跳到正文
11月18日周三
  1. arXiv · AI35

    CueClash:前沿视觉语言模型在接近图像平面的 3D 关系判断中存在偏差

    研究提出 CueClash 数据集,揭示 Claude Opus 5.5、GPT-5.5 和 Gemini 3.6 Flash 等前沿视觉语言模型在判断 3D 关系时依赖 2D 视觉线索。 低推理力度下,这些模型的“捷径差距”达 +18 至 +37 个百分点;提供地面坐标后可正确率达 99% 至 100%。 模型生成的场景地图多保留深度顺序但缩短深度,表明其 3D 空间理解仍存在局限。

  2. arXiv · AI32

    RehearsalBench 基准测试:评估 AI 预测企业运营变革后果的能力

    RehearsalBench 发布基准以测试 AI 预测企业变革后果能力,最佳模型 GPT-6 Astra 较无干预提升 6.8%。 十款模型在 14 个组织场景中完成 280 次尝试,平均预测正确但效应大小常高估五倍,且从未建议“不行动”。 外部验证中 12 款模型对 33 个真实变更的预测排名与现实排名相关系数达 0.92。

11月17日周二
11月16日周一
11月11日周三
11月10日周二
  1. Google DeepMind86

    Google DeepMind 推出 AlphaProof Code:AI 形式化验证 Signal 加密协议代码

    Google DeepMind 发布 AlphaProof Code,这是一个结合人类专家与多 LLM 智能体的形式化验证框架,首次完成了对 Signal 加密协议实际运行代码的深度数学证明。

    推荐理由:AlphaProof Code 首次实现了对已部署加密协议底层代码的深度形式化验证,为软件安全证明提供了可迁移的 AI 框架。

  2. arXiv · AI31

    PITA 基准揭示推理模型在长程任务中的长度泛化差异

    研究引入含 2300 万条命题逻辑语句的 PITA 数据集,发现含推理痕迹的模型在广度大而深度浅的子集上泛化良好,但在深度大且广度窄的子集上表现劣于基线模型。 研究通过受控传递推理任务验证了广度利于推理模型而深度暴露长上下文弱点的机制,解释了观察到的标度规律。 该发表于 NeurIPS 2026 的研究明确了证明式推理痕迹在受控长度泛化场景下的显著优势与局限。

11月6日周五
11月3日周二
10月27日周二
10月26日周一
10月22日周四
  1. arXiv · ML38

    Transformer 推理内部动态研究:层状态轨迹揭示层序计算效应

    针对 Qwen、Llama 和 Gemma 模型的研究表明,层顺序产生的轨迹比端点保持shuffle对齐1.60至2.24倍。 该效应在同一Qwen架构的随机初始化中更强,确认为架构兼容框架而非特定训练规律。局部过渡执行器在置信门控下成功控制17条闭包轨迹而不影响203条非闭包输出。 研究证实了层顺序的可观性和可计算性,但未建立完整的LLM动态理论或答案正确性控制。

10月20日周二
10月19日周一
  1. arXiv · ML32

    跨越 LLM 训练阶段切换优化器的短暂成本

    研究发现 Llama-3 模型从 AdamW 切换至 Muon 优化器几乎无显著性能惩罚,且 Muon 比例增加通常提升 SFT 后的下游性能。 该结论基于 1.2B 模型预训练及 14B 规模 Llama 和 Qwen 模型的持续预训练与 SFT 实验,结果显示后训练优化器选择可独立于预训练优化器。 该研究已被 NeurIPS 2026 研讨会接收,为优化器跨阶段迁移提供了系统性实证依据。

10月15日周四
  1. arXiv · ML20

    MAPLE:用于评估LLM的参数化知识提取多轴透镜

    研究提出MAPLE框架,以评估知识提取增强(KEE)技术对大语言模型的影响。 MAPLE在表层、概率层和采样外层解耦效应,通过测量答案恢复、破坏及排名变化进行诊断。研究评估了OLMo2、Qwen2.5和Llama3三种模型家族的六种KEE技术。 结果显示不同技术间存在显著差异与权衡,表明MAPLE在超越整体准确率方面具有重要价值。

10月14日周三
10月7日周三
7月17日周五
  1. Google DeepMind84

    Google 发布轻量化网络安全模型 Gemini 3.5 Flash Cyber

    Google 发布基于 Gemini 3.5 Flash 微调的网络安全模型 Gemini 3.5 Flash Cyber,用于高效发现、验证和修复代码漏洞。该模型通过限制政府及可信合作伙伴的试点计划访问,在 CyberGym 和 Chrome 生产环境等测试中展现了优于主线路基模型和更大模型的高效性能,已用于保护 Google 内部代码库。

    推荐理由:官方发布了针对网络安全微调的轻量化模型,提供了在漏洞扫描任务中降低成本并提升覆盖率的实操架构。

2月1日周四
9月27日周三
  1. Mistral AI88

    Mistral AI 发布 Mistral 7B 开源模型

    Mistral AI 发布 7B 参数模型 Mistral 7B,其在标准英语和代码基准测试中超越所有目前可用的 13B 及以下开源模型。该模型基于 Apache 2.0 协议发布,运行速度更快且成本更低,适用于摘要、问答等任务。公司计划在未来几个月内逐步发布缩小黑盒与开源模型性能差距的新模型。

    推荐理由:原文展示了 7B 模型超越 13B 开源模型的性能对比,并明确采用 Apache 2.0 协议,为开发者提供了低成本且可控的替代方案。