跳到正文
10月22日周四
10月21日周三
  1. Hugging Face Blog47

    NVIDIA Kumo Forecast 融合预训练时间序列表征与历史模式检索,增强可解释性

    NVIDIA Kumo Forecast 是多方时间序列预测模型,基于 3.4 亿参数的 MOMENT-1-large 骨干,结合 DARR 模式通过 k 近邻检索历史数据增强预测。模型支持 256 至 2048 长度的输入序列,提供 DataFrame API、可配置预测视程及无侵入式可解释性框架,如滞回归因和轨迹稳定性诊断。开源 Apache 2.0 许可,支持微调及异常检测应用。

  2. arXiv · AI43

    BreakingWeb:通过受控环境干预构建高难度浏览器代理基准

    研究团队提出基准 BreakingWeb,包含 519 个任务对,通过受控干预使 6 个浏览器代理平均通过率下降 22.9 个百分点。 这些干预改变网站内容、服务器状态或网络响应,而人类用户首试通过率仅下降 10.0 个百分点。 75% 的代理失败源于信念错误,即代理在未完成必要更改时宣告任务结束。

  3. arXiv · AI26

    LLaVA-CKD:面向视觉语言模型的自底向上级联知识蒸馏框架

    针对视觉语言模型部署中算力与内存瓶颈,提出自底向上级联知识蒸馏框架,通过引入中间容量教师模型逐步缩小师生网络能力差距。 该框架基于 LLaVA 方法论构建模型,并在七个标准 VQA 基准上评估,展现出与近期紧凑视觉语言模型相竞争的推理性能,源码及训练模型已公开。

  4. arXiv · AI29

    nokast-secureRAG:基于小型语言模型的 RAG 管道上下文感知提示注入检测

    nokast-secureRAG 是一款约 0.5B 参数的小型语言模型,作为 RAG 检索与生成间的语义防火墙,将用户查询与检索上下文配对分类为安全、可疑或恶意。 模型经教师-裁判-学生流水线训练,在分布内测试集达 0.994 检测召回率、0.026 假阳性率,单请求延迟 293-404ms;已开源模型、数据管道及评测框架。

  5. arXiv · AI33

    Africa-Papers:面向非洲基础语言模型的100亿Token多学科学术语料库

    针对全球预训练语料中非洲学术内容占比不足0.5%的现状,研究团队推出迄今最大规模的泛非多学科学术语料库Africa-Papers。该语料库包含超过844,807篇全文论文和101.5亿个Token,数据整合自DOAJ索引的31个非洲国家期刊、CGIAR农业库、arXiv预印本及OpenAlex开放获取文献,并处理为保留层级结构的Markdown格式。

  6. arXiv · AI34

    Less-is-More CIR 提出简洁检索与批评家重排序框架

    Less-is-More CIR 提出一个免训练的两阶段框架,结合简洁检索与批评家重排序,以提升零样本组合图像检索效果。 该框架首先生成仅保留判别性修改语义的简洁目标描述以减少噪声,第二阶段则通过修改一致性与参考保留度评估重排序候选结果。实验表明该框架具有有效性与鲁棒性,相关代码已公开。

  7. arXiv · AI32

    音频视觉增量学习中冻结多模态基础模型泛化框架

    提出音频视觉类别增量学习框架,利用冻结多模态基础模型(MFM)的密集表示,通过注意力上下文引导模块以音频表征指导视觉表征,实现有效类别识别。 采用特征级与logit级知识蒸馏缓解灾难性遗忘,维持跨任务稳定性。实验表明该方案在多个音频视觉CIL基准上持续优于当前最先进方法。代码已开源。 该工作已被WACV 2027接收。

  8. arXiv · AI65

    Agent S4 研究:通过进化式接口设计提升计算机使用代理性能

    论文提出 Agent S4,一个通过任务轨迹进化优化接口的自主计算机使用科学代理。在 OSWorld V2 上,Agent S4 使用 Qwen3.8-27B 达到 21.3% 的二值得分,是固定接口版本的 3.8 倍,且成本仅约为 GPT-5.5 和 Claude Opus 4.8 的 4.3% 和 1.5%。代码已开源。

    推荐理由:该研究提出 Agent S4 通过进化式接口设计提升计算机使用代理性能,在开源模型上超越闭源旗舰,验证了接口演进对智能体能力的关键作用。

  9. arXiv · AI27

    Quantum-JEPA:基于量子Born先验的潜在动作JEPA世界模型

    Quantum-JEPA框架利用量子Born先验学习未来表征分布,并支持多智能体协同。模型通过样本化能量目标训练量子先验,学习潜动作相关性。 方法结合预测质量与多样性训练,避免指数级大的类别输出层。在有限样本参数偏移训练和实际QPU推理中验证了可行性。 在D3IL基准上,模型能从共同起点生成多条避障路径,提升预测有效性。

  10. arXiv · AI22

    复用多模态智能体:游戏中声音设计的高效评估

    该论文提出一种利用多模态学习和强化学习高效评估游戏声音设计的新框架。 方法预训练多模态编码器将视觉和听觉信息映射至共享潜在空间,然后固定策略,通过微调编码器来隔离声音变化对智能体行为的影响,从而避免从头重新训练。实验表明该方法能检测声音退化引起的性能差异,并显著降低计算成本,提供可扩展的评估方案。

  11. arXiv · AI28

    Ask-to-Distill:用于在策略知识蒸馏的合成分布式提问框架

    研究提出 Ask-to-Distill 框架,将合成问题作为分布提取器,用于优化在策略知识蒸馏过程中的监督信号。 该框架通过结合师生模型分歧与教师模型在学生候选支持集上的概率质量,计算无需参考答案的分布替代奖励来筛选和优化问题。 该方法在数学推理、代码生成和智能体任务上提升了模型平均性能并缩小了师生差距,相关代码与模型已公开提供。

  12. arXiv · AI50

    EGI-BENCH 统一企业级 LLM 智能体基准套件

    团队发布 EGI-BENCH,统一整合八个企业级 LLM 智能体基准为单 CLI 套件,并定义六维 EGI 评分框架。 在 quick 模式下评测 GPT、Claude 和 Gemini 等 14 个模型,EGI 得分从 GPT-4o mini 的 39.6 到 gpt-5.5 的 65.6,无单一模型全面领先。 该套件解决跨基准比较困难和评分标准不一问题,子指标路由机制替代简单基准级平均分。

10月20日周二
  1. 百灵大模型78

    蚂蚁百灵开源 Ming-3.0 语音系列模型

    蚂蚁百灵开源 Ming-3.0 语音系列模型,涵盖语音合成、音频理解与对话、语音识别三大方向,共包含五款模型。其中 Ming-3.0-tts-0.5B 在 Artificial Analysis 的 Pronunciation Robustness 测试中得分 93.2%,并列全榜单第一。

    推荐理由:蚂蚁百灵开源 Ming-3.0 语音系列,提供语音合成、音频理解与识别能力,并公开了模型下载与 API 入口。

  2. arXiv · AI32

    研究揭示推荐系统不一定需要运行时大语言模型推理

    研究挑战推荐系统中运行时 LM 推理必要性的假设。提出的 LIME-Rec 和 DART-Rec 在多个指标上超过基于 LM 的推荐器。 LIME-Rec 在 Amazon 数据上 Recall@10 较 GRAM 提升 15.2%,DART-Rec 较微调 LM 控制器提升 16.7%。 这表明在特定任务和信息条件下,无需指定推理机制的替代方案即可匹配或超越 LM 基线性能。

  3. arXiv · AI31

    Janus: 用户参与的 Agent 权限管理实验平台

    Janus 是用于实施和评估用户参与的 Agent 权限管理设计的实验平台,包含模块化的 Janus-Core 系统和自动化评估框架 Janus-Harness。 系统基于概念模型实现了六种权限助手,并在三种场景和三个合成响应者中进行了评估。 研究证明用户参与对增强隐私和安全至关重要,但没有单一设计在所有情境下均表现最优,Janus 已公开以供后续研究使用。

  4. arXiv · AI24

    Gypscie: 跨平台 AI 制品管理系统

    Gypscie 是一个跨平台 AI 制品管理系统,通过知识图谱和基于规则的查询语言提供统一的制品视图,简化 AI 应用开发与部署。 系统支持将模型生命周期活动表示为高层数据流,并可在服务器、云平台或超级计算机上调度,同时记录溯源信息以支持可解释性。

  5. arXiv · AI26

    使用审阅者辅助的摘要通道验证托管 LLM 身份替换

    研究提出 SUMMARK 框架,利用可见推理摘要作为密钥审计表面验证 LLM 身份,无需运行时访问模型内部或日志。 在部署阶段通过键控统计测试检测跨模型族与规模的替换,在低误报率下保持回答质量。 该工作探索了 FP16 至 INT8/INT4 精度一致性及对重写的鲁棒性,代码已公开。

  6. arXiv · AI28

    3D-LLM 能否利用 3D 证据?UNICORNS 基准与 HORN 方法

    UNICORNS 基准揭示 3D 大语言模型在证据不足或存在错误预设时,准确率从 61.22% 骤降至 40.94%。 基于 11,387 个问题构建的基准指出,最强零样本模型在八类挑战中表现偏差,暴露推理可靠性短板。 提出的 HORN 方法通过义务感知后训练,将挑战准确率提升至 75.1%,未损害可回答问题表现。