跳到正文
11月18日周三
  1. HackerNoon · AI75

    手把手教程:如何搭建一个自动处理学校邮件的AI智能体

    Geoff Cox 分享了如何搭建一个无需写代码、每天自动运行的AI智能体来处理学校邮件。流程包括创建独立的Gmail和Google群组,通过Grok Bot连接只读日历,并粘贴预设的Prompt模板,初始设置仅需一小时,但需手动运行一周核对结果并持续补充规则。该智能体会每天下午汇总待办事项,周六进行下周预览,并可通过云浏览器自动处理无API的学校APP,适用于任何需要定期整理的收件箱。

  2. Hacker News AI60

    利用 AI 审计理论天体物理领域 158,000 篇论文的引用错误追踪

    作者利用 AI 审计了理论天体物理领域的 158,059 篇论文及 554,670 条引用,重点重算了 659 篇高被引论文,共验证了 872 处错误。研究显示,约 4% 的高被引论文存在被后续研究沿用的错误,且 7 年后仍有 52% 的衍生引用未修正,揭示了传统同行评审在文献纠错上的局限性。

  3. Wired35

    Gallup 研究:33% 的 Z 世代依赖 AI 维持友谊

    Gallup 与波士顿儿童医院数字健康实验室研究发现,33% 的 Z 世代依赖 AI 作为伴侣,日常 AI 用户中该比例达 50%。 调查覆盖 16 国 15,925 名 15-22 岁受访者;面对面友谊关联更积极的情绪体验,但仅线上交友者孤独风险更高。 研究指出 AI 陪伴正在成为 Z 世代数字社交参与的一部分,预计未来五年将随 AI 融入日常而变得更为普遍。

  4. 36氪65

    13款明星AI应用退场,关停、调整或困境折射产业淘汰潮

    截至当前,美国至少有13款知名AI应用或项目相继停止运营、进行重大调整或陷入困境。在科技巨头阵营,OpenAI关停视频应用Sora、AI浏览器Atlas和图像生成DALL·E GPT,并多次调整ChatGPT桌面应用;苹果新版Siri多次延期,微软AI记忆功能Recall深陷隐私与安全争议。

    推荐理由:梳理了从模型关停到硬件退市等13个海外AI应用失败案例,揭示了巨头与创企在AI落地中普遍面临的成本、用户与合规挑战。

  5. 36氪74

    黄仁勋表态愿意回归英伟达 CEO 遭董事会拒绝,公司发布翻倍增长财报

    黄仁勋在个人 X 账号声明中首次明确表态,只要董事会认为符合各方最佳利益,他愿意重新担任英伟达 CEO。英伟达董事长 Harvey Jones 在财报电话会上确认董事会一致接受其辞呈且不会恢复其职位,公司正聘请猎头寻找正式 CEO 继任者。财报显示英伟达季度营收 1158 亿美元同比增长 103%,数据中心业务收入占比 93%,并预告新一代 Vera Rubin NVL72 计算平台开始量产出货。

    同一新闻,精选展示《英伟达财报营收破千亿,黄仁勋离职加剧中国算力市场分化》

  6. IT之家53

    王传福、王兴、雷军APEC 2026峰会并排就坐,拒绝透露聊天内容

    2026年APEC工商领导人峰会期间,比亚迪王传福、美团王兴、小米雷军并排就坐接受采访,三人均拒绝透露具体聊天内容。雷军在会上表示,过去四年AI大模型带来巨大变化但能实现商业闭环的公司较少,他认为具身智能机器人是巨大的产业机会,其想象空间将超过汽车产业,并看好AI进入物理世界为亚太地区带来机会。

  7. arXiv · NLP36

    无坐标或区域标签的视觉文档理解中的证据归属研究

    研究表明,将视觉文档理解的证据归属接口从坐标输出改为语言引用接口,可显著提升证据召回率并降低幻觉率。 在CiteVQA子集上,证据召回率提升至26至47之间,幻觉率减半且答案质量变化不大;结合GRPO训练框架,8B骨干模型的严格归属准确率从22.4提升至33.8。 该研究为无需坐标接口及昂贵区域级监督即可改进归属提供了实用路径。

  8. arXiv · NLP23

    TAP-PER:通过紧凑用户表示实现可扩展的大语言模型个性化

    TAP-PER提出基于前缀的框架,以可学习的表示编码用户偏好,替代提示词序列化与重型逐用户适配器。 在六个LaMP任务上,TAP-PER性能优于基于提示词和模型的基线,且逐用户参数量比OPPU少130倍。 该方法实现了无需逐用户适配器的大规模个性化,适用于1000用户规模的场景。

  9. arXiv · NLP33

    PSM:通过LLM引导的黑盒优化最小化提示词敏感性

    PSM框架通过添加保护性文本层(SHIELD)加固系统提示词,在保持任务效用阈值的同时显著降低提示词泄露率。 该方法利用LLM作为优化器,仅需目标模型和优化器模型的API访问权限即可搜索最优SHIELD空间。 实验证明优化后的SHIELD在全面提取攻击测试中优于现有基线防御,且不损害模型预期功能。

  10. arXiv · NLP28

    Spike-driven VLA 模型实现高效机器人操控

    首个基于脉冲驱动的 VLA 框架实现机器人操控端到端直接训练,采用多赢家脉冲融合与 Spike Action Chunking Transformer 组件。 该框架在 LIBERO 和 Meta-World 基准测试中表现具有竞争力,且参数量更少、推理能耗更低。 为资源受限平台上的具身智能建立了神经形态基础。

  11. arXiv · NLP42

    当检测不保证抵抗:RAG 中的推理与中毒上下文

    DeepSeek-V4-Flash 在启用推理后,中毒防护中的 Cordon Rate 从 0.205 降至 0.075,Leakage Rate 从 0.235 降至 0.140。尽管攻击成功率从 0.233 升至 0.298,且中毒检测率从 0.965 降至 0.665,Qwen3.6-Plus 也呈现出相同的定性模式。结果表明,检测中毒上下文与实际抵御其影响是 RAG 安全中的两个独立维度。

  12. arXiv · NLP22

    RICE-PO:将检索交互转化为推理智能体的信用信号

    研究团队提出无评论家(critic-free)策略优化框架 RICE-PO,用于训练基于推理的检索智能体。 该框架通过选择高不确定性可执行动作作为锚点,利用检索指标评估局部反事实分支,仅当推理对动作影响显著且未来残差效应稳定时,才将信用传播至潜在推理步骤。 实验显示,在 BRIGHT 和 BEIR 基准上,RICE-PO 在同一检索器设置下持续优于基于提示的智能体和基于群体的强化学习基线。

  13. arXiv · NLP38

    大语言扩散模型(LLDMs)的不确定性量化:首个系统性研究与轻量级零样本方法

    本研究首次系统探讨大语言扩散模型(LLDMs)的不确定性量化,提出基于去噪过程的轻量级零样本信号,并适应现有最先进UQ方法。 在3项任务、8个数据集和4个模型上的实验表明,该方法以最高100x更低的计算开销接近最强基于采样的基线,兼顾快速推理与可靠的幻觉检测。

  14. arXiv · NLP22

    TableVista:评估复杂视觉与结构下多模态表格推理的基准测试

    研究团队推出包含 30,000 个样本的多模态表格推理基准 TableVista,并对 29 个基础模型进行评估。 该基准将 3,000 个推理问题扩展为 10 种视觉变体,覆盖多样化场景风格、鲁棒性扰动及纯视觉配置。 评估发现当前模型在复杂结构布局及纯视觉设置下性能显著下降,揭示了其推理一致性存在的缺陷。

  15. arXiv · NLP45

    基于 MoE 架构的可控求助者模拟器:对情感支持模型的压力测试

    提出一种由 9 项心理与语言特征驱动的可控求助者模拟器,采用 MoE 架构训练以模拟多样化求助者行为。 该模拟器基于 Reddit 真实对话训练,实现了更高的特征遵循度与行为多样性,并用于评估 7 个主流情感支持模型。 该方法揭示了既有评测中隐蔽的性能退化,为情感支持对话系统提供了更忠实的高压测试框架。

  16. arXiv · NLP30

    NONSENSE 探针揭示稠密检索模型中的语义性缺口

    研究者提出的 NONSENSE 黑盒探针构造无意义字符串,在 5 个数据集和 3 种单向量检索器上频繁获得高分甚至排名第一。 这些高分字符串并非相关文档,证明现有稠密检索模型的相似度分数与语义证据脱节。 该结果强调了评估检索模型时,不仅要看相关性,更要看相似度分数反映语义证据的可靠性。

  17. arXiv · NLP41

    研究揭示 4-bit 量化对聊天模型安全行为的影响取决于特定舍入误差

    预注册研究显示,4-bit 量化导致 Qwen2.5-3B 和 Llama-3.2-3B 的拒答行为出现相反偏移,且该变化取决于特定舍入误差而非比特数或似然。 Llama-3.2-3B 在越狱攻击下的顺从率降低 10.3 分,其半幅误差下顺从率仍降 5.8 分,而随机或高斯扰动平均影响接近零。 每个量化构建必须与其原始版本对比,因为 4-bit 量化下的拒答行为无法由通用指标预测。

  18. arXiv · NLP21

    ClearTalk:基于数据驱动的普通话构音分析与儿童构音障碍个性化沟通支持系统

    ClearTalk 智能手表系统将普通话语音识别差异转化为可解释的构音剖面,支持 13 名构音障碍说话人的个性化练习。 系统在 13 名说话人上,音节级准确率与专家清晰度评估的 Pearson 相关系数达 0.908,自动标签 Cohen's kappa 为 0.76。 15 名儿童试点中,中重度组沟通轮次完成率分别为 66.7% 和 48.0%,验证了可穿戴设备辅助沟通的可行性。

  19. arXiv · NLP34

    决策模型能否替代 LLM 处理呼叫中心分类与判断任务

    研究在 8 个呼叫中心场景中对比 9 种决策模型与 13 种生成式 LLM,显示多数决策模型分类性能可媲美前沿 LLM。 API 型闭源决策模型单位请求成本最低,高置信度预测更准确,支持选择性路由;但多数决策模型极少选择“无答案”选项,且小模型判断质量急剧下降、位置偏差更明显。 研究为基于弃权行为、置信度和部署成本而非仅总体准确率的选择决策模型提供实用指导。

  20. arXiv · NLP30

    **title_zh**: TSW-NL:评估语言模型的荷兰语单词谜题基准

    **summary_zh**: 研究者提出荷兰语开放词汇基准 TSW-NL,包含 222 个实例,旨在通过确定性评分评估 LLM。 该基准源自 Wikipedia 消歧义页面,人工研究得分介于 49.5% 至 61.0% 之间,最高开源模型得分仅为 39.3%。 GPT-4.1 得分 59.2%,而 GPT-5.6 Sol 使用最大推理模式得分达 88.8%,显示闭源模型显著进步。

  21. arXiv · NLP22

    编码智能体中检查通过不等同于任务完成:证据解读研究

    针对编码智能体中验证程序无法保证正确判定任务完成的问题,研究提出需保留执行事实并限定证据范围。 十三项任务的前瞻性阶乘研究显示,正确报告的事实未必能得出请求的有限判定;122个留出集标签均正确,但16个响应误报事实且11个超出授权范围。 结果界定了证据解读的适用性,未证明通用的诊断优势或Skill退化效应。

  22. arXiv · NLP26

    契约显式评估:从审计学习型读者到范围证书

    提出契约显式评估协议,解决文档级关系抽取(DocRE)及LLM裁判中排名在评分契约下反转且无法确定哪些比较有效的问题。 该协议基于Kendall秩相关分解,通过预注册五步流程生成分布无关普查证书。DocRE审计中3个标记实例上限为0.146;LLM裁判普查中12.25%的比较需对冲,边界0.124。 协议、地图及工件已发布,明确置信度证书在真实分数下被撤回的失效边界。

  23. arXiv · NLP28

    LLM 增量实体解析中的画像累积效应:集群变大降低匹配门槛

    研究发现,在基于 LLM 的增量实体解析中,模型判断新记录归属时受集群规模影响,集群成员增加会降低匹配标准。 使用 Claude Sonnet 5 和 Haiku 5.5 测试显示,展示 16 个而非 1 个已验证成员时,同名公司的假匹配率上升;ROC 曲线下面积仅小幅增长,且单次错误合并会提高后续错误接受率。