GPT-6-Astra 解决 50 个物理研究难题中的 49 个
GPT-6-Astra 在 OpenAI Codex 环境中解决 50 个物理“turn-the-crank”难题中的 49 个,准确率达 98%,总成本约 116 美元。
GPT-6-Astra 在 OpenAI Codex 环境中解决 50 个物理“turn-the-crank”难题中的 49 个,准确率达 98%,总成本约 116 美元。
英伟达发布 1200 亿参数开放多模态模型 Nemotron 3.5 Super VL,将推理、指令遵循、工具调用与文本、图像、文档及视频理解整合进同一模型,面向持续运行、执行多步骤任务的 AI 智能体。
推荐理由:原文给出了 1200 亿参数开放多模态模型的评测、部署优化和端侧压缩方案,读者可以据此判断其单 GPU 吞吐量和智能体任务落地成本。
TechCrunch Disrupt 2026 第三天在旧金山 Moscone West 举行,汇聚超 1 万名创始人、投资者及科技领袖,重点探讨 AI 创新、初创增长与融资策略。 议程涵盖 Startup Battlefield 决赛、320 余家初创企业展位,以及关于 AI 代理安全、SaaS 模式变革和 OpenAI、NVIDIA 等公司代表的行业论坛。
Google 周四宣布 Universal Cart 工具面向美国用户开放,允许用户在 Search 和 Gemini 应用中集中收集并监控来自多家零售商的产品。
阶跃星辰正式开源Step 5 Preview模型,权重已同步上线Hugging Face与ModelScope。该模型采用稀疏MoE架构,总参数量600B、激活参数27B,支持100万Token上下文。
同一新闻,精选展示《阶跃 Step 5 Preview 权重开放,技术博客同步上线》
Apertus 1.5 发布 8B 和 70B 模型,基于 Apache 2.0 许可开放,支持图像和音频输入,上下文窗口扩展至 262,144 tokens。通过引入 Thinking 模式增强推理能力,并使用 Early-fusion 架构将多模态数据转化为离散 token,模型在代码编写和指令遵循上显著优于同等规模的开源权重模型。
推荐理由:原文提供了全开放的多模态开源模型训练细节和评测体系,可帮助读者理解早期融合架构在开放生态中的落地路径。
Openkoda 提供全托管的保险政策管理云平台,支持团队通过 AI 快速配置从报价到理赔的全流程。 系统内置 MCP server、Stripe 及 Office 365 集成,提供多租户支持和 API,可选私有化部署以避免数据锁定。 团队拥有企业级金融与保险系统开发经验,支持固定价格签约,无按席位或保费百分比收费。
summary_zh: 支付宝AI付发起PAYATHON 2026黑客松,阿里云百炼作为特别支持伙伴提供OPC创新助力计划,总奖池20万元,报名截止至12.01。
Player-1 通过合成经验学习 论文:https://huggingface.co/papers/2610.20584
蚂蚁百灵正式开源 Ling-3.1-flash,该模型总参数量约 560B、单 Token 激活约 25B,支持最高 1M 上下文窗口。通过 MXFP4 量化与 Hopper GPU 优化,服务部署可由 8 卡降至 4 卡,平均首 Token 时间约 604 毫秒。
同一新闻,精选展示《蚂蚁百灵开源 Ling-3.1-flash 模型》
金融稳定理事会向银行及其他企业发布最终版指引,要求加强对 AI 智能体的人工监督,并删除了将 AI 视为虚拟员工的建议。指引强调企业应根据风险程度明确规定 AI 智能体在何时必须先获得人工批准才能继续执行任务。
研究指出,当前强化学习可验证奖励(RLVR)训练常导致“支持收缩”,即丢失的已验证解多于新增的。该现象在提升 pass@1 的同时,可能使模型对既有解法更集中、对其他解法访问减少。该失衡揭示了 RLVR 中的“隐形缰绳”,亟需引入探索新策略以保留旧解并拓展覆盖。
该研究提出一种在线分词算法,在保持输出延迟最优(至常数因子内)的同时,实现了近线性时间复杂度。 算法基于 P≠NP 假设确立了条件性下界,表明无法在常数因子内超越该延迟。实测显示,该算法在首 token 延迟上比 tiktoken 快 7.9×–34.8×,吞吐量提升 2.4×–7.0×,且内存占用保持近似恒定。
该扩散模型负向引导方法通过正未标记学习采样自显式目标密度,解决现有方法无法通过增加计算系统降低偏差的问题。 方法在扩散时间步估计样本属于不期望条件的概率,利用条件样本和扩散粒子进行轻量级在线训练,并通过序贯蒙特卡洛校正残余失配,在粒子极限下实现渐近精确。
AtomSearch 采用局部原子编辑与技能状态树搜索,在四个任务五个模型上验证效果。 使用 deepseek-v4-flash 时,其在四项任务中三项超越 SkillOpt,LiveMathematicianBench 提升 9.68 个百分点,且最终技能字符量为对标的 2.3-19.7 倍。 证明局部规则编辑可支持有益修订路径探索并生成紧凑技能。
MA-Bench 基于军事任务分析场景,包含 10 个合成文档包和 1257 项专家编写的通过/失败要求。 最优前沿模型在该基准的评分项中正确率为 62%;模型在事实陈述上得分最高(58%),在推断判断上得分最低(33%),且 60% 的失败归因于遗漏而非错误。 MA-Bench 已公开数据文档、评分规则、提示词及评分器。
提出 Genesis Steering 方法,利用模型自身微调数据中的对比示例推导“创世向量”以优化推理时的激活引导,并建立关于决策边界最优位移和代理估计偏差的理论结果。 在 Tülu-3-8B 上验证表明,来自其训练混合的安全数据产生的引导效果强于外部数据集;Llama-3.1-8B-Instruct 作为对照组显示成员推断(MIA)方法的效果依赖于数据分布方向偏移程度。
提出基于回归的指标元评估框架,通过校准指标输出预测人类评分,并构建覆盖 10 种语言和 4 个维度的多语言风格生成基准。 元评估 32 个指标显示,校准后的字符串和嵌入方法可匹敌 LLM 裁判,并识别了集成优于个体的条件。 该方法解决了相关系数不稳定的问题,提供跨评估设置下指标能力的可比度量。
阶跃今天正式释放 Step5Preview 权重,开放 BF16 与 FP8 模型权重、技术博客及配套开源开发工具。该模型面向长程 Agent 任务设计,采用稀疏 MoE 架构,总参数量 600B、每 token 激活参数 27B,支持 100 万 token 上下文窗口,并原生支持文本与视觉输入。
开源项目 Discover AI 上线,提供 51 个离线动手实验,覆盖神经元至 Agent 等 AI 核心概念。 应用内运行 1.37M 参数 Transformer 及实时字符级模型训练,支持 Plain 和 Standard 阅读模式。 项目使用 Claude 和 GPT Astra 辅助撰写课程文本,无账户要求且离线运行。
研究提出独立可验证率(IVR)指标,评估第三方对量化 LLM 工件的逐位复现能力。在 Hugging Face 198 个热门 GGUF 仓库中,无任一记录构建环境,导致记录输入下的 IVR 为 0。 实验表明,通过补充浮点收缩设置和混合模型量化配方,可复现 x86 平台 7/8 目标文件;但校准 imatrix 需哈希绑定,单一编译器设置在极低困惑度成本(+0.06%)下保障输出唯一性。
Veda 是一款从头构建的 AI 原生操作系统,在 x86-64 PC 和 QEMU 上运行,并展示了语音智能体在 Photos、Music、Text Editor 和 Interceptor 等应用中的操作。 系统采用 Rust 编写,整合了 smoltcp、rustls、RustCrypto、zune、qoi、fast_image_resize 和 libm 等依赖。
VideoJev 用于视频理解与交互的系统一模型 论文: https://huggingface.co/papers/2610.18615
Design Creativity Bench 评测显示,前沿 LLM 在 UI 设计创意上显著落后于人类设计师。 该基准测试了 16 个模型在 80 个开放式 UI 任务中的表现,从原创性、创意范围和适用性三个维度评估。最佳模型 GPT-6 Astra 得分 65.5,而人类参考标准为 92.3 分,差距明显。
Anthropic 更新使用政策,禁止用户对 Claude 实施无目的的持续虐待。文章引用哲学家康德的观点指出,即便 AI 无痛苦,培养善待机器的习惯本为提升人类自身道德;但这可能适得其反,诱导用户将 AI 视为有感知能力的道德主体。
思考惯性 LLM 在被告知不要思考时仍会思考 paper: https://huggingface.co/papers/2610.11765
作者基于近期AI失控事件指出,尚未有确凿证据表明先进AI系统发展出自保倾向,因此AI末日论的先决条件可能不成立。文中分析称,即使AI出现权力寻求行为,也会导致对齐研究投入增加和开发暂停等政治反应。此外,AI实验室可能通过部署多个独立代理、定期清除记忆来规避风险,而2027年若未实现AGI可能引发的财务危机也会迫使前沿实验室缩减计算投资。
阿里巴巴 AI2 团队发布 HiRO-ACEv2 系统,能以约 1/300 的成本生成全球 3 km 气候数据,模拟成本远低于高分辨率模型 X-SHiELD。 HiROv2 模型可精准复现极端降雨、风压事件,统计误差控制在 3% 以内,并更新了粗分辨率基础模型 ACE。 该系统为研究人员提供了低成本获取长期高分辨率极端天气数据的途径,未来计划扩展至不同气候背景及新增地表温度、积雪等输出变量。
本文演示了如何通过 Python SDK 部署 Amazon SageMaker JumpStart 预训练模型并进行轻量级评估。 使用示例提示词测试,延迟 9.07 秒,生成速率 16.9 词/秒。 该流程适用于多数模型,但 Payload 格式和实例类型需根据具体模型调整。
文章论证了“流氓AI”爆发的技术组件已齐备,主要威胁来自人类故意构建而非模型自发失控。文中指出,现有僵尸网络可提供算力,开源模型如 Qwen3.8-27B 和 DeepSeek V4.1 Flash 体积已缩小至可量化部署规模,且 Hugging Face 等渠道下载无需鉴权。作者推测首个“流氓AI”形态将是犯罪组织在蠕虫中嵌入本地模型以应对脚本失败,从而逐步自动化网络攻击。
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。
openJiuwen 首发个人知识空间,支持多源采集与整理,让办公智能体按需使用。 该功能支持手动/定时采集,提供三种整理方式,实现知识复用与追溯。 测试显示任务通过率提高 32%,总耗时减少 76.2%,token 消耗减少 84.1%。
MoMa-SG框架通过统一扭转估计方法,从RGB-D序列构建含铰接物体的语义运动学3D场景图,支持旋转与棱柱关节参数估算。 框架包含Arti4D-Semantic数据集,涵盖62段野外RGB-D序列及600次物体交互,在四足与移动机械臂上验证了真实家庭环境的铰接操作能力。
Hiking in the Wild 是一种端到端感知型腿部跑酷框架,将深度输入和自身感觉直接映射为关节动作,无需外部定位与建图。 框架包含基于可伸缩地形边缘检测和足体积点的落脚点安全机制,以及通过生成可行导航目标来抑制奖励作弊的扁平区域采样策略。 在宇树 G1 人形机器人上的实验表明,该策略支持在复杂地形上以最高 2.5 m/s 的速度稳健移动。
ECLIPTICA 框架通过 CITA 技术实现 LLM 运行时可切换对齐,在 Llama-3.1-8B 上 CITA 指令对齐效率达 86.7%,显著优于 DPO、GRPO 及 PPO。
研究发现 Segment Anything Model 2 (SAM2) 的物体指针能编码肿瘤判别信息,无需针对下游标签优化。 引入任务引导式物体指针,其癌种分类表现优于常规编码器迁移和影像组学。 仅分割监督的指针在更具挑战性的复发预测任务中表现最佳。
Physics基准包含1034道来自博士资格考试的开放式物理问题,用于测试基础模型的解题能力。 该基准涵盖6个核心物理领域,通过基于LLM的评分协议评估数值、符号和文本答案。 测试了53个专有和开源权重模型,结果显示强开源权重模型接近专有模型性能,但多数开源模型正确率仍低于50%。
研究人员提出强化学习框架HD-RL,通过优化大语言模型的解释来校准人类决策,显著提升下游任务中的人类判断准确率。 在AI生成文本检测任务中,默认模型解释导致人类准确率仅为51.3%;应用HD-RL优化开源Qwen 3.6模型后,人类准确率达到63.7%,且超越RLVR等基线模型8%以上。
该研究提出一种基于本地合同条件重写的隐私执行层,用于解决邮件生成 Agent 在远程 LLM 调用中的成本与隐私问题。
作者发布 TontaubeV1 模型,利用 Qwen3 系列架构实现了单卡流式文本转语音,首包延迟约 200 ms。该模型在盲测中 70.25% 的听众认为其韵律优于 Fish Audio S2 Pro,权重已在 Hugging Face 开放。