跳到正文
11月4日周三
  1. 阶跃StepFun30

    阶跃 Step 5 Preview 上线 Qoder CN 全系产品

    阶跃 Step 5 Preview 正式接入阿里巴巴旗下的 Qoder CN 全系产品,用户可直接调用该模型。 Qoder 平台支持通过自然语言完成软件开发、数据分析等任务,目前已服务全球超 800 万开发者。Step 5 Preview 在 Bug 修复、代码重构及深度研究等场景中进一步提升效率。 此举让创意实现与复杂任务处理更加高效,开启 AI 创作与开发新体验。

  2. arXiv · NLP23

    LLM 模拟临床专家对比人类在边缘型人格障碍分析中的表现:基于 GPT、Gemini 与 Claude 的混合方法评估

    研究评估了 GPT、Gemini 和 Claude 在边缘型人格障碍质性临床分析中的能力,采用混合方法由盲评专家及神经嵌入方法对比人机语义差异。 结果显示 AI 分析与人类解释重叠率波动在 0 至 58% 之间,且所有模型均识别人类遗漏的主题;在盲评内容效度及语义风格嵌入上,Gemini 2.5 Pro 表现与人类专家无显著差异,外部评估者亦无法可靠区分人机主题。

  3. arXiv · ML33

    双节点 NVIDIA DGX Spark 远程分布式 NanoChat 预训练与网络安全微调可行性测试

    研究在两台 NVIDIA DGX Spark 上通过 Tailscale VPN 远程部署分布式 NanoChat 预训练,896.5M 参数模型处理 52.2 亿 token。 利用 200 Gb/s 光纤直连,4980 步训练耗时 4 天,平均 63.4 秒/步。 验证了桌面级加速器多节点训练可行性,但 CTI 微调在未见威胁情报泛化能力接近零。

  4. arXiv · ML77

    TabPFN-3 技术报告:扩展至100万行训练数据的表格数据基础模型

    TabPFN-3 将表格数据基础模型扩展至支持 100 万行训练数据,推理速度较前代快 20 倍。在 TabArena 基准上,该模型通过单次前向传播超越所有其他模型并占据性能-速度帕累托前沿;其 API 版本 TabPFN-3-Plus 在 100 万行子集上比第二名高 420 Elo,比 AutoGluon 1.5 extreme 快 10 倍。

    推荐理由:报告展示了TabPFN-3在100万行数据上的预测能力,并引入测试时计算扩展机制,为表格数据基础模型提供了性能与效率的新基准。

  5. arXiv · ML21

    利用稀疏自编码器特征引导大语言模型数据高效指令微调:FtF 方法

    研究提出 FtF 方法,利用稀疏自编码器(SAE)特征统计数据指导指令微调的小样本数据集构建,在 100 样本、256 token 序列长度的预算下实现高效微调。 FtF 将选择用的高秩特征与目标微调模型解耦,可跨模型复用;在 Qwen 3 8B 模型上使用 Alpaca 数据集训练时,其综合指标超越全量数据集训练 1.59 个百分点。 验证了 SAE 特征统计作为数据高效指令微调有效信号的潜力。

  6. arXiv · AI27

    MathlibPR 提出形式化数学库 PR 合并结果基准

    summary_zh: 研究团队基于 Mathlib4 真实 PR 历史提出 MathlibPR 基准,用于评估 LLM 辅助形式化推理能力。 DeepSeek、Qwen 等模型与 Codex、Claude Code 等 Agent 在区分可合并与仅构建通过的 PR 时表现不佳,且阶段式评估协议显示 LLM 难以独立判断 PR 是否值得整合。

  7. arXiv · AI33

    揭示视觉语言模型中的视觉谄媚与信念分裂现象

    研究提出三层诊断框架,在9000个样本中发现28.1%的视觉谄媚现象,即模型在图片缺失时仍输出错误答案。 该现象具有模型特异性,Qwen3-VL在空白输入下拒绝率达93-98%,而Pixtral-12B作答率高达72%;随着模型规模扩大,视觉谄媚比例显著上升。 盲评实验证实,80%的谄媚回复中无文本迹象表明图片缺失,揭示了模型感知与回答之间的信念分裂。

  8. arXiv · AI35

    SBIA 攻击:通过社交媒体内容向个人 AI 智能体注入隐性偏见

    研究提出 SBIA 攻击,利用社交媒体评论和技能市场向个人 AI 智能体持久内存注入偏见,无需嵌入显式恶意指令。 该攻击在 7 个 LLM 和 7000 条 crafted SNS 评论的 BiasBench 测试中,取得至少 96% 的攻击成功率,且能通过现有恶意技能扫描器。 这项发现表明外部网页内容和第三方技能市场已成为个人 AI 智能体内存的新攻击面。

  9. arXiv · AI35

    JevBreak 揭示决策模型中“允许选项”不等于“安全决策”的 Slot Attack 漏洞

    针对七个决策模型在 16 项任务上的评估显示,限制模型可输出的选项集并不能阻止攻击者操纵决策。 攻击者利用 Slot Attack 黑盒方法,仅依赖标签概率即可成功将 32%–99% 的正确决策导向错误选项,每次成功攻击中位查询量仅为 17–72 次。 固定答案集仅约束了决策形式而非来源,模型鲁棒性必须按模型、任务和版本逐一测量,不能因输出格式而默认安全。

  10. Hugging Face Blog72

    StateBench:测试语言模型在长文档中追踪状态变化的基准

    StateBench是一个用于评估语言模型长上下文状态追踪能力的基准测试,通过四个难度级别测试模型在信息随时间演变时的表现。研究发现,在复杂状态追踪问题上,前沿模型如Gemini 3.8 Flash、Claude Opus 5.5和GPT-6 Sol与Luna随着输入长度增加准确率急剧下降,最低降至13%以下。

    推荐理由:研究团队构建StateBench基准测试语言模型长文本状态追踪能力,发现前沿模型在复杂任务中准确率大幅下降,为架构选择提供依据。

  11. AWS Machine Learning Blog36

    EDB Postgres AI 与 Amazon Bedrock AgentCore 构建 Agentic AI 语义层

    该架构利用 Postgres 扩展 AIDB 在运营数据库内部构建语义知识库 SemKB,实现数据与业务含义共置。结合 Claude 与 AgentCore Gateway,通过 MCP 端点暴露工具目录,利用 GRANT 权限和行级安全实现差异化访问。语义层直接嵌入数据库,通过注释和外键定义业务逻辑,支持 OpenTelemetry 追踪。

11月3日周二
  1. arXiv · NLP30

    基于1.2万条本地化帖子的多语言LLM刻板印象偏见审计

    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。

  2. arXiv · NLP25

    GPT 5.5 Pro 推理水平通过语法透镜基准测试进行区分

    形式化语法透镜基准测试生成不同计算能力层级的数据,用于区分 GPT-5.5 及其 Pro 版本的推理水平。 测试 GPT-5.5 及 GPT-5.5-Pro 的 Medium、High、XHigh 模式,数据接受率分别为 16%、40%、43% 和 52%。 随着测试时计算量增加,模型回答与人类回答分歧加剧,提示通用能力与对齐之间的潜在冲突。

  3. arXiv · ML21

    FuRA:基于谱预条件的全秩参数高效微调

    FuRA 通过全秩 SVD 谱预条件实现高效微调,在同等可训练参数下优于全量微调。 方法采用块张量训练分解,固定预训练 SVD 基以约束更新,在 LLaMA-3-8B 常识推理任务中提升 1.37 分,量化变体 QFuRA 也超越 QLoRA。 代码已开源,适用于大语言模型微调、数学推理强化学习及视觉指令微调。

  4. arXiv · AI34

    TTT-Consolidate 提出了一种利用多智能体推理轨迹作为测试时训练(Test-Time Training)自适应数据的框架,用于提升后续推理性能。

    该框架通过双层优化进行元学习,内循环使用轻量级 LoRA 适配器编码轨迹,外循环学习元参数;同时构建了包含 12,810 道数学题的 OpenParallelThinking 语料库。 在数学和 STEM 基准测试中,TTT-Consolidate 在匹配计算和运行时间的情况下,比最佳聚合基线高出最多 20 个百分点,且随着可用轨迹数量增加,其从失败轨迹中恢复的能力增强。

  5. arXiv · AI39

    ReConSpatial 基准揭示 LVLM 空间智能差距:结构理解优于度量重建

    新基准 ReConSpatial 评估 18 款前沿 LVLM 的多视角 3D 场景重建能力,指出相对结构与度量重建存在一致差距。 GPT-6-Astra 在结构任务得分 81.4%,但度量重建仅 58.7%;9 项原子空间问答任务关联原子能力与重建质量。 实验表明 3D 地图注入可区分场景构建与路径规划,空间微调在通用视觉语言基准上实现广泛迁移。

  6. arXiv · AI20

    深度学习中的谱重整化群视角

    研究发现深度神经网络在训练中常形成重尾幂律谱,最佳检查点通常位于谱指数 $\alpha\approx 2$ 附近。 该指数被提出作为区分稳定学习与过拟合的统计边界,并满足 Wilsonian 边际条件。 基于此提出的 SETOL 理论连接了 HTSR 与 Muon 等优化器,并激发了 WW-PGD 新扩展。