跳到正文
11月11日周三
  1. arXiv · ML41

    NeurIPS 2026 论文 sTCL 实现神经算子实时导数感知训练

    sTCL 提出一种实时导数感知训练目标,利用随机草图输入扰动直接从 PDE 残差执行敏感性一致性约束,无需离线切向标签或架构修改。 方法引入轻量级算子感知损失条件机制,解决了刚性、病态或不定切向算子导致的残差惩罚失效问题。 在 Helmholtz、Navier-Stokes 等 PDE 上,sTCL 取得与离线 DIFNO 相当的解和 Jacobian 精度,消除了离线数据生成与存储流程。

  2. arXiv · ML36

    如何在AI分析中分配人工监督

    针对任务级不确定性未知的场景,研究提出了一种联合学习校正系数与难度的置信区间策略,用于优化共享人工验证预算分配。 在包含68项任务及2000余名受访者的数字孪生实验中,该方法在实现均匀分配同等估算误差的同时,分别减少了22.7%和4.5%的人工标签获取成本。 该结构可扩展至向量决策模型,强调AI的价值不仅依赖模型精度,更取决于将人工监督精准导向关键区域的操作策略。

  3. arXiv · ML42

    企业分析智能体评估框架对比研究:稳定性、检测与发现

    三项评估框架在企业分析智能体上的对比研究显示,97%的配置满足稳定性阈值,trace-based框架在72个已知风险用例中取得最佳F1=0.90。 text-only评估虽召回率相同但误报增加5倍,功能测试与红队测试发现的24个新型失败零重叠。 建议采用trace-based评估与对抗性红队测试相结合的双框架策略。

  4. arXiv · ML26

    ReTrace:将工具使用智能体蒸馏为无规划器工作流

    ReTrace 将 SOP 与日志记录转化为由代码而非 LLM 选择下一步的可复用工作流,解决 LLM 智能体在高并发场景下的延迟与成本问题。 在生产环境的 79 个流程中,ReTrace 达到 93.8% 的完成率,较智能体低 24% 的任务成本;在 τ²-Bench 上,其任务成功率为 75.8%,运行时间从 170 秒缩短至 1.3 秒。

  5. arXiv · ML30

    CAGE 4 分数审计:重放两个参考防御者并揭示模拟器与评测表的缺陷

    CAGE 4 基准的两个参考防御者 KEEP 与 H-MARL Expert 存在严重评测缺陷。关闭模拟器忙标志检查导致 KEEP 单局损失 99.58 分,H-MARL 损失 145.98 分。 评测未对策略播种,88.9% 的每局结果方差源于策略自身采样。作者发布补丁、完整 trace 及五项披露清单,以修复基准可信度。

  6. arXiv · ML23

    Synapse-Control:通过轻量级运行时控制让智能体经验可操作化

    Synapse-Control 是一个智能体运行时,其轻量级控制平面用于筛选并决定何时将建议发送给任务执行模型。 该系统使用经微调的 1.7B 分类器替代生成式诊断,通过短名单规则和微契约进行筛选。 在 AppWorld 和 WebShop 测试中,每方法 1,308 次尝试下实现 270 次成功,比 Base 多 29.8%,并将辅助控制时间减少 50.2% 和 51.0%。

  7. arXiv · ML21

    MediPFN:用于因果中介分析的快速不确定性量化框架

    summary_zh: MediPFN 提出一种摊销推断框架,结合预训练表格基础模型与交叉拟合影响函数估计器,用于因果中介分析的不确定性量化。 该框架通过量化学习、对称化和独立校准生成置信区间,在实验中实现了比 bootstrap 快 59.1 倍的计算速度,且覆盖率更接近名义水平。

  8. arXiv · ML36

    研究揭示 VLA 模型性能主要依赖 kNN 检索而非泛化能力

    VLA 模型在 LIBERO 仿真基准中成功率超 95%,但研究表明检索邻近演示的动作块无需策略训练即可达到 91.7% 成功率。 kNN 检索在 LIBERO-Plus 扰动下性能下降最小,且微调主要优化视觉语言骨干作为检索键,而非提升动作泛化。 研究提出离线指标 Local Action Consistency (LAC),用于衡量观测一致性并指导检索键训练,代码与评估已公开。

  9. arXiv · ML31

    内在动机构建世界模型:24 种目标与表示学习的整合研究

    研究整合 24 种内在动机目标(含好奇心、熵、能力维度)至模型基强化学习框架,通过零样本、少样本及多任务控制评估世界模型质量。 对比观察重建、潜在预测等 3 种表示策略发现,好奇心驱动探索结合观察重建表现最强,但最佳组合依实验而定;在组合视觉任务中,基于 episodic 和 lifelong novelty 的内在动机配合通用循环状态,实现了最优的零样本迁移与少样本适应。

  10. arXiv · ML29

    AutoScaffold:用于大语言模型强化学习的 AI 引导式支架方法

    框架 AutoScaffold 将强化学习可验证奖励训练中的学生经验转化为自适应支架,无需人工干预。 该框架通过冻结的教师模型诊断瓶颈并设计共享策略与个别提示,在四种任务域中优于对应强化学习基线。 在 ALFWorld 任务成功率提升 7.2 分,数学推理中用约三分之一的学生训练步数超过 QuestA 的准确率。

  11. arXiv · ML50

    Continual-ARC:衡量工作生命周期的技能获取基准

    提出 Continual-ARC 终身流基准,用于统一评估基于记忆与权重的持续学习系统。该基准基于 ARC-AGI 任务流,允许重试并计费反馈预算,测试冻结模型的记忆与泛化能力。 实验显示,Qwen3.5-9B 和 GLM-5.3 Flash 的 Agent harness 在未见任务上无增益,而权重学习表现显著更好。

  12. arXiv · ML46

    MMDM: 衡量大规模多任务决策

    MMDM 是包含 5,448 道题目、涵盖 16 个任务类别的大规模多任务决策基准。它支持单选、多选及软标签,选项空间 2 至 1,024,输入最长 64,817 tokens。 评估 28 个决策模型发现,多数模型在普通知识上表现良好,但在选项逻辑与约束规划上表现较差。 MMDM 为联合推理、约束感知选择及完整多选恢复等决策模型关键方向提供了测试平台。

  13. arXiv · ML33

    基于同策略蒸馏解锁预训练文件操作在长程编码智能体记忆后训练中的潜力

    研究提出CAMP-II框架,通过同策略蒸馏训练单一策略学习基于文件的记忆行为,在CAMG-II基准中性能增益达最强基线的2.97倍。 CAMP-II结合完全异步OPD,从具有文件操作先验的冻结教师模型中学习,该记忆行为可泛化至Terminal-Bench 2.1和SWE-Bench Pro V2等外部基准并提升成功率。

  14. arXiv · ML37

    BioXArena-Pro:面向自主生物医学机器学习智能体的研究级评测基准

    BioXArena-Pro 提出 64 项研究级生物医学建模任务,覆盖 8 个领域,多数任务保留整体生物学单元。 测试 22 种智能体配置,最佳得分 55.1/100,框架重要性几乎等同于模型;禁用预训练基础模型使最高分下降 9 分。 该基准旨在检验智能体在未见数据上的适应能力,解决现有评测饱和与信息泄露问题。

  15. arXiv · ML31

    Transformer 组合泛化评估:组合等价与模块覆盖率的作用

    系统评估表明,Transformer 组合泛化性能受组合等价和模块覆盖率强烈影响。直接模型主要利用组合等价获得高分,消除等价后性能显著下降。 模块覆盖率偏移会导致直接模型和分步模型性能单调下降。基准中存在的组合等价可能导致对直接模型泛化能力的显著高估。 以 LiveCodeBench 为例,展示了组合等价对预训练模型 Llama3-8B 在代码输出预测任务中泛化表现的影响。

  16. arXiv · ML23

    Symbolic Imitation Learning 框架:通过离线演示与在线调优提升符号策略的模仿能力

    研究提出 Symbolic Imitation Learning 框架,通过离线数据将 oracle 策略蒸馏为包含线性模型运动原语的决策列表。 该框架结合在线 Augmented-Random Search 调优常数与运动原语,在 20 个基准强化学习任务中匹配 oracle 性能,并在 11 项任务中超越 oracle,同时生成了更具可解释性的策略。

  17. Hugging Face Blog68

    Tether AI 发布 BotPsy:0.8B 参数端侧智能体模型

    Tether AI 发布 BotPsy,一款基于 Qwen3.5-0.8B 构建的 0.8B 参数端侧智能体模型,采用 Apache 2.0 协议开源。通过在 BFCL v4 等六项工具调用基准上取得领先成绩(平均 45.0 分),并在推理 token 效率上较基座模型提升约 3 倍,该模型在低中难度任务场景中展现出优于 1.2B 以下规模模型的表现力。

    推荐理由:0.8B 端侧模型通过蒸馏与两轮 RL 训练,在工具调用和多轮 Agent 基准上超越 2.5 倍参数量的模型,展示了小参数智能体路径。

  18. Hacker News AI40

    如何用 Retroid Pocket 5 掌机控制 AI 智能体

    作者利用约 $250 的 Retroid Pocket 5 掌机配合 GMKtec G10 迷你 PC 远程控制个人 AI 智能体。该 Android 设备通过 Termius 和 Tailscale 连接后端,搭配 13 英寸外接屏幕与便携键盘,可在长途旅行中作为第二显示器使用。作者认为此方案比购买专用平板或双笔记本电脑更轻便且成本更低。

  19. 36氪90

    谷歌最强模型 Gemini 4 Carbon 全球解禁

    谷歌旗舰模型 Gemini 4 Carbon 正式面向全球开放,用户可通过 API、AI Studio 等渠道体验。该模型在 GraphWalks、CursorBench 4.0 等评测中跑出了前列成绩。实测表明,其多Agent蜂群模式配合 AlphaProof Code 框架在生成代码与工程还原方面显著降本。

    同一新闻,精选展示《Google DeepMind 发布 Gemini 4 Carbon 模型》

  20. IT之家62

    SpaceX 锁定 100GW 太阳能电池设备产能以加速 Starmind 卫星生产

    SpaceX 与德国太阳能电池设备制造商 SINGULUS 签署供应合同,引进 HJT 太阳能电池生产线,用于加速 Starmind 太空人工智能计算卫星的生产。双方计划支持超过 100 吉瓦 GW 的设备产能,该规模约相当于 4.4 座三峡电站的总装机容量;首条生产线计划于 2027 年上半年交付。Starmind 的首款公开设计名为 AI1。

  21. R/ArtificialInteligence26

    Fable 5.2 展现构建操作系统及解决复杂化学问题的能力,引发 AI 全面重塑行业与就业结构的担忧

    体验 Fable 5.2 后,其构建独立操作系统、设计设备原理及解决复杂化学问题的能力令人震惊。 该模型展现出超越代码开发的广泛能力,甚至可解释硬件机制,远超当前软件工程师替代的讨论范畴。 AI 可能大幅削减管理、HR、营销等各行各业的人力需求,使原本 10 人团队的工作量压缩至 2 人完成,引发行业结构剧变。

  22. Hacker News AI61

    如何成为一名优秀的铁匠:汽车普及史给AI与职业选择的启示

    作者以早期汽车普及史类比AI浪潮,指出在马车时代,随着福特T型车价格下降,赶马车夫、马夫等传统马匹相关工作在二十年内急剧萎缩。与当时试图通过立法禁止汽车不同,部分马车夫转而学习驾驶卡车获得了新生,而技术替代最终淘汰的是平庸从业者而非行业本身。

  23. Hacker News AI78

    Restless 发布 AI 智能体办公平台

    Restless 发布了一款让 AI 智能体组成团队执行公司日常任务的平台,人类负责创意和最终决策。作者演示了名为 Lantern Studio 的示例公司,其中多个智能体协作完成游戏开发任务,如构建、测试和市场研究,人类只需处理少量关键审批。该平台支持开源部署,也可使用 Codex 或 Claude Code 等模型,提供从免费自托管到每月 149 美元的五种定价方案。

    推荐理由:原文展示了智能体团队如何分工处理常规任务并保留人类决策权,提供了可迁移的组织设计方法。

  24. 36氪78

    22岁非科班开发者打造DeepSeek Harness移动端应用爆红

    吉林大学大四学生小C开发的DSH移动端应用dsh-Go上线三小时Star破1k,目前达到1.8万,成为爆款。小C坦言自己没有AI该项目可能运行不起来,其认为未来个人开发者最重要的能力是抓需求和品味,建议非专业者通过干中学用好AI。

    推荐理由:通过22岁非科班开发者深度复盘,拆解了DSH移动端社区爆款爆火背后的生态逻辑与个人抓需求核心方法。