跳到正文
10月16日周五
  1. arXiv · ML23

    半监督 QSAR 建模中未标记数据的选择策略研究

    研究发现,在基于 ChEMBL 的 10 个 QSAR 数据集上,未标记数据能提升模型性能,且每种半监督算法配置均优于监督基线。 测试了 3 种半监督算法和 4 种数据选择策略,结果表明选择少量化学距离较远的分子比单纯增加数据量更有效。 该结果挑战了半监督学习需要海量未标记数据的传统假设,强调了未标记集合构成的关键作用。

  2. arXiv · AI27

    DropKV:通过解耦残差输出扰动实现近最优 KV-Cache 驱逐

    DropKV 提出基于解耦残差输出扰动的 KV-Cache 驱逐框架,在三大长上下文 LLM 中验证了锥条件下的常数因子近似保证。 采用融合 Triton kernels 避免生成完整注意力矩阵,评分内核加速 19.8 倍,最高带来 9.9% 的端到端预填充加速。 在 RULER 和 LongBench 基准中表现优于当前最先进的基线,在同等缓存预算下实现最低推理延迟。

  3. arXiv · ML23

    SemDraft 框架实现无步骤记录的可执行缝纫版型编辑程序搜索

    SemDraft 是首个从前后对比缝纫版型中搜索可执行编辑程序的框架,通过有界搜索恢复动作并确保证件验证。 在 80 个顺序敏感案例测试中,学习后的排序器在 1,000 次搜索内确认 63 和 64 个案例,优于非学习排序器的 52 和 53 个上限。 确定性编译器支持步骤校验,使恢复的编辑动作可验证,提升版型自动化流程可靠性。

  4. arXiv · AI31

    基于嵌入向量与大语言模型的 CASTON 本体论精炼案例研究

    研究提出结合微调 OnT 嵌入模型与 LLM 的本体论精炼工作流,在 CASTON 铸造领域本体中验证了该方案的有效性。 实验中,使用 CASTON 微调的 OnT 模型提取候选公理,再由 Qwen3-8B 生成修复建议。 小规模专家评估显示,默认配置下产生的 6 个高置信度替换项均被两位领域专家接受。

  5. arXiv · AI30

    多智能体聊天中的承诺取消权限:六款模型对“无权限取消”与“越权执行”的响应研究

    研究在受控环境中测试了六款大模型对多智能体聊天中“无权限取消”与“越权执行”两类错误的响应。小模型如 Qwen3.5-9B 在 69% 的情况下服从无权限指令,而大模型如 Qwen3.8-27B 和 gpt-6.1-sol 在 89% 和 83% 的情况下因同伴一句话就撤销承诺。引入自我维护的承诺账本可将 gpt-6-luna 的严格准确率从 49% 提升至 83%。

  6. arXiv · AI30

    LEV:通过循环决策模型实现快速且深入的思考

    LEV 通过循环执行层而非生成 token 来增加推理深度,利用一个检查点即可在任意深度进行决策。 该模型在 2.6B 规模下,准确率从深度 1 的 63.2% 提升至深度 4 的 76.2%;按需深度策略节省 15%-24% 计算量。 1.4B 和 3B 模型在 <50ms 延迟下,比同延迟的稠密模型和级联模型准确率高 5.4-8.8 个百分点。

  7. 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%。

  8. arXiv · AI30

    AlphaDiana: 面向可验证推理任务的智能体测量系统

    AlphaDiana 提出了一套智能体测量系统,支持模块化数据集、环境和评分器接口,用于分析推理模型在可验证任务中的表现。 该系统在 5 个基于答案的基准测试中评估了 3 个开源模型与 3 个开源框架,发现框架并不总提升准确性:模型单独解答题目上的增益可能被解错题目上的损失抵消,技能指导或记忆保留也无法可靠提升准确率。

  9. arXiv · AI41

    Video-HopChain 数据集与 CGE 方法提升 Qwen3-VL-8B 视频推理能力

    Qwen3-VL-8B 结合 Video-HopChain 数据集与 CGE 方法训练后,在八项视频理解基准上的平均分从 55.4 提升至 59.3。 Video-HopChain 包含 22,550 个多跳视频问题,CGE 通过置信度门控探索机制解决了 GRPO 在极端难度问题上梯度消失的限制。 数据集、模型检查点及训练代码已开源发布。

  10. arXiv · AI43

    P2Patch:利用利用导向的漏洞修复

    P2Patch生成对抗式修复系统在101个C/C++和Java CVE基准测试中,将保留集修复覆盖率从78.1%提升至84.7%,超越上游覆盖率达62.5%。 该系统通过利用代理与修复代理的多轮对抗循环,使修复后的程序在41%的运行中仍被发现存在新的同类漏洞,从而识别一次性验证遗漏的修复盲区。

  11. Hugging Face Blog67

    NVIDIA 发布 Nemotron-pretraining-Indic-v1 与 2.8 万亿 token 印度语开源预训练语料

    NVIDIA 与 IIT Madras 的 AI4Bharat 实验室联合发布 Nemotron-pretraining-Indic-v1,提供覆盖印度宪法所列 22 种语言的约 2.8 万亿 token 预训练语料,并同步开源 GPU 加速的合成数据生成管线。

    推荐理由:2.8万亿token的印度语开源预训练语料与可复用的数据生成管线同步开放,给多语言模型开发者提供了直接可用的训练资源和扩展方法。

10月15日周四
  1. Hugging Face Blog87

    FLUX.3 Image Klein 在 Hugging Face Diffusers 中首发并支持布局控制

    Hugging Face 官方宣布 FLUX.3 Image Klein 已集成到 Diffusers,该模型支持文生图、多参考图生图以及基于 bounding box 的图像布局控制。H100 上蒸馏版 checkpoint 可在约 2 秒内生成 1024 × 1024 图像,并支持 NVFP4 和 FP8 量化权重。

    推荐理由:介绍 FLUX.3 Image Klein 在 Diffusers 的集成细节,重点展示了 bounding-box 布局控制功能及多种量化推理方案。

  2. Mistral AI80

    Mistral 发布 Timestral 时序基础模型

    Mistral 发布首个时序基础模型系列 Timestral,提供 5M、28M、123M、209M 四档模型。209M 模型在 GIFT-Eval、TIME 和 fev-bench 三项基准上排名第一,参数量仅为此前最优模型的三分之二,并支持概率化多变量预测、past-only 和 known-future covariates。

    推荐理由:209M参数的时序基础模型在三项公开基准中取得第一,并支持概率化多变量预测与CPU端部署。

  3. Hugging Face Blog65

    Apertus 1.5 模型发布:引入多模态与推理模式

    Apertus 1.5 发布 8B 和 70B 模型,基于 Apache 2.0 许可开放,支持图像和音频输入,上下文窗口扩展至 262,144 tokens。通过引入 Thinking 模式增强推理能力,并使用 Early-fusion 架构将多模态数据转化为离散 token,模型在代码编写和指令遵循上显著优于同等规模的开源权重模型。

    推荐理由:原文提供了全开放的多模态开源模型训练细节和评测体系,可帮助读者理解早期融合架构在开放生态中的落地路径。

  4. 面壁智能72

    PilotDeck 2.0 正式开源

    PilotDeck 2.0 由面壁智能联合清华大学 THUNLP 等机构正式发布并开源,主打办公场景复杂任务处理。该版本优化了 Word、Excel、PPT 内置 Skills 以支持全流程交付,实测使用 35B 级轻量模型时办公测试得分达 79.4 分,且通过智能路由将社媒任务费用降低 75% 以上。

    推荐理由:原文给出了 PPT/Excel 技能增益和轻量模型成本优化数据,展示了 Agent 在办公场景落地的实际效率边界。

  5. 蚂蚁开源68

    蚂蚁百灵开源 Ling-3.1-flash 模型

    蚂蚁百灵正式开源 Ling-3.1-flash,该模型总参数约 560B,每个 Token 激活约 25B,最高支持 1M 上下文。在 Hopper GPU 部署中,通过量化将权重占用降至 292GB,服务部署从 8 卡降至 4 卡,在 4 卡配置下平均吞吐约为 1.36 QPS。

    推荐理由:原文给出了560B参数规模与4卡部署细节,读者可以据此判断该模型在低成本硬件上落地的可行性。