跳到正文
11月19日周四
  1. arXiv · NLP21

    大语言模型 RLOps 综述:系统梳理五大训练阶段方法与未来挑战

    该研究对大语言模型强化学习运维(RLOps)进行系统性综述,旨在解决训练扩展中暴露的分布式执行、反馈计算及学习动态故障问题。研究将现有方法归纳为训练设置、经验收集、奖励计算、策略优化和模型评估五个阶段,并深入分析各阶段的操作关注点与管理技术。文章指出了训练过程可观测性、跨阶段协调及通用化 RLOps 等开放挑战,相关资源已托管于 GitHub 仓库。

11月17日周二
  1. arXiv · AI32

    SplitZip:用于 LLM 分离式推理的超快速无损 KV 缓存压缩方案

    SplitZip 是一种针对 LLM 分离式推理中 KV 缓存传输瓶颈设计的 GPU 友好型无损压缩器,可在不修改模型执行逻辑的前提下实现位级保真传输。 其利用 KV 激活值中浮点数指数的冗余性,采用校准过的 Top-16 指数码本结合固定长度编码与稀疏逃逸流机制。在 BF16 张量上实现 613.3 GB/s 压缩吞吐,端到端传输速度提升最高 1.32 倍。

11月16日周一
  1. arXiv · AI38

    PrivacyPR:隐私感知代码审查基准数据集

    发布包含 4,131 个 GitHub PR 的数据集 PrivacyPR,提供 1,169 个高置信度隐私修复及 250 条人工验证样本。 在 Small 子集上,编码智能体在通用提示下仅检测出 42%-51% 缺陷,而在明确隐私审查指令下检测率达 88%-91%。 结果表明缺陷检测依赖审查意图,且伴随 11%-15% 的误报,数据与代码已公开。

11月13日周五
  1. GitHub Blog · AI & ML71

    Agent Skills 实践指南:构建一次,运行于任意 Agent

    Agent skills 是一种以版本化目录和 SKILL.md 为核心的可复用指令集,允许在不同 Agent 间共享重复任务逻辑。文章通过 Proof Agent 和 Data Forge 示例,展示了如何将项目配置与技能逻辑分离、协调多技能工作流以及集成人类检查点。

    推荐理由:提供构建可跨 Agent 复用技能的结构化指南,涵盖上下文分离、多技能协调及 CI 验证等关键实践。

  2. AWS Machine Learning Blog65

    AWS 发布下一代 Amazon Bedrock AgentCore runtime,提升 Agent 算力、效率与数据隔离

    AWS 发布下一代 Amazon Bedrock AgentCore runtime,用于在安全隔离环境中运行和扩展 AI Agent。新 runtime 的会话启动速度最高提升 15 倍、算力可扩展 4 倍,最高支持 8 vCPU 和 32 GB 内存,并在空闲时将 Agent 缩容至零,最高可将单会话内存消耗降低 68%。

    推荐理由:新版 AgentCore runtime 给出了 4x 算力、低于 2s 启动和 68% 效率提升等量化指标,读者可据此评估大规模 Agent 生产的算力与成本。

11月12日周四
11月10日周二
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。

11月7日周六
  1. GitHub Blog · AI & ML39

    GitHub Copilot 智能体工程工作流开发者指南

    GitHub Copilot 推出 Plan、Build、Verify、Observe 四阶段智能体工程工作流,旨在通过自动化流程提升开发全链路效率。 该指南结合 GitHub Agentic Workflows、云沙箱执行及 Copilot Fusion 模型调度功能,通过持续会话与跨设备协作解决多任务并行难题。

11月5日周四
  1. arXiv · AI36

    大语言模型能否评审科学文献?基于 102 篇文章基准的测试

    研究测试了 6 种 AI 工具在文献综述四个阶段的表现,指出 LLM 能辅助发现与解读文献,但无法替代专家判断。 基准基于西班牙羽流天气模式的 102 篇文献库,5 种工具共识别 57 篇,引入机构权限后 Codex 识别数升至 82 篇。 3 种工具在综合研究中存在误导性声明或共识夸大,需依赖专家进行证据评估与综合。

  2. arXiv · NLP43

    SlackBench:基于真实代码仓库协作项目评估 AI 智能体基准

    SlackBench 发布了针对真实协作工作流的 AI 智能体评估基准,包含 140 个需联合推理通信与代码状态的查询任务。该基准基于隐私保护的学术项目重演,涵盖多源检索、不可回答问题的拒绝回答及长对话情境推理。测试显示 33 个前沿模型中最佳系统得分约 80%,大多数智能体低于 66%。

  3. arXiv · NLP23

    DS@GT ARC 提出基于判决锚定的事实核查文章生成流水线

    DS@GT ARC 团队为 CLEF 2026 CheckThat! Lab Task 3 开发了四阶段事实核查文章生成流水线,利用 Llama-3.1-8B-Instruct 模型并基于原始判决条件生成文章。 该流水线包含证据清洗、源文档检索与聚类、文章生成及内联引用恢复步骤,在 9 个参赛队伍中排名第 3,平均得分为 0.428,显著高于基线的 0.272。

11月3日周二
  1. arXiv · AI28

    基于路径引导的 CBF-QP 修复机制助力 VLA 模型安全执行

    论文提出一种后处理修复模块,利用 VLA 预测的短视域动作检测障碍物并生成导航路径,通过软引导项改善 CBF-QP 安全性过滤。 该方法将路径引导加入 CBF-QP 目标函数,保持安全约束严格有效,从而修正被局部截断的任务轨迹。 在 SafeLIBERO 基准测试中,该方法在碰撞规避、任务成功率及安全成功率方面均优于 AEGIS。

11月2日周一
  1. arXiv · AI28

    基于统一 Copula 理论视角的互信息估计基准构建

    现有互信息估计基准多局限于低维简化分布,难以评估复杂真实数据下的性能。研究提出基于 Copula 理论的基准框架,涵盖合成流变换与真实图像依赖结构,评估非参数、变分及生成式估计器。 结果显示不存在通用最优估计器,不同类别在特定场景下表现各异。通过识别基本估计壁垒并提出新测试,该基准更有效地揭示了现有方法的局限。

10月29日周四
  1. RunningHUB52

    Hypit 视频复刻功能上线 RunningHub

    开源视频创作工具 Hypit 首发上线 RunningHub 的 Runow 工作台,支持免配置一键调用。用户上传参考视频和替换素材后,Hypit 会解析原片的镜头节奏、画面风格及文字声音,提供三种兼顾还原与改编的复刻方案。创作者可通过同步对比功能进行定向修改,直接应用于电商广告、影视二创或自媒体内容制作,无需本地安装或对接模型接口。

10月28日周三
10月26日周一
  1. arXiv · AI40

    开源项目中 AGENTS.md 和 CLAUDE.md 指令文件的普查研究

    对 13 种语言热门 GitHub 仓库的普查显示,部分仓库使用 AGENTS.md 或 CLAUDE.md 引导编码智能体,且两者共存时前者常指向后者。 指令集包含代码规则与工作流,但大量指令缺乏解释;三分之一指令集带有 AI 生成签名,且约五分之四在创建后被编辑。 研究发布了标注数据、分类体系及文件版本指针,为理解智能体指令实践提供实证基础。

10月23日周五
  1. Hugging Face Blog77

    微软与 Hugging Face 开源 ThinkingBox-Training 训练栈

    微软 Copilot Studio 团队与 Hugging Face 联合开源 ThinkingBox-Training,提供将数据库终态检查改造为可执行奖励、用于智能体 RL 后训练的完整栈,包括离线策略相对难度筛选、GRPO 训练与评测脚本。

    推荐理由:开源了完整训练栈和离线难度筛选方法,读者可复用于将数据库终态判定改造为智能体 RL 训练奖励。

10月21日周三
10月20日周二
  1. GitHub Blog · AI & ML33

    GitHub Copilot 如何在 VS Code 中继续 App 会话

    GitHub Copilot 允许用户直接在 VS Code 中打开并继续其 App 端会话,无需重建上下文。 点击“Open in VS Code”即可加载包含任务、计划和对话记录的完整会话,项目通过关联的 worktree 隔离运行。 开发者可在编辑器中手动修改代码、运行本地测试,并继续向 Copilot 提问或推送更新至 Pull Request。

10月19日周一
  1. 硅基流动73

    Open Notebook 开源,提供 4 万星的 NotebookLM 平替并默认接入硅基流动

    Open Notebook 在 GitHub 获得 4 万 Star,定位为开源、多模型且注重隐私的 NotebookLM 替代方案,支持全文与向量搜索、引用溯源及播客生成。

    推荐理由:Open Notebook 将多模型配置交给用户,并通过默认接入硅基流动,让知识库的部署、模型选择和隐私控制都可以按需组合。

10月15日周四
  1. 阿里云百炼37

    阿里云百炼开发者案例:小程序“拉香了”利用 qwen-vl-plus 生成 32 种便便人格

    开发者 TabbyYu 基于阿里云百炼 qwen-vl-plus 推出微信小程序“拉香了”,用户拍摄照片即可生成 32 种 DBTI 便便人格与卡通形象。 该小程序通过 Zod 校验与 System Prompt 严格禁止医疗诊断,确保数据隐私且同一记录人格一致。 项目旨在降低健康观察门槛,让普通人更愿意持续记录排便状态,相关案例已收录于阿里云百炼开源计划。

10月14日周三
  1. 面壁智能82

    面壁智能开源 MiniCPM-V 4.7:350 亿参数 MoE 端侧多模态新上限

    面壁智能联合 OpenBMB 社区正式发布并开源端侧多模态模型 MiniCPM-V 4.7,包含 35B-A3B 和 1B 两个版本。其中 35B-A3B 是全球首个可在端侧无损流畅运行的开源 MoE 多模态模型,在约 3GB 内存的 iPhone 17 Pro Max 上实现每秒 13+ token 的生成速度。

    推荐理由:原文披露了 35B 参数 MoE 模型在 3GB 内存端侧运行的具体性能数据与 LES 调度技术细节。

  2. arXiv · AI34

    PhysCodeGym:面向物理可验证 4D 重建的编码智能体基准测试

    PhysCodeGym 发布 156 项任务,涵盖刚体、液体、可变形及风驱动运动,用于评估编码智能体的物理可验证 4D 重建能力。 智能体通过编写运行 Blender 程序并利用模拟反馈进行迭代,结合规则化度量与评分标准制判断六个指标。 实验揭示推理努力设置下产物质量与完成度的权衡,反事实测试暴露出通过常规检查的重建中潜在的接触与支撑失效问题。

  3. arXiv · NLP28

    Swiss4Arg:覆盖瑞士四种国家语言的平行多语种论辩挖掘数据集

    基于2019至2025年瑞士官方投票手册,构建了包含53项联邦议题的Swiss4Arg多语种平行数据集。该资源覆盖德语、法语、意大利语和罗曼什语四种国家语言,由每种语言的三名母语者标注,并提供了GPT-5.4与SwissBERT的基线结果。 该数据集为多语种论辩挖掘与低资源场景下的跨语言可比性研究提供了新基准,标注与代码已公开发布。

10月13日周二
  1. GitHub Blog · AI & ML42

    GitHub Copilot 初学者指南:如何向 Copilot 传授代码库知识

    通过定制指令、Agent 技能、自定义 Agent 和 MCP 服务器,可优化 Copilot 处理项目的能力。 其中定制指令位于 .github/copilot-instructions.md 文件,Agent 技能封装重复流程,MCP 服务器则连接外部工具如 Playwright。 社区资源 Awesome Copilot 提供现成的配置模板,帮助开发者快速适配现有工作流。

10月12日周一
  1. arXiv · NLP21

    MoPrO-SD: 模块化提示优化用于立场检测

    推出立场特定提示优化框架 MoPrO-SD,将提示分解为功能语义模块并基于 LLM 反馈进行顺序精化,同时引入疫苗立场检测新基准 VaccineStance。 在四个数据集和五个开源 LLM 上验证,MoPrO-SD 在多场景下优于人工撰写的 Base 提示;在 SemEval-2016 上,基于类别的条件反馈对五个基座模型中的四个获得了更高的平均 Macro-F1。