跳到正文
10月30日周五
  1. arXiv · AI38

    OpenConjecture 数据集:评估前沿 GPT 模型在随机数学猜想上的表现

    研究人员提出 OpenConjecture 数据集,基于 2026 年 2 月以来的 arXiv 论文收集数学猜想,并使用前沿 GPT 模型对随机抽样的 200 条猜想进行三轮评估。模型为约 60% 的猜想生成了候选解,其中反例数量约为证明的 1.3 倍。研究分析显示部分解法依赖现有结果或存在意图偏差,凸显了评估忠实度与文献引用的必要性。

  2. arXiv · AI36

    当事实变成故事:模型改写新闻时,源一致性指标遗漏了哪些失真?

    三项模型家族将2000篇新闻改写为摘要与故事,研究发现“源一致性”指标无法准确衡量重构中的故意偏离,导致真实失真被遗漏。在故事中,问责失真上升高达7倍,其中三分之二的案例减轻了肇事者的责任。为支持检测研究,作者发布了可重构语料库ReTold-2k。

  3. arXiv · AI27

    探究大语言模型中的乘法错误

    针对大语言模型在多位数算术中的表现,该研究在包含16,991道题目的数据集上测试了多个小型基础LLM的乘法能力,发现其错误模式不符合加法中的“噪声量化”模型。 在小规模 Qwen 模型中,低位数字错误主要保持奇偶性,而高位数字错误则转向偏差为一的进位失败。这表明 Transformer 模型通过多周期性内部表示进行算术计算,其中奇偶性比精确数字追踪更为稳健,为理解模型数值推理的机制提供了新见解。

  4. arXiv · NLP30

    ContextEcho: 长程 Agent 编码会话中人格漂移的基准测试

    研究引入 ContextEcho 基准,通过 25 项探针测试集和 57 个长会话语料,揭示前沿模型在数千步 Agent 交互中普遍存在早期人格漂移现象。 该框架采用“快照-探测”协议评估状态,发现会话内压缩无法重置漂移,但单次锚点可恢复原始助手人格;漂移前缀提升了工具调用保真度,却在无工具聊天中破坏了输出格式契约。

  5. arXiv · NLP25

    ChatGPT 能否像律师一样使用 IRAC 方法分析法律情景?

    研究构建了包含马来西亚合同法和澳大利亚《儿童保障法》情景的语料库,利用 ChatGPT 执行 IRAC 分析,以检验其法律推理能力。 该语料库中的情景均由法律专业人士按半结构化格式进行完整的 IRAC 标注,确保机器和法律界均可解读。 作为对 ChatGPT 进行 IRAC 分析的首次实证评估,其结果揭示了未来改进大语言模型与法律专家间推理对齐的潜在研究方向。

  6. arXiv · NLP41

    语言模型在已知机械极限下计算与拒绝行为的分化:12款模型4860次调用测试

    研究测试12个语言模型在4860次调用中对已知机械极限的计算与拒绝能力,发现模型在询问可行性时能识别不可能的工程设计,但在要求完整答案时可能错误报告“solved”。 Opus 5 和 Gemini 3.8 Flash 在仅询问可行性时拒绝了所有不可能的新设计,无假警报;重述拒绝时机或改变回答格式提升了原始梁的拒绝率,但在新设计上效果不一致。

  7. arXiv · NLP24

    组件翻译与裁判标注拒绝:一种多语言安全评估方法

    研究提出组件反转翻译方法,固定行为与译文数量,独立分配英、中、西语言以评估9种配置。在Gemini 2.5 Flash和DeepSeek上,拒绝率互换效应未通过Holm校正;Mistral Small 4显示13.7点的西班牙语互换效应,且通过敏感性校正。 该评估框架强调记录组件语言与译文数量,将拒绝与不安全顺从分开解读,为多语言安全测试提供额外维度。

  8. 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。

  9. OpenAI Codex Releases21

    OpenAI Codex 0.166.0 发布

    OpenAI 发布 Codex 0.166.0,新增键盘驱动转录选择功能,并将 GPT-6.1 Terra 加入 bundled、Vertex AI 及 Amazon Bedrock 模型目录。 该版本修复了 macOS 独立发布清理问题,优化 TUI 重连恢复,并将 Bazel 切换为源码构建 V8,标准化开发构建至 Node.js 24.22.1 和 Rust 1.95.0。

10月29日周四
  1. Tibo (X)63

    OpenAI 为 Dot 添加即时通讯与语音指令功能

    OpenAI 宣布 Dot 功能新增文本、照片及语音笔记支持,用户可像发送短信一样直接向助手下达任务。该功能通过 iMessage 或 RCS 提供隐私保护,助手会主动发送更新,现已面向美国 Pro 用户开放预览。

    推荐理由:该功能支持通过iMessage或语音备忘指令AI助手,展示了日常交互与执行任务的能力扩展。

  2. 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。

10月28日周三
  1. arXiv · ML30

    基于 Wasserstein 自编码器与三角传输的条件采样

    论文提出条件 Wasserstein 自编码器(CWAEs)框架,利用条件变量与被条件变量的低维结构实现条件模拟。 该模型通过修改 decoder 使用 (block-) 三角结构并施加独立性假设,探索其与条件最优传输(OT)的联系。 数值实验表明,在低维支撑问题中,CWAE 变体相比低秩集成卡尔曼滤波(LREnKF)实现了近似误差的显著降低。

  2. arXiv · ML29

    PORTAL 测试时自适应干预控制器:何时及如何部署

    研究提出 PORTAL 控制器,用于决定测试时自适应干预(如更新归一化统计)的部署时机与标签查询策略。 PORTAL 通过固定候选预测规则并结合共享标签比较,将查询导向可能超越当前领先者的候选,在剩余标签无法改变选择或精度增益不足时停止。 该方法将整体降低精度的干预转变为在特定批次上有效的选择,防止到达顺序变化导致的严重失败,并通过获取的标签训练更强的未来候选模型。

  3. arXiv · NLP32

    DocXEval:面向多模态文档理解的系统化可解释性评估框架

    DocXEval 是一个首个针对多模态文档理解场景的可解释性评估框架。该框架系统评估了 13 种 XAI 方法在 3 类任务、8 个数据集及 4 个模型上的表现。 研究涵盖 17 项评估指标,发现 Occlusion 方法在忠实度和可解释性上表现最优。 该工作为多模态文档理解领域的可解释性研究提供了基准与实用指南,代码已公开。

  4. arXiv · AI31

    PlanAhead框架实证研究:LLM网页智能体中规划表示形式的影响

    研究引入静态规划器-执行器框架PlanAhead,评估4种自然语言规划表示对LLM网页智能体性能的影响。实验在3个难度级别的WebArena任务中,系统测试了包括顺序子目标、叙述、伪代码和检查表在内的4种规划表示。结果显示,规划形式的制定和底层LLM均显著影响网页智能体的稳健性和任务成功率。

  5. arXiv · AI36

    在无署名标记时检测 AI 编码智能体提交

    研究显示在移除作者署名签名后,利用提交信息和变更大小等特征可区分 AI 与人类提交,最佳检测器 ROC AUC 达 0.859,但精确率仅 0.332。 未微调的 gpt-6-sol 效果与 XGBoost 相当;检测在 Claude Code 和 Copilot 上的迁移效果较差,TF-IDF AUC 降至 0.524。

  6. arXiv · AI25

    PIP-ToM:基于视角限定证据校准的多模态心智理论框架

    研究提出 PIP-ToM 框架,解决多模态心智理论(ToM)中的证据可接受性问题。结合 GPT-4o,该方法在 MuMA-ToM、MMToM-QA 和 Hi-ToM 基准上分别达到 92.56%、95.00% 和 95.00% 的平均准确率。 该框架通过构建特定于智能体的证据存储,将其与结构化心智状态主张对齐,并在保留贝叶斯推理过程的同时校准模型假设分数,避免视角泄漏和来源混淆。

  7. arXiv · AI36

    kw-bench:在现实任务中突破前沿模型限制

    kw-bench 针对审计等调查性任务发布新评测基准,使用 DeepSeek v4.1 Flash 实测显示独立 harness 得分 0.542 与 0.528。 前沿模型如 Claude Opus 5.5 仅需 22-25 分钟完成任务并得分近 1.0,将数周工作压缩至数分钟。 低于前沿模型时,harness 决定模型能走多远,而前沿模型则彻底改变成本与效率结构。

  8. arXiv · AI50

    AI 研发自动化可能引发智能爆炸的风险与应对

    多领域学者指出,AI 系统有望在未来几年内自动化大部分 AI 研发工作,这可能引发“智能爆炸”,将数年的技术进步压缩至数月。 智能爆炸可能极大加速 AI 效益,但也会带来超级 AI 失控及权力制衡被严重侵蚀的极端风险。 鉴于不确定性高且利害关系重大,政策制定者应紧急增强对 AI 研发自动化的可见性,并制定相关约束措施。