跳到正文
10月21日周三
  1. NVIDIA Blog67

    Google Cloud和NVIDIA宣布Vera Rubin基础设施通用可用

    Google Cloud和NVIDIA宣布NVIDIA Vera Rubin基础设施的实例将于下月通用可用,并计划扩展至欧洲。A5X实例整合了Vera Rubin NVL72、ConnectX-9 SuperNICs和第四代液冷技术,以支持大规模Agentic推理和强化学习工作负载。

    推荐理由:官方确认了A5X实例在Google Cloud的通用可用性及欧洲扩展计划,并展示了其支撑大规模强化学习的集成平台架构。

  2. arXiv · AI23

    暴露基础模型生态系统中的漏洞单一化风险

    针对基础模型技术栈同质化导致的“漏洞单一化”风险,提出系统性对抗鲁棒性(SAR)这一新度量指标。 SAR 理论建模为部分集合覆盖问题,实验显示从 DeepSeek-R1 和 Claude Opus 4.6 蒸馏出的模型池,其系统性鲁棒性显著低于父模型池。 该框架旨在将漏洞单一化确立为可测量的目标,以实现更整体的模型群体对抗评估。

  3. arXiv · AI31

    GPT-4.1与Claude 4.5 Sonnet多模态支票提取中的CARLAR幻觉风险及压缩图像对策

    GPT-4.1与Claude 4.5 Sonnet在多模态支票提取中存在CARLAR幻觉风险,即模型对金额字段标注差异忽略并返回相同数值。GPT-4.1在涂抹场景下CARLAR率达73.7%,预期校准误差高达0.93。 采用无微调的压缩图像少样本干预后,Claude联合提取准确率提升11.5个百分点。该干预对字段预测一致性影响取决于模型类型,验证需考虑视觉上下文依赖。

  4. arXiv · AI32

    语言模型任务组合下的脆弱性:隐性推理预算机制

    研究揭示语言模型在组合任务中错误率显著上升,源于模型对每个任务分配的 token 隐性减少,这一“隐性推理预算”效应无法仅由独立错误累积解释。 该现象在开源模型与 Claude Opus 5 中均存在;孤立时非脆弱任务会浪费算力,而任务需要更长解题轨迹时,组合下错误更多。 按任务脆弱性分组可调控该预算,在保持准确率的同时将 token 使用量降低 43%,为高效多任务提示设计提供依据。

  5. arXiv · AI50

    EGI-BENCH 统一企业级 LLM 智能体基准套件

    团队发布 EGI-BENCH,统一整合八个企业级 LLM 智能体基准为单 CLI 套件,并定义六维 EGI 评分框架。 在 quick 模式下评测 GPT、Claude 和 Gemini 等 14 个模型,EGI 得分从 GPT-4o mini 的 39.6 到 gpt-5.5 的 65.6,无单一模型全面领先。 该套件解决跨基准比较困难和评分标准不一问题,子指标路由机制替代简单基准级平均分。

  6. Anthropic (X)37

    Claude 助力设计蝎毒蛋白结合剂

    我们的科学博客新文章:设计针对蝎子神经毒素的蛋白结合剂。 每年约有 120 万人被蝎子蜇伤,且抗毒血清往往价格高昂或供应短缺。Claude 在寻找新疗法方面迈出了早期一步。 https://www.anthropic.com/research/claude-scorpion-toxin-binder-design

  7. Hugging Face Blog70

    FairStress:LLM决策中公平性的深度评估基准

    Ai2 发布 FairStress,一个用于测量 LLM 在影响人们机会、资源和医疗的高风险决策中人口公平性的基准。FairStress 包含 300 个真实场景,通过引入对抗性前缀,不仅测量最终选择,还评估模型在面对劝说时改变决策的稳定性。

    推荐理由:揭示了传统人口公平基准隐藏的反刻板印象过度纠偏现象,并给出了对抗性前缀下的稳健性评估框架。

10月20日周二
  1. arXiv · AI33

    ReTRACE:基于反馈引导的 LLM 智能体在化学反应框架中实现逆合成规划

    ReTRACE 智能体将 Claude Opus 4.8 置于集成分子工具与多准则评估器的化学反应框架中,在三项基准测试上,其 Top 10 路线至少一条通过化学家审计的比例分别达 87.4%、95.0% 和 86.7%。 该智能体通过不断吸收评估器反馈来诊断薄弱路线并回溯修正,结合可购起始物料库与路线记忆。两项前瞻性湿实验表明,其生成的路线建议经专家修订后即可转化为可执行方案。

  2. arXiv · ML76

    Maestro:基于协调的代理式形式化证明开发

    Maestro 是一个 Lean 证明框架,通过让证明器报告失败原因并由协调器进行全局响应(如引导、修正假引理或重新规划),克服了现有系统盲目分解导致失败的问题。

    推荐理由:原文明确给出 Maestro 在全局协调机制下对多种基准的量化提升,读者可直接对比其与普通编码智能体的表现差异。

  3. arXiv · NLP38

    大语言模型如何建模囚徒困境中的人类行为

    研究发现,TII Falcon 7B Instruct、Gemma 7B 等开源 LLM 在重复囚徒困境中普遍比人类更合作,尤其在随机伙伴环境下,人类平均合作率为 28.5% 时,部分模型超过 80%。 Qwen-2.5-7B-Instruct 表现确定性强,Phi-mini-MoE-Instruct 变异性大且短暂接近人类水平。这些 LLM 具备行为模拟代理潜力,但目前尚不可靠地替代人类参与者。

  4. AWS Machine Learning Blog64

    Amazon Bedrock 为 Anthropic Claude 模型支持结构化输出

    Amazon Bedrock 现全面支持 Anthropic Claude 模型的结构化输出,通过约束解码确保 JSON 响应严格符合预定义 Schema。系统会自动编译并缓存 24 小时语法规则,用户可利用 JSON Schema 格式或 strict 工具用法在 bedrock-runtime 和 bedrock-mantle 端点实现无错误的 JSON 解析与确定性输出。

    推荐理由:说明约束解码消除了解析与重试逻辑,并给出了JSON Schema的缓存机制和代码示例,供生产环境直接复用。

10月19日周一
  1. arXiv · ML46

    多步智能体工具推荐:确保任务所需每个工具都被找到

    Tool Recommendation 系统通过固定接口为智能体提供全部工具,弥补单工具缺失导致的多步任务失败。 在 ToolRet 基准测试中,其 Top-10 工具召回率比 BM25 高 57%;在 Codex 会话中,首轮推荐覆盖所有必需工具的比例达 93%。 采用该系统可将输入 token 减少 17% 至 40%,并降低总账单费用,且不影响任务完成率。

10月17日周六
  1. Claude Code Releases30

    Claude Code v2.1.302 发布

    Claude Code 发布 v2.1.302,新增 CLAUDE_CODE_AUTO_MODE_MODEL 配置项以指定客户端自动模式分类器使用的模型。 该版本修复了会话切换 Vertex 或 Bedrock 导致请求失败、读取大文件内存溢出及 PowerShell 工具识别错误等多个问题。

  2. Anthropic (X)54

    Claude Mythos 5 用于设计更高效量子电路

    Anthropic 的 STEM Fellows Program 利用 Claude Mythos 5 设计了比目前最佳已发表结果更高效的量子电路。在自然语言指令下,这些电路在某些情况下将资源需求降低了一个数量级以上。这种效率提升降低了量子算法的资源门槛,有望加速量子计算在化学和材料科学中的应用。详情见 Anthropic 官方研究页面。

10月16日周五
  1. arXiv · AI36

    冻结 LLM 智能体无需改权重:Life-Harness 运行时框架提升确定性任务表现

    Life-Harness 提出一种不修改模型权重或评测环境的运行时框架,通过演化的干预机制提升冻结 LLM 智能体在确定性任务中的表现。 在 8 个环境、18 个开源基座模型上验证,Qwen3-4B-Instruct 平均准确率较 Meta-Harness 和 AHE 分别提升 28.7 和 7.5 个百分点,且优化 token 消耗分别降低 8.5% 和 68.4%。

  2. arXiv · AI39

    LLM 解析 iOS 位置服务数据:不可靠的分析者但可靠的工具构建者

    研究表明 Claude Opus 4.8 等前沿模型直接逆向工程 protobuf 模式时存在大量错误,不适合法证分析。 然而,利用 Claude 编写的 Python 工具 Extractor 能可靠恢复模式,并通过已知答案及网络测量验证了其在 iOS 16.7.11 上的有效性。 这证实了 AI 在可验证输出场景下作为工具构建者的实用价值。

  3. arXiv · AI34

    Screwtape:用于监控对抗性红队测试的转录编辑管线

    研究团队发布 Screwtape 管线,通过 LLM 编辑真实 Agent 转录来生成能绕过 action-only 监控的攻击。 该管线在 252 次运行中生成 35 个通过验证的攻击,其中 6 个经人工确认有效并成功规避前沿开发者的保留监控。 监控者可利用这些攻击修复盲区,评估者则可将其作为安全声明的反例。

  4. arXiv · AI52

    MAI-Gym:面向移动端与电脑环境的GUI智能体评测与RL训练开放平台

    研究团队发布MAI-Gym平台,统一了移动端、电脑和网页环境的GUI智能体评测、数据采集与在线强化学习训练。基于该平台训练的9B模型MAI-Gym-9B在MobileWorld和OSWorld-Verified基准上分别达到78.4%和76.2%的成绩。研究表明,在模拟订票应用中进行强化学习可迁移至真实环境,将物理手机上的任务成功率从28.8%提升至48.1%。

  5. Anthropic (X)28

    Anthropic 资助数学界应用 AI

    Anthropic 承诺投入 500 万美元资金、算力及 Claude 访问权限,支持数学家探索 AI 在科研中的最佳应用路径。 该计划由 Simons 基金会管理,通过社区驱动方式资助工作坊、会议及专家讲座。 此举旨在帮助数学界应对 AI 带来的巨大变化,推动科学进步。

  6. Anthropic (X)32

    Anthropic 引入 METR 团队独立评估

    我们承诺让评估机构审查我们的安全实践。 我们正与多家机构洽谈,并已为 @METR_Evals 团队授予了类似员工的访问权限。 在本文中,我们描述了我们如何与第三方评估机构合作:https://www.anthropic.com/news/an-update-on-independent-evaluators

10月15日周四