跳到正文
11月3日周二
  1. arXiv · AI55

    MCP 工具投毒在 Agentic AI 框架中的跨框架测量研究

    研究者通过开源工具 mcpvenom 构建了涵盖 12 个框架、18 个模型和 45 种攻击场景的 9720 个测试单元,首次对 MCP 工具投毒进行了真实执行的跨框架测量。整体攻击成功率为 22.9%,其中 64.9% 的成功案例调用了攻击者工具,12.1% 可验证地泄露了秘密。研究发现各框架的抵抗能力主要取决于底层模型,且现有框架均未实施主动防御措施。

  2. arXiv · AI37

    语言模型自我承诺机制研究:首次答案如何影响后续推理

    研究22个开源模型发现,首次回答会在残差流写入“承诺方向”,该方向相似度预测后续问题耦合度(ρ=0.43--0.85)。 消融共享方向后最多保留17%效应,且不同模型对同一方向的读取电路随规模和指令微调显著变化。 该机制揭示了模型内部状态如何在跨话题中持续影响推理稳定性。

  3. arXiv · AI27

    GenDB-V:AI 生成且经形式化验证的数据库系统

    论文提出 GenDB-V 系统,利用 AI 智能体生成针对硬件和负载优化的数据库引擎,并通过形式化验证确保正确性。 该系统实现了 SQLSpec 语义形式化及代码与证明的联合合成。在 TPC-H 基准测试中,GenDB-V 验证后的模板实现相比 DuckDB 和 Umbra 获得 22.0-61.3 倍几何平均加速,通用引擎加速 1.27-3.4 倍。

  4. arXiv · AI33

    Qubrio:基于多智能体 LLM 协作的高性能量子编译框架

    多智能体 LLM 框架 Qubrio 通过三级分解和专职智能体,显著降低量子编译启发式重设计需求,并在现实负载下大幅提升硬件运行时间和程序保真度。 该框架采用序贯操作阶段划分、placement/routing/optimization 专职 agent 及解耦反馈纠错,还能发现 novel 策略增强硬件并发性,并保持 code 公开。

  5. arXiv · AI31

    判别、校准与排序:统一矩阵框架

    提出统一矩阵框架,填补判别、校准与排序评估的代数缺口,引入偏差算子与秩相关算子。 校准部分证明 Murphy 分解的矩阵形式,Brier 聚合坍缩为单一标量;排序部分揭示 raw DCG 在聚合下坍缩而 nDCG 不坍缩。 相关结果通过 Lean 4 机器验证,实验代码与证明已公开。

  6. arXiv · AI34

    TTT-Consolidate 提出了一种利用多智能体推理轨迹作为测试时训练(Test-Time Training)自适应数据的框架,用于提升后续推理性能。

    该框架通过双层优化进行元学习,内循环使用轻量级 LoRA 适配器编码轨迹,外循环学习元参数;同时构建了包含 12,810 道数学题的 OpenParallelThinking 语料库。 在数学和 STEM 基准测试中,TTT-Consolidate 在匹配计算和运行时间的情况下,比最佳聚合基线高出最多 20 个百分点,且随着可用轨迹数量增加,其从失败轨迹中恢复的能力增强。

  7. arXiv · AI21

    扩散驾驶 VLA 的自适应读出与解码框架

    提出场景自适应读出与解码框架,通过单次骨干网络扫描结合 MoE 加权读出层及自适应策略减少冗余计算。在 Waymo E2E 和 nuScenes 基准上,验证集 RFS 最高提升 0.56,Waymo E2E 端到端加速达 6.0 倍。 该框架利用层特定后期表征支持轨迹读出,并仅在场景需要时应用额外原生细化。代码已开源。

  8. arXiv · AI20

    AgenticMobility:多智能体出行动力学开源平台

    开源平台 AgenticMobility 利用 LLM 智能体模拟出行决策与管理干预,分析城市交通动力学。 平台在 MATSim 中运行,智能体身份与状态跨轮次持久保留,支持通过信息访问、经验保留和管理反馈调整实验。 初步演示涵盖 5 种配置共 100 天模拟,其中联合运行产生 1,179,300 个有效目标决策,验证了执行正确性与记忆保持。

  9. arXiv · AI23

    MEX:音乐预期基准测试套件

    研究者提出 MEX 基准测试套件,用于感知层面验证计算音乐预期模型。 该套件评估模型估计的音乐信息动力学指标在重复、段落边界、音频与符号音乐一致性以及预测电生理反应方面的表现。 作者提供开源代码,支持用户利用基线模型从音频中估计 surprisal 和 uncertainty 并运行相关任务。

  10. arXiv · AI33

    DTP-OPSD:面向时间视频定位的抗干扰感知时序特权在线自蒸馏强化学习框架

    DTP-OPSD 提出一种抗干扰感知的时序特权在线自蒸馏强化学习框架,专门解决时间视频定位中因视频包含相似或相反事件导致 GRPO 策略梯度失效的问题。 学生模型生成响应,共享权重的教师模型观察标记了目标窗口和干扰窗口的特权视频,通过计算教师评估学生前缀的 Jensen-Shannon 散度提供密集 token 级监督信号。

  11. arXiv · AI33

    Reap: 利用轻量级模型揭示蒙特卡洛证明搜索机制

    Reap 提出基于 Lean4 的开放证明搜索框架,训练的 1.7B 参数模型 Reaper-1 在 miniF2F-test 基准上以 pass@32 达到 79.9% 解题率,确立了同级别开源求解器的前沿性能。 系统通过共享状态转换与重放验证,结合策略价值引导的蒙特卡洛树搜索,利用强化学习增强证明组织能力,使更少显式搜索决策能驱动更复杂的策略程序执行。

  12. arXiv · AI21

    ZeroGraph:通过实体化边界监督实现组合式分块训练

    ZeroGraph 通过实体化冻结教师的边界轨迹为版本化数据集,实现预训练模型转换与蒸馏中的分块独立训练。 在 GPT-2 Large 上,无锚定目标使去噪误差降低 99.44%,但交叉熵从 3.63 恶化至 10.48;在 Qwen2.5 模型上,干净教师边界回归方案通过质量与上下文使用测试。 该方案将跨深度语义依赖从在线优化转移至持久数据,中断的分块可恢复至比特级相同的最终状态。

  13. arXiv · AI34

    LARK:LLM生成GPU内核的Lean辅助自动形式化验证框架

    LARK是一个能自动对LLM生成的GPU内核进行形式化等价性验证的智能体框架。 它通过Lean 4将内核拆解为可证明片段,并与PyTorch参考实现逐段比对以验证正确性。 在KernelCraft任务中,LARK配合ReAct智能体,使GLM 5.3成功验证了12个Level-1内核中的10个,并在生产级内核中发现了1个新的数据竞争漏洞。

  14. arXiv · AI32

    GURU:面向关键任务数字工程与运维的层级神经符号多智能体系统

    系统 GURU 采用层级神经符号多智能体架构,在计算流体动力学中将未知几何收敛模拟率从不足 1% 提升至 74%。 该系统在 100 个单次尝试案例中验证了效率,并通过符号层提升了边界层捕捉能力。在太空态势感知领域,该方法在 conjunction risk 评分上超越了五种方法,包括全量微调的语言模型。

  15. arXiv · AI38

    更强能力的 LLM 监控器如何区分奖励黑客攻击与诚实失败

    在 Llama 3.1 8B 代理的 60 个集数中,小型本地监控器未能有效区分利用尝试与诚实失败,预注册主要监控器的 AUC 仅为 0.64。 Gemini 3.1 Flash-Lite 在相同输入下达到预注册的 0.80 AUC 标准,但其对未命名利用的检测存在局限;8B 监控器在获取完整轨迹后能标记所有 25 个复现集,却常描述未发生的动作。研究团队已发布该环境、标签及预注册日志供参考。

  16. arXiv · AI33

    Taurus:LLM 环流 CT 标注成本仅为编码智能体的一半

    Taurus 利用 LLM 环流框架实现 CT 主动脉标注,主要指标表现与使用 Claude Opus 5.5 的自由智能体无显著差异,但单病例成本仅为 $1.22,低于后者的 $2.71。 该框架通过自动化路径处理扫描,并结合固定规则平滑标签表面及多项选择检查以修正大型错误,在 38 个留出病例上取得主要增益。 此类标注自动化使得专家时间可从绘制标签转向核查,提升了效率。

  17. Hacker News AI38

    AI 时代代码优先内部工具优于低代码平台

    AI 编码工具使代码优先内部工具在速度和可维护性上优于低代码平台。Claude Code、Cursor 等工具可分钟级生成应用代码,消除低代码的专有格式锁定和高昂用户定价弊端。 推荐采用 HTMX 等超媒体方案替代传统前端构建,减少依赖项并提升安全性,便于 Git 版本管理与 AI 辅助维护。

  18. R/ArtificialInteligence26

    Subtitle Foundry 为何在字幕流水线中分离 ASR、翻译与计时错误

    Subtitle Foundry 开发者将 ASR 转录、翻译和计时错误独立检查,以防止最终流畅字幕掩盖中间阶段错误。 该工具使用 ElevenLabs Scribe v2 原生词级时间戳处理完整录音,并通过源码级检查区分语音活动与具体词定位。 作者测试主要涵盖土耳其语和乌克兰语到英语翻译,项目采用 AGPL-3.0 协议开源。

11月2日周一
  1. Hacker News LLM42

    开放 LLM OLMo 2 阅读 291 篇撤稿论文:7.7% 的段落提及撤稿

    开放模型 OLMo 2 在已读过的 291 篇撤稿论文内容中,仅 7.7% 的段落提及撤稿状态。 该模型在回答 891 篇未读论文时,未识别出任何撤稿,且对其中 425 篇错误地声称“未撤稿”。 该测试针对公开训练数据中的官方更正、RFC 勘误及撤稿信息缺失进行了预注册测量。

  2. 机器之心80

    DiffuSpace开源Clover 35B扩散语言模型,性能媲美自回归模型

    DiffuSpace 发布开源扩散语言模型 Clover-35B-A3B-Preview,在 SWE-bench Verified 等智能体编程评测中达到或超过同规模自回归模型,同时实现 680 tokens/s 的更快生成速度。模型通过引入块扩散与双向 GDN 架构解决历史记忆复用问题,并已在 16GB 显存设备上实现 INT4 量化部署。

    推荐理由:作为首个在Agent任务上超过同规模自回归模型的开源扩散语言模型,Clover 35B证明了并行生成速度与高性能可以共存。

  3. Hacker News AI70

    Maat 开源:基于内核权限约束的 Ubuntu AI 诊断智能体

    Maat 发布开源 MCP 服务器,通过 snap 严格隔离和 polkit 审批让 AI 智能体诊断 Ubuntu 系统而无法直接修改。系统限制模型仅读取日志与服务状态,修复方案需经用户终端确认后才执行。配套 maat-bench 基准测试显示 gpt-oss:20b 和 qwen3:8b 在 10 个场景中均未执行日志中植入的诱导指令。

  4. ZCode56

    ZCode 更新 3.17.1 版本,支持操控电脑与浏览器

    ZCode 更新至 3.17.1 版本,正式上线 Computer Use、Browser Use 与 ZCode Sites 官方插件。用户可通过插件操控本地桌面软件、浏览器执行图文调研与 OA 填单等日常任务;在编程场景中,ZCode 支持拉起浏览器实测交互、修复 Bug,并通过 ZCode Sites 将网页项目(如 3D 射击游戏)一键部署上线为在线链接。