跳到正文
11月3日周二
  1. arXiv · NLP30

    基于1.2万条本地化帖子的多语言LLM刻板印象偏见审计

    研究者利用英语、西班牙语、法语和德语的1.2万条Reddit本地帖子,对3个开源及3个API模型的性别、种族和宗教偏见进行了审计。 研究发现宗教维度的选择失衡在所有模型中最高;API模型得分全面低于开源模型;负面性别偏见在英语语境下更显著。 这些结果揭示了聚合分数可能掩盖特定类别和语境的偏见行为,强调了部署前进行细致检查的必要性。

  2. arXiv · AI31

    混合语言模型中线性注意力构建查询:以 Qwen3.5 与 Granite4.0 为例的检索机制研究

    summary_zh: 混合语言模型中,线性注意力直接参与构建 softmax 注意力的查询,而非仅压缩上下文。 在 Qwen3.5 和 Granite4.0 中发现 Encode-Address 电路;跨架构移植 Address 块可在不更新权重的情况下恢复 0.92–0.94 的检索准确率,且大规模模型中该计算趋于分布式。

  3. arXiv · AI37

    揭秘 Google XLA:TPU 编译器在超大规模下的正确性验证与分诊方法论

    针对多-million美元训练任务因编译器缺陷导致的数值退化与内存损坏问题,提出一套基于 Google XLA:TPU 的超大规模验证方法。 该方法结合模糊测试与 AI 智能体集群,通过分层差分流水线定位融合内核中的失败操作,已解决 142 个编译器 bug。 此生产级框架不仅提升服务稳定性,还为大规模模型编译优化提供了经过实战检验的调试范式。

11月2日周一
10月30日周五
  1. Google DeepMind30

    Google DeepMind 推出 PlanAssist 加速规划决策

    Google DeepMind 开发的 AI 工具 PlanAssist 将规划官员处理住宅申请的平均耗时缩短 58%,现扩展至 12 个地方规划机构。 该工具基于 Gemini 构建,可自动校验文档、核查政策合规性并起草报告,70% 的生成报告无需编辑即可获批。 此举旨在缓解规划积压,支持英国政府 2029 年建设 150 万套新住宅的目标。

  2. arXiv · ML23

    LLM 高效评估:具有统计保证的主动查询方法

    研究者提出 FAQ 方法,将大语言模型基准测试视为有限总体推断,在固定查询预算下追求紧置信区间。 该方法利用贝叶斯因子模型和混合方差缩减策略自适应选择问题,在两个基准套件上比基线方法带来高达 5 倍的有效样本量增益,且计算开销可忽略。 代码和数据集已开源以支持可复现性。

  3. arXiv · AI28

    QGF:测试时梯度引导的强化学习流策略

    论文提出 Q-Guided Flow (QGF) 强化学习算法,通过测试时策略优化替代不稳定训练,在单任务和目标条件离线强化学习基准上超越现有测试时方法。 该算法利用预训练的流策略和价值函数,在测试时用价值梯度引导生成高价值动作,避免了演员-批评家训练的不稳定性且运行成本更低。 QGF 展现出随模型规模扩展的良好特性,为使用高维动作空间的机器人控制提供了实用且高效的强化学习替代方案。

  4. arXiv · AI36

    当事实变成故事:模型改写新闻时,源一致性指标遗漏了哪些失真?

    三项模型家族将2000篇新闻改写为摘要与故事,研究发现“源一致性”指标无法准确衡量重构中的故意偏离,导致真实失真被遗漏。在故事中,问责失真上升高达7倍,其中三分之二的案例减轻了肇事者的责任。为支持检测研究,作者发布了可重构语料库ReTold-2k。

  5. arXiv · NLP28

    量化下聚类最优传输激活转向研究

    该研究发现,基于个体 token 路由的聚类最优传输变体在 Gemma 和 Granite 模型上将毒性减少 37-61%,优于均值差(DiM)方法。 该变体在 INT8 和 NF4 量化下依然有效,且与均值差方法相比,在相同毒性水平下流畅度略高,但在相同转向强度下困惑度稍高。 该研究证明了该变体在量化模型中的鲁棒性,为实际部署中降低模型毒性提供了有效方案。

  6. arXiv · NLP41

    语言模型在已知机械极限下计算与拒绝行为的分化:12款模型4860次调用测试

    研究测试12个语言模型在4860次调用中对已知机械极限的计算与拒绝能力,发现模型在询问可行性时能识别不可能的工程设计,但在要求完整答案时可能错误报告“solved”。 Opus 5 和 Gemini 3.8 Flash 在仅询问可行性时拒绝了所有不可能的新设计,无假警报;重述拒绝时机或改变回答格式提升了原始梁的拒绝率,但在新设计上效果不一致。

  7. arXiv · NLP40

    链式思维依赖是否遵循缩放定律:更大模型更遵循自身步骤,且独立于后训练

    研究发现链式思维(CoT)依赖度随模型规模增加而上升并饱和。在 Qwen3 中,答案对编辑后步骤的依赖度从 0.6B 参数的 16-18% 升至 14B 的 97-100%。 能力是主要驱动因素,依赖度与步骤准确率相关系数 r = 0.99。后训练不改变依赖度,14B 以下模型在缺乏书面步骤时均无法内部解决需四步以上交换的任务。

  8. arXiv · NLP24

    组件翻译与裁判标注拒绝:一种多语言安全评估方法

    研究提出组件反转翻译方法,固定行为与译文数量,独立分配英、中、西语言以评估9种配置。在Gemini 2.5 Flash和DeepSeek上,拒绝率互换效应未通过Holm校正;Mistral Small 4显示13.7点的西班牙语互换效应,且通过敏感性校正。 该评估框架强调记录组件语言与译文数量,将拒绝与不安全顺从分开解读,为多语言安全测试提供额外维度。

10月29日周四
  1. Google DeepMind84

    Google DeepMind 发布 Gemini 4 Carbon

    Google DeepMind 发布前沿模型 Gemini 4 Carbon,称其在网络安全和长任务能力上达到 state-of-the-art,并将在 Artificial Analysis Intelligence Index v5.0 中取得 59 分、排名 #1。

    推荐理由:官方给出一组网络安全基准数字和分阶段上线机制,读者可以据此判断前沿模型在复杂代码与安全任务中的实际能力边界。

10月28日周三
  1. arXiv · NLP70

    EmbeddingGemma 2 发布:统一高效的开源多模态嵌入模型

    EmbeddingGemma 2 是一个开源的多模态嵌入模型,能在统一空间中表示文本、图像、音频和视频。该模型在多种嵌入基准测试中优于专业模型及体积大两到十二倍的模型,支持选择性加载模态编码器、调整视觉 token 预算及量化权重,模型已在 HuggingFace 和 LiteRT 上发布。

    推荐理由:新模型在基准测试中展现出跨模态优势,其可裁剪架构为资源受限场景的部署提供了参考。

  2. arXiv · AI28

    TokenMinds:面向大型推荐系统的预训练用户令牌与嵌入

    工业级系统TokenMinds扩展PLUM框架,通过生成式序列建模将SID用于用户表示,其双输出设计结合密集嵌入与离散SID用户令牌,保留多项兴趣。 该系统统一长短视频语义,减少上游计算50%与31%,并直接在观看历史中插入文本查询以捕捉意图。 在YouTube线上A/B测试中,SID令牌单独有效,与密集嵌入叠加增益显著,整体表现优于上一代非LLM用户模型。

  3. arXiv · AI31

    PlanAhead框架实证研究:LLM网页智能体中规划表示形式的影响

    研究引入静态规划器-执行器框架PlanAhead,评估4种自然语言规划表示对LLM网页智能体性能的影响。实验在3个难度级别的WebArena任务中,系统测试了包括顺序子目标、叙述、伪代码和检查表在内的4种规划表示。结果显示,规划形式的制定和底层LLM均显著影响网页智能体的稳健性和任务成功率。

  4. arXiv · AI50

    AI 研发自动化可能引发智能爆炸的风险与应对

    多领域学者指出,AI 系统有望在未来几年内自动化大部分 AI 研发工作,这可能引发“智能爆炸”,将数年的技术进步压缩至数月。 智能爆炸可能极大加速 AI 效益,但也会带来超级 AI 失控及权力制衡被严重侵蚀的极端风险。 鉴于不确定性高且利害关系重大,政策制定者应紧急增强对 AI 研发自动化的可见性,并制定相关约束措施。