ScamWorld:评估网络智能体抵御在线诈骗的交互式环境
研究人员推出交互式环境 ScamWorld,通过重构已报告的诈骗网站,系统评估 6 个前沿 LLM 驱动的网络智能体抵御在线诈骗的能力。研究发现模型基础欺骗率介于 11% 至 35% 之间,且智能体在处理支付请求时比获取凭证或钱包信息更容易受骗。ScamWorld 提供了一个可复用的测试平台,用于持续压力测试智能体对真实网络诈骗的响应。
研究人员推出交互式环境 ScamWorld,通过重构已报告的诈骗网站,系统评估 6 个前沿 LLM 驱动的网络智能体抵御在线诈骗的能力。研究发现模型基础欺骗率介于 11% 至 35% 之间,且智能体在处理支付请求时比获取凭证或钱包信息更容易受骗。ScamWorld 提供了一个可复用的测试平台,用于持续压力测试智能体对真实网络诈骗的响应。
在7-9B开源模型的微调实验中,当测试时错误选项被标记为“Reward: 5”(正确标签),模型在97-100%的CommonsenseQA题目中错误选择该选项。
针对 9B-20B 开源模型在 vLLM 或 SGLang 上的量化实测显示,4-bit 权重在小批量下可提速约 2.12 倍,但在大批量场景速度优势消失,FP8 成为更有效选择。
ATLAS 通过代数任务-角色锁定与自适应谱记忆,在无需训练的情况下优化多智能体系统的隐藏状态,解决任务漂移与状态过时问题。 该方法在长程记忆与工具使用测试中,比 A-MEM 提升宏观平均准确率最多 5.7 分,并在 72B 主干模型上实现 61.0 的宏观平均分。 ATLAS 作为表示层控制器,可作为黑盒智能体输出层协议的补充,适用于开源多智能体系统。
DoGNAVY-Exploit 利用分阶段编排与并行探索架构,显著提升了开源权重模型在漏洞利用链中的表现。GLM-5.2 在该框架下,Cybench 与 CVE-Bench 的 Pass@1 均达到 97.5%。
主流序列处理 AI 依赖输入驱动,缺乏生物脑持续节律性的内源时间结构。文章提出四条证据表明内源结构支持信息路由、组合表征、跨频复用及离线巩固等输入驱动架构难以复制的功能。
summary_zh: AlgoPilot 框架将同类模型在13个基准、66个领域上的平均准确率从38.4%提升至72.9%,超越最佳大模型引导基线 GLM-5 11.7%。
针对混合供应商加速器集群,LEAP 基于提交时配置预测吞吐量并按单位成本排序,日均路由数万次任务,覆盖 20 余种硬件类型。 在 30 次夜间重训练中准确率 77%,优于原有查找表;六个月内覆盖占比由 58% 升至 95%,预计节省约 3% 训练计算成本。
Collinear AI 开放了 100 个网络安全任务基准 CWE-bench v2,覆盖 91 种 CWE 漏洞,支持程序化评分并在 Hugging Face Hub 提供运行入口。测试结果显示 Gemini 4 Argon 以 67.8% pass@1 居首,领先于 Claude Opus 5.5。
推荐理由:CWE-bench v2 开放了 100 个网络安全任务,给出了各模型的成本与得分对比,方便开发者评估 AI 修复漏洞的能力。
IBM 在 Hugging Face 发布对比评测:固定使用 GLM-5.3-flash,在 AppWorld 的 90 个任务上分别用 CUGA、Hermes 和 Deep Agents 运行,任务通过率从 30% 到 81% 不等。
2026年世界互联网大会乌镇峰会期间,阿里云展示了从平头哥真武AI芯片、磐久超节点到Agentic Cloud和千问大模型的全栈AI布局。
推荐理由:阿里展示了芯片到应用的全栈AI布局,千问模型全开源且多款智能体产品落地,呈现智能体时代的基础设施进展。
硅基流动上线由模思智能与 OpenMOSS 团队开源的 MOSS-Image 模型。该模型 5B 参数主干支持 4K tokens 提示词输入,主打精准文字渲染与 JSON Layout 布局控制。 开发者可通过硅基流动 API 以 0.3 元/张的价格调用,满足海报、图解等复杂排版及多风格图像生成需求。
商汤科技发布SenseNova 6.8 Flash正式版,核心升级聚焦于办公自动化与多模态设计生成。该模型支持基于长期记忆的主动交互,能识别信息变化并主动提出调整建议,同时在设计领域支持Web、SVG、Three.js、Blender及动态PPT等交付形态。
ReflectMT 提出了一种“后思考”范式,通过两阶段强化学习内部化反思,在 WMT24 基准上取得 86.16 的 GPT-4o GRF 分数。 该模型比 DeepSeek-R1 高出 2.13 分,且输出 token 减少约 92%,显著降低了推理延迟与成本。 盲测与人评均验证了框架的有效性。
PGuard 将安全监控集成至大模型骨干中,利用中间表征实现 token 级安全检测,不改变原有推理路径。 支持动态层门控及多种表征架构,在 Qwen3.5-122B-A10B 上端到端开销仅 0.82%-2.26%。 在 30 余个基准测试中表现领先,Qwen3.5-9B 文本查询平均 F1 达 0.836,接近专用外部护栏。
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。
MedPsy 是专为边缘设备设计的小型医疗 LLM 模型族,包含 1.7B 和 4B 两个版本。 通过合成医疗数据流水线、基于 235B 教师模型的 CoT 目标,以及四阶段后训练策略(两阶段 SFT 和两阶段含难例挖掘的 RL)优化模型。
研究通过因果干预揭示语言模型在时间锚点下的事实召回存在两条并行路径。 在主题介导路径中,锚点将最终主题词表示解析至查询年份,关系头重新分布读取信号;在直接路径中,最终位置关注锚点,上层MLP将其转化为对适时应时对象的偏好。 这两条路径的贡献具有加和性,大多数查询同时使用两种机制,其平衡依赖于具体查询关系。
团队提出 GSLM2 模型,通过 SpidR 2.0 编码器生成多级别离散单元,实现生成式口语语言建模。 该模型采用多流架构联合建模,在 6M 小时数据和 6.5B 参数规模下,大幅缩小口语与文本 LLM 在 sWuggy、sBLIMP 和 tSC 基准上的差距。 研究已开源训练代码和模型检查点,旨在解决语音单位质量限制及单流表示瓶颈。
LLM 智能体依赖技能文档,但现有检索器忽略执行经验。CompSkill 通过 512 维键值索引技能,利用 KeyOpt 编译匹配对比生成技能偏移,保留执行经验而不改变文档文本。
summary_zh: 多模态大语言模型可预测脑活动,但脑对齐此前仅为测量指标而非设计工具。研究提出 Platonic 脑桥假设,验证了模型与脑的双向收敛性。
研究提出使用中间层(0.4至0.75深度)作为KV缓存驱逐的最佳评分层。 在0.5B至109B的18个模型中,该策略比默认自身层在16个模型上表现更优,紧预算下击败SnapKV 18至43分。
报告提出 NorthCUA 系统,通过 Experience Flywheel 和 Harness 生成可验证轨迹,利用递归自改进和阶段性学习(中训练、长时程 SFT、联合桌面-Web RL)训练 Nano、Mini 和 Pro 模型家族,在 GUI 定位、桌面执行和 Web 交互上达到开源模型 SOTA 水平。
ReWY 通过代数重构将 Delta-Rule 线性注意力的局部矩阵乘从 7 次降至 3 次,消除逆伴随项,优化 DeltaNet 等模型的反向计算。 NVIDIA GPU 上四种算子全精度加速 1.18-1.70 倍,Ascend 950DT 上加速 1.09-2.89 倍,保持梯度精确性与架构不变。
针对哈密顿神经网络依赖已知广义动量解析式的局限性,该研究提出一种可同时从数据中学习系统广义动量、哈密顿结构和动力学的新架构。 该架构适用于仅拥有状态及其导数数据(可能非顺序)的场景。研究在耗散质量弹簧系统、双摆和非完整约束滚动圆盘等经典案例中验证了其性能。
针对现有神经回路发现方法仅表示神经元成对交互的局限,研究人员提出构建过滤有向单纯形复层(DSC)的方法,以提供更高阶因果依赖的拓扑表示。 该方法将人工神经网络视为结构因果模型,利用反事实消融测试特定输入上下文内部神经元组间的因果联系。 在小型多层感知机(MLP)上验证,DSC 恢复了设计特征路径,且与图基线一维骨架一致,为研究分布式特征表示提供了正交框架。
系统 Heirloom 可在不保留用户标签数据的情况下,将个人化适配器迁移至新基座模型,在电影标签任务中迁移后准确率与升级前差异不超过 1.7 个百分点。 在手机 NPU 上执行 4B 模型升级的固定长度迁移耗时 38 分钟,全程耗电 20%,适合夜间充电时完成。
SFTProbe 通过直接预测推理数据质量,将 SFT 数据筛选时间从数周缩短至数小时。该方法基于 LoRA 适应,仅需评估 5% 的推理轨迹损失即可估计难度与多样性。在数学推理任务中,5k 生成样本匹敌 OpenThoughts-Math 的 89k 样本,7.5k 样本准确率提升 2.5%。
GitInject 是一个开源框架,用于评估实时 GitHub Actions 工作流中的提示词注入攻击。它通过临时仓库执行实际工作流,暴露沙箱、凭证处理和权限边界等平台语义。
HamJEPA 将 JEPAs 的各向同性偏置从固定编码边际转移至跨视图耦合,通过学习哈密顿 leapfrog 映射预测视图转换。 在 CIFAR-100 无头 token 协议下,相比 SIGReg,30 轮提升 kNN@20 +4.89、线性探测 +3.52;80 轮两种子提升 +7.24 和 +9.67。
MindEye2通过共享主体模型,仅需1小时fMRI训练数据即可实现高质量视觉感知重建,优于单主体模型。 该模型预训练涵盖7个受试者,并将脑数据线性映射至共享潜在空间,再经非线性映射至CLIP图像空间。最后通过微调Stable Diffusion XL,将CLIP潜在表示转换为像素图像。 此方法支持单次MRI扫描完成高保真重建,实现了对被试间泛化能力的显著提升。
提出一种结合轻量级模拟器与 XAI 的工作流,解决复杂系统模拟中计算成本高与黑盒模型透明度低的问题。 该工作流支持连续、分类及整数变量,通过活跃验证滤波器确保解释一致性。 在混合电动飞机设计城市隔离模拟中,框架实现秒级大规模探索并揭示关键非线性交互。
论文提出 FactorSpec 方法,将 JSON Schema 关系约束编译为推测草稿,解决结构化输出中模型常违反语义关系的问题。 该方法在 SGLang 中实现每步验证高达 10.5 个 token,解码速度比逐负载调优推测器快 1.43 倍,且每条记录均有效。 在语法基线之上,FactorSpec 每 GPU-秒可服务多达 13.9 倍的有效记录,显著提升生成合规性。
该框架利用联邦学习在六节点 Raspberry Pi 集群上运行,Logistic Regression 模型在未校准的 Polar H10 设备上对未知个体实现 75% 二元效价准确率。
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。
多智能体框架 ChatDify 提出从自然语言描述自动合成 Dify 工作流,采用 Actor-Critic 架构实现非专家用户的高效应用开发。
Zep Agent Skills 服务利用验证尝试编译版本化 Skills,在 banking 等基准上使三个较弱执行模型通过率提升 4.5 至 18.8 分。 系统通过 Reflector 与 Curator 角色转化轨迹,采用开放标准格式,经 API 或 MCP 支持词汇搜索与渐进披露检索。 在 ALFWorld 基准上,小模型编译的技能收益与或优于持续微调,且无需训练。
研究提出 Atomic Creator Token(ACT),为每位创作者分配独立词汇 token 进行端到端训练,解决 Semantic ID 多对一映射导致的冲突与召回天花板问题。
Qovest 采购权威金融数据库部署于阿里云,自研 Harness 框架打通全流程,在开源金融评测集 FinFirst 与 IRAB 内部横向评测中回答质量、响应速度、成本领先。 近期将推出企业版,服务金融机构及企业投研团队;官网已对个人用户开放邀测,新用户注册可免费试用,后续订阅套餐为每月 99 元或 199 元。
MedResearcher-R1-32B 在 MedBrowseComp 基准上以 27.5/50 分超越 o3-deepresearch 的 25.5/50 分,创下 SOTA 表现。