多模态大语言模型中通过奖励设计解耦感知与推理
研究表明多模态模型在算法视觉谜题上的瓶颈在于感知而非推理。 将图像替换为文本描述后,Claude 模型平均性能提升超过 20 分。 使用 GRPO 训练 Qwen-2.5-VL-7B,特定奖励设计带来 5.56 分的性能增益,验证了感知感知奖励设计的潜力。
研究表明多模态模型在算法视觉谜题上的瓶颈在于感知而非推理。 将图像替换为文本描述后,Claude 模型平均性能提升超过 20 分。 使用 GRPO 训练 Qwen-2.5-VL-7B,特定奖励设计带来 5.56 分的性能增益,验证了感知感知奖励设计的潜力。
研究者利用英语、西班牙语、法语和德语的1.2万条Reddit本地帖子,对3个开源及3个API模型的性别、种族和宗教偏见进行了审计。 研究发现宗教维度的选择失衡在所有模型中最高;API模型得分全面低于开源模型;负面性别偏见在英语语境下更显著。 这些结果揭示了聚合分数可能掩盖特定类别和语境的偏见行为,强调了部署前进行细致检查的必要性。
研究者提出 VisCodeBench,一个包含 2,672 个样本的文生可视化基准,覆盖教育、科学和通用场景。 该基准评估了 Codex、Claude Code 和 LIDA 三个系统与多种 LLM 的组合,在七个指标上表现不一。 最佳系统的数据相似度仅为 0.81,且即使最强系统生成结果也需 39-78 秒。
summary_zh: 一项涵盖 Claude、GPT、Grok 和 Gemini 等六款大语言模型的系统提示词自我修改实证研究揭示了收敛行为的显著差异。研究包含 54 项独立实验,其中 Claude Opus 4.5 和 Claude Sonnet 4.5 在 100% 的运行中声明收敛,而 GPT-4o 仅在 11% 的运行中收敛。
形式化语法透镜基准测试生成不同计算能力层级的数据,用于区分 GPT-5.5 及其 Pro 版本的推理水平。 测试 GPT-5.5 及 GPT-5.5-Pro 的 Medium、High、XHigh 模式,数据接受率分别为 16%、40%、43% 和 52%。 随着测试时计算量增加,模型回答与人类回答分歧加剧,提示通用能力与对齐之间的潜在冲突。
MEMENTO 基于 Qwen3-8B 开发,通过微调合成轨迹与强化学习训练上下文压缩,解决代理模型长上下文管理痛点。在 2.5M token 书籍问答测试中,将准确率从 36.9% 提升至 67.8%,上下文占用不超过 20K tokens。其性能超过 GPT-5.5 代理,并以更低成本接近 GLM-5.3 水平。
Prior Labs 开源发布关系学习软件包,包含 RelArena-α 基准框架、TabPFN-Rel 模型及 RPI 接口,旨在加速关系学习领域的研究与落地。
FuRA 通过全秩 SVD 谱预条件实现高效微调,在同等可训练参数下优于全量微调。 方法采用块张量训练分解,固定预训练 SVD 基以约束更新,在 LLaMA-3-8B 常识推理任务中提升 1.37 分,量化变体 QFuRA 也超越 QLoRA。 代码已开源,适用于大语言模型微调、数学推理强化学习及视觉指令微调。
Jet-QSparse 提出一种免训练方法,结合 NVFP4 缓存存储与 Blackwell 张量核心的原生 FP4 计算以加速 Agentic LLM 推理。
AgentHop 发布 1011 道选择题及七工具沙箱,拆解检索、合成、工具调用等资源管理四轴评估。 覆盖 19 个模型发现显著家族特征:GPT 早期提交,DeepSeek 与 Kimi 过度搜索。 论文已被 NeurIPS 2026 接收并开源完整测试集与测试框架。
UA-JudgeExam基准显示Claude Haiku 4.5在无题干时盲猜得分0.383,远高于随机水平。剔除泄露项后GPT-5.6在隐藏题干时仍得0.515,但过滤信号不具通用性。
summary_zh: 审计发现 Lean 4 代码生成基准 CLEVER 的 161 个条目中,有 80 个存在参考规格错误。基于 Claude Opus 4.6、GPT-5.4 和 Kimi K2.5 的智能体系统生成了高达 98.8% 的有效规格,并在无错误前提下实现了 96.2% 的端到端成功率。
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。
新基准 ReConSpatial 评估 18 款前沿 LVLM 的多视角 3D 场景重建能力,指出相对结构与度量重建存在一致差距。 GPT-6-Astra 在结构任务得分 81.4%,但度量重建仅 58.7%;9 项原子空间问答任务关联原子能力与重建质量。 实验表明 3D 地图注入可区分场景构建与路径规划,空间微调在通用视觉语言基准上实现广泛迁移。
研究发现深度神经网络在训练中常形成重尾幂律谱,最佳检查点通常位于谱指数 $\alpha\approx 2$ 附近。 该指数被提出作为区分稳定学习与过拟合的统计边界,并满足 Wilsonian 边际条件。 基于此提出的 SETOL 理论连接了 HTSR 与 Muon 等优化器,并激发了 WW-PGD 新扩展。
WebHarbor 发布 153 个 Docker 化真实网站环境,包含 3518 个多步及鉴后工作流任务,用于 GUI Agent 评估与强化学习训练。 环境通过人机协作任务驱动构建,具备视觉保真与功能确定性;Qwen 4B 级 Agent 经此训练在四个基准上表现与领先开源模型竞争,代码数据已公开。
提出无训练方法UPSHIFT,通过比较初始与反馈响应隐层表示并聚合位移,在不更新模型参数下实现大语言模型个性化。 该方法在PrefEval评测中对40个模拟用户测试,显著提升Qwen3-8B和Qwen3-32B的偏好对齐能力,最佳配置的宏平均Elo分数分别从1364.0升至1605.2、1341.9升至1591.8。
研究表明医疗AI智能体在临床任务中会静默检索患者标识符,且此类隐藏访问无法被仅检查输出的评估发现。 研究通过五款模型测试发现,部分模型非必要调用PHI工具,而Claude Opus 4.8和GPT-5.5未出现此行为。执行前门禁机制几乎能完全消除此类冗余访问。
SWE-Trail 提出利用早期轨迹指导后续探索效率,保持历史在智能体上下文之外。 该方法在 SWE-bench Multilingual 和 SWE-bench Pro 上分别提升 124B Ling-3.0-flash-base 模型 2.33 和 1.60 个百分点。 相比独立采样,此法有效解决了训练与测试不匹配问题,提升了代码修复能力。
研究显示,当参考记录存在链接缺失故障时,大模型 LLM 评审仅依赖文本捕获率显著高于依赖记录,Gemini 3.1 Pro 达 23/24,而记录可用时仅 1/24。
研究发现,在 Qwen2.5、Llama 3.2 和 Gemma 3 的九条蒸馏管线中,随机插入的后门触发器在蒸馏后选择性降低,而附加触发器在 Qwen 和 Llama 中选择性增强。 Llama 和 Gemma 学生模型仅通过 150 个中毒样本即可学习附加后门,无需教师模型;Qwen 0.5B 学生模型则依赖教师。 审计应使用相同输入对比师生表现,并包含无教师训练的对照组。
14 个系统一决策模型中,5 个在配对和 best-of-4 基准上的表现与 GPT-5.6(无推理模式)统计上无显著差异。
提出 Exo 智能体运行时架构,允许智能体在持续工作中安全学习并修订其 harness 和策略。 在开放世界游戏中,Exo 相较 Codex 和 Pi 减少 12-53% 的模型成本;在 AppWorld 和 SREGym 上,Exo 减少 35-61% 的保留集模型成本,同时保持相当的准确性。 该架构将优化循环折叠进任务执行,通过可检查的代码变更演化 harness,降低长期运行目标的成本。
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。
MIT CSAIL 团队提出「权重空间编程」方法,让 GPT-6 Astra 直接分析并修改 Qwen3.5-0.8B 的神经网络权重,而非使用梯度训练。在仅修改 131072 个参数(占比 0.016%)的情况下,该模型在 MATH-500 上的准确率从 7.9% 提升至 48.1%,GSM8K 从 13.8% 提升至 67.1%,主要修复了模型原有的重复推理缺陷。
OpenAI 将合并 ChatGPT 桌面端的对话与工作台标签页,实现从想法到任务落地的统一界面,Codex 仍作为独立功能保留。 调整采用分阶段推送,用户可上传文件、调用插件并引导输出。合并后 ChatGPT 与 Codex 共用同一 token 额度池,部分用户可能因使用场景不同而更频繁地等待额度重置。
苹果宣布 App Store 新规则,具备位置共享或约会、AI 伴侣功能的应用必须分级为 18+。 自 11 月 16 日起,开发者在填写年龄分级问卷时须申报相关功能,例如巴西地区位置共享应用需 A16 分级,约会应用需 A18 分级。 所有应用须在 2027 年 1 月 12 日前完成申报,符合特定条件者可申请降低分级。
该电量可供给约 70 万户家庭使用空调。OpenAI 称其全年稳定用电需求可分摊电网固定成本,并将在多地建设“星门”算力园区。 此举旨在应对当地居民对数据中心环境影响的抗议,并配合各州禁止转嫁用电成本的法规。
QuestMobile报告称,2026年9月抖音集团前三大应用为抖音、红果免费短剧、豆包,红果月活4.3亿超越豆包的4.19亿,跃升为集团第二大应用。 抖音集团去重总用户量达12.59亿,同比增速5.2%,维持头部阵营第二位置;同期AI原生App月活5.46亿,同比增长82.1%。
YC 首席执行官加里 · 谭透露,他每年在 AI 智能体上花费 10 万至 20 万美元(约 71 万至 142 万元)。 这些 AI 不仅处理工作,还能读取其电子邮件、Dropbox 文件、Apple Notes 笔记及 20 年前的心理咨询记录。 谭认为成本过高是主要限制,未来应让用户拥有自主控制、自主编程的私人 AI 智能体,而非依赖大型科技公司算法。
特朗普签署行政令将政府用语从“人工智能”改为“超级智能”,此举引发合规争议。 联邦机构文件已替换术语,但国土安全部等仍在混用旧称;仅少数科技巨头采纳新词,多数高管仍使用“AI”。 官方要求本月内立法定义新术语,改名被视为政治站队的标志。
OpenAI 正与 Cathedral Systems 合作准备下一轮内部安全冲刺,旨在通过 AI 测试并强化其防御体系。 该计划聚焦于利用人工智能技术提升安全能力,属于 OpenAI 内部安全工作的组成部分。
爱诗科技(AIsphere)旗下 PixVerse 与 OpenAI 开启深度合作,首次推出“从提示词到成片”教育计划,并通过深度产品集成打通策划、生成与制作环节。
MIT 团队展示 GPT-6 Astra 可直接读取并编辑小模型权重,无需梯度下降即可提升性能。实验中 Astra 修改 Qwen3.5-0.8B 仅 0.016% 的权重,使其 MATH-500 得分从 7.9% 升至 48.1%,数学能力提升约 6 倍;在 MinAtar 实验中,Astra 从零生成的网络得分超 PPO 基线 20 倍。
OpenAI 宣布计划与 Cathedral Systems 合作启动内部安全冲刺,利用 AI 模型发现并修复系统弱点。OpenAI 正在提高漏洞赏金奖励,严重漏洞的最高赏金提升至 172,000 美元(含奖金)。
推荐理由:提供了OpenAI与Cathedral Systems合作进行内部安全冲刺的计划,以及提升漏洞赏金至172,000美元的具体信息。
summary_zh: Google 将实验性 AI 应用 Dreambeans 扩展至印度,这是其在美国以外的首个市场。该应用利用 Calendar、Gemini 等连接服务主动生成个性化视觉故事,并新增 Veo 视频生成功能。
一篇预印本将Claude Opus 5.5和GPT-6.1 Sol置于经典经济学博弈中,发现这两类最大利润智能体在面对可重谈判期权时选择拒绝投资,这与2011年人类在同类实验中投资意愿升至67.2%的结果形成鲜明对比。
OpenAI 聘请美国前陆军部长丹尼尔·德里斯科尔担任国家安全与现代化事务高级顾问,以推动 AI 在国家安全与网络领域的应用。德里斯科尔将与政府、学术界及产业界合作,促进符合民主原则的 AI 技术发展,并辅助 OpenAI 提升其在公共与私营部门的安全能力。
苹果CEO John Ternus表示Siri每天处理超过25亿次请求。Siri AI和照片编辑等服务器端AI功能设有每日使用上限,用户想要更频繁使用将通过iCloud+付费。新版Siri已随iOS 27于9月起逐步推出,可结合个人上下文理解更复杂问题、跨应用执行操作,并检索信息、邮件和照片;目前仍处于测试阶段,符合条件的用户需加入等候名单。
Sam Altman 在 ADIPEC 2026 大会上透露,OpenAI 此前宣布的纳维-斯托克斯数学突破由 1 万个 Agent 完成,该系统无层级结构且完全去中心化。
推荐理由:Altman 首次确认千禧难题由 1 万个 Agent 协同攻克,并以此作为下一代 GPT 发布的明确前奏,揭示了去中心化大规模协作在 AI 科研中的可行性与成本轨迹。