跳到正文
11月19日周四
  1. arXiv · NLP35

    AnyS1:任意 Agent 工作流中通用 System-1 决策框架

    研究提出 AnyS1 框架,利用人类编写的程序化技能将决策点转化为通用源,训练出单个校准的 4B pointer System-1 模型。该框架在运行时以单次前向传播解决常规决策,并在置信度低于阈值时回退至 System-2 大模型。 在三个未见过的 benchmark 测试中,AnyS1 将 episode 成本降低 75%-91%,模型调用时间减少 63%-92%,同时保持任务可靠性。

  2. arXiv · NLP35

    Safe Personal RSI:评估与修复个人 Agent 的指令更新

    针对个人健康助手 Kicker 的指令更新,Safe Personal RSI 在 21 次更新尝试中拒绝了 20 次。 修复确认显示 GPT-5.6 Luna 将攻击违规率从 10.7% 降至 0%,Qwen2.5-7B-Instruct 至 Qwen3-14B 迁移使违规率从 69.0% 降至 17.9%。 方法在模型权重和运行时代码固定的前提下,通过可执行基准测试确保更新安全性后再行采用。

  3. arXiv · NLP30

    GRAFT:基于执行引导的遗传重组智能体设计方法

    GRAFT 通过引入父代特异性执行证据优化进化交叉机制,在六个推理与编程场景测试中取得 82.0% 平均准确率。 该方法无需额外任务执行,仅利用评测中有限的成功与失败样本指导语义交叉与突变,其准确率比最强基线高出 9.8 个百分点。 这一结果证明了在执行证据指导下进行进化智能体设计的有效性。

  4. arXiv · NLP24

    QDA:基于智能体的闭环大语言模型量化设计

    QDA 利用智能体自动设计量化配方,在 W4A16、W4A8 和 W3A16 精度下平均精度比最强公开配方高 0.9、1.4 和 2.2 个百分点。 该系统通过计算 KL 散度快速评分候选方案,并提供兼容新架构的公开 PTQ 方法库,每次搜索仅需 64 个 GPU-hours。 在 GLM-5.3-Flash 模型上,QDA 恢复了 FP8 模型 98.3% 的准确率,所有检查点均无推理开销。

  5. arXiv · NLP21

    大语言模型 RLOps 综述:系统梳理五大训练阶段方法与未来挑战

    该研究对大语言模型强化学习运维(RLOps)进行系统性综述,旨在解决训练扩展中暴露的分布式执行、反馈计算及学习动态故障问题。研究将现有方法归纳为训练设置、经验收集、奖励计算、策略优化和模型评估五个阶段,并深入分析各阶段的操作关注点与管理技术。文章指出了训练过程可观测性、跨阶段协调及通用化 RLOps 等开放挑战,相关资源已托管于 GitHub 仓库。

  6. arXiv · NLP28

    GPT-5.6在结构化记录中镜像了伴随文本:对“隐藏待处理工具调用”场景的预注册概念复制与扩展

    在100对合成日志中,gpt-5.6-sol添加结构化残留记录后,明确说明未返回查询的比例为29%,而仅添加安慰剂记录为5%。 但70%至71%的记录声称无未决问题,且该结构化记录与伴随文本在提及缺口方面完全一致。 该结果预注册检验未达显著,无法证明结构化记录独立改善了模型披露。

  7. arXiv · NLP28

    拆解 AI 科研构思:CAR 智能体框架

    CAR 框架结合文献接地与迭代开发,在 LiveIdeaBench 40 个主题上表现出高于单轮提示的方法学新颖性。 该框架构建语义知识图谱,配备双关联等四个算子,在 BioXArena 等基准中取得最高胜率。 结果未确立显式算子的一致性质量优势,但实现了构思过程与文献来源的可追溯性。

  8. arXiv · NLP34

    GPT-5-mini 与 AI Agent 在英阿翻译任务中的表现评估

    GPT-5-mini 在 WikiEn-Ar190 数据集上作为独立翻译器 COMET 得分为 0.8649,结合自评机制时词汇准确性提升 28.76%。 该数据集包含 18 个领域的 190 篇维基百科文章,经两位阿拉伯语母语者校验;BLEU 分数达到 22.83。 研究证明自主推理方法能提升低资源语言对翻译一致性,为评估和改进翻译提供框架。

  9. arXiv · NLP37

    MIRAGE:动态知识注入下的多跳推理框架

    MIRAGE 是一个无需训练的框架,通过相关性感知的双路径推理器(CDR)解决多跳问答中知识注入下的来源信任错误,在多个基准上刷新了 SOTA 记录。 该框架通过基于 P(True) 的置信度路由机制处理冲突知识与全新信息,并辅以轻量级模板引导修正器,在四个 LLM 家族和两个基准上验证了其有效性。

  10. Hacker News AI44

    Steve Yegge 论 AI 智能体与软件工程未来

    Steve Yegge 认为手工编码时代终结,行业正进入 AI 采用的陡峭指数曲线。他构建开源 AI 智能体编排器 Gas Town,提出八级 AI 采用光谱,并警告工程师若停留低层级将被淘汰。 他担忧 AI 辅助工作具有“吸血鬼效应”,建议雇主限制每日 AI 增强工作不超过 3 小时。Steve 预测大公司创新停滞,小型 AI 增强团队将成为未来软件开发的真正创新力量。

  11. Hacker News AI60

    Linux Foundation 开放 Agent 身份验证规范 ANS

    Linux Foundation 项目 Agent Name Service(ANS)发布了面向 AI 智能体身份验证的开放规范草案。该规范通过连接域名、证书和透明度日志,实现了对交互对象身份的绑定、注册、持有验证及离线核验,提供了可运行的注册局、透明度日志参考实现及 SDK,支持开发者在本地部署身份验证基础设施。

  12. Hacker News AI67

    四名马里兰高中生起诉因 AI 误判 Doritos 袋为枪而被警方拘押

    四名马里兰高中学生在去年秋季被武装警察拘押、搜身后起诉 Omnilert 等,主张其 AI 枪检测系统将 Doritos 袋误判为枪支并产生 90% 置信度警报;马里兰教育监察长办公室发现 Baltimore County Public Schools 中超 99% 的 OGD 警报为误报,无需出警。原告称他们被手铐、搜身并产生持续心理创伤,其中一人现在为避免风险而付费回家。

  13. 36氪40

    36氪研究院发布2026年中国词元经济生态发展研究报告

    36氪研究院发布报告显示,中国日均词元调用量截至2026年6月已突破500万亿,MaaS市场规模达106.3亿元。 2026年3月中国模型周调用量首次超过美国,OpenRouter数据显示其近28天调用份额达63.5%,形成中美双极格局。 报告指出,未来多智能体系统将取代用户成为词元主要调用主体,交易模式将向“按量+按结果”混合计价演进。

  14. 量子位42

    RunningHub AIGC长片大赛收官:1500部作品超八成超60分钟,近百条破百万播放

    RunningHub全球AIGC长片创作大赛收官,征集1500余部作品,长剧与电影级长片占比超八成。 大赛涌现近百条百万播放爆款,获奖作品已启动院线立项;平台通过五层技术架构降低前期制作成本50%。 海马云投入亿级现金与无限算力,联合主流平台打通IP、制作与发行全链路。

  15. IT之家67

    微软 CEO 纳德拉谈 6 万人自愿离职计划,部分团队尚未适应 AI 转型

    微软 CEO 萨提亚·纳德拉在播客采访中回应面向约 6 万名员工的自愿离职计划(VEO),称部分团队尚未适应 AI 转型,公司希望员工拥有更多自主权以进入合适岗位。VEO 面向美国、加拿大、英国和印度部分团队职级 70 级及以下员工,提供经济补助和职业规划支持。纳德拉指出 AI 生成代码已占微软代码总量的 20% 至 30%,随着代码生成成本下降,软件开发难点正转向代码正确性的验证环节。

  16. TechCrunch · AI57

    Microsoft CEO Satya Nadella 预测 AI 智能体将重塑互联网经济

    Microsoft CEO Satya Nadella 预测,AI 智能体的兴起将重塑互联网经济,使那些依赖广告和传统人类网页流量的商业模式发生变动。他类比了从 Yahoo 等门户向 Google 等搜索引擎的转移,指出如果企业不愿接受智能体,就会错失机会,例如允许 AI 代理进行购买的购物平台(如 Shopify)可能会比拒绝 AI 代理的平台(如 Amazon)获得优势。

  17. AWS Machine Learning Blog62

    Airbnb 如何在 Amazon Bedrock 上用量化成本运营编码智能体

    Airbnb 通过在 Amazon Bedrock 上评估模型得分与“每任务成本”来运营内部编码智能体,并在生产环境通过 CloudWatch 监控延迟、限流与开销。评估体系包含 7 个任务集、多维度评分器及推理强度档位控制;生产侧监控包括延迟、令牌消耗、吞吐量与缓存命中率。该流程使 Airbnb 能够在模型发布后数小时内完成评估并调整智能体配置,使重度用户的成本在切换模型后降至约原来的七分之一。

    推荐理由:结合 Airbnb 的一线实践,拆解编码智能体在 Amazon Bedrock 上的成本核算与监控方法,可直接复用到模型选型与容量规划。

  18. Hacker News AI70

    Nihil:AI 智能体驱动硬件闭环的电路板 IDE

    Nihil 是一款 agentic hardware-in-the-loop IDE,通过 14 步流水线完成 PCB 设计、CAD 构建与固件编写。该工具支持 Unreal Engine 仿真,并让用户以本地模型运行 Claude Code 或 Codex,无需重新托管模型。核心功能是生成确定性记录,在电路板物理制造前即可验证热、电压及电路可靠性,最终输出可制造文件与完整审计记录。

  19. Hacker News AI81

    ModelCompare:OpenRouter 上 AI 用量增长 330 倍,账单增长 115 倍

    ModelCompare 通过 OpenRouter 的数据分析指出,2025 年 1 月至 2026 年 10 月,每周 AI 用量从 0.5 万亿 token 增长至 164 万亿,增长 330 倍;按官方定价估算,每周账单从约 150 万美元增至 1.76 亿美元,增长 115 倍。

    推荐理由:用 OpenRouter 的 token 消耗与成本数据,拆解 AI 用量爆发式增长与单位成本下降之间的剪刀差。