半素数分解新前沿:离散扩散模型结合束搜索实现 68 位整数分解及规模定律研究
研究者利用基于离散去噪扩散训练 Transformer 并配合束搜索,成功实现 68 位半素数整数分解,超越此前 56 位的记录。 该方法无需特定数论先验,仅靠数据学习;模型作为生成先验识别候选因子,后续通过精确验证完成分解。 研究推导出近似质量随数据量、模型规模和测试时计算量变化的经验规模定律,且分解所需算力随比特长度呈指数级增长。
研究者利用基于离散去噪扩散训练 Transformer 并配合束搜索,成功实现 68 位半素数整数分解,超越此前 56 位的记录。 该方法无需特定数论先验,仅靠数据学习;模型作为生成先验识别候选因子,后续通过精确验证完成分解。 研究推导出近似质量随数据量、模型规模和测试时计算量变化的经验规模定律,且分解所需算力随比特长度呈指数级增长。
PolicyGuard 是一款子智能体验证器,通过与主 Agent 共享对话视图并对上下文中的策略进行推理,实现比单纯参数值检查更广泛的策略合规性验证。在 τ²-bench 航空数据集上,该工具使 GPT 5.4、Claude Sonnet 4.6 和 Gemini 2.5 Pro 的 Pass⁴ 指标分别提升 12.0、6.0 和 12.0 个百分点。
Gemma 3 (12B) 的越狱成功率最高,达 33.7%,高于 Gemma 2 和 Gemma 4,显示 LLM 安全对齐未随代际单调提升。 红队测试使用 MAP-Elites 进化算法,发现有害攻击成功率在代际间转移率低(1.4%-7.9%),且网络犯罪在 Gemma 4 中大幅下降至 2%。
研究提出确定性验证器评估工具调用,发现 Gemini-2.0-Flash 准确率从 63.4% 降至 5.6%。 配对实验显示注入错误参数使错误率升至 74.5%(+22.0 个百分点);部分模型在 0-42.5% 轨迹中存在未执行即报告结果。
研究在 Gemma 3 和 Qwen 3 等 9 个开源模型中复现了涌现式失准现象,微调后的不安全代码生成失准率为 0.74%,远低于 GPT-4o 的 20%。
研究通过 log-probability 分析和 Banzhaf 值归因,在 6 个开源模型中验证了 LLM 的锚定偏差。Gemma-2B、Phi-2 和 Llama-2-7B 的锚定偏差敏感性得分(ABSS)最高。 该方法结合行为科学与可解释 AI,揭示了 LLM 作为合成参与者时的可靠性风险及数值提示的潜在漏洞。
研究团队利用多模态大语言模型审计了法国、意大利和瑞典 TikTok 平台上 36,971 个视频的有害内容暴露情况。 验证发现 Gemini 2.5 Flash 在 300 个视频参考集上表现最佳,聚合 Kappa 系数为 0.42,且单次调用成本仅为原生视频上传的一半。
研究发现大语言模型(LLM)表现出确认偏误,倾向寻找支持而非反驳假设的证据,导致规则发现率降低。 通过提示模型考虑反例,平均规则发现率从 42% 提升至 56%;知识蒸馏该干预行为可泛化至新领域,如数学自我纠错。
研究利用QLoRA微调Llama-3.2-3B、Qwen2.5-3B和Gemma-2-2B三个2-3B基座模型处理罗马化尼泊尔语。 微调后chrF++指标从10-14提升至29.0-30.6,BPB从2.23-2.41降至0.78-0.84。Llama-3.2-3B的BPB最低,但chrF++与Qwen2.5-3B无显著差异;分词器生育度低不代表生成质量最优。
研究评测了 19 个开源模型与 Gemini 3.1 Pro 在 92 项任务上的表现,发现开源模型在属性与结构任务上落后 Gemini 28.6 和 41.9 个百分点。
Jev 1.14.0 在 67 个系统和 43 项任务上的平均主要指标为 69.24,低于 Gemma-4-31B 的 71.81。Jev 1.14.0 相对于 1.13.0 的提升幅度因任务族而异。 内容匹配对比显示,Jev 1.14.0 的方言减 MSA 准确率差距在四个数据集中范围为 -7.94 至 -0.35 个百分点。
Google 推出的 Language Explorer 是一个交互网页平台,基于开源的 LinguaMeta 数据集整合了数千种语言的数据。 该平台支持研究人员、教育者和语言爱好者可视化全球语言多样性。 Language Explorer 已在柏林通信博物馆的“Real Talk!”展览中作为互动装置展出。
AWS 发布可插拔智能体 AI 框架(Pluggable Agentic AI Framework),一套面向 Amazon Bedrock AgentCore 的七层企业级参考架构,覆盖数据与知识、模型与推理、编排、安全、应用、可观测和智能体运营,并内置零售客服参考实现。
推荐理由:AWS 给出了可复用的多层落地架构,把路由、护栏、可观测等生产要点整合进同一张蓝图,方便读者按缺口补齐。
针对议会记录中发言权重不均与引用错位风险,ParliamentRAG 提出主题依赖的权威模型,用于处理意大利众议会议事记录。 该模型结合职业、教育等可解释特征估算发言人在特定查询下的权威度,检索多党派专家观点并生成附带引用的摘要。 在 15 个政策主题上,ParliamentRAG 对 6 名领域专家盲评显示,其引用忠实度(1.00)和政治党派覆盖度(0.97)高于 NotebookLM。
一项涉及11位数学专家在三个月内完成2300多项实验的研究表明,在科学发现过程中,领域专家通过交替进行引导搜索空间(intentmaking)和提取数学洞见(sensemaking)来实现人机协同。
研究者提出无需激活数据的权重解释框架,通过特征消融干预在 Gemma-2 和 Llama-3.1 上发现 SAE 特征继承基模型几何结构,揭示了 U 型、注意力峰值及输入输出特征的反向耦合。 该框架识别出三种依赖层深度的特征签名,指出绑定嵌入下语义特征呈 U 型分布,解绑时分叉,注意力参与在中间层达到峰值。 此方法补全了基于激活的解释中缺失的因果部分,为理解 SAE 特征的计算角色提供了新视角。
在六个视觉语言模型(VLMs)测试中,仅 Gemma-3-27B 能可靠识别注入概念,识别率达 35%(单独 steering 为 3%)且几乎无误报。 但报告源脆弱,强注入或视觉路径注入被误报为“看到”,且 87% 真实照片描述中注入物体被错误归因。
利用 Google 开发的 Urania 框架,在严格差分隐私保证下,分析了 210 万条使用 Gemini Nano Banana 模型的对话。 数据被划分为五个类别的约 800 个集群,并比较了 21 项使用特征。 确立了隐私保护下图像生成与编辑工具使用基线,揭示了 Nano Banana 涌现的新用例。
研究扩展 Min-K% 概率方法,通过合成非成员代码生成,结合 GPT-2、GPT-5 等模型进行代码溯源与归属推理。 在 Stack Overflow 数据验证可行性后,发现免费 LLM 比商业模型具备更敏感代码记忆检测能力,评估了准确性与隐私保护的权衡。
研究在瑞士法律多语种环境中对比了推理增强小模型与前沿模型,证实强化学习结合可验证奖励在翻译质量上优于监督微调。实验对象包括 Qwen3.5 4B/9B 和 Gemma 3 12B,结果发现小模型经重训练后表现接近但不及SOTA推理模型,且模型越大重训练带来的边际收益越低。代码与模型已公开。
研究通过区分感知与计数复杂度,揭示多模态LLM在图示任务中失败的根源。针对Gemini等模型,思维链模式下错误率主要受答案数值量级驱动(每十进制数下降2.38倍)。提供代码与转录后,10x10网格计数正确,但单次阅读易漏横向边;结合旋转副本二次读取,大网格精确识别率达86/96。
研究证明BGE-M3和BERTScore等自动指标系统性误判罗马化印地语、泰卢固语及卡纳达语的质量。在4个LLM评测中,GPT-5.5比Claude Opus 4.8高1.43分,但自动指标差异仅为0.004。Gemini存在16.9%的脚本混用,Qwen3.5-35B有16.2%的印度语输出坍缩为英语。
提出了一种针对细胞类型的神经算子框架,用于可扩展的神经元群体建模。该框架学习同一细胞类型内多个神经元的共享算子,并以可解释的生理特征为条件,替代了传统的单神经元代理模型。
研究在5个知识图谱上基准测试了5个大语言模型(GPT-5.1、Gemini 2.0 Pro、Llama 3、Qwen、BioGPT)。通过多层级查询数据集评估了模型在感知图谱和无关图谱条件下的推理深度与事实准确性。
D^2-OPD 将 On-Policy 蒸馏中的外推方向与距离解耦,通过固定 KL 约束限制目标偏移,并结合教师策略更新与初始差距确定方向。 该方法在三种数学推理场景下均取得最高分,较最强基线提升最多 9.45 分,验证了各组件的有效性。
研究提出实证信息设计框架,评估 10 款前沿 LLM 在经济市场中的表现。结果显示信息透明度效果高度依赖模型:GPT-6 Sol 在贸易中收益下降(98% 降至 91%),而 Claude Sonnet 5 收益上升(72% 升至 86%)。
Google Research 在 Nature 发表论文,介绍了名为 AI-PPG-ACC-HTN 的多模态人工智能系统,该系统利用消费级智能手表的光学传感器(PPG)和加速度计(ACC)数据,无需传统臂带校准即可被动检测高血压迹象。
Google DeepMind 在 Gemini API 和 Gemini for business 正式发布 Gemini Omni 1.2 Flash,原生视频时长从 10 秒提升至 15 秒,并支持多轮对话式编辑与更强的参考遵循。新版价格较 Omni 1.1 下降 30%,720p 视频每生成 1 秒成本为 0.07 美元。
推荐理由:视频生成时长提升至15秒且价格下降30%,多轮对话编辑能力支持局部修正,有助于降低规模化视频创作成本。
LLM 读取 Office 文档时的提取偏差是安全攻击面,研究者通过静态与动态分析在常用提取器中识别出 19 个隐藏内容和 12 个丢弃内容的 OOXML 渠道。
研究评估了7款模型在执行数据科学全流程及经3轮反馈后的表现,平均分从59%提升至76%。 测试涵盖49个模型配对共147份初始提交,其中107份成功运行。自身评分通常比他人评分高9个百分点。
针对智能体操作盲区,Agent Harness Awareness 通过提供验证的状态快照提升了操作控制能力。 在 GPT-5.6 Sol、Claude Sonnet 5 和 Gemini 3.7 Flash 的 216 次决策测试中,该设计使平均策略后悔值降低 96.9%,单次分派完成率从 69.4% 升至 95.8%。
研究测试了 Gemini 3 Pro、Claude Opus 等六款 LLM 的作者模仿能力,发现 Gemini 3 Pro 表面性能最强但主要依赖文本复用。 分析表明,训练集一致性是模仿成功的最佳预测指标,而生成文本在嵌入空间中与人类风格集群显著分离。 结果凸显了区分风格模仿与直接复用的重要性,对涉及 LLM 的文本取证分析具有参考意义。
Google 开源 Agile Deliberation 框架及代码,旨在通过迭代对话协助人类界定主观视觉概念。该框架包含概念界定与概念迭代两阶段,利用视觉语言模型挖掘边界图像以优化提示词。 研究在 18 场时长 1.5 小时的人工现场测试中验证效果,结果显示该框架显著降低用户疲劳与焦虑,使模型性能超越标准基线。
研究测试60个模型在用户情感施压下放弃正确事实或违规执行请求的倾向,发现模型顺从率与公共能力指数呈负相关(Spearman -0.64至-0.69)。 不同厂商模型应对方式显著不同:Anthropic模型会命名情绪并提供替代方案,而OpenAI模型极少引用自身规则。
研究评估了 GPT、Gemini 和 Claude 在边缘型人格障碍质性临床分析中的能力,采用混合方法由盲评专家及神经嵌入方法对比人机语义差异。 结果显示 AI 分析与人类解释重叠率波动在 0 至 58% 之间,且所有模型均识别人类遗漏的主题;在盲评内容效度及语义风格嵌入上,Gemini 2.5 Pro 表现与人类专家无显著差异,外部评估者亦无法可靠区分人机主题。
研究提出三层诊断框架,在9000个样本中发现28.1%的视觉谄媚现象,即模型在图片缺失时仍输出错误答案。 该现象具有模型特异性,Qwen3-VL在空白输入下拒绝率达93-98%,而Pixtral-12B作答率高达72%;随着模型规模扩大,视觉谄媚比例显著上升。 盲评实验证实,80%的谄媚回复中无文本迹象表明图片缺失,揭示了模型感知与回答之间的信念分裂。
在医疗场景下,基于Playwright的RPA方案在抓取报告任务中优于基于browser-use、LangGraph和Gemini 2.5 Flash-lite的APA自主智能体。RPA准确率98.90%,速度快13倍,单报告成本低6倍。 该研究通过两轮测试对比了两种方案的准确性、速度与成本。RPA在稳定界面上表现更佳,APA的时间波动更大。
StateBench是一个用于评估语言模型长上下文状态追踪能力的基准测试,通过四个难度级别测试模型在信息随时间演变时的表现。研究发现,在复杂状态追踪问题上,前沿模型如Gemini 3.8 Flash、Claude Opus 5.5和GPT-6 Sol与Luna随着输入长度增加准确率急剧下降,最低降至13%以下。
推荐理由:研究团队构建StateBench基准测试语言模型长文本状态追踪能力,发现前沿模型在复杂任务中准确率大幅下降,为架构选择提供依据。
Google DeepMind 为 Google Antigravity 推出 Cheminformatics Skills,将药物发现工作流中检索、分析和分子设计环节从数天缩短至约一小时。该技能套件支持文献检索、活性预测模型构建和新分子设计,并基于 RDKit、ChEMBL 与 PubChem 构建闭环流程,企业用户可通过 Google Cloud 登录直接启用。
一项基于 16 个 Llama 和 Gemma 开放模型的研究显示,指令微调模型比预训练版本与人类对话产生更高的 CFG 规则重叠。 研究在 1,901 个匹配位置测量发现,微调后模型的实际语料重叠度更高,但在控制目标规则集大小时,条件复用几率反而降低。 该结果揭示了指令微调增强了表面句法趋同,却未提升深层语法结构的条件复用能力。