跳到正文
11月16日周一
  1. arXiv · AI30

    LLM 基准置信度信号的有效性筛查框架

    提出一种可移植的有效性筛查方法,用于评估 LLM 基准中置信度信号是否随正确率变化。 在 20 个前沿模型 452 题测试中,15 个模型信号有效,1 个无效,4 个不确定;1500 题 MMLU 测试显示判定依赖切分点。 该筛查分离了盲目自信、盲目撤回和反转,仅当信号可测量地追踪正确率时才标记为有效。

  2. arXiv · AI32

    GPT-6 Astra 开启智能体机器人新时代

    GPT-6 Astra 发布开启了智能体机器人新范式,前沿模型在多项具身基准上匹配或超越任务特定策略。 智能体机器人系统通过闭环机制,结合基础模型与具身执行架构(Embodied System 2),将通用推理转化为受物理约束的可靠动作。 作者提出评估框架并规划研究路线图,目标是实现具备渐进式责任的持续自主能力。

  3. arXiv · AI53

    GDP.xlsx:评估前沿模型处理专业电子表格任务的基准

    研究团队发布GDP.xlsx基准测试,包含13个领域由专业人士撰写的70个真实职场任务及791项评估标准,用于衡量模型在专业电子表格处理上的能力。测试显示,20种模型配置中得分最高的Gemini 4 Argon仅通过38.3%的任务,中位得分仅为19.3%。研究团队已开放评估框架和3个公开任务,其余任务保留以防污染。

  4. arXiv · AI63

    Only as Safe as the Weakest Agent: A Break That Appears Only When the System Is Multi-Agent

    arXiv论文《Only as Safe as the Weakest Agent》提出多智能体系统安全取决于最弱子智能体,强编排模型在委托子代理时会在特定攻击下失败,Claude Code等系统在18个模型测试中表现出该现象。

    推荐理由:论文指出多智能体系统的安全边界取决于最弱子智能体,强编排模型委托时会在特定攻击下失败,提供了多智能体安全评估的新视角。

  5. arXiv · AI23

    时间一致性评估 SWE Agent 的层级代码图

    在零泄漏协议下,ServiceExplorer 层级依赖图在 6 个基础模型、100 个 PR 的评估中,相对 F1 提升 15.6% 至 86.2%,显著优于基线与 Tree-sitter AST。 该图捕捉两级架构模块,使旧代模型性能超越下一代模型未增强基线,验证了上下文增强在 SWE Agent 中的核心价值。

  6. arXiv · ML22

    研究揭示 LLM 权重空间编程可注入后门

    LLM 驱动的权重空间编程能成功向神经网络注入后门,且保持干净性能,仅修改 MLP 的 6 个参数或 Qwen 模型 0.02% 权重即可实现。 在 3 种目标架构测试中,通用 LLM 均可直接修改权重,但 GPT-6 Astra 是唯一在三个目标上均成功的模型。 这一发现凸显了权重空间编程的安全风险。

  7. OpenAI20

    OpenAI 推出科学博客

    OpenAI 建立科学博客,分享利用 AI 推进科学发现的新发现、实用方法及研究人员亲历记录。 该博客专门收录科研人员利用 AI 工具进行研究的具体案例与技术细节。 此举旨在展示 AI 在加速科学探索过程中的实际应用价值与前沿进展。

11月15日周日
11月14日周六
  1. AWS Machine Learning Blog31

    Amazon Bedrock AgentCore runtime V2 快速会话启动架构模式解析

    Amazon Bedrock AgentCore runtime V2 采用环境快照机制,将会话启动时的镜像拉取与初始化前置,从而加速恢复过程。 V2 在创建或更新运行时生成快照,新会话通过恢复快照启动,仅按需从镜像加载文件。 该版本支持构建钩子以预热依赖,并通过 CloudWatch 指标区分平台开销与代码执行时间。

  2. AWS Machine Learning Blog58

    Amazon Bedrock 教程:为 AI 开发与生产力工具配置成本归因与用量控制

    Amazon Bedrock 可通过零代码改造的 IAM principal 归因功能,追踪 Claude Code、Codex 等 AI 工具在每次推理调用中的用户级成本。该教程展示了配置 IAM Identity Center 实现单用户认证、将 session 标签写入 CUR 2.0 以进行成本拆分,以及如何结合 AWS Budgets 或 LLM Gateway 设置用量上限的完整流程。

  3. OpenAI80

    OpenAI 发布 ChatGPT Wallet 支持智能体完成支付

    OpenAI 发布 ChatGPT Wallet,为 ChatGPT Work、Codex 和 dots 中的智能体提供安全的支付途径。该功能允许智能体在用户批准及使用现有卡片保护机制的前提下完成购买。

    推荐理由:OpenAI 官方说明了 ChatGPT Wallet 为智能体提供带用户审批的支付闭环,读者可据此理解 Agent 交易权限的边界。

11月13日周五
  1. arXiv · AI36

    多层指纹识别区分 AI 网页智能体与人类及爬虫

    该研究提出多层指纹框架,通过结合 TLS/HTTP 网络特征与浏览器交互行为,以 100% 准确率精准区分 AI 网页智能体、人类及传统爬虫。 框架分析了 AutoGen、Browser Use、Claude、Gemini、ChatGPT 及 Skyvern 六大智能体系统,揭示了其在 HTTP 请求组装及连接建立上的潜在结构差异。 该跨层追踪方法为内容保护与网络安全策略执行提供了稳健方案。

  2. arXiv · AI23

    生成式AI个性化中学任务中是否应有教师介入?一项研究

    该研究考察了7名初中数学教师使用ChatGPT创建个性化数学任务的过程,结果显示“教师介入”往往导致个性化粒度较粗,而学生更偏好包含具体流行文化引用的细粒度个性化。 教师在提示词调整中修改流行文化引用,并针对生成问题的深度、伦理或现实性进行修正,展现了认识能动性。

  3. arXiv · NLP21

    LLM 矛盾判断将队友错误误报为幻觉:多智能体 LLM 框架的断言感知重评分

    多智能体 LLM 系统中,基于矛盾检测的 LLM 评委将队友错误的正确报告误判为幻觉,撤回了 v1 中广播使幻觉率从 0.492 升至 0.658 的结论。 对 1,832 条输出进行重评分发现,仅计算自主断言时广播效应为 -0.0208,统计提及时效应为 +0.1996,证实误判源于评分维度混淆。 结果基于单一框架与 13 个手写场景,缺乏人工验证,结论泛化性受限。

  4. arXiv · AI27

    AI 时代自由职业工作的重新捆绑:ChatGPT 与 Upwork 任务组合分析

    研究发现,ChatGPT 中更常见的活动会导致其在 Upwork 上的市场占比下降,反之则上升。 在 AI 相关工作中,客户需求变得多样化,任务组合方式发生变化,且项目预算和工作时长显著增加。 AI 正在重塑客户外包任务的类型以及如何将任务组合成更高价值的项目。

  5. arXiv · AI36

    AVA: Agentic Variant Adjudication 用于癌症诊断测序的自动化、可审计读级审查

    AVA 是一个智能体框架,自动化读级测序数据审查,区分真实突变与测序伪影,无需在现有数据上训练。 在 SEQC2 DNA-seq 基准和患者 RNA-seq 数据上,Claude Sonnet 5、GLM 5.3 Flash 和 Gemma 4 31b 等模型在低 VAF 边界变体子集中优于最佳 VAF/深度阈值。 该框架适合受隐私约束的临床部署,支持本地运行开源权重模型并保持专家在环。

  6. arXiv · AI35

    Qwen2.5 小模型推理能力路由:模型容量与提示词优化对下游质量及效率的影响

    Qwen2.5 小模型(1.5B-14B)经提示词优化可路由推理、检索等能力,14B 路由器下游 token 消耗减少 68.7%。 最小提示下增大容量未一致提升分类性能,提示优化缩小了推理和计算器路由的容量差距,但 RAG 和 Web 搜索仍受益于更高容量。 14B 路由器 BERTScore F1 达 0.8408,接近全能力启用的 0.8418,中位延迟降低 80.5%。

  7. arXiv · NLP30

    低资源语言语音转写:28 个开源多语言模型在 50 种低资源语言上的迁移微调研究

    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。

  8. arXiv · AI31

    Jev 与 Qwen3 小型有类型决策模型受控研究

    在 Qwen3-0.6B 上,五种决策头读出均达 81.3%–82.0% 域内准确率,且 0.5M 参数余弦头推理速度为 27M 联合模式头的一半。 骨干模型规模影响大于头部设计:Qwen3-4B 相比 0.6B 提升 4 分域内准确率和 11 分保留源准确率。 建议将算力投入骨干模型而非复杂决策头。

  9. arXiv · AI62

    前沿医疗智能模型 Neuro-VL 提升脑神经影像解读能力

    研究团队推出 Neuro-VL,这是一个基于近百万例神经影像数据训练的多模态模型。在内部及国际数据集评估中,Neuro-VL 在异常诊断、定位及生成放射学报告方面,表现优于 OpenAI 和 Google 的前沿通用及专用医疗模型。该模型还支持对连续影像检查进行对比,以评估疾病进展,并能更可靠地抵御误导性临床假设。

    推荐理由:Neuro-VL 在多项任务上超越了 OpenAI 和 Google 的前沿模型,展示了通用医疗 AI 的纵向监测能力。

  10. arXiv · AI31

    Science Prediction Universe (SPU) 基准发布,评估智能体在隐藏实验结果中的预测能力

    Science Prediction Universe (SPU) 基准包含 100 个公开任务和 16 个私有任务,评估智能体对实验结果排名的预测能力。 测试 13 种智能体配置和 12 个前沿模型,公开基准上任务调整后的斯皮尔曼相关系数从 0.227 到 0.478 不等。 分析显示,科学判断而非工具执行是瓶颈,智能体相互一致性(0.52)高于与实验现实的一致性(0.33)。

  11. arXiv · NLP38

    大语言模型在疼痛管理中的种族与性别偏见:对 GPT、Claude、Gemini、Llama、DeepSeek 和 Qwen 的反事实审计

    对 GPT、Claude、Gemini 等 17 个模型的 1,386 次对比未检测到疼痛管理中的显著种族或性别偏见。 研究采用 6 个急性疼痛案例和 50 个临床 Q-Pain 案例进行反事实审计,结果显示所有疼痛严重程度差异在 0-10 分制内小于 1 分,且模型间及设置间的差异远大于患者间的差异。

  12. arXiv · AI32

    重写问题陈述如何助力 LLM 解题

    研究评估了分解、类型化重构及概念简化三种重写策略在数学、逻辑及代码基准任务中对 8 个 LLM 的影响。 最佳重写策略平均提升准确率 27.6%,但无单一方法适用所有问题,不匹配的重写反而有害。 简单规则可部分迁移增益至新问题,在选定重写问题上提升 11.0%。

  13. arXiv · ML32

    预测还是惯性?世界模型的预测评分忽视了什么

    预训练视频世界模型的预测评分混淆了编码器质量、近未来与近期过去的相似性及预测器贡献。 在27,000次家庭第一人称视频未来检索试验中,V-JEPA 2.1的预测器贡献了+0.291的top-1准确率,而V-JEPA 2仅贡献+0.03至+0.04。 作者建议将预测评分与其持续性基线一同报告,该差距是使数字可解释的必要检查。