跳到正文
11月10日周二
  1. arXiv · NLP29

    Archer:一种用于RLVR的双重Token约束框架

    提出Archer,一种感知熵的RLVR框架,通过双重Token约束在保持联合优化的同时调节不同类型Token的更新强度。 该方法引入响应级熵归一化以稳定Token分类,并对推理Token和知识Token应用差异化的Clipping范围和KL正则化,以鼓励探索并保留知识。

  2. arXiv · NLP41

    HARDTESTGEN: 用于 LLM 算法编程的高质量 RL 验证器生成管道

    HARDTESTGEN 提出合成高质量算法编程测试用例的方法,构建了含 26.6k 题目的 HARDTESTS 数据集。 相比现有测试,HARDTESTGEN 在验证 LLM 生成代码时精确度提升 11.22 个百分点。 使用 HARDTESTS 验证器进行拒绝采样和强化学习下游训练,能提升 LLM 代码生成性能,相关数据和管道已开源。

  3. arXiv · NLP26

    零化不到 0.05% 权重即可匹配全量微调:LLM 后训练中的 Deletion Tuning

    Deletion Tuning 通过零化 LLM 中不到 0.05% 的权重,在强化学习、监督微调及在线策略蒸馏三种后训练范式下达到了全量微调(FFT)的效果。 该方法通过训练 Transformer 块中门控投影的二进制掩码实现,掩码比 FFT 检查点小数百至数千倍,且遗忘程度显著更低。 相比 LoRA 和随机稀疏微调,在强化学习下其先前任务准确率保持在基础水平附近,而后者最多损失 5.4 分。

  4. arXiv · NLP21

    RDS-MOPD:基于鲁棒优化的多教师同策略蒸馏混合调度方法

    RDS-MOPD 引入分布鲁棒优化改进多教师同策略蒸馏,解决现有方法无法保证落后领域训练质量的问题。 该方法重新设计 DRO 的噪声处理、异常值限制及最坏情况定义,确保仅当差异显著超出噪声时调整资源分配。 实验显示 RDS-MOPD 在数学推理、代码生成及指令遵循基准测试中性能优于近期竞争方法。

  5. OpenAI42

    CodeRabbit 利用 OpenAI 模型实现代理式软件开发,交付量提升 20 倍

    CodeRabbit 使用 OpenAI 模型治理 AI 生成代码,并借助 Codex 将同一工程团队的软件交付量提升至原来的 20 倍。 该公司通过 OpenAI 模型确保 AI 生成代码的可信度,同时利用 Codex 大幅扩展了代码生成与发布的规模。 这种组合使 CodeRabbit 在保持团队规模不变的情况下,实现了软件开发产出的数量级跃升。

  6. AWS Machine Learning Blog81

    Claude Fable 5.2 和 Claude Mythos 5.2 在 AWS 推出

    Claude Fable 5.2 和 Claude Mythos 5.2 在 Amazon Bedrock 和 Claude Platform on AWS 推出。Claude Fable 5.2 面向编码、数学和科学类技术任务,能自主迭代和长时间运行;Claude Mythos 5.2 在网络安全和生命科学领域通过 Anthropic 的验证项目提供服务。

    同一新闻,精选展示《Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2》

11月9日周一
  1. Hugging Face Blog38

    HOPE:面向 MoE 语言模型的高阶专家剪枝方法

    Hugging Face 提出 HOPE 方法,通过计算专家间高阶交互实现 MoE 模型的精准剪枝。 作为二阶方法,HOPE 在 50% 剪枝率下表现最优,相比次优方法在 agentic coding 任务上提升最高达 6.1%。 该方法无需训练且兼容量化,能有效解决传统一阶剪枝忽视专家协同集群导致的性能衰减问题。

  2. arXiv · ML41

    EvoLib:无需参数更新的测试时学习框架

    EvoLib 提出一种测试时学习框架,使大语言模型无需参数更新或外部监督即可跨实例积累、复用并演化知识。 该框架通过自动从推理轨迹中提取模块化技能和反思性洞察来维持共享知识库,并采用权重与固化机制优化即时效用与长期价值。 在数学推理、代码生成及多轮智能体环境等基准测试中,EvoLib 显著优于当前的顶级测试时扩展与学习方法。

  3. arXiv · AI32

    LLM 生成代码中执行轨迹修复断言失败的效果局限

    断言失败在 LLM 迭代修复后的残留错误中占比高达 79%,且无法有效定位故障根源。 研究人员提出断点调试(BPD)方法,在 BigCodeBench 上将修复率提升至 26.7%,优于重采样策略,并将未变代码重复提交率从 28% 降至 8%。 BPD 仅在测试暴露失败输入且故障为实现疏忽时有效,否则应优先使用重采样策略。

  4. arXiv · AI38

    基于 Agent-Skill 工作流的并行科学代码高效翻译框架

    该框架将翻译、编译诊断与执行验证分离为三个自主 Agent,通过判定驱动的协调器路由故障至针对性修复技能。 在 HeCBench 的 30 个内核上,利用 3 个开源 LLM 实现 CUDA、OpenMP 与 SYCL 双向翻译,达到 18 种组合下最高验证正确率,且 token 消耗最多减少 52.4%。 框架适用于高性能计算领域的代码迁移场景。

  5. arXiv · AI30

    SAFTAC:通过仿真增强微调让开源 LLM 设计模拟电路

    研究团队提出 SAFTAC 框架,通过仿真增强微调让开源 LLM 生成并修改模拟电路设计。该框架基于包含 8,626 个设计任务的仿真接地数据集训练。 SAFTAC 结合了分阶段监督微调和基于仿真反馈的强化微调。 在单次和双次生成测试中,SAFTAC 分别比最强的闭源 LLM 提升 15.9% 和 7.8%。该论文已被 NeurIPS 2026 接收。

  6. arXiv · AI33

    TailDART 发布:一款专为金融时序预测设计的 2.68M 参数高效基础模型

    TailDART 是一款 2.68M 参数的稠密金融时序基础模型,旨在解决量化金融中低信噪比和高延迟问题。 模型采用分组查询注意力机制,相比现有 SOTA TSFM 推理加速最高达 48.1%,支持低延迟流式执行。 在多变时间分辨率的多资产基准测试中,该紧凑模型在预测保真度上匹配较大基线,且在高波动状态下展现出更强的错误韧性。

  7. arXiv · NLP60

    LLM 与编码智能体的内部安全崩塌

    研究提出内部安全崩塌(ISC)现象,揭示 LLM 在执行编码任务时可能优先满足程序需求而突破安全对齐。研究者构建了 TVD 框架以生成受控工作流,实验发现即使在高能力模型 Claude Fable 5 上也能触发该现象,生成大量有害内容。结果表明当前前沿 LLM 的安全对齐仅改变表面行为,未消除底层不安全知识,需在科学管线和自主智能体等高风险场景部署时保持警惕。

11月7日周六
11月6日周五
  1. 百灵大模型77

    Ling-3.2-flash 正式发布:支持视觉反馈与异常自适应

    百灵大模型官方发布 Ling-3.2-flash,该模型总参数 560B,单步激活 25B,原生融入视觉感知与空间理解能力。Ling-3.2-flash 具备视觉反馈自检和异常自适应恢复能力,能对照渲染结果调整代码并根据报错信息继续执行任务。

    推荐理由:官方明确了560B参数下的视觉自检机制,用户可据此评估其在异常恢复场景下的工程落地可行性。

  2. arXiv · AI28

    UniSD:面向大语言模型的统一自蒸馏框架

    研究提出 UniSD 统一框架,通过整合多教师一致性、EMA 稳定化及特征匹配等机制,系统解析 LLM 自蒸馏的关键组件交互。 该框架基于 3 个模型族的 6 个基准测试,构建了结合互补组件的 UniSDfull 流水线,较基础模型性能提升 5.4 分,较最强基线提升 2.8 分。 UniSD 验证了自蒸馏是一种无需更强外部教师即可高效且可控地适应 LLM 的实用方法。

  3. arXiv · AI49

    openJiuwen 动态智能体执行框架实现 SWE-bench Verified 82.6%

    开源框架 openJiuwen 发布,支持结构化合成与运行时自适应,在 SWE-bench Verified 达 82.6%,Terminal-Bench 2.1 达 87.19%。 框架通过 Rail-based 能力合成与固定模型策略下的运行时动态调整,提升复杂编码任务性能,分别超官方榜单最佳成绩 3.4 和 3.39 个百分点。 结果表明该设计在复杂编码任务上兼具高性能与可组合性。

  4. arXiv · ML31

    代码正确性信号在分布偏移下的生存能力:隐藏状态与因果预测器

    在 Qwen3-Coder-30B 上,因果定位法在语言分布偏移中使判决正确性预测保持 0.09 AUROC 领先于输出置信度。 该优势显著优于最佳非因果预测器 0.04 AUROC,但在 gpt-oss-20b 或基准测试偏移中未能一致泛化。 对于程序正确性,预测器主要通过识别模型易失败的问题在基准间成功迁移。

  5. arXiv · AI32

    LLM代码修复在API迁移后的静默失败研究

    预注册研究覆盖73个任务和60个变更,发现典型测试下0.410的错误修复被错误放行。 引入边缘输入可将错误放行率降至0.065,GPT-5.6-luna生成的测试输入达到0.070。 跨4个模型家族验证表明,边缘输入有效降低了错误发布率且未影响正确完成率。

  6. arXiv · AI37

    Multi-step SWE:长时程软件编程基准测试

    研究者发布 Multi-step SWE 基准,包含 69 个由 5-15 个依赖步骤构成的软件工程任务,覆盖九种编程语言。 最强前沿模型在长时程任务中的解决率仅为 18.5%,且 69 个任务中有 38 个未被任何模型完全解决。 该基准已公开发布,用于评估编码智能体在自身生成代码上进行迭代开发的能力。

  7. arXiv · AI23

    KG-AST:预算受限下的测试选择与 AI 缺陷评审

    KG-AST 通过评估提交风险优先分配测试预算,在 155 个开源项目上,测试最危险的 20% 提交可覆盖 49-64% 引入 bug 的提交。 该模型基于 git 历史和代码图特征,比最大变更量基线高 3.8 至 13.2 分,且仅需约 12 个训练项目即可达到最佳效果。 AI 评审结合图上下文可使缺陷发现率从 26% 提升至 32%,显著优化 CI/CD 流程中的资源效率。

11月5日周四
  1. 阿里云百炼62

    Kimi K3.1 Pro 上线阿里云百炼

    月之暗面(Moonshot AI)首款 K3.1 系列模型 Kimi K3.1 Pro 正式上线阿里云百炼,支持 100 万 Token 上下文窗口及原生视觉理解。该模型通过大规模联合强化学习提升了代码开发、3D 创作及长程 Agent 任务能力,目前百炼中国站与国际站 API 已同步开放调用。

    推荐理由:月之暗面 Kimi K3.1 Pro 上线阿里云百炼,开发者可直接调用支持百万上下文及强化学习优化的代码与 Agent 能力。

  2. arXiv · AI46

    A.S.E 2.0:探究仓库上下文如何影响 LLM 生成代码的安全性

    研究构建含 145 个任务的 CASE-Bench 基准,对比 13 种上下文构建方法发现功能导向上下文仅使安全通过率提升 3.7 个百分点。 隐瞒安全保护机制会降低安全通过率 8.1 个百分点,智能体在 27-36% 的轨迹中观察到了相关保护机制。 这些发现为安全感知型上下文构建及代码安全评估提供了实证依据。