Agile Deliberation:Google 开放源码协助人类定义主观 AI 分类界限
Google 开源 Agile Deliberation 框架及代码,旨在通过迭代对话协助人类界定主观视觉概念。该框架包含概念界定与概念迭代两阶段,利用视觉语言模型挖掘边界图像以优化提示词。 研究在 18 场时长 1.5 小时的人工现场测试中验证效果,结果显示该框架显著降低用户疲劳与焦虑,使模型性能超越标准基线。
Google 开源 Agile Deliberation 框架及代码,旨在通过迭代对话协助人类界定主观视觉概念。该框架包含概念界定与概念迭代两阶段,利用视觉语言模型挖掘边界图像以优化提示词。 研究在 18 场时长 1.5 小时的人工现场测试中验证效果,结果显示该框架显著降低用户疲劳与焦虑,使模型性能超越标准基线。
开源工具 Continuum Verifier 发布,实现 AI 数据溯源记录的完全离线校验。作为 v0.1 参考实现,其“胶囊”格式包含内容指纹与签名链,仅依赖 Python 标准库及 Ed25519 验证,无需网络即可输出 VERIFIED 或 WITHHELD 等状态。该工具证明了数据完整性与托管记录,但样本见证目前为本地模拟,后续计划接入 OpenTimestamps 等持久见证。
开源项目 AI Gude 正式发布,这是一款将 RSS 订阅内容转化为个性化音频播客的免费工具。它利用 Gemini API 生成文案和语音,支持用户自定义节目风格与播放频率,并提供了完整的自托管部署方案及 Ansible 自动化配置。
Scan-to-vector 是一个 Agent 技能包,可将扫描书籍、手册和图表重建为可搜索的矢量 PDF。作者在文中用 Haiku、Sonnet 等四个模型实测,显示使用技能后所有模型得分更高,其中 Haiku 5.5 得分从 0.841 升至 0.997,Sonnet 5.5 完成速度提升 37%。
labscommunity 发布开源驱动 npu-driver,利用 NPU 替代 GPU 渲染 Windows 11 桌面,目前刷新率仅 2-3Hz。 该项目采用 Apache 2.0 协议,已在搭载 Panther Lake 处理器(NPU 算力 45-50 TOPS)的设备上完成测试,支持故障时自动切回 GPU。
研究显示,在明确封禁 OpenAI 训练爬虫 GPTBot 的 1,331 个网站中,17.1% 同时封禁了用于答案获取的 OAI-SearchBot,47.0% 封禁 ChatGPT-User。
Shield 开源 Shield KYA,为 AI 智能体提供本地审计追踪与工具调用策略网关,MIT 协议免费使用。 采用 MIT 许可,支持 npm 全局安装,要求 Node.js 22+(推荐 24)。通过本地 hook 记录调用并拦截危险列表,实际拦截与人工审批依赖托管的 Shield Agent 云服务。
Umbra 是一款运行在 Android 16 上的自主 AI Agent,允许用户在正常使用手机时,由其在后台读取屏幕、操作应用并管理任务。该工具集成了一个 Debian Linux 环境,支持在端侧编写、构建和测试代码,并具备持久化会话、风险控制审批及通过伞节点连接个人计算机执行分布式任务的能力。
腾讯发布旗舰模型Hy4,该模型首次加入视觉能力并计划开源。实测显示其能操作微信、利用图片进行3D建模,长程任务保持力较强。其API价格对齐DeepSeek-V4系列,并已在腾讯云、CodeBuddy等平台上线,同时完成了昇腾NPU生态的适配。
同一新闻,精选展示《腾讯混元 Hy4 正式版发布》
复旦大学、港中深和上交研究者提出ReTerm,让终端智能体通过恢复自身失败并基于结果更新参数,实现递归自我改进。ReTerm-9B在Terminal-Bench 2.0、SWE-bench Verified等评测中较基础模型提升超13个百分点,且收益可迁移至不同运行框架。
上海创智学院与新序智能联合发布预训练级RSI模型801-30B、完整技术报告及高质量SFT数据,成为全球仅两家公开进行完整前沿预训练RSI的机构之一。801-30B在1T tokens训练量下,22项基准平均分从试训初版47.78提升至正式版56.83。
推荐理由:文章对比了预训练RSI与后训练的差异,并展示了801-30B在多项基准测试中对齐第一梯队开源基座的结果。
Anthropic 正在开发开源系统 FlashProve,通过密码学证明验证 AI 输出源自特定模型,实现“可证明推理”。 该系统类似加密邮件签名,能防止 AI 公司暗中更换更便宜或更昂贵的模型,且模型指纹不会泄露权重,支持本地轻量化验证。 研究人员已公开技术规范和 GitHub 代码,但 Anthropic 暂无计划在自家或其他实验室部署该系统。
该服务器通过 Streamable HTTP 实现 MCP 协议,仅需 API key 即可让 AI 代理访问气象数据。 提供 7 种工具,涵盖预报、警告、历史天气、空气质量及可再生能源发电数据,免费计划支持核心功能。
一位独立研究人员将其 10 多年数学研究以“Komoreb P”名义公开,其中最近 3 年大幅加速,包含 146k 个文件。 内容涵盖 Lean 形式化证明、Python/C/CUDA 代码及“Realization Calculus”框架,涵盖数论、信号处理与量子系统。 作者放弃机构支持以推动公共审视,强调 AI 在加速发现与形式验证中的关键作用。
开源项目 Megler 通过自研组件,让 Windows 10 Mobile 15063 及以上版本直接运行 Android 应用,无需模拟硬件或子系统。 Megler 利用 JIT 编译 Java 热点为 Thumb-2 指令直接执行,集成了 Android System WebView 并支持 32 位进程的约 2GB 地址空间限制。
清华团队在《自然·通讯》发表研究,用 1000 个大语言模型智能体组网后,观点自发两极分化,中立占比最低降至 0.4%。团队跨 GPT-3.5、GPT-4o、ChatGLM、Llama-3、DeepSeek-V3 验证了极化稳健性,并测试了 5 类干预策略,发现个体层面消除确认偏差可将极化降低 11.8%。
MIMIC-Note-Extract将300,720份MIMIC-IV-Note出院小结的16个部分转化为结构化表格,填补MIMIC在病史、过敏等结构化数据上的空白。 采用确定性解析与LLM生成混合管道构建,病史条目增加10倍,覆盖2倍以上的住院记录;医生验证各部分抽取准确率超92%。 该数据集支撑LLM智能体临床决策基准,降低重复数据整理成本。
论文提出评估杠杆理论,指出 NLP 评估切片差距是模型与评分契约的联合属性。 冻结预测下更换金标准会导致方法排序反转,AER 流程在 WMT19 网格中匹配最佳单一指标。 团队开源预注册工作流 EvalLever,涵盖 DocRE、HacRED 等数据集及审计细节。
研究发现,使用韩语评估规则时,不同提供商 LLM 评审员的判决一致性低于英语规则。 六款低成本模型与一款参考模型在 51,744 次请求中显示,韩语规则的 Cohen's kappa 值为 0.687,低于英语的 0.745;否定、条件和例外条款的不一致率是肯定条款的 5.6 倍。
Dory1.0-4B 是一款拥有 40 亿参数的循环语言模型,通过共享递归块实现弹性深度。该模型基于归一化 Transformer 骨干,在 6 万亿 token 上进行预训练,支持 256K 上下文长度。
研究提出用“指纹”和程序化表示比较 10 个智能体,在 SWE-Bench 上将未见轨迹归属正确智能体的准确率达 85.7%。 该框架采用自发现词汇归纳技术压缩表面差异,显示行为最相似者为同发布期或蒸馏关系模型。
SpellerSSL 框架结合自我监督学习(SSL)与 P300 聚合,旨在解决脑机接口信噪比低及泛化差的问题。 该模型采用 1D U-Net 骨干网络预训练,在 II-B 数据集上以 94% 识别率实现 21.86 bits/min 的最高信息传输率。 SSL 将校准数据需求减少 60%,是首个应用于 P300 拼写器的 SSL 研究,推动了 EEG 基础模型发展。
框架 Scout 在动态网络中决定哪些陈旧图信息需刷新,以优化下游任务表现。在 21 种基准-预算设置中,Scout 有 15 种取得最高平均下游性能,平均排名 1.4(最强基线为 3.2)。
现有无源域自适应方法通常更新编码器,但信号频谱特性变化引发疑问:能否仅适应信号输入? 文章提出 SF-FPA 方法,在冻结源编码器和分类器的情况下,通过频谱输入变换学习幅度和相位校正。 实验在三个真实时序基准上证明了该方法的 SOTA Macro-F1 表现,并支持频谱输入自适应的有效性。
稀疏自编码器(SAE)训练不稳定,不同运行常产生不同概念字典。研究通过最小架构与训练调整提出 iSAE,实现更低重建误差及提升稳定性。 iSAE 是标准 TopK SAE 变体,其字典满足近似限制等距条件,使稀疏代码近可识别。 该工作发表于 ICML 2026。
开源插件 vLLM Hook 发布,允许通过配置捕捉和干预 vLLM 模型的内部状态,实现被动探测与主动干预。 版本 1(vLLM Hook MIA)基于 vLLM V2 模型运行器,保留 CUDA 图,显著降低解码开销,支持离线使用与 vllm serve 服务。 该插件支持提示注入检测、幻觉检测、激活转向等用例,扩展了推理引擎的可编程性。
GSBR(几何支持行为正则化)通过按动作与基础策略支持集的动态距离施加平滑惩罚,有效平衡在线强化学习中的样本效率与学习稳定性。 该方法允许支持集内的动作无惩罚,仅在价值估计低的外部区域逐渐增加约束,且只需访问基础策略样本即可实施。 在4个机器人基准的19项任务中,GSBR将平均成功率从基础策略的33%提升至95%,其归一化吞吐量比次优强化学习方法高约23%。
Aero-VPA 在 PX4 仿真中完成首次闭环评估,DAgger 策略成功率峰值 21.1%。 配合 15 秒深度记忆地图免运维护栏,成功率升至 52.2%,崩溃率降至 22.2%。 72.6 MB 策略代码与数据集已开源。
研究者提出 NovoCRF,这是首个在全部质量可行肽上进行精确全局归一化训练的从头测序 CRF 模型。 该模型拥有 31 万个参数,训练耗时约 17 GPU 小时;在 126,262 张谱图中,其平均肽召回率为 42.4%,氨基酸召回率为 64.0%,速度是 Casanovo 在 GPU 上的 55 倍。 NovoCRF 还能搜索未参与训练的修饰,例如在狮骨样本中找到了 32.1% 的羟脯氨酸肽。
研究证明精确近端预言机未能改进有限和型非凸-强凹极小极大问题的多项式复杂度。 针对 $n$ 个分量,任何随机自适应算法需 $\Omega(n+\min\{\sqrt n\,\kappa,n^{3/4}\sqrt\kappa\}L\Delta/\varepsilon^2)$ 次查询。 该方法填补了精确近端响应在揭示隐藏方向方面的理论空白。
针对 291 个开源 LLM 仓库 280 个 embedding 表的调查,发现 52.6% 的 untied 权重的 gated 和 hybrid 检查点存在近零输入 embedding,且 0% 的 weight-tied 模型存在该问题。
Qwen3.5-0.8B 配合低秩适配器在 Sketchpad 框架中实现了任意长度算术的精确计算,所有 2,446 个视图测试均通过。该模型在浏览器运行,解决了 200/200 预注册问题及长位数加减乘除运算,表现优于 GPT-6.1 Sol。 代码采用 Apache 2.0 许可证开源,符号运行时支持多项式求解与因式分解,适配器门控可恢复基础模型功能。
ExaTune 是一款开源 HPC 系统,可生成超参数景观地图,通过 K 折交叉验证穷尽评估离散网格上的所有点。 系统发布了包含 8 个完整景观地图的基准集合,涵盖 285,080 个配置及 SVM、XGBoost 等 5 个模型族。 分析表明贝叶斯优化等常规方法会系统性遗漏景观图中的不稳定区域及参数交互效应。
研究评估了13个半合成站点组成的联邦学习系统在600轮交互中的信任边界稳定性。 固定参考门控虽优于起始模型,但允许了29%对当前模型有害的传输;基于当前模型的门控虽将有害传输降至2%,却遗漏了对起始模型有益的部分。 在38%对抗站点场景下,FedFomo与CS-Gate是仅有的在诚实组中均实现正向平均增益的方法。
研究提出 Mixture of Wide Experts (MoWE) 稀疏前馈层,通过固定不相交输出坐标实现可解释的原生坐标读取,在已知隐藏因子的受控任务中比密集和标准 MoE 模型更清晰定位原因。
MultiMaxPO 提出基于多轴 Max@K 目标的强化学习后训练方法,以提升文生图模型的代表性多样性并覆盖预定义模式。 该方法在 Stable Diffusion 3.5 Medium 上使公平性得分(Fairness Score)提升 0.22-0.36,在 FLUX.1-dev 上提升 0.07-0.19,且优于匹配 RL 基线。
针对企业采购 AI 推理排放核算缺失问题,提出基于 Token 的核算方法,其中间级因子为全球平均电网下每百万计费 Token 排放 0.039 kg CO2e。
summary_zh: 提出物理锚定隐式时间尺度 Mamba(PALM),通过将状态矩阵与步长锚定于物理单位解决记忆时间尺度错位问题。 在 fMRI 数据中 PALM 比 Mamba2 表征相似度高 11%,在 Weather-5K 预测中平均误差低于最佳基线 15.2%。
研究采用 DSPy 框架结合 HELM 基准,发现提示选择会显著改变排行榜。 使用 5 种提示方法评估 4 个前沿及 2 个开源大语言模型,结构化提示平均提升性能 6%,5/7 基准排名发生变动。 已开源 DSPy+HELM 评估工具及提示优化流程。
研究团队提出一种神经符号架构,结合对象级结构提取与基于神经先验的候选变换提案,通过跨样本一致性检查过滤假设。 该框架将 Grok-4 作为基础求解器,在 ARC-AGI-2 公共评测集上将准确率从 16.0% 提升至 24.4%,结合 ARC Lang Solver 与元分类器后达到 30.8%,代码已开源。