跳到正文
11月17日周二
  1. arXiv · NLP39

    智能体框架解剖:决策、不变量与边界情况

    论文提出包含30个决策卡片和83条不变量条款的测试体系,基于Crewroom等11个智能体框架实践构建。 30个卡片分六组分析决策成本,83条中56条已测试、12条推测、15条开放;清单应用示例中30项有11项成立、14项不成立。 该框架用于验证智能体系统边界,未涉及答案质量、成本或其他平台评估排名。

  2. arXiv · NLP27

    StaleBench 隔离智能体记忆中的陈旧检索并量化修复成本

    StaleBench 在 892 个真实更新事实中隔离陈旧检索失败,揭示检索指标可能反向评估记忆策略。 无日期展示时,保留策略与全保留对照组在首位返回相同陈述,但读者准确率分别相差 29.5 和 65.6 分;新增 Contamination@5 指标能正确区分策略优劣。 文章发布了数据、冻结评估器及参考基线,被 EACL 2027 Findings 接收。

  3. arXiv · NLP31

    SG-LegalClarify:新加坡法律推理与歧义识别大规模基准

    SG-LegalClarify 是涵盖新加坡法律推理与歧义识别的大规模基准,包含 1,100 道律师撰写的源问题。 该基准含 340 道完整指定和 760 道欠指定问题,共 1,860 个评估实例,采用 IRAC 评估标准评分。 团队评估了 19 个 LLM,发现最佳模型在闭卷条件下仅满足 69.8% 的必填评估项,基准远未饱和。

  4. arXiv · NLP30

    Omni-Workspace:全模态 AI 助手多模态工作区任务基准

    Omni-Workspace 包含 380 个深度研究风格任务,涵盖四种多模态工作区类型和两个难度等级,用于评估全模态智能体。 18 个代表性模型评估显示,最佳模型平均分仅为 65.93,暴露出多模态上下文膨胀和任务状态漂移等长程执行局限。 该基准推动了全模态智能体在复杂任务自主完成方面的评估与发展。

  5. arXiv · NLP35

    CAPS 框架:通过标准激活偏好合成实现可归因的偏好数据生成

    研究提出标准激活偏好合成(CAPS)框架,通过双重信号评分和归因过滤器,从显式质量标准中生成可归因的偏好数据。 使用 2 万条通用合成偏好对,CAPS 在 IFEval、IFBench 等基准上超越 3.5 万条人工标注数据;在法律任务中,基于公开法条使 Qwen3-8B/14B 提升 4.9 至 6.6 分。 该方法展示了显著的数据效率和领域迁移能力,并构建了 CAPS-Legal 偏好数据集。

  6. arXiv · NLP20

    LLM智能体在经济环境中的安全评测:提出首个基准EconSafeBench

    研究团队提出首个LLM智能体经济安全评测基准EconSafeBench,包含828个案例和30期动态交互。 该基准覆盖5类经济场景和4类安全违规,匹配评估用户请求、其他参与者压力及自身绩效目标三种压力源。 对8个LLM模型的静态评测显示整体违规率介于8.5%至40.6%之间,证明在部署至高风险经济环境前需强化安全对齐与严格评测。

  7. arXiv · NLP20

    arXiv: 提出首个多轮对话投资建议检测框架

    研究人员提出首个多轮对话投资建议检测框架,针对 LLM 金融助手的隐性建议风险。 该方法采用模块化合成数据生成管线,通过 LLM-as-a-Judge 进行评估,结果显示上下文建议检测比顺序案例更具挑战性。 这项工作为高风险合规领域可扩展的护栏开发奠定了基础。

  8. OpenClaw Releases36

    OpenClaw 2026.11.5 更新发布

    OpenClaw 发布 2026.11.5 更新,实现 Gateway 重启后保留队列消息及会话状态,并确保 Doctor 或 Gateway 启动失败时自动回滚激活的更新。 新增 Telegram 交互组件渲染支持,优化内存索引重建可靠性,修复 Claude CLI 回退机制被主账户阻塞的问题,同时调整第三方 harness 会话控制接口。

  9. IT之家38

    特斯拉 Robotaxi 迈阿密服务范围扩大近一倍:覆盖市中心,24 小时运营

    特斯拉迈阿密 Robotaxi 服务范围从 31 平方英里扩至 59 平方英里,增幅达 92%。 新增迈阿密市中心、布里克尔及比斯坎湾区域,保留国际机场等原有覆盖区,目前未延伸至迈阿密海滩。 这是特斯拉在迈阿密实现 24 小时无监督运营几天后的再次扩张,进一步巩固其 Robotaxi 网络密度。

  10. R/ArtificialInteligence76

    AWS 开源本地模拟器,允许编码智能体无账号测试 200+ 服务

    AWS 发布 AWS Emulator,这是一个基于公开 Smithy API 模型生成的通用可用本地 HTTPS 端点,允许开发者和编码智能体在无 AWS 账号的情况下测试 200+ AWS 服务。AWS 公布了保真度分数及关于 IAM、区域和内存状态的文档化限制,明确了模拟器与真实 AWS 的分歧点。

    推荐理由:原文提供了本地模拟器的覆盖范围和保真度细节,读者可据此评估其在智能体工作流中的可用性。

  11. Hacker News AI39

    剖析“AI 垃圾螺旋”:生成式工作流中的信任危机与效率幻觉

    提出“AI 垃圾螺旋”概念,指出 AI 加速信息流转却导致上下文丢失与共识断裂,造成“伪严谨”文档。 团队用 AI 生成 PRD、设计稿及代码后快速上线,次日即因缺失事件与重复账户 Bug 回滚。 盲目追求高 AI 使用率掩盖了实际生产力下降,组织需警惕输出量增长不等于实质进步。

  12. Hacker News AI55

    OpenScientist:用于生物医学研究的开放AI系统

    华盛顿大学圣路易斯分校的研究团队在《Nature Medicine》上发表了OpenScientist,这是一个开放的多智能体AI系统,旨在自动化生物医学研究流程,如文献分析、假设生成和临床发现。论文介绍了该系统在神经退行性疾病等临床场景中的应用,并强调了其在整合多模态数据和协作式智能体工作流方面的创新。

  13. LessWrong · All Posts37

    分析:部署 AI 终止开关能带来什么收益?

    在美国数据中心安装 AI 终止开关可预防部分灾难并略微降低灭绝风险,主要体现为政治上的间接效应,但也可能降低推行更稳健安全方案的紧迫性。 OpenAI 系统可在决策后 35 秒内停止研究模型输出,且 Check Point 报告的监控延迟低于 100 毫秒。 该措施有助于防止缺乏战略判断的失控 AI 造成破坏,并可能促进后续的验证与透明度工作。

  14. LessWrong · All Posts32

    安全论证面临智能体基础问题

    作者认为应用传统安全工程方法验证高级AI系统时,会立即遭遇复杂的科学难题。 这些难题与研究“智能体基础”(Agent Foundations)所面对的核心问题本质相同。 该观点揭示了工程化安全保障在应用于先进AI时的根本局限性。

  15. Hacker News AI35

    利用 AI 智能体扩展分离逻辑以验证 RISC-V 上的 xv6 操作系统内核

    MachCSL 框架基于 Sail RISC-V 语义,将分离逻辑扩展至子指令级别,实现了 xv6 操作系统内核的形式化验证。 该内核包含 6657 行 C 和汇编代码,验证过程历时 102 天,发现 11 个内核 bug 以及 Sail 语义和 Lean 提取中的 2 个 bug。 研究证明,在无崩溃情况下,控制台输入 "echo hello world" 的输出唯一且正确。

  16. 36氪71

    豆包与WorkBuddy决战办公Agent:字节追赶腾讯,模型让位于工作台

    字节与腾讯正通过办公Agent抢占企业市场。腾讯WorkBuddy领先,9月桌面端访问量达8500万次,而豆包工作为3000万次。为追赶差距,豆包工作全面接入第三方模型,并提供DeepSeek限时免费优惠。文章指出办公Agent是巨头在基模落后阶段的现实选择,且模型已降级为可替换的零件,核心壁垒在于办公上下文。

  17. LessWrong · All Posts57

    深入剖析“权重空间编程”:GPT-6 Astra 实现数学增强的实质是激活引导

    UC San Diego 团队通过深入剖析 GPT-6 Astra 对 Qwen 的数学增强案例,指出其机制实质为一种特定的上下文相关激活引导,而非宣称的原生权重编辑。该分析基于合成数据构建固定方向的激活引导向量,并发现使用经训练的感知向量可进一步提升编辑效果。研究认为将 Astra 的作用理解为激活引导技术结合合成数据应用,有助于厘清大语言模型在权重优化中的实际作用机制。

  18. IT之家33

    超频玩家借助 AI 修改 BIOS 试图复活华擎 SkyOC 功能

    一名超频爱好者利用 ChatGPT 对两个版本的华擎 BIOS 进行反编译和对比,成功定位并修改代码,试图重新启用已移除的 SkyOC 技术。 该操作旨在绕过英特尔非 K 系列处理器的超频限制,并将功能移植至华硕 ROG Maximus XI Extreme 主板。SkyOC 通过调整 BCLK 实现非 K 处理器超频,但英特尔曾通过微代码更新限制此行为,华擎已于 2016 年移除该功能。