跳到正文
10月28日周三
  1. arXiv · AI44

    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。

  2. arXiv · AI33

    程序重构下的 LLM 生成证明稳定性压力测试

    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。

  3. arXiv · AI43

    FlashScript: 将重复智能体工作流编译为可复用神经符号程序

    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。

  4. Hugging Face Blog77

    Liquid AI 发布开源多模态模型族 LFM3

    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。

10月27日周二
  1. arXiv · NLP23

    GEPA 合并操作机制诊断:何时合并有益?

    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。

10月26日周一
  1. arXiv · AI23

    OpenVLA 的 SAE 表征可预测任务失败:物理 AI 系统中的可解释成败模式

    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。

  2. arXiv · AI21

    PersonaScienceBench:通过多样化模拟研究员评估科学智能体

    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。

10月24日周六
  1. Hugging Face Blog30

    LitPivot:通过文献景观中的动态上下文化研究想法

    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。

10月23日周五
  1. MiniMax 稀宇科技86

    MiniMax M3.1 Flash 开源,72 小时处理 Token 超 100 万亿

    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。

  2. arXiv · AI25

    解决 Flood-It 谜题:定制化 A* 搜索与声明式求解器方法对比

    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。

  3. Hugging Face Blog77

    微软与 Hugging Face 开源 ThinkingBox-Training 训练栈

    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。

  4. Hugging Face Blog62

    OlmoEarth v1.3 发布:全球首个 128 维卫星嵌入模型与交互探索工具

    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。

10月22日周四
  1. arXiv · ML41

    研究发现 LLM 在生物学实验优化中未优于通用提示

    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。

  2. Hugging Face Blog51

    VocabX 研究显示 SLM 领域专属词表可将推理成本降低 77%

    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。

  3. Hugging Face Blog84

    NVIDIA 发布 Kumo Relational:无需训练的预训练关系型基础模型

    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。

10月21日周三
  1. Hugging Face Blog70

    IBM 发布 Granite Speech 5.0 系列模型与更新版本,支持高精度多语言转写、翻译及极速端侧推理

    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。

  2. Hugging Face Blog47

    NVIDIA Kumo Forecast 融合预训练时间序列表征与历史模式检索,增强可解释性

    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。

  3. Hugging Face Blog38

    SimReady Central 推出:Hugging Face 开放 2000+ 个面向机器人与 AI 工厂的仿真就绪 3D 资产库

    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。