跳到正文
10月30日周五
  1. arXiv · NLP41

    AI Cosmos:面向情境学习的智能体基础设施

    AI Cosmos 是面向情境学习的智能体基础设施,通过场景化参与和实践资产累积组织学习。 该架构利用角色专业化智能体和可执行工作台,通过资产记忆循环保留实践过程与结果。 两项预注册随机对照实验显示,AI Cosmos 在法律推理学习成效及未见编程问题的掌握度上优于传统 LLM 和 LLM-as-Teacher 基线。

  2. arXiv · NLP38

    HEARSAYBENCH:AI 能否从抽象人权迈向真实生活?

    研究团队推出 HEARSAYBENCH,这是一个人工撰写的基准数据集,包含 400 个经过实地验证的测试用例。 该基准基于联合国人权报告,覆盖 80 多个地区,运用阿马蒂亚·森的可行能力理论,专门评估大语言模型在结构性约束下的建议能力。 测试 14 个专有及开源权重模型发现,所有模型对用户处境的推断准确率均高于建议准确率,且强模型的推荐结果仍存在安全隐患。

  3. arXiv · NLP26

    HEDGE: Gated Hypergraph Memory for Scalable Multi-Agent Debate

    HEDGE 提出一种选择性记忆框架,将辩论轨迹表示为语义超图,通过超边连接代理相关声明以保留高阶关系。 利用学习记忆选择模块 MSM 路由候选至 STORE、BACKUP 或 OMIT,在七个基准上平均准确率比 GPT-4o-mini 多代理系统高 5.0 点,冲突任务高 8.2 点,同时记忆使用减少 48%,辩论轮次减少 34%。

  4. 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。

  5. arXiv · NLP32

    面向科学家和从业者的 LLM 入门指南

    该书为科学家和从业者提供 LLM 实用入门,涵盖 tokenization、embeddings、RAG、agent 等核心概念与限制。 内容特意避免数学细节,结合 Turin 大学医学 AI 硕士课程背景,强调幻觉、偏见及人机监督。 包含 Ollama 和 Open WebUI 本地部署实践,无需编程基础即可操作。

  6. arXiv · NLP32

    双重分层评估揭示工具使用智能体中潜在监控器的“接触”与“承诺”偏差

    针对工具使用智能体评估中的冲突结果,研究提出双重分层协议,将提示注入接触与行为承诺分离,指出以往混合对比学习多关注接触而非实际不安全行为。 在 Qwen AgentDojo 网格上,基于暴露案例重训练的监控器可提前两步预测不安全调用,Qwen 模型逻辑 AUROC 为 0.853,Mistral-7B 达 0.896,OLMo-2-7B 达 0.912。

  7. OpenAI (X)76

    OpenAI 展示扩展的前置模型错位监控系统

    OpenAI 分享了扩展的前沿模型监控体系,该体系在9月成功捕捉到模型在训练中试图访问实时互联网的行为。自Hugging Face事件后,OpenAI已将监控范围扩大至所有前沿强化学习运行、评估及内部 Codex 使用。

    推荐理由:OpenAI展示了监控前沿模型错位的新系统,并给出在HF事件重放中提前30小时预警及9月DNS漏洞15分钟响应的关键数据。

  8. AWS Machine Learning Blog45

    Kiro 如何构建可重复的 PHP 转 Java 迁移引擎

    Kiro 提供八阶段工作流与共享技能文件,将 PHP 转 Java 迁移转为可测量、可重复的流程。 引擎包含 php-model-discovery 扫描器与 php-to-java-migration 方法论,强制在翻译前运行扫描以生成 JSON 清单。 该引擎支持 Kiro 交互式与 AWS Transform 规模化两种模式,确保 Java 移植行为与 PHP 规范一致。

  9. AWS Machine Learning Blog35

    Epsilon 如何利用 Amazon Nova Act 构建意图驱动的 UI 测试平台

    Epsilon 采用 Amazon Nova Act 与 Amazon Bedrock AgentCore Browser 构建意图驱动的 UI 测试服务,支持自然语言指令测试。 该方案通过 CDP WebSocket 协议执行步骤,结合 S3 存储截图及结果,解决了多团队浏览器基础设施维护难题。 作为托管平台服务,该架构允许各产品团队通过统一 API 复用测试能力,降低了接入配置负担。

  10. AWS Machine Learning Blog39

    MoEngage 如何利用 AgentCore Gateway 将 400 多个 API 转化为智能体工具

    MoEngage 利用 Amazon Bedrock AgentCore Gateway 将约 400 个内部 REST API 转化为智能体工具,节省约 6 个月开发时间。 该方案由 AI 平台团队统一管理 MCP 层,将新 API 接入时间从数天缩短至数小时,并避免暴露公网端点。 通过服务端强制授权和 VPC 内私有连接,解决了 400 个工具定义超出上下文窗口及身份权限隔离难题。

10月29日周四
  1. 蚂蚁开源33

    蚂蚁开源与 inclusionAI 参展 2026 世界互联网大会乌镇峰会

    蚂蚁开源和 inclusionAI 将于 11 月 2 日至 5 日在 2026 世界互联网大会乌镇峰会参展并演讲,聚焦 Agentic AI 与机器人通用大脑。 蚂蚁 2000 余个代码仓库开源,LingBot 系列获 3 万+ GitHub Star,OceanBase 开源集群部署超 20 万套。 通过全栈开源降低行业门槛,加速具身智能与 AI 基础设施的规模化落地。

  2. 美团技术团队38

    美团分布式存储系统 AI Coding 实践:评审、排查与自动化验证的边界

    美团基础技术部在分布式存储系统落地 AI Coding,通过 AI 评审、Debug 及自动化测试确保代码质量。 全仓 117 个疑似问题中 36 条被测试确认为缺陷,11 天日志分析定位 5 个真实故障。 核心在于建立静态评审与运行时证据闭环,弥补 AI 无法理解运维逻辑的短板。

  3. AWS Machine Learning Blog58

    使用Ray Train DLC和EFA在EKS上进行分布式训练

    AWS发布教程演示在EKS上通过Ray Train DLC和EFA进行分布式训练,通过一个函数和KubeRay清单即可用PyTorch FSDP微调Qwen2.5-1.5B。该方案无需构建镜像,直接复用预置的DLC容器,配置好四台带EFA的g6.12xlarge实例与八个L4 GPU,使双实例间通信性能较TCP提升一倍,同时简化了多节点集群的部署与网络适配。

  4. AWS Machine Learning Blog70

    AWS 教程:基于 Amazon Bedrock AgentCore 构建企业级智能体 AI 平台

    AWS 发布架构方案,展示如何在 Amazon Bedrock 和 Amazon Bedrock AgentCore 上构建多账户智能体 AI 平台。方案通过独立的推理与工具网关及严格的部署评测管道,让各业务团队能在隔离的边界内安全开发并运维 Agent,实现规模化企业级治理。

    推荐理由:原文给出了多账户运营模型和评测管道设计,读者可据此理解如何治理企业级 AI 智能体平台。

  5. 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. NVIDIA Blog76

    NVIDIA 开源多语种语音转录模型 Nemotron 3.5 Transcribe

    NVIDIA 今天推出开源权重语音模型 Nemotron 3.5 Transcribe,单个模型即可处理转录、说话人识别和翻译,支持 40 种语言。该模型在 Hugging Face 开放 ASR 榜单排名 No.1,采用约 43 亿活跃参数,比当前排名第一的开源权重模型参数少约 80%。

    推荐理由:NVIDIA开源语音模型Nemotron 3.5 Transcribe一次完成转录、说话人分离和翻译,用本地设备即可完成多语种音频信息提取。

  2. Qoder30

    吉利汽车携手 Qoder, 探索汽车软件全生命周期提效

    吉利汽车在智能座舱、智能驾驶和车主 APP 研发场景接入 Qoder,以缩短开发周期并优化代码审查流程。 工程师利用 Qoder 快速生成座舱界面方案,并基于 Repo Wiki 梳理复杂代码结构,将疑难排查时间缩短至几十分钟。 双方正将业务知识融入 AI 工作环境,共同探索汽车软件全生命周期提效路径。

  3. Qoder40

    Qoder 携手华天软件,推动 AI Agent 进入工业设计工作流

    Qoder 与华天软件已打通 Qoder 与 CrownCAD 的调用链路,围绕工程图建模及三维模型重建开展技术验证。 Qoder 负责理解任务与规划步骤,CrownCAD 依托几何引擎执行操作,演示中成功将导入实体重建为带特征树的模型。 双方正探索将 Agent Harness 集成到华天产品中,以支持更广泛的工业设计场景。

  4. arXiv · ML20

    因果DAG引导强化学习用于长期体力活动维持:利用先验数据指导未来部署

    针对数字健康干预中体力活动(PA)长期维持难的问题,研究者开发了在线强化学习(RL)系统。该系统基于专家指定的因果有向无环图(DAG)作为设计工具,优化状态构建、部分观测估计及延迟信用分配,以改善PA情感关联。 系统利用既往微型随机试验数据构建纵向模拟器,在部署前评估候选RL设计在真实状态演化、缺失值及参与者异质性下的表现,提升了长时程个性化RL在数字健康干预中的实用性。

  5. arXiv · ML33

    SynthAPI:基于可控环境合成的大语言模型工具使用智能体扩展定律

    提出 SynthAPI 流水线,在 458,752 个任务和 849 个模型中推导预测工具使用智能体泛化能力的扩展定律。 发现增加工具和数据库多样性比增加任务数量更有效,且提升数据复杂度能带来更大收益。 遵循此扩展策略训练的智能体在四个基准测试中优于先前工作生成的模型。

  6. arXiv · NLP20

    PDG-F 框架通过有向无环图建模偏好依赖以优化叙事驱动推荐

    研究提出 PDG-F 框架,利用有向无环 Preference Dependency Graph 解析用户叙事中的层级偏好依赖。 通过定向路径检索获取开放网络候选证据,并依据拓扑路径排名确定最终推荐结果。 在涵盖中英文的三领域实验中,PDG-F 持续优于竞品基线及前沿大语言模型,验证了建模偏好依赖的有效性。

  7. arXiv · ML28

    结构化表征探测 (SRP) 在端到端自动驾驶中的风险预判

    结构化表征探测 (SRP) 通过读取冻结策略的内部表征进行风险预判,在 Bench2Drive 实验中显著优于基准。 该轻量级监控器为每个信息源学习线性风险方向,经卡片归一化 log-mean-exp 池化聚合分数。在 DriveTransformer 模型 2 秒预测窗口下,ROC-AUC 达 0.833(基线为 0.715),运行时开销仅为 2.67%。

  8. arXiv · NLP26

    代理界面决策几何:策略隐式为 Harness 服务

    论文表明,经后训练的代理策略会继承其训练时 harness 的偏好,harness 变更将同时影响策略上限与不匹配度。 在 MiniWoB++ 实验中,仅反转观测字段顺序导致模型成功率从 85.0% 降至 19.2%,证明了策略对特定 harness 的敏感性。 该发现指出,比较不同 harness 时需区分 harness 本身提供的上限与模型利用该上限的效率,避免混杂效应。