SpanUQ 提出 Span-Level 不确定性估计任务,单次前向传播实现细粒度定位
Amazon 团队提出 SpanUQ 方法,定义 SLUE 任务以解决 LLM 生成文本中语义片段的不确定性估计问题。该方法利用 25M 参数轻量级 Probe 和 DETR-Style 解码器,通过单次前向传播实现 0.910 F1 的片段检测精度。
Amazon 团队提出 SpanUQ 方法,定义 SLUE 任务以解决 LLM 生成文本中语义片段的不确定性估计问题。该方法利用 25M 参数轻量级 Probe 和 DETR-Style 解码器,通过单次前向传播实现 0.910 F1 的片段检测精度。
田渊栋参与创立的新公司 Recursive 发布了首个模型 Flint,这是一款总参数量 400 亿、每生成一个 Token 激活 25 亿参数的 MoE 模型,由自研自动化系统 Eureka Machine 全程参与研发,从零构建耗时不到 4 个月。
推荐理由:田渊栋新公司Recursive发布本地编程模型Flint,展示了AI全流程自动化造模型的可行性与速度优势。
Nutrient 发布了一款专为文档任务调优的决策模型,该模型同时接收页面图像和文本输入,以选择和置信度分数代替生成式文本作为响应。相较于通用 LLM,该模型单次响应延迟约为 200ms,显著降低延迟和成本,同时在合并 PDF 拆分任务上达到了 96.2% F1 的基准成绩。
Hugging Face 周四发布了名为 Carbon-X 的开源生物模型,该模型允许用户在笔记本电脑上本地运行,通过自然语言询问 DNA 变化对基因活动和健康的影响。
推荐理由:这款开源模型让非技术人员能用自然语言查询DNA序列对基因活动的影响,且可本地运行以保护数据隐私。
蚂蚁集团联合 vLLM 社区开源量化推理算子库 Humming,旨在解决大模型量化部署中的显存与性能瓶颈。 Humming 支持多种 GPU 及 WnA16、W4A8 等量化组合,实测性能优于 Marlin 等方案;其 wheel 包仅 500 KB,已集成至 vLLM 0.29.0 版本。 该库通过统一架构降低内核维护成本,提升低比特权重在实际推理中的吞吐效率。
米哈游崩坏 AI 研发团队联合清华大学、北京大学、中国科学院大学、香港大学、新加坡国立大学等机构开源 GameScaling 系列游戏模型,基于 Qwen3.5 视觉语言模型继续预训练,共发布 0.8B、2B、9B 和 27B 四个参数规模、每个规模 2 个版本共 8 个模型检查点。
Evergreen CEO 构建并开源了 Git 维基 Folio,完全由 AI agent 开发,已支持团队在自有服务器部署。 Folio 旨在解决 Confluence 作为单点故障的风险,允许用户自行审查 AI agent 行为而非代码。
IBM Granite 发布 Granite Timeseries Ensemble R1,结合 4 种预训练模型架构提供无需再训练的集成预测接口。该方案支持概率分布输出,GIFT-Eval 基准测试显示集成预测在 MASE 指标上优于单个组件模型。
中国电信人工智能科技有限公司星辰通用人工智能实验室正式开源意图理解专用模型 Xing4.0-29B-Intent,同步开放 275.3 万条训练语料、模型权重与推理镜像。该模型将意图识别与参数抽取结合,输出平均几十个 token,完整结果响应时延可达百毫秒级,在内部评测中总分 58 分高于参评通用模型最高分 49 分,已在电信万号客服和智能家居音箱中应用。
AW-1 是一款零依赖 Python 安全熔断器,在亚毫秒级延迟内拦截 AI Agent 的工具调用。 v2.1.0 版本经 10,000 并发任务压力测试验证,吞吐量达 8,485 dispatches/sec,P50 中位延迟为 0.0776 ms。 它通过 MCP 协议集成 Claude Desktop 或 Cursor,支持 Apache 2.0 许可,开发者沙箱免费。
TenseMem 发布了一个嵌入式的确定性内存系统,专为 AI 智能体设计,支持基于 SQLite 的单文件存储。系统采用“模型提议类型化事实,引擎决定当前状态”的机制,确保每个记忆槽位仅保留一个当前值,并通过历史追踪和新鲜度报告防止过时信息污染。在 TenseBench 基准测试中,TenseMem 实现了 100% 的当前状态准确率和 0% 的过时事实泄漏率,优于直接拼接或重叠检索方法。
Nemotron-Personas 数据集及 NeMo User Sim 支持多语言模拟评估。波兰部署 DGX BasePOD 辅助医疗影像分析。 该方案旨在保留数据主权,提升公共行政效率。
欧洲多家机构部署 NVIDIA Earth-2 开放模型,用于实际天气与气候预测。StormScope EU 模型基于欧洲气象数据训练,利用卫星观测以 10 分钟间隔预测 16 个 Meteosat 频道的云况演变。
NVIDIA 扩展 Cosmos 平台,新增训练工具、仿真检查点和 Cosmos Data Factory 蓝图,帮助开发者构建物理 AI 世界模型。
推荐理由:平台开放了新模块和性能数据,读者可以据此判断世界模型训练与部署链路的变化。
针对扩散语言模型迭代生成中的安全漏洞,提出结合自适应引导与重掩码的推理时防御框架。 利用门控方向动态调整引导强度,并在首个生成块后通过轻量检测器触发针对性重掩码。 在 LLaDA 和 Dream 模型实验表明,该方法提升对越狱攻击的鲁棒性,同时保持良性生成质量。
TenetBench 构建包含 3,433 个请求的语料库,对比十四种模型组合。 结果显示,14 个模型中 11 个常生成违规内容且少警告;启用推理使两个模型拒绝对半。该数据集有助于诊断特定职业规范遵从性。
研究团队发布 MADARTB,这是首个覆盖贝鲁特、开罗等五个城市方言的大型平行依存树库。 该树库共包含 5000 个句子,采用 CATiB 依存方案进行标注,扩展了现有的现代标准阿拉伯语平行版本。 使用监督解析器在测试集上实现了 87.5% 的 LAS 得分,表现优于最佳大语言模型设置的 85.7%。
提出 Lift-Bench 与 Lift-Train,通过范围化约束缓解浅层奖励黑客。 Lift-Bench 包含可验证和判断约束,实验显示前沿模型在难子集表现不佳。 该基准和训练集数据生成管道已公开。
GLUScope 是一款面向 Transformer 语言模型的可解释性开源工具,专门分析 SwiGLU 等标准激活函数中的神经元。 该工具能展示神经元 gate 和 in 激活的四种符号组合(activation quadrants)及其对应的文本示例和出现频率,帮助发现其他工具可能遗漏的可解释行为。 GLUScope 已开放代码库,允许研究人员扩展模型、语料库或神经元页面以构建新功能。
AgiBot World平台涵盖217项任务逾100万条轨迹,引入通用策略Genie Operator-1实现机器人操作性能提升。 数据集支持灵巧手与视触觉传感器扩展,GO-1策略在复杂任务成功率超60%,较RDT高32%。 开源数据集、工具与模型,旨在推动大规模高质量机器人数据普惠。
AlignGemini 通过正交监督解耦(Align, Don't Blend)解决 AIGI 检测泛化难题,在五个真实场景中提升 9.5%。 该方法让 VLM 仅接收语义监督,视觉专家仅接收伪影监督,无需复杂训练策略即可基于两个生成器实现跨生成器泛化。 研究同时引入覆盖八个当代生成器的诊断基准 AIGI-Now,以支持细粒度的检测能力评估。
InfoQuant 提出一种免训练方法,通过峰值抑制正交变换(PSOT)重塑 LLM 激活分布,使低比特量化更友好。 该方法引入自适应离群 token 选择以增强鲁棒性。在 W4A4KV4 配置下,平均保留 97% 浮点精度,并较 SOTA 减少 LLaMA-2 13B 性能差距 42%。
研究指出 VAE 与对抗训练常导致潜在空间特征纠缠,并提出 WAE-MMD 方法利用最大均值差异直接塑造聚合后验分布。 该方法引入无监督指标 LPS 量化纠缠程度,实现了比领先基线减少 70% 的纠缠,并支持半监督对齐及量化感知训练。 论文已被 SDM 2026 接受,提供了在保持重构质量前提下精确控制先验分布的编程能力。
该研究提出一种多标签跨语言情感分析框架,采用动态加权方法和优化后的 Focal Loss 解决标签不平衡问题。 模型在 100 种语言上实现情感分析,并在 3 种语言的 9 项指标中有 7 项取得 SOTA 性能。 代码已公开,支持多语言情感分析任务。
引入 InterModel Vigorish (IMV) 以量化模型相对参考模型的预期投注优势,解释概率拟合变化。 通过 SHAP-IMV、Multi-IMV 和 Ablate-IMV 分析特征与架构组件,在表格、图像、传感器序列及图数据上评估。 开源 imvpy 库及配套 Notebook 提供代码以复现研究并广泛应用 IMV。
RangeNav是一款仅有183k参数的LiDAR距离图编码器,完全基于合成数据预训练,用于机器人导航策略学习。 它采用各向异性卷积和循环填充处理距离图,预训练目标融合范围重建、语义分割和BEV预测。
研究团队发布 TNODEV,这是首个集成证伪检查器、基于连续时间混合单调性的快速区间可达性后端及验证细化循环的形式化验证器。 工具支持对纯神经 ODE、与神经网络控制器闭环连接的神经 ODE 以及通用神经 ODE(GNODE)进行安全集包含验证,安全集可通过区间或目标分类标签诱导的半空间交来表示。
提出名为 FactReview 的框架,通过执行代码验证论文实证声明。 在 300 篇论文测试中,它在 7 项指标中的 5 项排名最高,分类准确率 79.2%,误支持率 6.8%。 协助审稿人每篇发现 9.4 个问题,耗时减少 74.1%。
提出无代际异步近似贝叶斯计算采样器,通过流式更新提案分布消除同步屏障,提升异构模拟器负载吞吐。 在 Cellular Potts 组织模拟器实验中,该异步采样器每小时完成 2.1-2.4 倍于 pyABC 基线的评价次数,且最佳 100 次评估的差异阈值缩小 4.1 倍。 方法在保持后验估计校准良好的同时,实现了比同步基线更高效的后验分布估计与更大有效样本量。
该研究提出一种在线证书方法,利用启发式求解器已维护的累积遗憾值终端分布,验证一般和博弈迭代解接近 N ash 均衡的质量,无需额外计算最佳反应。 证书成本随终端历史数线性增长,适用于双人对局及三人以上博弈,且兼容交替更新策略。在 64 实例的 Leduc 测试集上,使用 16 个无训练后悔匹配求解器组合,认证成功率达到 89% 至 92%,证实了方法的有效性。
DriveMLP 采用专家引导的强化学习(EGRL)训练策略,在 nuPlan Val14 Reactive 基准上得分 86.51,较此前最佳模仿学习规划器 Flow Planner 提升 3.2 分,且推理速度提高 15 倍以上。 该轻量级 MLP 策略证明训练程序而非模型规模是性能增益的关键,代码已开源,相关成果已被 2026 年机器人学习会议(CoRL)接收。
研究人员提出一种基于 BRICS 分解的片段级图编码方法,将分子表示为具有合成意义的片段,使得任何消息传递图神经网络(GNN)都能在功能团层级生成解释。 在四个架构、四个预测任务和两种解释器上,该方法在测试精度匹配原子级别的同时,图规模缩小约 5 倍。 Integrated-Gradients 归因在 BACE 和 PTR1 两个酶靶点上以 1.5 倍和 3.2 倍的基准率恢复已知药效团。
提出即插即用框架 SRCD,在 CAM 空间聚合头类候选生成抗捷径教师,蒸馏至尾类,长尾基准测试中持续改进强基线。 基于连贯性和集中度的能量模型加权机制,从理论上量化并抑制尾类对捷径的依赖,代码已开源。 被 ICML 2026 接收。
VerifierBench 基准测试显示,19 个模型在生成可执行验证器时归一化平衡准确率介于 10.6 至 62.1 之间。该基准包含 222 个任务及 4,993 个隐藏测试用例,验证器更可靠地拒绝无效解,但常因过度限制导致有效解被拒。
Sanko 作为并行深度优先证明号数求解器,通过证明转移定理,恢复了被位置超劫(PSK)破坏的求解工具,使围棋求解更具可行性。 该求解器在六线程上 16 分钟完成 5x5 围棋求解,此前前沿水平需 5.25 小时;并确立了 23 个棋盘的首个 PSK 数值。 源码及每次运行的命令行和结果已开放发布,确保所有数值和测量指标均可被复现。
研究者提出部署感知算法 ArcFlow,通过在指定范围内训练单一流策略,支持多种推理成本。 该算法结合动作对齐监督与预算暴露机制,并基于最差预算检查点进行选择,在 30 个任务中的 25 个任务上取得单步回报最高值。 此方法确立了部署预算感知训练路线,使单一策略可服务多种推理成本。
summary_zh: D-Skill 框架将教师模型的行为优势蒸馏为可解释的自然语言技能文档,使小模型在推理时加载该文档以提升性能。 该方法离线分析配对轨迹生成技能,无需更新权重或额外交互;在 SpreadsheetBench-Verified、ALFWorld 和围棋谜题上填补了 75%-95% 的教师-学生能力差距。
SpanCalib-VLM 采用混合双系统架构,结合多模态序列标记器与微调生成式 VLM(Qwen3.5-4B-SHROOM-SFT),通过联合校准融合策略提升幻觉跨度检测的准确性与置信度校准。
该研究提出了一种通过 40 个单词答案识别语言模型的方法,在 94 个模型的测试中,准确率达到 92.5%。 具体实现上,该方法基于模型对 40 个日常问题的回答频率构建指纹,利用 OpenRouter 进行盲测成功识别出 DeepInfra 提供的 10 个模型,并发现部分模型存在系统提示干扰计费问题。
研究者推出 SHAM-Bench 统一基准,涵盖 6 类 NLG 任务共 6,461 个标注样本。 评估发现微调检测器在分布偏移下性能衰退,推理提示方法跨任务更鲁棒。 数据集、代码及公开排行榜已发布,支持未来广谱幻觉检测研究。