跳到正文
10月14日周三
  1. Seven Minute Feed60

    流传的Yandex袭击导致机器人流量减少的说法依赖AI生成的图表

    流传的Yandex袭击导致俄罗斯机器人流量减少的说法依赖AI生成的图表。尽管泽连斯基表示无人机袭击让社交平台变得更平静,但机器人追踪者称水军活动保持稳定,且MAGA和AfD账号的互动量在袭击后有所上升。此次袭击影响了Yandex的网络爬虫而非其政治传播功能,声称机器人活动减少的图表疑似由AI生成。

  2. Seven Minute Feed65

    Google将Antigravity整合至macOS版Gemini应用

    Google在Gemini 4 Argon更新中将Antigravity开发平台直接集成到macOS版Gemini应用,用户在界面右上角可直接调用其完整功能以创建应用和Web体验。同时应用更新了“Chat”与“Task”切换器、导航栏和@提及Skills的交互方式,但完整使用Gemini 4 Argon需AI Pro及以上订阅,Antigravity则需AI Ultra。

  3. Wired81

    Tech Against Terrorism 报告揭示 AI 模型易被改造协助恐怖活动

    英国非营利组织 Tech Against Terrorism 发布的最新反恐 AI 基准报告指出,开源权重模型的护栏可在 3 天内被移除并广泛传播。报告测试了包括 OpenAI、xAI、Anthropic、Meta、Google 和阿里巴巴等公司的 134 个模型,发现大多数模型在应对恐怖主义相关提示时表现不佳,其中仅 2 个模型完全通过测试。

    推荐理由:报告量化了去护栏模型的危险程度与传播速度,并对比了主流模型在极端提问下的失败率,为安全评估提供了具体基准。

  4. 36氪94

    谷歌 Gemini 4 Argon 发布,主打通用物理推理与视频生成能力

    谷歌发布通用物理推理模型 Gemini 4 Argon,主打物理直觉与视觉空间推理,可生成代码和仿真场景,在文本、逻辑能力上对标 GPT-6 Astra 和 Claude Opus 5.5。实测显示 Argon 具备较强的 3D 生成和物理投掷推理能力,但在真实工程代码表现和 UI 交互上仍有短板,且仅限 Ultra 用户完整使用。

    推荐理由:实测展示了Gemini 4 Argon在物理推理、3D生成上的突破,以及在真实代码与UI体验上暴露的短板。

  5. 智东西83

    谷歌Gemini 4 Argon全球上线,API限时五折

    谷歌宣布其旗舰模型Gemini 4 Argon全球开放,开发者可通过API使用该模型。限时五折促销中,输入token价格为每百万2美元,输出token价格为每百万10美元,优惠持续至11月30日。谷歌展示了Argon在硬件设计、游戏开发等场景中的应用,例如利用MCP调用Blender制作动画,以及处理火星气象数据。

  6. arXiv · NLP33

    LLM 推荐系统中的品牌偏见与认知操纵动态:以护肤品为例

    在护肤品这一难以事前判断质量的品类中,知名品在规格相同时可占据 100% 的 LLM 推荐份额,但竞对仅需 +0.1 星优势即可打破该垄断。 营销话术及伪造临床证据可将偏见盈余推高 +0.17 星;多品牌均优化时,单家收益从 +0.802 跌至 +0.007,不参与品牌零推荐。 提示需将生成式引擎优化(GEO)视为新兴营销实践来研究。

  7. arXiv · NLP26

    AfriEconQA:面向世界银行经济报告定量与时间推理的基准

    AfriEconQA 基于 204 份世界银行非洲经济报告构建,包含 4,138 个带证据关联的 QA 实例,覆盖 5 类推理任务,重点测试长文档中的定量提取与时间精度。 评估涵盖 Qwen 3.6 35B、DeepSeek v4-pro 等 4 个模型,在检索增强生成(RAG)条件下最佳系统 F1 分数仅 0.594,错误主要集中于列表提取、合成及跨期比较。

  8. arXiv · NLP23

    人类与大语言模型中比喻性语言的表征相似性对齐

    研究表明人类与 GPT-4 等大语言模型在字面理解上高度对齐,但在习语和 Z 世代俚语等深层表征上存在显著差异。研究对比了 4 个模型对 240 个句子在 6 种语言特征上的评分,发现 GPT-4 与人类对齐度最高。 使用 Gemma 系列模型测试发现,模型规模的增加并未显著改变其表征相似性模式。

  9. arXiv · ML36

    LLM 评估是一个预测问题

    研究发现 Web 文本具有高度非平稳性,模型性能随时间连续变化,时间序列预测器比历史性能数据更能准确预测 LLM 未来表现。 基于近期评估数据的预测结果选择部署模型,比直接依赖历史性能指标更可靠,从而提升了下游任务的准确性。 作者主张在 LLM 评估中将时间视为基本变量,并开放了相关代码和数据。

  10. arXiv · AI41

    基于可验证信息奖励训练多智能体协作 LLM:引入 CoSIR 方法

    研究人员提出 CoSIR,一种基于惊讶度信息奖励的后训练方法,通过可验证环境提升 LLM 多智能体协作能力。 该方法对 Qwen3-4B、Qwen3-8B 和 Gemma-3-4B-it 进行自博弈后训练,在七个未见自然语言协作任务中取得最高综合得分,且通用任务表现保持竞争力。 行为分析显示模型更频繁披露私有证据,并减少了对队友输入的忽视,验证了该方法在复杂未知任务上的泛化潜力。

  11. arXiv · NLP29

    RelLedger:面向 LLM 智能体组织的关联性信息治理

    RelLedger 提出一种审计框架,用于追踪 LLM 智能体组织中的关系驱动决策。该框架通过交叉比对发送方历史、事件目标及无关行为者,定位控制线索。 在 GPT、Claude 等模型测试中,Claude 在冲突历史下发送通知概率高出 62.22 个百分点;紧张历史使接收方审查率降低 45.83 点。 该研究揭示了模型特异性控制路径,并验证了显性损失规则下关系差距缩小的现象。

  12. arXiv · NLP42

    生成式引擎优化(GEO)研究:内容、检索与模型知识如何驱动 AI 引用

    针对 158,099 条答案与 468,037 个引用的分析表明,生成式引擎的检索机制比页面属性更能解释引用差异。 引擎搜索检索解释 32% 的引用变异,而页面属性仅占 2.8%。内容主要通过匹配引擎重写的查询语义起作用,而非 FAQ 等结构化元素。 研究在小型 B2B 市场复现了相关发现,并公开了数据与代码。

  13. arXiv · AI41

    mini-Lean-agent:Lean 定理证明编码 Agent 基线

    研究团队推出极简编码 Agent mini-Lean-agent,证明通用 Shell 交互足以胜任 Lean 定理证明任务。 以 Gemini 3.8 Flash 为基座,该 Agent 在 Putnam 2025 基准中解决 7/12 题,成本 $2/题。 作为标准基线,其结果挑战专用工具栈的必要性,推动评估方法向通用 Agent 范式靠拢。

  14. arXiv · ML24

    LeHami:利用辛动力学改进JEPA世界模型的长程预测

    研究者提出 Symplectic Hamiltonian JEPA (LeHami),通过在结构化潜在空间中应用动作条件哈密顿流,解决了传统 JEPA 长程生成时潜在分布收缩问题。 该方法采用精确辛跃蛙积分步长,严格保持相空间体积,避免了潜在状态合并,并支持未见过步长下的精确积分。 在保守和受控摆环境中,LeHami 显著提升了长程速度预测性能,为潜在世界模型提供了新的推理时几何保证。

  15. arXiv · AI56

    Google Earth AI 地理空间推理Agent:能力与系统评估

    Google Earth AI 发布了一款由 Gemini 驱动的地理空间推理Agent(GRA),该系统结合多源地理数据与模块化技能以回答地球相关问题。论文引入了 GeoExpertQueries 和 GeoKTools 两个新基准,并在 Gemini 3.1 Pro 和 3.8 Flash 上对比了不同配置,发现 GRA 的规划与执行引导能在降低推理成本的同时提升对复杂开放式问题的解决能力。

  16. arXiv · AI52

    arXiv 论文:无约束 CTI-REALM 下开源权重模型性能评估

    一项新研究在移除消息数限制的 CTI-REALM 基准测试中发现,开源权重模型在将威胁情报转化为检测规则的任务中表现优于部分闭源模型。评估涵盖 26 个模型,结果显示在解除限制后,开源模型的奖励分数最高,且不同模型在任务不同阶段表现各异,建议根据阶段路由而非单一总分选择模型。

  17. IT之家83

    苹果 iPhone 15 Pro 及后续机型国行备案:接入 Apple 智能与通义千问

    苹果 iPhone 15 Pro/Pro Max、iPhone Air 及 iPhone Duo 等机型在 9 月 29 日完成国行备案换证,新增 Apple 智能、通义万相及通义千问的大模型备案编号。阿里确认千问将作为 AI 能力集成至 Apple 智能,为 iOS 及 macOS 等系统中国用户提供无需切换应用的文本理解与内容生成体验,这意味着国行版 iPhone 的 AI 功能有望加速上线。