InfraDev:代码智能体能否开发 AI 基础设施及如何评估
InfraDev 基准由 36 个源自 Megatron-LM、vLLM 和 verl 的真实 PR 任务组成,用于评估代码智能体在分布式 AI 基础设施开发中的表现。 该基准联合生成隐藏探针和提示词进行评分,共享执行环境使存储减少 52-57%,构建时间减少 13-14%。 六个前沿模型中表现最好者仅解决 38.9% 的任务,探针拒绝了 32% 通过官方测试但错误的提交。
InfraDev 基准由 36 个源自 Megatron-LM、vLLM 和 verl 的真实 PR 任务组成,用于评估代码智能体在分布式 AI 基础设施开发中的表现。 该基准联合生成隐藏探针和提示词进行评分,共享执行环境使存储减少 52-57%,构建时间减少 13-14%。 六个前沿模型中表现最好者仅解决 38.9% 的任务,探针拒绝了 32% 通过官方测试但错误的提交。
RefactorProof 发现 LLM 生成证明在程序重构后表现脆弱,结构 PSR 介于 4.3% 至 26.8% 之间。 测试基于 458 个 Lean 变体,DeepSeek-Prover 和 Goedel-Prover 表现优于参考证明,存活率高 15.6 至 20.3 个百分点。 研究被 NeurIPS 2026 Workshop 接收,旨在衡量证明稳定性,而非修复证明的成本。
论文发布mdRNAcat数据集,包含48个RNA系统的原子级分子动力学(MD)模拟数据。 数据采用REST2方法,每系统设32个哈密顿状态,单状态生产长度为200-300 ns,以HDF5格式提供坐标和力。 该资源支持开发及评估数据驱动的RNA模型,包括粗粒化力场。
RAINFALL 结合 LLM 与符号验证,在 358 个 C 程序基准中求解 323 个排序函数,成功率 90.22%。 采用 MiniMax V2.7 执行代码补全任务,比最优基线 PROTON 2.1 多解 12 个程序;组合使用成功率达 96.65%。 框架为 LLM 辅助合成可形式化验证的活性证明证书提供了通用路径。
提出FlashScript方法,将智能体成功运行编译为可复用神经符号程序(NSP),动作变代码、判断变LLM调用。 在120个WorkBench任务中,NSP使用约70倍更少的输入token且运行时间缩短至三分之一,比技能引导智能体更稳定。 NSP可视为累积软件资产,供用户在重复工作流中测试、维护和复用。
SWE-Ladder 提出分阶段证据蒸馏方法,解决 SWE 代理缺乏定位与复现阶段特定指导的问题。 在 Qwen3-4B-Instruct-2507 模型上,该方法使 SWE-bench Verified pass@1 从 9.6% 提升至 16.4%。 该方法优于 GRPO(10.4%)和 OPSD(12.4%),验证了阶段顺序对性能的关键影响。
Liquid AI 发布新一代开源 Liquid Foundation Model(LFM3),将文本、视觉、音频、omni 和决策任务放入同一 2B 级底座,所有模型都可在单卡上微调并部署到边缘设备。
推荐理由:Liquid AI把六种模态压进2B级开源权重,并用同一底座和单卡微调路径解释它如何落到边缘部署。
Qwen3-4B 通过 LoRA 微调,在 CallScreenBench 上实现 AUROC 0.974 和 64.5ms 单次决策。 模型在 41 个场景中未产生误报,且比 LLM 裁判提前 1.14 轮做出决策。 验证了基于读出的校准方法优于传统生成式微调,贡献在于评估协议而非架构创新。
QUEST 团队发布 2B 至 35B 参数的开源深度研究智能体,结合 8K 合成任务训练,在 8 项基准测试中性能比肩前沿闭源系统。 训练采用统一评分树合成可验证奖励数据,并内置上下文管理机制以支持长程推理与知识综合。 模型、数据及训练脚本已全部开源。
summary_zh: TIAgent 是一种自动化的计算病理工作流生成框架,旨在解决大语言模型(LLM)在科学场景中因幻觉导致工作流不可靠的问题。它通过自然语言提示构建可验证的计算图,支持生物标志物发现等应用。
研究发现 GEPA 的合并操作对 gpt-4.1-mini 和 Qwen3-8B 表现不稳定,但在合适配置下可同时改善两个模型。 九种配置扫描表明,合并不稳定源于配置敏感性而非操作符固有缺陷;基于行为的探针能避免高风险任务中的合并失败。 代码开源为 GEPA-MergeProbe,虽未始终优于 NoMerge,但为理解合并决策提供了诊断依据。
各向同性激活函数通过SVD对角化密集网络,实现去个体化神经元与自适应拓扑。该设计使网络可通过神经再生精确保持函数,通过神经退化渐近保持函数,并实现50%参数稀疏化。被NeurIPS2026接收,支持架构实时重组以适应任务需求。
稀疏自编码器(SAE)表征能提取 OpenVLA 激活中的结果预测信息,在机器人进入不可恢复状态前预测任务失败。 研究识别了与成功或失败阶段相关的 SAE 特征,并通过定位时间间隔揭示重复行为模式。 基于 VLM 的解释流水线生成行为描述,验证了其与特征激活的对应关系,为物理 AI 安全提供诊断工具。
研究者建立了 Jacobian lens (J-lens) 的数学理论,证明其优先识别 LLM 隐藏状态中具有工作记忆特性的相干线性方向。 这些特征表现为空间相干的 Lyapunov 模式,小扰动在跨层传播时放大,且在不同 token 位置和上下文间保持一致。
研究人员提出ELBP四层架构,利用3B级小语言模型实现本地行为预测,解决LLM算力瓶颈及隐私问题。 评估显示Qwen2.5-3B在ELBP配置下全量F1达0.80,PR-AUC为0.84,较XGBoost提升17.6%;引入证据验证与弃权机制后,选择性F1升至0.84,证据支持率达96%。
论文提出 PersonaScienceBench,包含来自四个科学领域的 200 个任务。模拟研究员提供上下文与反馈,智能体仅通过对话感知偏好。 在 18 种模型配置下,任务表现、事实恢复和自我重复率揭示了不同优势。GPT 6 Astra 分析显示,即使最终分数相同,智能体响应仍有差异。 该基准评估智能体与多样化研究员的协作能力,而不仅是任务完成度。
宾大团队推出 LitPivot,帮助研究人员在文献景观中进行动态上下文化以完善研究想法。 该系统结合 Asta Paper Finder 检索论文,针对提案的问题、贡献和评估部分提供基于引文的批评及修订建议。在 17 名研究人员的研究中,领域专家评分显示 LitPivot 产出的想法在文献基础方面优于基线工具,且用户感知其想法更具新颖性和实用性。
Hugging Face 上线 torch-neuronx 模型支持 Space,用于查询 Hub 热门模型在 AWS Trainium 上的运行状态。 该工具基于 trn2 实例测试,记录核心分片数、耗时及内存,并生成包含静态缓存和 torch.compile(backend="neuron") 的 run.py 脚本。
MiniMax 开源了 MiniMax M3.1 Flash 模型权重,总参数 428B、激活参数 23B。上线 72 小时内真实用户处理 Token 超过 100 万亿。该模型通过全模型稀疏注意力、量化感知训练(QAT)和 Power-aware scheduling 提升了推理效率,并与多家国内外芯片厂商及云服务平台、开源社区完成了首日接入。
推荐理由:M3.1 Flash 上线 72 小时处理 Token 超过 100 万亿,展示了模型的高吞吐与广泛的芯片/云平台生态适配能力。
该研究提出基于 A* 搜索优化 Flood-It 谜题最小移动序列的方法,并对比 SAT、整数规划及约束规划求解器。在测试实例中,A* 在约 75% 的情况下找到最小解的速度最快。 随着复杂度(即最小解长度)增加,SAT 方法性能超越 A*。 对于决策问题,A* 在多数谜题中表现最佳,但 SAT 在更高复杂度时占优,尽管交叉点较低。
研究发现语言模型对不同文字系统的同一实体身份判断存在显著偏差,Qwen2.5-7B 在 Marathi 提示词下 Devanagari 文字的同名准确率从 35.1% 降至 8.5%。
CiteAnchor 提出源感知接地框架,并构建了含 423 个样本的 CiteResolve 基准,用于检测幻觉引用。 在现有检测基准上,CiteAnchor 使用 GPT-5.6 Luna 取得 0.841 F1,使用开源权重骨干取得 0.784 F1,分别超基线 7.9 和 36.8 分。
微软 Copilot Studio 团队与 Hugging Face 联合开源 ThinkingBox-Training,提供将数据库终态检查改造为可执行奖励、用于智能体 RL 后训练的完整栈,包括离线策略相对难度筛选、GRPO 训练与评测脚本。
推荐理由:开源了完整训练栈和离线难度筛选方法,读者可复用于将数据库终态判定改造为智能体 RL 训练奖励。
在 Amazon SageMaker AI 上部署 Kokoro-82M 时,应避免猜测自动伸缩参数。方案基于实时端点测量 Q_max(单实例 SLO 内最大并发数)和 T_total(扩容总时长)推导阈值。
OlmoEarth v1.3 发布,提供 10 米分辨率的 128 维(或 64 维)全球卫星嵌入及交互探索工具。该模型在 27 项评估中 20 项排名第一,训练算力成本较 v1.2 降低 53%。探索工具允许用户无 GPU、无注册直接基于少量标签训练分类器并导出 GeoTIFF 地图。
推荐理由:OlmoEarth v1.3 发布了地球预计算嵌入和交互工具,展示了其在全球尺度上评估与监测地表变化的具体应用。
IBM Granite 发布 Granite Timeseries Ensemble R1,结合 4 种预训练模型架构提供无需再训练的集成预测接口。该方案支持概率分布输出,GIFT-Eval 基准测试显示集成预测在 MASE 指标上优于单个组件模型。
研究者发布合成数据集OSynth,包含570小时模拟组织会议音频及相关工件。 在成对对比测试中,人类评估者基于150-300词节选识别OSynth与真实会议转录的准确率仅为56%。 额外情境对当前最先进大语言模型在多个实体敏感维度带来显著提升。
研究测试了 19 个 LLM,发现无生物背景的通用提示在 58.7% 的任务中优于含生物知识的提示,且域特异性优化是独立能力。 该研究基于 341 篇论文的数据,指出 LLM 在生物学中表现不佳源于对已知信息的锚定效应,且将 Llama 3.1 8B 后训练至前沿水平也无法提升生物感知优化能力。
针对检索增强生成(RAG)中歧义查询的识别与澄清问题,研究发布数据集ClariEdge,包含约3,900个示例。 轻量级LoRA微调在该数据集上达到96.6%分类准确率,性能超越多个更大模型的提示词基线,且适用于检索前和检索后两种RAG场景。
研究提出基于高斯测度变换(MT)协方差的凸估计器,用于鲁棒估计分解为稀疏矩阵与低秩矩阵之差的高斯精度矩阵。 主定理证明在Fisher信息的受限可逆性与不可表示性条件下,优化器唯一且无假边,Frobenius估计风险达到极小极大率。
LocaLeJEPA 提出了一种新的自监督学习框架,通过局部欧几里得分布匹配正则化器解决表征坍缩问题。 该框架在 ImageNet-1K 上表现显著优于 LeJEPA,支持双曲 ViT 和等变 CNN 等非欧几何骨干网络。 代码已开源,为适应内禀数据几何的 JEPA 范式提供了原则性方法。
论文提出 D-PAL 方法,基于重叠度计算权重并采用 Rényi 散度损失,在 Qwen3-4B 模型上提升推测解码性能。 Rényi-1/2 散度可证明性界定了真实接受率。
在单台 trn2.48xlarge 实例上,通过 torchtitan 提供了三种训练 Qwen3 的方法。 这些方法包括使用 Transformers v5、tochtitan 原生模型规范以及添加 NKI MoE 内核。 环境需安装指定版本的 torch, torch_neuronx 和 transformers。
VocabX 研究通过按 token 生成成本而非出现频率重组小语言模型词表,实现了显著的推理成本降低。在葡萄牙语文本质检场景下,基于 Qwen3-4B 模型的平均生成 token 数从 350 降至 101,实测推理成本降低 77.0%,且质量基准评分从 0.703 提升至 0.810。该方法通过重构子词边界与识别重复的宏观文本片段,在 15 种组合的对比中优于现有的词表优化基准方法。
NVIDIA 发布预训练关系型基础模型 Kumo Relational,支持直接在企业数据库上通过单次前向传播完成预测,无需任务级训练或特征工程。该模型在 15 个关系型数据库的 41 项任务上超过监督式关系深度学习模型和专家构建的梯度提升树管线;在 SAP SALT 基准上比 AutoGluon 集成模型的 MRR 高出 8%。
推荐理由:Kumo Relational 作为无需训练的预训练关系型基础模型,给出了 41 项任务上的具体性能数据,可作为替换生产级特征工程管线的参照。
Hugging Face 发布 TorchNeuron 性能分析教程,指导用户在 AWS Trainium 上系统性分析推理性能瓶颈。 教程覆盖 Neuron 作为 PyTorch 后端原理,演示通过 NeuronConfig 和 torch.profiler 捕获 trace,并利用 Neuron Explorer 查看硬件执行细节。
Hugging Face 发布 TorchNeuron 性能分析教程,指导用户在 AWS Trainium 上系统性分析推理性能瓶颈。 教程覆盖 Neuron 作为 PyTorch 后端原理,演示通过 NeuronConfig 和 torch.profiler 捕获 trace,并利用 Neuron Explorer 查看硬件执行细节。
IBM 发布三款语音模型更新:新模型 granite-speech-5.0-2b 支持多语言高精度 ASR、翻译及 2000 词关键词偏置,英文短文本 WER 为 5.06%。
推荐理由:IBM 发布并更新了 3 款开源语音模型,分别针对多语言高精转写、端侧极速推理与多说话人归属场景,给出了具体性能指标对比。
NVIDIA Kumo Forecast 是多方时间序列预测模型,基于 3.4 亿参数的 MOMENT-1-large 骨干,结合 DARR 模式通过 k 近邻检索历史数据增强预测。模型支持 256 至 2048 长度的输入序列,提供 DataFrame API、可配置预测视程及无侵入式可解释性框架,如滞回归因和轨迹稳定性诊断。开源 Apache 2.0 许可,支持微调及异常检测应用。
Hugging Face 发布 SimReady Central 库,提供超 2000 个含碰撞、质量等物理属性的 OpenUSD 资产,免费开放给开发者。 该库涵盖机械臂、仓储设备及冷却基础设施,支持 OEM 如 Fanuc、Comau 提交资产,用于构建机器人操作与 AI 工厂数字孪生场景。 开发者可组合资产搭建拣选放置模拟环境,加速物理 AI 训练与布局决策。