的 NoLBERT,通过对比微调生成新闻主题,以消除回测中的后见之明偏差。 该模型在 2012 至 2024 年间 126 万篇新闻上表现稳定,预测精度与 LDA 相当,但在各调仓频率下最优模型均亏损,等权组合月净 Sharpe 比率为 1.12。 此方法验证了无标签新闻特征在量化金融中的适用性,尽管未显著跑赢纯价格基准。

  3. arXiv · NLP23

    GlobeBench:评估基于文本的世界模型在可扩展环境模拟中的能力

    研究团队提出包含 1,632 项任务、覆盖 5 个领域的 GlobeBench 基准,用于测试模型预测环境对动作响应的能力。 在 20 个 LLM 和文本世界模型中,GPT-6 Astra 以 49.57% 的成功率居首;但当动作影响环境大范围时,准确率降至平均 5.1%。 目前仍有 631 项任务无模型能解决,表明通用 LLM 作为世界模型仍存在显著能力差距。

  4. arXiv · ML32

    跨越 LLM 训练阶段切换优化器的短暂成本

    研究发现 Llama-3 模型从 AdamW 切换至 Muon 优化器几乎无显著性能惩罚,且 Muon 比例增加通常提升 SFT 后的下游性能。 该结论基于 1.2B 模型预训练及 14B 规模 Llama 和 Qwen 模型的持续预训练与 SFT 实验,结果显示后训练优化器选择可独立于预训练优化器。 该研究已被 NeurIPS 2026 研讨会接收,为优化器跨阶段迁移提供了系统性实证依据。

10月17日周六
  1. OpenAI (X)74

    ChatGPT 中 GPT-6 Astra Pro 升级,支持多智能体并行处理任务

    ChatGPT 中的 GPT-6 Astra Pro 升级后响应速度更快,插件和工具的使用效果得到改进。升级支持多个智能体并行处理任务的不同部分,用户可跟踪每个智能体的进度并打开已完成任务复核结果。该功能现已向 Chat 标签页中的 Pro 用户开放。

    推荐理由:ChatGPT 中的 GPT-6 Astra Pro 支持多智能体并行处理任务,Pro 用户可直接在 Chat 标签页查看各智能体进度并复核结果。

  2. Sam Altman (X)33

    OpenAI 研究者称自动化可解释性取得突破

    很高兴看到 Nick 发布这条消息! 引用式 teaser 例外:若主推文几乎没有信息量(纯感叹 / 转发 / 号召,如「Go build!」「活久见」),而下面这条引用推文才是真正的新闻,则 body_zh 改为用一两句话概括【引用推文】的核心要点,让正文和标题对得上(别只输出一句空洞的主推文),可在结尾带一句主推文的简短反应;其余情况仍然只翻译主推文。 @nickcammarata(仅供理解上下文;按上面的「引用式 teaser 例外」判断要不要概括它): 可解释性可能是目前世界上最重要的科学问题,因为如果我们不知道自己正在构建什么,就不可能解决对齐问题。我认为我有关于它的利好消息。我曾在 OpenAI 合作撰写早期机制可解释性研究,当时对此持悲观态度,因为神经网络似乎会折叠成任意纠缠的结。多年后,我启动了 OpenAI 第一个大规模自动化可解释性项目,使用当时已有的基础工具,发现约 2% 的神经元具有可读性。 随着现代智能体工具的应用以及更深入的观察,情况看起来完全不同。在参数高达数万亿的模型中,绝大多数神经元都是可读的,且其电路结构美观。许多著名的纠缠神经元案例被证明是误解。我原本预期的阻碍大部分并不存在。我现在认为,富有野心的可解释性将在我们最需要它的时候得到解决,甚至可能很快,因为自动化科学家工具不断在改进。这或许是可解释性领域的“苦涩教训”:简单的东西,在极端规模下,行得通。 https://already-clean.goodfire.com/

10月16日周五
  1. 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。

  2. arXiv · NLP43

    大语言模型基于姓名推断族裔的准确性优于BISG

    研究证明大语言模型无需额外训练数据,即可通过姓名推断族裔,准确率最高达84.7%,超越BISG模型的68.2%。 测试涵盖Gemini 3 Flash、GPT-4o及DeepSeek v3.2等六款模型;开启扩展推理可提升1-3个百分点准确率。该方法显著降低BISG中存在的收入偏差,使富裕地区少数族裔被误判为白人的比例下降。

  3. arXiv · ML33

    符号化机制数据归因:追踪训练影响力至学习到的行为策略

    研究提出符号化机制数据归因(SMDA)框架,通过稀疏自编码器特征和岭回归分析 Llama-3.2-3B-Instruct 的 200 个 SFT 数据对,归因训练数据对模型行为策略的影响。 移除关键数据对后,重新微调的准确率比完整微调最多提升 4.5 个百分点。 该方法结合机制可解释性与数据归因,提供比黑盒影响函数更精细、比手动电路分析更可扩展的诊断工具。

  4. arXiv · AI36

    冻结 LLM 智能体无需改权重:Life-Harness 运行时框架提升确定性任务表现

    Life-Harness 提出一种不修改模型权重或评测环境的运行时框架,通过演化的干预机制提升冻结 LLM 智能体在确定性任务中的表现。 在 8 个环境、18 个开源基座模型上验证,Qwen3-4B-Instruct 平均准确率较 Meta-Harness 和 AHE 分别提升 28.7 和 7.5 个百分点,且优化 token 消耗分别降低 8.5% 和 68.4%。

  5. arXiv · AI39

    LLM 解析 iOS 位置服务数据:不可靠的分析者但可靠的工具构建者

    研究表明 Claude Opus 4.8 等前沿模型直接逆向工程 protobuf 模式时存在大量错误,不适合法证分析。 然而,利用 Claude 编写的 Python 工具 Extractor 能可靠恢复模式,并通过已知答案及网络测量验证了其在 iOS 16.7.11 上的有效性。 这证实了 AI 在可验证输出场景下作为工具构建者的实用价值。

  6. arXiv · AI34

    Screwtape:用于监控对抗性红队测试的转录编辑管线

    研究团队发布 Screwtape 管线,通过 LLM 编辑真实 Agent 转录来生成能绕过 action-only 监控的攻击。 该管线在 252 次运行中生成 35 个通过验证的攻击,其中 6 个经人工确认有效并成功规避前沿开发者的保留监控。 监控者可利用这些攻击修复盲区,评估者则可将其作为安全声明的反例。

  7. arXiv · AI36

    思考如何影响推理模型对“some”和“or”的解释

    研究显示,增加思考时长会使推理模型倾向于字面解释,取消“some”(并非全部)和“or”(并非两者都)的隐含意义。 该现象在多种开源推理模型及 GPT-5 中普遍存在。机制分析表明,模型先理解丰富含义,随后在后续推理中将其消除。 基于早期解读回答的推理时补救措施,可在不损失字面准确性的前提下恢复这些隐含意义。

  8. arXiv · AI52

    MAI-Gym:面向移动端与电脑环境的GUI智能体评测与RL训练开放平台

    研究团队发布MAI-Gym平台,统一了移动端、电脑和网页环境的GUI智能体评测、数据采集与在线强化学习训练。基于该平台训练的9B模型MAI-Gym-9B在MobileWorld和OSWorld-Verified基准上分别达到78.4%和76.2%的成绩。研究表明,在模拟订票应用中进行强化学习可迁移至真实环境,将物理手机上的任务成功率从28.8%提升至48.1%。

  9. arXiv · AI35

    Doc2Harness:大语言模型在编码智能体长时程框架工程中的基准测试

    研究者提出双阶段基准 Doc2Harness,用于评估大语言模型构建编码智能体“框架”(harness)的能力,而非仅测试下游任务成功率。 基准在 19 个前沿模型上运行 328 个测试用例;GPT-6 Astra 通过率最高为 53.05%,最弱模型仅 27.44%,且失败多集中在跨模块功能划分上。 这是首个针对长时程框架工程的确定性基准。

  10. arXiv · AI35

    竞争激励下LLM共识形成机制的模拟研究

    基于网络共识游戏评估六款开源LLM和ChatGPT 5.6-sol的共识机制。研究发现,开源LLM仅在全局网络通信下达成共识,表现弱于人类。 ChatGPT 5.6-sol具备较低固执性和较高从众性,即使在仅与邻居通信或无通信时也能达成共识。但高聚类图会阻碍共识形成。系统设计与模型特征共同驱动集体结果。

  11. arXiv · AI33

    GraceBench:移动 GUI Agent 执行稳定性诊断基准

    研究提出 GraceBench 框架,利用 UI 转换图(UTG)对移动 GUI Agent 进行步骤级执行稳定性诊断。 GraceBench 包含 169 个任务、10 个应用及 2,909 个 GUI 状态,涵盖 3,718 条轨迹,指标包括偏差率与恢复能力。 评估显示 GPT-5.6 Sol 成功率最高但恢复能力最低,51.24% 的成功轨迹包含偏差或循环。

  12. arXiv · AI39

    DeLoop:针对长程智能体重复动作的自监督训练方法

    DeLoop 提出一种自监督训练方法,利用智能体自身轨迹中的循环动作作为负例、首个非循环动作作为正例,通过直接偏好优化减少长程任务中的无效重复。 在 Qwen3-8B 模型上,DeLoop 将 CodeGym 压缩场景下包含循环动作的任务比例从 57.3% 降至 6.1%,且任务成功率相近的情况下步骤数减少约三分之二。

  13. Tibo (X)36

    OpenAI 更新 GPT-Live-1.1 语音

    新音色、更地道的口音、更少的“加载中”等待。OpenAI 为 ChatGPT、Codex 和 Dots 的语音功能更新了 GPT-Live-1.1,新增法语、德语、印地语、墨西哥西班牙语、韩语和日语音色,今日向所有用户推出,API 即将上线。 反应:Bonjour。

  14. OpenAI23

    集团 Boticário 如何利用 AI 强化人际连接

    集团 Boticário 利用自有 agent 平台强化销售团队的人际连接,该 AI 系统可自主解决高达 80% 的经销商运营请求。 平台让销售人员从处理事务性工作中解脱,从而能够承担更具深度的咨询角色。

  15. Anthropic (X)28

    Anthropic 资助数学界应用 AI

    Anthropic 承诺投入 500 万美元资金、算力及 Claude 访问权限,支持数学家探索 AI 在科研中的最佳应用路径。 该计划由 Simons 基金会管理,通过社区驱动方式资助工作坊、会议及专家讲座。 此举旨在帮助数学界应对 AI 带来的巨大变化,推动科学进步。