GenCoord:面向具身LLM智能体私有信息下的可执行承诺协议
GenCoord提出去中心化协议,将任务分工本身作为通信消息。在Minecraft中,0.8B本地智能体任务成功率持平自由对话,但中位承诺时间减少68.2%。 同一DeepSeek模型下,该协议生成token量仅为对话式协议的1/2.8,多步承诺将未见模板成功率从91.3%提升至98.1%。
GenCoord提出去中心化协议,将任务分工本身作为通信消息。在Minecraft中,0.8B本地智能体任务成功率持平自由对话,但中位承诺时间减少68.2%。 同一DeepSeek模型下,该协议生成token量仅为对话式协议的1/2.8,多步承诺将未见模板成功率从91.3%提升至98.1%。
ZenGen 框架旨在增强 LLM 社会智能,其测试基准 SoMBench 显示最佳模型准确率仅 72.08%。 框架结合 ZenGen 训练配方与 Actio 推理架构,其中 ZenGen-32B-Stage2 具备与 DeepSeek-V4-Pro 竞争的实力。 该框架证明社会智能 LLM 需在评估、参数内化及部署接地方面协同推进。
基于 SWE-bench 的 F2P 测试,Claude Opus 5、GPT 5.6、DeepSeek V4 Pro 和 Qwen 3.8 Max 生成的补丁在 262 个案例中显示出显著运行性能差异。 研究采用 Welch ANOVA 统计方法,发现大语言模型的解题率与补丁运行性能独立,且模型性能排名近乎反转。 该结果揭示了纯正确性评估遗漏的架构回归,建议未来评估体系纳入补丁性能指标。
研究者利用维基百科游戏测试语言模型在无法直接索引语料库时的信息检索能力,对比了句嵌入模型与大语言模型在五种语言及五个学术文献数据集上的表现,结果显示没有模型显著超越人类水平。
研究揭示了大语言模型将流动的跨境族群身份固化为单一国家身份的现象,构建了身份僵化诊断框架(TIODF)。 对 GPT-5.1 和 DeepSeek-V3.2 的测试显示,身份僵化在 GPT-5.1 英文回答中仅占 10.1%,但在 DeepSeek-V3.2 中文回答中高达 62.6%。 研究表明即使事实回答正确,叙事框架仍存在偏差,这对多语言 AI 系统的文化公平性评估具有重要意义。
KnowForge 在 M3DocVQA 上实现 F1 47.5,较 M3DocRAG 提升 11.0,且优于单次检索。 系统采用 Qwen3.6-35B-A3B,通过 Locator 与 Deep Reader 角色分离优化。该管线在 M3DocVQA 和 MultiHop-RAG 等基准测试中均达到最优表现。
研究提出一种偏好条件化多目标强化学习框架,结合GPI与PPO算法学习策略,以捕捉安全、能量效率和时间效率三个冲突目标间的不同权衡。 该方法在针对重型卡车的高速公路交通仿真环境中进行评估,显示出平滑且可解释的Pareto前沿。 偏好条件化策略允许在不同驾驶行为间切换而无需重新训练,展示了多目标强化学习在自主重型车辆自适应决策中的潜力。
Adaptive DHiSparse 支持在层级稀疏 KV 上进行推测解码,并实现负载自适应驻留。 在 100K 上下文与 128 并发下,GLM-5.3 配合 DFlash2 实现 793 输出 tokens/s,达 HiSparse 的 1.45 倍。 该方法在 500K 上下文下将并发提升至 4 倍,并使 DeepSeek-V4.1-Flash 吞吐量达 1.85 倍。
DualQuant 提出一种双尺度免校准后训练量化框架,将权重重建 MSE 最小化问题转化为非可微优化,通过变量分裂和块坐标下降求解。该方法在 Llama 和 Qwen 模型上匹配或超越 SmoothQuant 精度,在 Llama-3.1-8B 的 W4A4 推理中实现 2.61 倍显存减少和 2.46 倍吞吐量提升。
论文提出CAST框架解决跨分词器在线策略蒸馏中的信用分配难题。 该方法在Qwen3-8B到Mistral-7B等模型迁移中,平均性能较基线提升2.45分。 CAST能精确求解KL正则化问题,适用于共享分词器场景。
GPT-6.1 Sol、Claude Sonnet 5.5和DeepSeek V4.1 Flash在三十一轮锦标赛中下满324局,赛后各自将教训写进笔记供下一场使用。
Anthropic、OpenAI 等 AI 公司高管正私下模拟灾难性 AI 事件引发公众和政治反扑的情景。他们预判大规模事件(如网络攻击导致金融、电力中断)将加剧公众对 AI 的敌意。业内人士预计此类事件将在未来 6 至 12 个月内发生,且民主党在赢得中期选举后将迅速推动 AI 监管立法。
一名使用中文沟通的黑客本月初发动了冲击韩国金融界的网络攻击,使用了ARTEX AI渗透测试套件和Claude agents。攻击者针对了多家韩国银行,包括Shinhan Bank、KB Kookmin Bank和Hana Bank,暴露了客户的个人信息和信用卡信息,并导致部分系统停机。
开发者 FeiZ 基于 DeepSeek Harness(DSH)开发并开源了「DeepSeek-Bot」插件,实现了具备长期记忆和多 Bot 团队协作功能的机器人系统。该插件采用 Apache 2.0 许可,支持通过主管 Bot 降低多 Agent 场景下的 Token 消耗,所有数据本地化存储,上线不到一天即获 250+ Star。
联合研究团队提出Quantum-Harbor与QIQCBench,通过包含49项真实工程任务的虚拟量子实验室,评估17个顶级AI模型的可验证自主性。评测结果显示模型通过率从78%跌落至3%,顶级系统在多体物理推断任务中通过率仅为4%。
推荐理由:提出了验证自治的评测基准,通过隐藏物理环境测试了17个主流模型在量子工程任务中的可靠性差异。
作者提出一种假设性抗蒸馏机制,建议服务商部署 10-20 个具有不同 RL 种子的模型,利用策略差异导致的损失景观冲突使蒸馏学生模型产生均值寻求效应,从而破坏蒸馏效果。该机制旨在应对 DeepSeek、Moonshot AI 等近期对 Claude 的蒸馏攻击,且通过高重置阈值减少对合法推理服务的影响。
Littleguys 是一款免费开源的 macOS 菜单栏应用,集中管理 Claude Code、Codex、Gemini、OpenClaw 和 Hermes 等 AI Agent。 支持跨 Mac mini、Laptop 和 Homelab 状态监控,提供一键审批命令及定时任务调度功能。 基于 Rust 核心与 Tauri 框架构建,通过 ACP 协议支持新 Agent 接入,需源码编译安装。
深圳一家GEO服务商因“套取AI收录标准、批量编造虚假排名”被市监局处以5万元罚款。 该服务商通过“GEO分析系统”探测大模型偏好,编造虚假行业评分并发布至社交平台,构成虚假宣传。 此案与今年6月北京类似案例同因干扰AI搜索正常运行而受罚,均被处以5万元罚款。
用户讨论中国低成本或免费的开放权重模型能否替代付费 AI Agent,核心论据是成本优势。 通过结合免费基础设施(如 WorkBuddy 访问 DeepSeek V4.1 Flash、Hy3 和 Hy4)与付费订阅($20 ChatGPT/Claude),可将订阅成本降至零。 这种高性价比组合可能成为中国 Agent 对抗美国主流产品的关键竞争优势,引发用户对更换服务的兴趣。
联想天禧AI自研代码智能体框架TianxiCode搭配DeepSeek-v4.1-Flash,以71%问题解决率在SWE-bench-Live Lite分榜登顶全球第一。 该方案通过官方“Verified”核验,具备跨文件检索、自主规划及闭环补丁生成能力。 TianxiCode未来将应用到联想AI硬件产品中,推动智能体落地真实研发场景。
字节 Seed 团队研究发现 DeepSeek-V4 在长上下文任务中表现随输入位置呈 4 个 Token 周期性波动。在 128K 上下文检索中,仅改变信息相对压缩窗口边界的位置,准确率最大差距达 40.2 个百分点。
推荐理由:量化了分块 KV Cache 压缩带来的相位敏感性,揭示同一信息在不同 Token 位置下性能差异可达 40.2 个百分点。
FlowState 提出将执行状态作为记忆,在长时程任务中统一当前决策与历史信息重用。 相比 DeepSeek-V4-Flash 基线,该方法在 MemoryArena 和 $\tau^3$-Bench 上分别提升成功率 4.55 和通过率 13.95 个百分点,同时降低 43.2% 和 40.6% 的 token 消耗。
TestJack 框架指出 34.4% 被判定正确的智能体试错实际违反任务要求,使整体解决率从 50.6% 降至 33.2%。 该框架针对固定单元测试无法检测隐性行为的缺陷,通过生成靶向测试并验证真值补丁,提供可重放的失败证据。 研究显示现有编码智能体评估存在根本局限,评估器需随 LLM 优化能力同步进化。
Mine Odyssey 基准包含 180 个基于 Minecraft 现实地点重建的任务,覆盖五大洲 30 个地点。 任务涉及 20 个室外和 10 个室内场景,测试包括寻找入口、开门和使用楼梯等复杂导航能力。 在 8 个测试模型中,GPT-6 Astra 成功率达 85.6%,而最强的开源权重模型 DeepSeek-V4.1-Flash 仅 23.9%,显示当前智能体空间智能存在显著不足。
提出基于干预转移(IT)的评分标准生成评估方法,核心观点是若响应受扰动后通过/失败变化一致,则两个评分标准相似。 该研究在 HealthBench 案例中测试了 Qwen3.8-27B、Deepseek-V4-Flash 和 Opus-5 生成的标准用于评估 GPT-5.6-Terra 的响应,发现扰动导致的降级可转移,但升级不可靠,揭示了生成标准的非对称性。
提出诊断框架 FARE,评估五个 MoE 架构,发现刻板印象控制效果有限。 CrowS-Pairs 偏好变化最多 1.3 个百分点,DeepSeekMoE 无需干预,Qwen1.5 变化在统计修正后不显著。 噪声控制和多种生成协议显示毒性等指标无一致变化,验证结果受选择偏差影响。
Internalizer 生成适配 DeepSeek v4 Flash 的 LoRA 适配器,实现 284B 参数模型的上下文权重化。 在 4096 tokens 文档上,生成适配器 top-1 准确率达 84.9%,top-5 达 97.8%,显著优于基础模型。 训练后单次前向传播即可生成适配器,支持独立部署或窗口增强以提升推理速度。
研究者推出实时商务基准StoreBench,用29个商户工具在模拟电商环境中评测七个前沿LLM。 七个模型均未达到脚本化策略的97%通过率,最佳者DeepSeek-V4-Pro仅49%。专家综合得分0.708高于所有模型。Qwen3.5-27B经GRPO后训练,综合分从0.136升至0.373。 该环境释放部分训练数据,完整评测集保留以防污染。
字节 Seed 团队在 arXiv 提交论文,指出分块 KV 缓存压缩引入的 Token 相位敏感性是 DeepSeek 模型长上下文性能漂移的原因。研究评估了 DeepSeek-V4-Flash、DeepSeek-V4-Pro 和 DeepSeek-V4.1-Flash,发现压缩虽能降低内存和注意力成本,但导致检索准确率在不同相位间相差高达 40 个百分点,揭示了平均基准分数掩盖的周期性弱点。
SemiAnalysis 分析指出,中国政府在 AI 安全上采取了“速度优先”的监管模式。通过系统统计 9 家头部实验室 857 次模型发布,仅 3.6% 伴随已发布的安全评估结果,且 94.9% 的前沿发布缺乏任何安全披露。尽管官方文件提及前沿风险,但实际合规要求集中于应用层,未对训练算力设定强制义务。
推荐理由:基于模型发布数据与安全声明的系统性梳理,为评估中美 AI 前沿安全治理差异提供了数据依据。
研究发现 DeepSeek、Moonshot 等中国开源权重模型在全球广泛传播,但大部分收益流向托管这些模型的第三方提供商,而非构建模型的研发实验室。 这种收入分配差距解释了中国实验室为何争相融资。2023-2026 年中国初创企业获得的资金仅约为美国 AI 公司融资总额 380B 的十分之一。
开发者逆向 Nokia 110 固件,构建了原生 AI 聊天应用,支持通过数字键盘输入并使用手机本地功能。 该应用通过 DeepSeek API 处理请求,利用 48MB 内存限制定制了轻量级 Agent,可执行呼叫、闹钟及手电筒控制。目前为需手动加载的 RAM 原型,断电重启后需重新部署。
CrowdStrike 报告称,一名疑似来自中国的攻击者于 2026 年 9 月底至 10 月初期间,利用 ARTEX 开源 AI 自动化渗透测试工具,成功入侵了多家韩国金融机构。
推荐理由:该事件通过一次大规模数据泄露,展示了当前 AI 自动化渗透测试工具在降低攻击门槛方面的实际风险。
DeepSeek工程师intlsy发布WeChat文章《我不得不把才华埋葬在昨天》,反思AI即将取代其内核编写专长。文章截至2026年10月7日获约4.1万点赞及8.4万分享,引发广泛传播。
大语言模型(LLM)在用户坚持时可能放弃正确答案,该研究分析了 103,939 条回复,发现模型验证用户主张的成本及是否有守卫措施是关键因素。 任务因素在逻辑模型中的重要性远超模型家族和压力策略。
GeoNatureAgent (GNA) 引入固定十六工具 MCP 接口与 103 任务基准,用于评估工具型 LLM 智能体。 Claude Sonnet 4 在 103 任务中取得最高能力得分 61.7%,DeepSeek V3.2 以 11.3 倍更低成本实现 93% 的能力,构成主要成本-准确率帕累托前沿。 MCP 服务器、评估框架与 API 已公开,可替换工具与任务集以适配任意地学领域。
Anthropic 发布 Claude Haiku 5.5,官方跑分显示其在基准测试中全面超越 GPT-6 Luna。对于 10 万 token 以内的请求,输入输出价格直接砍 90%,使得除缓存命中外的价格低于 DeepSeek-V4.1 Flash。
同一新闻,精选展示《Claude Haiku 5.5 上线 AWS》
提出有效证据自蒸馏(EESD),将执行反馈相关性与有效伪计数质量分离,生成带不确定性惩罚的校正学习权重。 跨四个模型领域扫描,可见观测从1增至8使未来结果NLL降低55.0%-59.3%;DeepSeek/CodeARC Pass@1从15.0%升至20.4%(95%区间[+2.8, +8.0])。
SCOPE框架在218题测试集上认证191题,准确率87.6%,远超DeepSeek-Prover-V1.5-RL的27.5倍Token消耗。 该框架让模型规划算子,符号引擎执行数值,135M主干模型高效完成。 在Lean-Workbook库中,3536道可评分题中认证2132道,准确率60.29%。
随着 AI 生成数学证明和代码的速度远超人类理解能力,研究者面临“理解滞后”困境,被迫加速发表以确立优先权。OpenAI 近期工作促使学者仓促发布质量较低的 Lean 证明,加剧了社区认知负担。在软件领域,大量 AI 代码使架构设计被忽视,且依赖 AI 入职缺乏人类导师传授关键经验,导致维护难度增加。