跳到正文
11月19日周四
  1. arXiv · ML21

    LLM 在高利害风险预测中问题构建的有效性:决策依赖的挑战

    LLM 在缺乏提示指导时无法可靠处理高利害风险预测中的决策依赖问题。 测试了 OpenAI 和 Anthropic 的 11 个模型,当提示明确指定目标、假设和程序时,目标对齐实现率达 99-100%。 研究建议分析师需通过明确的方法论指导和仔细审查来使用 LLM,而非依赖其自主构建预测问题。

  2. arXiv · NLP24

    MultiAgentBench:评测 LLM 智能体协作与竞争的基准

    研究团队发布 MultiAgentBench 基准,用于评测 LLM 多智能体系统在多样化交互场景下的协作与竞争表现,并基于里程碑设计关键绩效指标。该框架评估了星型、链型、树型和图型等多种协调协议,以及小组讨论、认知规划等策略。测试显示 gpt-4o-mini 平均任务得分最高,图型结构在研究场景表现最优,认知规划使里程碑达成率提升 3%,代码与数据集已公开。

  3. arXiv · NLP28

    GPT-5.6在结构化记录中镜像了伴随文本:对“隐藏待处理工具调用”场景的预注册概念复制与扩展

    在100对合成日志中,gpt-5.6-sol添加结构化残留记录后,明确说明未返回查询的比例为29%,而仅添加安慰剂记录为5%。 但70%至71%的记录声称无未决问题,且该结构化记录与伴随文本在提及缺口方面完全一致。 该结果预注册检验未达显著,无法证明结构化记录独立改善了模型披露。

  4. arXiv · NLP22

    语言模型使新研究听起来过时:LLM 夸大已有文献覆盖范围

    研究发现 LLM 常使开放研究问题显得部分已研究,夸大相关论文结论。在 40 个新问题中,GPT-6-Astra 98% 准确判断未研究,但普通回答仅 8% 明确表达该状态。 所有 6 个前沿模型存在 30-90 个百分点的报告差距,能力越高差距越大。通过结合模型判断与独立检查引文论文,Astra 的开放状态清晰报告率从 8% 升至 95%。

  5. OpenAI (X)70

    OpenAI 发布研究报告:AI 如何改变其内部研究进程

    OpenAI 发布了关于 AI 如何改变其研究过程的新数据报告。数据显示,研究人员对 AI 的使用量持续呈指数级上升,智能体(agents)正在完成更长的任务,但人类参与仍然是研究的核心。

    推荐理由:OpenAI发布了关于AI如何改变内部研究的新数据,揭示了研究员对AI使用量的指数级增长和人类参与度的核心地位。

  6. OpenAI29

    OpenAI 模型推进芯片设计

    OpenAI 优化了 Jalapeño 芯片电路并改进 RISC-V 核心设计,展示了 GPT-6 Astra 在 AI 辅助芯片设计上的进展。 GPT-6 Astra 直接应用于具体芯片流片与核心架构优化环节,验证了大模型在半导体工程领域的落地能力。 此举标志着 AI 从代码生成向底层硬件设计的延伸,加速芯片研发流程。

  7. OpenAI (X)57

    OpenAI 联合 AMD 和 Synopsys 推进 AI 芯片设计

    OpenAI 宣布其模型在不到五个月内实现了 AMD 旗舰 GPU IP 最高 14% 的 PPA 提升。该方案基于 AMD 工程师多年优化的设计成果,同时 OpenAI 的首款自定义推理芯片 Jalapeño 也应用了该方法,且性能增益已在真实硅片上得到验证。

11月18日周三
  1. arXiv · AI40

    视觉语言模型何时该放大?七家模型小物体细节测试分析

    在线视觉语言模型常因图像缩放或拒绝导致小物体细节丢失,测试显示默认设置下可读最小文本像素阈值显著增大。 将照片分九块可提升 Claude 和 Gemini 准确率 11.1 至 14.5 个百分点,GPT-6.1 Sol 从 50.7% 升至 83.7%。 Gemini 在细节缺失时自信错答率达 43% 至 48%,研究据此发布智能体放大决策规则。

  2. 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。

  3. arXiv · AI28

    RoboTeam 基准测试:基于视觉的多智能体实时控制多机械臂

    RoboTeam 是一个模拟基准,要求智能体仅凭摄像头图像在实时环境中协同控制 4 至 16 个机械臂完成长周期任务。 在自适应系统中,gpt-6.1-sol 和 opus-5.5 分别完成 28 和 27 项任务,而其他四个模型最多完成 3 项。 gpt-6.1-sol 典型任务耗时 3.5 小时,消耗 2.18 亿输入 token,且三分之一步骤需重试。

  4. arXiv · AI28

    开放权重LLM修改下的水印证据:低秩输出水印的精确界

    研究揭示了开放权重LLM权重修改对OpenStamp风格水印验证器的影响,建立了残差约束下的精确有限词表下界。 在Llama-2-7B和Mistral-7B-v0.3实验表明,INT8量化和30%剪枝保留了85.6-94.8%的测试真阳率,而500步LoRA微调则将其降至28.8%和11.6%。 这些结果深化了对水印抗模型编辑/调优攻击鲁棒性的理解。

  5. arXiv · AI31

    简捷有效:基于演示条件提示搜索的提示优化器审计

    研究人员隔离出演示条件提示搜索(DCPS)作为机制归因控制,发现其在 StablePrompt 中匹配 PPO 准确率的同时成本约为其三分之一。 在 DSPy 系统中,DCPS 在 GPT-4.1-mini 上匹配 GEPA 准确率,rollout 数量减少 55%,API 成本降低 32%。 研究建议基准测试需报告 rollout 数量、token 用量和美元成本。

  6. 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。

  7. arXiv · ML42

    GPT-6 Astra与Claude Fable 5.1通过权重空间编程直接编辑拖拉机引导控制器

    GPT-6 Astra与Claude Fable 5.1在无梯度下降下直接读写神经网络权重,为拖拉机引导控制器编程。 253参数网络控制车辆沿线弧路径行驶,模型仅通过少量模拟评估即成功修复原网络或从零构建有效控制器,且无需人工干预即可控制真实拖拉机,误差与纯追踪策略相当。

  8. OpenClaw Releases40

    OpenClaw 2026.10.33 网关扩展稳定版发布

    OpenClaw 发布网关扩展稳定版 2026.10.33,集成自 2026.9.37 以来的累计改进及关键安全更新。 该版本基于 2026.11.4 产品基线,涵盖核心 npm 包、官方插件及 Gateway Docker 镜像,不包含原生应用。主要优化包括长对话内存管理、更新中断恢复、会话隐私强化及自动化 MCP 事件响应。