复现与扩展:前沿 LLM 将程序编译为权重并读取输入层
研究团队在三天内复现并扩展了 MIT 关于 GPT-6 Astra 直接编写和读取小型神经网络权重的成果。发现 GPT-6 Astra 编写的 Breakout 网络得分分别为 514、550 和 307,与 MIT 报告的 517 相当,且 Claude Opus 5.5 也能编写可运行网络但常因输出 token 耗尽而失败。
研究团队在三天内复现并扩展了 MIT 关于 GPT-6 Astra 直接编写和读取小型神经网络权重的成果。发现 GPT-6 Astra 编写的 Breakout 网络得分分别为 514、550 和 307,与 MIT 报告的 517 相当,且 Claude Opus 5.5 也能编写可运行网络但常因输出 token 耗尽而失败。
在豪萨语医疗选择题中,三个3-4B参数开源模型准确率较英语版本下降显著,且均未超过“只选高频字母”的基线。 误差分析显示,翻译丢失的医学术语是主要缺陷来源;试图通过自生成偏好对弥补差距的干预措施因模型无法理解豪萨语推理而未能执行。
研究分析了Hugging Face库中40篇LLM技术报告,发现多数新架构复用Llama组件,且仅19项创新声明有对照消融支持,可复现性披露极低。 具体数据显示,48个2025年新增架构中39个复用至少两个核心模块,73项创新声明中仅19项提供对照实验,40篇报告仅1篇同时披露数据混合、Token数与算力。 研究提出七项报告准则,强调LLM发布需加强消融验证与透明度,未测试声明不等同于错误。
TokenEconomizer是一款来自UC Berkeley和Microsoft Research的开源插件,旨在通过从历史会话中学习来降低AI编码代理的成本。在不修改代理或模型的前提下,该工具通过微技能、工具修剪和故障干预机制减少了20%以上的token浪费,任务成功率保持稳定。
Hugging Face 将其 Inference Providers 的语言模型路由从自建路由器切换为 OpenRouter:同一 Hugging Face token 经同一 API 调用。
推荐理由:Hugging Face 语言模型推理路由已切换至 OpenRouter,按实测价格、速度和可靠性选择提供商并在失败时自动重试,代码无需变更。
RL 后训练的 Kimi K2.7 Code 在 6 个外部基准测试中 pass@1 全面提升,如 Terminal-Bench 2.1 从 67.4 升至 82.0。
包含 1,140 个任务,覆盖 139 个库与 7 个领域,平均分支覆盖率 99%。 已获 ICLR 2025 Oral 录用,由 BigCode 社区构建。
一项针对 Qwen2.5-Coder 在 MacBook Air M2 上的评估表明,在 1 至 2 GB 文件大小区间,选择 q4_K_M 格式优于大模型低精度选项。 测试显示 3B 模型在 2 GB 档位的正确性与能耗表现均达前沿水平,而 7B-q2_K 在 3 GB 档位能耗增加但无显著正确率提升。 该研究为本地部署代码助手提供了基于 Ollama 文件大小的具体选型指南。
研究人员扩展 Halide 语言,将算法与值表示分离,为量化张量生成 347 个内核。 这些内核覆盖 38 个 GGML 缺失的权重激活对,代码量比 GGML 和 KleidiAI 少 3.7 倍。 在 Apple M3 Max 上,内核速度达到 GGML 专用内核的至少 95%。
研究人员开发了一款开源工具,可自动测量 CT 图像中 11 个标准化标志点的主动脉直径。在包含 239 次检查的回顾性研究中,该工具的平均绝对误差为 1.06 mm。 该工具基于 TotalSegmentator 分割结果定位标志点,测量值略大于参考标准,偏差为 0.45 mm。 此工具为开源免费,其测量精度低于已发表的阅片者间变异性,但主动脉根部误差较大。
summary_zh: Fuse-All MoE 是一个专为 TPU 设计的 Mixture-of-Experts (MoE) 推理内核,它通过联合优化专家计算、输出通信和负载均衡,解决了 MoE 推理中的数据移动瓶颈。
提出模型合并通用代理正则化频谱框架,通过频谱覆盖(α)和泄漏(β)量化代理分布与其他任务分布的关系,推导统一参数干扰界。 框架研究三种实例化(Jacobian精确求值、Fisher信息矩阵曲率近似、输出漂移约束),证明其在NTK线性化下重合,并在CLIP模型上验证理论预测。
NVIDIA 发布 Instant NuRec,前馈神经网络将短时多视角驾驶日志单次前向转化为可仿真的 3DGS 世界。 10-20 秒多摄像头场景重建耗时约 1.5 秒,在 Waymo 数据集上 PSNR 较最强基线提升 2.01 dB。 模型深度集成于 NuRec,并支持 AlpaSim 闭环仿真,降低自动驾驶开发成本并提升安全性。
论文提出十步工作流,利用 Claude Opus 5/5.5 辅助完成 Dafny 形式化验证,将 37 个复杂图论算法验证周期缩短至数小时至数天。该流程结合 LLM 生成证明片段与自动化测试反馈,保留人类在规格审查与关键决策上的监督权。研究证实 LLM 工作流能将验证者角色从详细构造转向战略性指导。
提出轻量级提示空间优化框架,针对 12 种语言、7 个语系进行自然性、文化适配及难度增强,提升多语言 LLM 性能。 在相同数据条件下,该方法在 Global-MMLU 上准确率提升 4.7%,Flores 上提升 2.4%,mArenaHard 胜率提升 35.3%,并获人工偏好验证。
该研究测试了 28 个开源多语言模型在 Low-Language-TTS 数据集上的表现,并在 50 种低资源语言上进行了微调。 微调使 24 个模型的宏字符错误率(CER)降低 16.6 至 53.1 点,最低降至 9.5;使用低秩适配器(LoRA)仅微调 4% 的权重即可接近全参数微调效果。
summary_zh: arXiv 论文发布 MDU,这是覆盖英文、法文等 5 种语言及 13 项任务的多语言文档理解基准,含 23146 个样本。 基准评测了 45 个 1.7B 至 235B 参数的开源 VLM 及 1 个商用系统,最高平均分仅为 69.0,仅 8 个系统超过 65 分。
LLM-to-Phy3D 利用 LLM 实现在线物理约束 3D 物体生成。 它引入在线黑盒微调循环,通过视觉与物理评估驱动迭代,提升 3D 模型的物理性能与几何新颖性。 在车辆设计优化中,该框架使 LLM-to-3D 模型物理合规 3D 设计能力提升 4.5% 至 106.7%,已发表于 IEEE CEC 2026。
研究人员提出基于广义 Winfree 动力学的 Winfree 振荡神经网络 (WONN),该架构在 $S^1$ 环面上演化表示。它在图像识别和复杂推理任务上表现出高参数效率。
在 PIZZA 基准上微调 Qwen3.5-0.8B 和 LFM2.5-350M 发现,使用普通单词编码比原生 s-expression 准确率更高(87.5% vs 85.8%),且 token 减少 4.1 倍,静默错误率降低 2.3 倍(Qwen)。
基于 Gemma 4 12B 的 Agent 通过无教师自进化策略,在 τ²-bench 零售和航空域分别提升 12.5 和 19.5 个 pass¹ 点。 该模型结合技能规则诊断与 GRPO 训练的 LoRA 适配器,历经代码检查及验证门控筛选。 结果超越基准参考 Agent,显著缩小了与前沿模型的差距。
metalSPARSE 是 Apple GPU 上首个 2:4 半结构化稀疏 GEMV 内核,采用 Metal 编写融合解码器。在 Qwen2.5-1.5B 模型上,8 GB M2 设备解码速度比 PyTorch-MPS 快 3.6 倍,16 GB M4 设备比 MLX 快 1.52 倍。
研究人员提出 MS-rPPG,一种结合 RGB 与近红外视频的多光谱 rPPG 框架,旨在提升复杂光照和头部运动下的心率估计鲁棒性。 框架采用跨光谱线性调制策略与 MS-Mamba 状态空间模型,捕捉长程时序依赖和跨通道交互。实验在 MS-Drive 和 MR-NIRP Car 数据集上验证了其优于既有方法的心率估计准确性。
HyperSSM 引入四元数通道,保持线性时间推理和并行训练,在状态跟踪基准测试中精确解决 $S_5$ 群任务,状态数不超过 5 个,性能优于此前随机猜测的 SSM。
针对零阶优化中随机扰动效率低的问题,提出 WIS-MeZO 方法。该方法利用 Wanda 权重-激活显著性构建任务条件稀疏扰动掩码,保持预训练模型稠密状态。在 16 个基准上,LLaMA 和 Qwen 模型(3B-32B 参数)的聚合分数优于 MeZO,且以更少步骤达到可比的验证损失。
SAFER 是一种可微的公平性正则化方法,通过显著性门控机制解决稀疏子群下公平性过拟合问题,实现了更优的公平性-效用帕累托前沿。 该方法引入显著性超额指标族,基于软计数似然比证据统计量门控公平惩罚,在三个基准数据集的压力测试中验证了其理论预测的失败模式。
研究者提出图标签对齐诊断,通过结构标签对齐(SLA)和特征标签对齐(FLA)两个轻量探针,无需训练图编码器即可衡量标签可访问性。 在真实图分类基准上,SLA-FLA 平面能强力组织测试准确率,低对齐数据集构成了标准池化流水线难以应对的困难区域。 通过异质自我图和合成 Twins 任务的受控压力测试表明,高对齐解释了简单基准的高性能,而低对齐揭示了需要超越标准表示的结构-特征对应关系的机制。
AWS 发布下一代 Amazon Bedrock AgentCore runtime,用于在安全隔离环境中运行和扩展 AI Agent。新 runtime 的会话启动速度最高提升 15 倍、算力可扩展 4 倍,最高支持 8 vCPU 和 32 GB 内存,并在空闲时将 Agent 缩容至零,最高可将单会话内存消耗降低 68%。
推荐理由:新版 AgentCore runtime 给出了 4x 算力、低于 2s 启动和 68% 效率提升等量化指标,读者可据此评估大规模 Agent 生产的算力与成本。
Alania-2 是一款 488M 参数的土耳其语 TTS 系统,支持即时与微调语音克隆。 该模型基于 18,195 小时音频训练,在 Freya-TR-Eval 基准上词错误率为 1.44%,推理首音频延迟降至 32ms。 团队开源了评估框架及三个土耳其语音和文本数据集。
Antalia-2 Mini 是参数量 7,620,931 的土耳其语 TTS 模型,在 Apple M5 上以 41 倍实时速度生成 48 kHz 音频。 训练数据源自约 300 倍大模型 VoxCPM2,保留约 1,790 小时合成音频;微调码器后 WER 降至 1.75%。 模型权重、推理代码及评测基准已在 Apache-2.0 协议下开源。
研究团队推出 DermaVQA-DAS 数据集及 Dermatology Assessment Schema (DAS) 架构,支持患者自产皮肤病图像的闭式问答与皮损分割,包含 36 个高层级和 27 个细粒度评估问题。
研究者提出 ZoomGain 数据构建管线,利用视觉语言模型在全局图像与局部放大图像间的感知差距生成问题,仅需 9K 样本训练。 模型在 4B/9B 规模上通过该管线训练后,性能提升显著,在 HR-Bench 4K 等基准上达到 90.25 的 SOTA 成绩,超越部分千亿参数模型。 该方法为细粒度视觉监督评估与训练提供了实用基础,相关代码已开源。
研究团队利用 IBM Heron 处理器,在 46 和 70 量子比特规模下通过 $1.2 \times 10^8$ shots 训练生成式量子本征求解器(GQE)策略,实现基于样本的量子对角化。
LoBoost 提出一种模型原生局部共形预测方法,复用梯度提升树已拟合的叶节点结构定义特征空间的多尺度划分。 每个输入由其在提升路径上访问的叶序列表示,嵌套前缀组内局部估计残差分位数,无需额外辅助模型、重新训练或数据切分。 方法提供有限样本覆盖误差控制与渐近点态有效性,实验显示其改进异方差数据上的全局共形预测,但并非对所有自适应基线均占优。
针对 Plug-and-Play 方法中数据保真与生成先验的一致性难题,该文提出基于 ADMM 的 Flow Matching 先验框架。 该方法引入轨迹校正机制,结合确定性投影与随机投影恢复 Flow 一致性,以降低计算成本并提升重构质量。 该研究已被 NeurIPS 2026 会议接收。
tritify 开源运行时通过精确整数算术实现跨硬件位级可复现推理,SHA-256 哈希验证输出一致性。 验证覆盖 OLMoE 及 106B 参数 GLM-4.5-Air,在 CPU/GPU 及分布机器上保持比特相同,实现可验证分布式推理。 该机制允许不信任服务器运行模型,由开放标量预言机重推导字节,拒绝单设备加速与机密性声明。
AdjointFlow 提出一种基于随机插值的框架,将已知物理注入生成传输过程。 在逆散射、地震成像等实验中,其推理速度比 PnP 方法快达五个数量级。 无需重新训练即可通过查询物理模型进一步提升数据一致性。
Tether AI 发布 BotPsy,一款基于 Qwen3.5-0.8B 构建的 0.8B 参数端侧智能体模型,采用 Apache 2.0 协议开源。通过在 BFCL v4 等六项工具调用基准上取得领先成绩(平均 45.0 分),并在推理 token 效率上较基座模型提升约 3 倍,该模型在低中难度任务场景中展现出优于 1.2B 以下规模模型的表现力。
推荐理由:0.8B 端侧模型通过蒸馏与两轮 RL 训练,在工具调用和多轮 Agent 基准上超越 2.5 倍参数量的模型,展示了小参数智能体路径。
2026 年五款前沿 LLM 在 19.98 万次 Python/JS 生成中产生包幻觉,幻觉率为 3.6%-5.0%,较 2024 年开源与闭源差距消失。 所有模型 Python 幻觉率均高于 JavaScript;全部模型共同幻觉包名从 127 个缩减至 104 个。 未发现公开列表导致注册率上升(约 1%),但 23 个幻觉包名历史曾托管恶意软件。
纯态基础神经量子模型受拓扑阻碍,无法在能隙哈密顿族中连续逼近基态。 在任意参数值处保真度为零,能量误差至少为能隙 Δ;算子值模型可避免此障碍并保留拓扑信息。