DeltaBox:面向有状态 AI 智能体的毫秒级沙箱检查点与回滚
summary_zh: DeltaBox 提出基于变更的 OS 级沙箱检查点机制,实现毫秒级状态保存与回滚,解决现有方案高延迟瓶颈。 通过 DeltaFS 冻结可写层实现文件状态 copy-on-write,DeltaCR 从冻结模板进程 fork 恢复内存状态,两者协同保证一致性。
summary_zh: DeltaBox 提出基于变更的 OS 级沙箱检查点机制,实现毫秒级状态保存与回滚,解决现有方案高延迟瓶颈。 通过 DeltaFS 冻结可写层实现文件状态 copy-on-write,DeltaCR 从冻结模板进程 fork 恢复内存状态,两者协同保证一致性。
基于 nnU-Net 的 ISLA 框架在 590 例独立多中心临床队列中优于预训练模型,实现约 5 秒/例的处理速度。 该模型结合集成学习与域适应,在低对比度病灶上表现优异,代码权重开源。
针对现有扩散模型固定原子数量导致无法准确捕捉分子性质与大小联合分布的问题,研究提出名为 Morph 的灵活尺寸生成模型。 该模型基于几何图结构,通过非平衡最优传输动态调整分子大小,在保持性能的同时显著增强了属性导向采样灵活性。 研究展示了 Morph 在分布外生成任务中超越了先前固定尺寸模型在特定区域表现不佳的局限。
参数高效微调(PEFT)方法面临适配器规模与表达力的权衡,BoostLoRA 提出一种梯度提升框架以打破此限制。该框架通过迭代训练和合并极简适配器,利用 ROTATE SVD 基策略使累积有效秩随轮数线性增长,且合并后消除推理开销。
论文提出一种无监督领域适应管线,用于解决字符分类与手写文本识别中目标域标注数据匮乏的问题。 管线通过源域预训练、无监督目标域适应及源域风格化微调三步,弥合领域分布差距,且不增加推理开销。 在Safran-MNIST-DLS数据集上取得76.17% Macro F1分数的新SOTA,并在READ 2018数据集上获得具有竞争力的结果。
LuthorSQL 是一款 7B 非自回归 Text-to-SQL 模型,单 GPU 上 0.84 秒/题,BIRD 隐藏测试集执行准确率 68.03%。 结合 Claude Opus 5.5 构建级联系统,本地解答近半数问题,降低 33.3% API 成本,且 8-bit 量化后仅需 9 GB 内存。
Superfluid 是开源 LLM 服务器,用于本地设备上的 LLM 推理,支持单设备多智能体共享模型及跨设备集群服务。
推荐理由:原文给出了具体硬件下的延迟改善和吞吐数据,读者可据此评估分布式本地推理在实际混合算力场景中的可行性。
研究者分析了来自125种智能体配置和117个模型的143,209条执行轨迹。 开发了基于规则的解析器,将执行日志映射为搜索、编辑等高层动作。 发布解析器与标注流水线,表明智能体堆栈可通过行为画像识别。
研究者提出IBMARL框架,将模仿引导强化学习扩展至合作团队,结合轮询行为克隆(R2BC)训练模仿策略。 在四个基准中,IBMARL比演示基线快2.6至4.2倍,且在两项任务上超越演示者本身,代码已开源。
论文推出 WeightBench 基准,在 5 个赛道 42 个任务上评估 LLM 读写与修改神经网络权重的能力。 测试网络参数量从 2K 到 7B,涵盖读取、修复、生成及无数据压缩。 前沿智能体可生成可用控制策略,但尚无法修复语言模型或识别不可能任务。
JFinBench 发布了包含 321 个样本的日本金融基准,用于评测大语言模型在会计、税务等领域的金融系统能力。该基准通过人机协作智能体管道从 2026 版六项认证考试构建,支持定期更新以缓解数据污染。
NeoResearch 提出一种由 LLM 驱动的自主研究框架,利用专家启发的双循环工作流发现轻量级领域特定预测模型。 该框架自动挖掘网络科学文献提取建模机制,并通过层级经验记忆将文献发现与实验结果关联,支持跨任务复用。 在十个数据集上的实验表明,该框架具有竞争性性能,验证了双循环、文献提取及记忆复用机制的有效性。
该研究提出可微GPU加速的MHD求解器φ-PICT,用于主动流动控制。 φ-PICT 通过梯度算法使传热效率提升 25% 以上,并支持比黑盒方法高 1000 倍精度的逆向设计。 工具已公开发布,旨在优化聚变包层冷却等工程应用中的流动控制。
FlexCast 提出变量长度掩码预测框架,通过动态采样可见上下文与目标片段解耦自回归模型中的训练分布与推理过程。在 BLAST 及零样本基准测试中,其精度与强基线相当或更优,同时显著降低推理延迟。
昇腾NPU团队推出AscendGYM基准测试,其初始套件包含48个内核,覆盖三个难度级别,所有测试用例的数据类型和张量形状均源自真实训练与推理任务。 AscendGYM支持模型评估和模型-框架评估两种模式,并提出了结合加速倍数与token成本的新指标STS(Speedup-Token Score),用于衡量可接受预算下的实际内核优化能力。
OpenClaw v2026.11.4 发布,包含 220 次 commits 与 125 个 pull requests,由 90 位贡献者参与。 提供 Release notes 与 Changelog 两种格式,Changelog 为纯 Markdown,专为 AI agents 和工具设计。
NVIDIA 开源库 NeMo Switchyard 通过 LiteLLM 集成支持 Stage 和 Random 路由策略,帮助 AI 智能体在 Amazon Bedrock 模型间按“每任务成本”分流请求。
Hugging Face 发布教程,指导利用 UR17G 机械臂、Robotiq 2F-140 夹爪和饮料罐构建抓放模拟。 SimReady Central 提供带验证属性的 OpenUSD 资产,示例采用 GPT-6 Sol 生成控制代码,需安装 Isaac Sim 6.2。 该流程通过 Profile 验证确保资产物理属性正确,支持开发者复用经过基准校验的机器人组件。
Hugging Face 发布 llama.cpp 与 ggml 的 v1.0.0 库版本,确立以重大版本标记 API 和 ABI 不兼容的语义版本规则。该引擎支持跨平台本地多模态 LLM 推理,覆盖 150 多种模型架构及主流推测解码方法,并扩展至 Linux、macOS、Windows、Android、iOS 等发行渠道。
summary_zh: AURA 2.0 是一款流式视频大语言模型,通过模型主动对话、流感知工具调用和交互式视觉定位技术,提升了视频交互体验。 在公共流式基准测试中,该模型在开源流式模型中表现领先,并开放了模型权重和推理代码。
ZONOS3-Mini 是一款超紧凑型实时零样本语音克隆 TTS 模型,可在笔记本电脑或手机上运行。 模型采用 886M 参数的潜在 MoE 骨干网络(每 token 激活 100M)及 15 Hz 帧率的 ZAC-1 音频编解码器,支持 44.1 kHz 音频。 在 ZTTS2-Eval 基准上,其 55 个语言集的宏平均 WER 为 6.71%,模型权重与代码已开源。
研究利用Qwen2.5-Coder 7B等小语言模型生成Coccinelle语义补丁,平均解决35.3个内核迁移转换任务,远超直接提示时的1.0个。模型输出的规则在测试集上精确度最高(0.74),优于Spinfer(0.55)和前沿LLM智能体(0.70),并通过编译批评者剔除无效规则。 研究基于预注册测试集评估7个API迁移,涉及122个留出驱动转换,所有代码、提示词及结果已开源发布。
summary_zh: WavCube 提出紧凑连续潜在表征,通过两阶段训练同时支持语音理解、重建与生成,在 8 倍维度压缩下接近 WavLM 在 SUPERB 上的表现。
Iris-Z 是一个通用图像生成器,结合外观与几何生成,单一骨干网络同时处理深度估计、生成和渲染任务。在足够规模下,它超越了现有深度基准的专用模型 SOTA,同时保留原始生成能力。 该模型无需专用层,统一处理单目几何任务,打破了专用架构长期主导该领域的局面。 作者发布两个模型供社区使用,验证了“苦涩教训”在视觉智能领域的适用性。
JustRUA 在 RoboDojo 基准测试中将 GPT-6 机器人使用智能体得分从 29.7 提升至 50.3。 该研究基于官方 L3 harness,去除了学习策略和任务微调,主要依靠保留完整情节历史和动作界面实现性能跃升。 分析表明,经验复用并非免费午餐,且场景几何信息对模型表现提升最为显著。
该研究将 WGAN-GP 和条件 Pix2Pix 生成模型用于填补 X 射线探测器物理间隙,并实现了仅限间隙像素修改及约束均值与强度分布的掩码策略。在 nanoCT 投影数据上,两种模型在感知相似度(LPIPS)和直方图距离上表现最优,其中 Pix2Pix 训练耗时比 WGAN-GP 少约五倍。最终 Pix2Pix 模型源码及权重已开源,但在断层重建中相比线性插值提升有限。
研究者发布 GingivitisSeg 公开基准,包含 961 张口腔图像及像素级标注。 基准测试对比 7 种语义分割模型,UPerNet 搭配 ResNet50 取得 76.49% mIoU 和 54.91% 牙龈炎 IoU。 该基准数据集及源代码已公开,支持计算机辅助牙周评估。
研究指出,LLM 代理的长期记忆常将进行时用户事实扁平化为一般现在时,导致“时态扁平化”现象。在名为 LAPSE 的基准测试中,三个生成模型在 381 对样本中的 210 对里保留了时态差异,且 11 个测试模型均显示此单向丢失现象,该结果同样存在于 mem0、Graphiti 和 Letta 系统中。
论文发布 MoralBench,这是首个专门用于探测 LLM 输出道德维度的综合数据集及基准测试。 该基准通过结合定量分析与伦理学家的定性见解,评估模型在现实伦理困境中的推理能力,并公开数据集与代码。
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。
CoReMem 提出成本内化记忆框架,通过前瞻性估值指导编码智能体在未知任务中平衡记忆效用与读写成本。 在 ChainSWE 基准测试中,该框架将 27B 模型的解决率从 21.0% 提升至 25.7%,并减少 17% 步骤与 11% 总缓存感知 token。
研究团队提出 Ballad 框架,该算法在 5 个 NP-hard 组合优化问题中,实现了与最佳单一 LLM 相当或更优的效果。 Ballad 采用在线 Bandit 策略和 DAG 信用传播机制,动态调度 4 个不同成本的 LLM,最高可降低 65.6% 的 API 费用。 该成果表明 LLM 能力与成本并非线性正相关,为启发式发现提供了低成本高效的替代方案。
开源基准测试 AnalogLayoutWorld 发布,包含 40 个专家审查任务,用于评估智能体在模拟电路布局设计中的端到端生成能力。 该基准测试结合独立物理验证和布局质量指标,在 13 种模型-框架配置中,91.1% 的尝试生成了 GDS 布局,但仅 23.0% 通过验收标准。
Primer 是一个开源且 LLM 无关的 AI 辅助系统,帮助教育者创建自适应教育模拟。系统采用多智能体架构以执行教师的教学意图,并支持本地及开源模型运行。作者通过发布 Primer 源码、提示词及 GitHub 仓库,为教育者主导的 AI 创作、多智能体教育工作流及基于模拟的教学法研究与开发提供了基础。
研究者发布 Skepthical 多智能体评审基准,在 15 篇天体物理与机器学习 arXiv 论文中注入 357 个可定位错误,用于衡量 12 个评审系统的检测率与误报率。该基准涵盖通用问题、数学、数值及引用四类错误,并通过检索、计算机代数与代码执行进行验证。结果表明,模型选择对检测率影响最大,强制引用检索使 Skepthical 在天体物理引用错误检测上取得最高成绩。
研究团队发布 Lara Mini Base,这是基于 6T tokens 和 44 种语言训练的开源多模态 MoE 模型,总参数量 7.2B 且激活参数 0.6B。该模型在标准英语、多语言、数学及代码基准测试中,以少于主流模型 4 至 6 倍的训练数据量取得最高平均分。其 128k 上下文支持及单 GPU 无量化 1.8 倍推理速度优势,证明了 MoE 架构有效缓解了多语言训练中的容量竞争问题。
研究指出,WER相同的ASR系统在流式听写下故障模式不同。Zoom Scribe与OpenAI GPT-Live-Transcribe在安静英文下WER分别为7.4%和7.3%,但在耳语英文下分别为34.7%和8.8%。
SignRot 通过识别异常通道构建符号调整向量,将双峰分布折叠为单模态分布,配合非对称量化解决量化瓶颈。 该方法仅需单次校准前向传播,在推理时仅增加逐元素符号翻转,无需额外矩阵乘法。应用于 QuaRot 时,LLaMA3-70B 模型 WikiText2 困惑度达 5.88,平均零样本推理准确率为 72.73。
drydock-eval 本地评估套件可在单张 RTX 5090 上以约 250 次/小时速度测试 Gemma 4 E4B 编码智能体,通过容器隔离与无网络环境保障安全,且通过 200 项逃逸测试。
AI 提升组织数据产出与分析能力,数据科学家核心价值转向评估结论可信度、重要性及证据跨情境泛化能力。 基于 2026 年 CIDER 圆桌会议,探讨保留实验学习价值、结合实验/观察/合成证据及确保评估跟上 AI 演进三种路径。