跳到正文
10月5日周一
  1. arXiv · ML29

    HEST双曲熵探针提升LLM稀疏激活转向效果

    研究人员提出双曲熵转向(HEST)框架,通过Poincaré球嵌入模型隐藏状态并基于熵值执行地理测地线移动,优化了稀疏激活转向。在Qwen2.5-Math和Llama-3.1系列指令微调模型上,HEST使MATH-500和GSM8K基准的贪心准确率在六种设置中的五种里提升最高1.8分,且增益集中在模型高熵犹豫问题上。

  2. arXiv · ML33

    并非每个用户都需要私有 LoRA:解耦个性化与单用户适配的 LINEUP 框架

    提出 LINEUP 框架,通过复用低秩个性化因子和 8 个可训练标量,取代传统需 419 万参数的私有 LoRA 配置。在涵盖分类、预测和生成的 6 项任务 12 项指标中,LINEUP 均优于最强基线,例如将 LaMP-3 的 RMSE 降低 11.4%。该设计将个性化容量主要依赖于可复用的共享部分,证明在受限历史条件下仍能维持性能优势。

  3. arXiv · AI34

    SovereignNegotiation-Bench:评估个人AI智能体在隐私与机构压力下的委托谈判能力

    研究者提出 SovereignNegotiation-Bench,这是一个包含 1,764 个成对场景的基准测试,用于评估个人 AI 智能体在委托谈判中的五项法律责任。在测试的 17 个开源模型中,忠实成功率(faithful success)介于 6% 至 75% 之间,且 48% 的协议至少违反了一项义务。该基准代码、场景及日志将开源发布。

  4. arXiv · AI43

    LEAF:首个针对事件增强预测的动态基准测试

    研究团队提出 LEAF,首个针对事件增强预测任务的动态基准测试,涵盖趋势、事件及时间序列预测。 LEAF 结合递归检索智能体系统与双智能体交叉验证以获取及时辅助上下文,由 47 名领域专家对 500 个任务进行审计,将未来信息泄漏率从 8.6% 降至 1.6%。 在 16 个前沿专有及开源模型的评测中,LLM 能有效利用经验证的事件信号提升预测表现。

  5. arXiv · AI23

    SyntaxBench: A Statistical Diagnostic Framework for Character-Level Reasoning in Large Language Models

    研究团队推出 SyntaxBench,这是一个针对大语言模型字符级推理能力的诊断性基准与统计评估框架。该框架包含字符计数、回文检测等五项核心任务及一项子串提取压力测试,在 2B 至 32B 参数规模的八个开源权重模型上进行了评估。 评估结果显示,分词方式显著影响准确性,且推理模式并非总是有益;其中 index_to_span 任务表现最差,最佳四样本精确匹配准确率仅为 6.75%。

  6. arXiv · AI26

    LiBRA:基于双向隐空间优化的检测感知图像水印去除攻击

    LiBRA 提出一种通过双向隐空间优化移除 AI 生成图像数字水印的攻击方法。该攻击旨在使水印变得不可检测,同时避免传统方法中过度反转导致的图像质量不必要退化。LiBRA 允许攻击者对隐空间进行有界修改,引导解码置信度趋向随机猜测,并利用精确的双侧二项检验来验证移除效果。

  7. arXiv · AI30

    TPBench: 对话压缩的转折点基准

    TPBench 评测了 P1、P2、P3 三个信息目标在共享保留预算下的表现。在保留比例为 0.30 时,Llama 读者下所有压缩方法均低于完整上下文。删除携带更新的回合会显著降低当前值准确率,而删除无关回合则影响不变。

  8. arXiv · AI25

    面向选择性状态空间模型的分布式学习:架构感知收敛分析

    论文推导了选择性状态空间模型(SSM)的架构感知梯度平滑界,并分析了 FedAvg 和 FedProx 的收敛性,以弥补现有联邦学习方法对 SSM 结构特性考量不足的空白。 研究者基于该理论分析了递归稳定性、输入依赖离散化和状态投影范数对优化过程的影响,并在六个文本域上使用 Mamba2 对九种联邦学习算法进行了语言建模实验验证。

  9. arXiv · AI33

    OpenGameEval 基准测试评估智能体在 Roblox Studio 中的编程与探索能力

    研究团队推出 OpenGameEval 基准,用于在 Roblox Studio 中评估 AI 智能体的编程与探索表现。该框架对 13 个前沿模型进行测试,最优模型在 84 个核心任务中的单次通过率仅为 51.7%,且六项任务无一模型能解决。探索行为直接预测成功率,深入检查所有相关对象的运行通过率比不检查的高出 13.4 个百分点。

  10. arXiv · AI48

    RSR 框架如何重构轨迹以增强 Qwen-3.8-27B 在复杂任务中的表现

    研究提出递归自重写(RSR)框架,利用 Qwen-3.8-27B 将多工具环境下的成功轨迹重构为通用环境下的训练数据。在约 3K 个终端任务中,该框架将 2001 条源轨迹扩展为 11094 条重写轨迹用于监督微调。 微调后的模型在 Terminal-Bench 2 上的 pass@3 从 57.0% 提升至 74.2%,在 Terminal-Bench 4 上从 1.5% 提升至 9.1%。

  11. arXiv · AI20

    FlashSinkhorn 2:一种块稀疏熵最优传输 GPU 求解器

    针对低维点云平方欧氏代价的 FlashSinkhorn 2 (FS2) 求解器,通过在单块 A100 GPU 上将两个阶段耦合以解决大规模离散熵最优传输 (EOT) 问题。其采用莫顿有序块稀疏结构,在合成基准测试的 32 个问题中均达到目标残差,并在 2.5 小时内解决了两个 1.34 亿粒子测度间的离散 EOT 问题,边际残差低于 0.01。

10月4日周日
  1. 美团技术团队79

    美团 LongCat 发布 MineExplorer:揭示顶级多模态大模型被忽视的能力断层

    美团 LongCat 团队构建了 MineExplorer,一个在开放世界中做到分钟级长程任务的评测基准,并开源了相关数据和代码。基准包含 813 个人工验证的高质量任务实例,支持 1 到 4 级多跳推理任务。

    推荐理由:文章给出了18款多模态大模型在MineExplorer动态环境中的具体成绩,读者可以据此判断感知与长程规划之间的实际能力断层。

  2. Hugging Face Blog83

    Microsoft ThinkingBox 和 ThinkingBox-Bench 开源:基于终端状态检查评估 AI Agent 可靠性

    Microsoft 与 Hugging Face 联合发布了 ThinkingBox 沙箱环境和 ThinkingBox-Bench 基准,现可通过 Hugging Face 和 OpenEnv 访问。

    推荐理由:原文提供了 507 个有状态业务工作流的 20 次重复基准数据,以及按次成功成本与可靠性成本对比,可据此判断模型在真实数据库记录变更中的表现差异。

9月30日周三
  1. 百灵大模型76

    百灵发布 Ling-3.1-flash 模型,主打真实世界复杂任务处理

    百灵推出 Ling-3.1-flash 模型,总参数约 560B,激活参数约 25B,上下文窗口上限 1M。该模型在办公、医疗、软件工程等真实任务评测中表现突出,支持长达数十小时的持续代码开发与调试,并计划在免费体验期结束后同步开源。

    推荐理由:文中提供了架构参数、具体任务基准及对比数据,帮助判断模型在长程任务与多场景下的实际表现与开源计划。

  2. DeepSeek68

    DeepSeek 开源昇腾基础组件

    DeepSeek 正式开源面向华为昇腾算力平台的基础设施组件,涵盖 TileLang、DeepGEMM、DeepEP 等,与此前英伟达平台组件一一对应。TileLang 昇腾版本封装 Ascend C 指令,支持 DeepSeek V4 系列模型训练中大部分算子的高性能实现,相关项目链接已同步发布于 GitHub。

    推荐理由:开源昇腾平台适配的 TileLang 与核心计算组件,为构建自主可控 GPU 软件生态提供可直接复用的基础工具。

9月29日周二
  1. Hugging Face Blog81

    NVIDIA Kumo Tabular 开源表格基础模型发布

    NVIDIA 在 Hugging Face 和 GitHub 发布开源表格基础模型 Kumo Tabular,它基于 Transformer 架构,针对表格数据的列、行和上下文注意力设计,支持分类和回归任务,无需训练、调参或特征工程即可通过单次前向传播进行预测。

    推荐理由:文章给出了模型规模、基准排名与调用代码,读者可以据此判断它是否适合替代传统树模型流程。

  2. Qoder57

    知擎科技发布 superun 应用构建平台,集成 Qoder Cloud Agents 实现一句话生成生产级应用

    知擎科技推出 AI 应用构建平台 superun,支持用户通过自然语言生成前后端完整应用并配置发布。平台接入 Qoder Cloud Agents(QCA)作为云端 Agent 底座,兼容 Anthropic CMA API 架构,提供智能体模板、用户身份隔离、精确计量计费及 IM 渠道接入等企业级能力。

9月28日周一
  1. Hugging Face Blog62

    Hugging Face 上线 RL Environments 统一入口

    Hugging Face 在 Hub 上新增 RL Environments 筛选器,将强化学习环境作为带 rl-environment 标签的数据集仓库托管,支持 Harbor、Verifiers、OpenEnv 和 NeMo Gym 四类框架标签。

    推荐理由:Hugging Face 将强化学习环境定义为数据集仓库并统一标签体系,让不同框架用户无需手动移植即可共享任务集与奖励信号。

9月24日周四