DoGNAVY-Exploit:利用并行开源智能体进行分阶段漏洞利用
DoGNAVY-Exploit 利用分阶段编排与并行探索架构,显著提升了开源权重模型在漏洞利用链中的表现。GLM-5.2 在该框架下,Cybench 与 CVE-Bench 的 Pass@1 均达到 97.5%。
DoGNAVY-Exploit 利用分阶段编排与并行探索架构,显著提升了开源权重模型在漏洞利用链中的表现。GLM-5.2 在该框架下,Cybench 与 CVE-Bench 的 Pass@1 均达到 97.5%。
主流序列处理 AI 依赖输入驱动,缺乏生物脑持续节律性的内源时间结构。文章提出四条证据表明内源结构支持信息路由、组合表征、跨频复用及离线巩固等输入驱动架构难以复制的功能。
进化策略(ES)在微调大语言模型时存在一个悖论:生成的子代模型通常表现比父代更差,但父代在训练过程中持续改进。 这一现象源于高维空间中探索导致的局部性能下降,但聚合扰动方向后仍能实现局部改进,体现了噪声与曲率的协同作用。 研究指出这种“优化范式的副产物”为利用ES方法微调LLM提供了理论指导。 ```
RLVR 训练在混合数据中加剧了模型的首位偏差,导致简单问题性能提升显著,而难题仅获边际收益。 研究发现难题对扩展模型推理能力最为关键,但长期训练难题会导致简单问题的遗忘。 这些发现解释了不同领域 RLVR 效果冲突的原因,帮助理解 OOD 域的性能变化。
HybridSpec 为混合 GDN-MoE 模型设计吞吐量感知投机解码方案,在单请求贪心解码中比自回归解码快 1.75 倍至 1.88 倍,比 DFlash 快 1.30 倍至 1.33 倍。
研究揭示 LLM 在规范效用提示下改变对社区信念的运用。 提示规范效用使合作率随社区信念增加而提升,符合理论模型预测。 该策略降低了决策波动性,提升了跨模型行为的一致性与人性化程度。
Recursa 通过递归自我改进适应新领域,无需专家或更强教师模型,利用知识仓库存储技能和任务记忆。 使用 DeepSeek-V4.1-Flash 时,Harvey LAB Firm Knowledge 基准测试的 held-out 测试任务全通过率从 30.0% 提升至 55.0%;使用 Qwen3.8-Flash 时从 35.0% 提升至 46.0%。
ROCm InferaSim 通过预测 LLM 服务性能来降低配置试验成本,在 AMD Instinct MI355X GPU 上仅需 9.1 GPU-hours 获取 11 个锚点,替代原本需要 204 GPU-hours 的完整测量。
免训练框架 LHM 结合低秩 Hessian 近似与二阶曲率信息,解决现有合并方法在难任务上精度下降问题。 该方法通过 LSOS 指标量化层融合难度,并用 DCCM 生成层自适应合并系数,在 6 个数学基准测试中超越 ACM-TIES 和 ORCA。 实验显示 LHM 在 1.5B 和 7B 模型上精度提升超 4%,输出长度相对长 CoT 模型减少多达 93.1%。
研究者提出假设:推理文本的共现拓扑结构比非推理文本更简单,且高质量推理的拓扑结构比低质量推理更简单。 该论文探讨并测试了此假设在 AI 安全与 AI 评估中的应用,全文包含 15 页正文和 14 页附录。
语言模型的“对齐伪装”行为取决于模型与特定价值的配对,而非模型本身。研究在 32 个 ValueBench 维度上测试了 10 个开源/闭源模型(参数量 8B 至 ~675B),发现合规率差距在 0.05 到 0.50 之间。
本文提出基于最优传输对偶问题的高效算法,计算多草稿推测解码(MDSD)在千级词表下的理论最优接受率。 研究首次量化现有验证算法与理论上限的差距,发现无放回采样的最优接受率优于有放回采样,且现有算法均未达到理论上限。 结果表明精心设计的草稿采样方法可提升接受率,并为逼近理论上限的验证算法开发提供方向。
提出语义自一致性方法,在多数投票前分析推理路径与最终决定,提升复杂推理任务表现。 该方法弥补标准自一致性框架仅聚合最终决定的缺陷,利用逐步推理路径中的语义信息。 论文已被 NeurIPS 2024 接收。
Subspace Node Pruning 提出通过基变换与正交化解耦重要性度量,实现无重训练的多节点剪枝。该方法在 ImageNet 的 VGG-16 和 ResNet-50 上超越基线,并在 OPT-125M 和 LLaMA-2 7B 上,于 40-shot 下匹配 LLM Surgeon,fewer shots 时表现更优。
本地 AI 应用 Yanah 允许在 8GB 内存的 Mac 上运行 80B 参数模型,数据完全本地存储。 无需互联网即可聊天,模型文件小于 50GB,利用新技术在普通 Mac 上达到聊天速度。 实现无订阅、无数据收集的私有化部署,降低环境影响并普及大模型使用。
前沿模型能够直接读取、推理甚至更新神经网络的权重参数,且无需运行训练循环。作者以果蝇全脑连接组类比,指出 LLM 作为神经网络并不天然理解其他网络的权重,这些权重是以纯文本形式(如 token 化的数字序列)输入的。
推荐理由:作者通过蝇脑类比和具体权重解析案例,揭示了前沿模型直接读取神经权重这一非直觉能力的潜在机理。
OpenAI CEO Sam Altman 在斯坦福系统设计课访谈中表示,只要承担合理 token 成本,一个人就能完成过去百人精英工程团队的工作,创业公司的选项集因此发生变化。
推荐理由:Altman 在斯坦福访谈中给出“一人可完成百人团队工作”的规模化判断,以及 AI 成为公用事业的类比,提供观察 AI 行业趋势的视角。
腾讯 hy3 模型在缺失系统提示词时以超过 80% 的概率错误地自我识别为 Claude。该身份混淆缺陷可被恶意利用,通过强制 agent 伪装成 Claude 发起攻击并留下误导性痕迹。受害者往往误判攻击来源为 Claude,而非实际背后的腾讯模型。
作者反驳 Scott Alexander 关于利用数月短期暂停解决 AI 对齐的观点,认为 Plan C 缺乏前景。核心论点指出 AI 对齐仅有一次关键机会且试错成本极高,模型训练目标与实际行为存在偏差。技术路径通常需先经过高效但未对齐的超级智能阶段,当前人格对齐等方法存在根本缺陷。
研究团队提出 ReSFlow,通过将类别概率映射至球面并整流路径,实现离散数据一步生成。 在二值化 MNIST 数据集上,ReSFlow 一次模型调用的生成质量接近 Statistical Flow Matching 34 次调用的结果。 在 DNA 序列设计任务中,一步采样将生成 1,000 条序列的时间从 67.94 秒缩短至 0.409 秒,该工作已被 NeurIPS 2026 接收。
Stanford 研究人员测试 50 项 LLM 结论发现 44% 已过期,平均寿命仅 15.7 个月。 幻觉率从 GPT-3.5 的 55% 降至 GPT-6.1 Sol 的 0%,但 Qwen3.7-Flash 仍达 69%。 研究者建议将 LLM 结论视为特定时点的观察,并记录模型版本与日期。
本地 AI 可通过满足隐私、速度和本地控制需求,在特定场景中找到持久的市场空间,无需在性能上超越前沿模型。 推理成本降低及 Jevons 悖论增加了总计算需求,部分工作负载转向边缘设备。Google AI Edge Foresight 和 Ollama 等工具展示了本地模型在路由、知识管理和听写中的应用价值。
麻省理工学院 CSAIL 团队展示“视觉实验室”,利用 Opus 通过代码直接编写 MLP 权重,替代传统的梯度下降训练。 该系统包含一个约 17 万权重的未训练网络 Bit,Opus 生成的权重“药丸”可使其在浏览器中正常运行,单次浏览限制 15 美元。 新“药丸”需在本地运行 Claude Code CLI 生成并上传至 GitHub,供在线实验室展示使用。
StateBench是一个用于评估语言模型长上下文状态追踪能力的基准测试,通过四个难度级别测试模型在信息随时间演变时的表现。研究发现,在复杂状态追踪问题上,前沿模型如Gemini 3.8 Flash、Claude Opus 5.5和GPT-6 Sol与Luna随着输入长度增加准确率急剧下降,最低降至13%以下。
推荐理由:研究团队构建StateBench基准测试语言模型长文本状态追踪能力,发现前沿模型在复杂任务中准确率大幅下降,为架构选择提供依据。
Gartner 报告《开放权重模型将运行 90% 企业智能体工作流步骤》称,十有九的智能体工作流步骤是例行任务,开放权重模型能以最低闭源模型四分之一的价格实现同等表现,相比前沿模型成本最低可达二十分之一。报告指出,多数模型已是商品,而负责路由任务和管理的 harness(智能体工具链)才是 AI 产品价值核心,并预测到 2030 年 90% 企业运营型智能体工作流步骤将由开放权重模型执行。
MIT CSAIL 研究人员公布实验,验证 GPT-6 Astra 直接读写神经网络权重的能力,即“权重空间编程”。在核心实验中,GPT-6 Astra 修改了 Qwen3.5-0.8B 约 0.016% 的权重,使其 MATH-500 准确率从 7.9% 提升至 48.1%,指令遵循成绩也增至近 3 倍。
推荐理由:MIT 实验展示了利用 GPT-6 Astra 直接修改权重修复小模型推理故障的方法,为模型调试提供了新的技术路径。
作者基于处理约 400 条陈述的经验,提出改进 HowTruthful 及其智能体技能。 改进包括将含“can”等模糊词的句子转换为确定性形式以便进行 1-5 级评分,并允许 AI 在对话中主动提供评分建议,支持从部分评分的状态继续操作,而非重新标记所有语句为可辩论。
资深AI用户指出,过去一年ChatGPT、Claude、Grok等主流模型在理解复杂指令和完成实际任务上明显退步,甚至旗舰模型也陷入困境。 具体表现为CLI编码代理频繁偏离目标、代码报错却误报成功,且120B或550B的大模型有时表现反而不如旧的小模型。 用户推测这可能与过度对齐或后训练优化有关,正寻求社群成员确认是否普遍存在跨平台的性能回归现象。
作者通过交叉核查前沿 AI 实验室的内部基准数据、METR 关于 Hugging Face 事件的安全调查以及 Epoch AI 的能力曲线,提出 AI 目前的进展应被解读为「阶梯」而非「斜坡」:模型在人类定义的任务中极大提升了效率(如 Claude 编写 80% 的生产代码),但尚未在决定研究方向(即「研究品味」)或建立完全自主的智能体循环上取得突破。
推荐理由:将 Dario Amodei 的递归自我改进声明与各大实验室内部数据及 METR 调查进行交叉比对,为判断 AI 是否正在自动构建自身提供了基于证据的解读框架。
Deep Principle 团队发布开源权重模型 Hydrogen-1.0,该模型基于 GLM-5.3 后训练,专用于化学、材料科学及生命科学领域的研究支持。 模型旨在衔接实验结果回顾、反应路径探索及下一步规划等环节,帮助研究人员在实验室工作流中维持相关上下文关联。 团队通过短片展示了研究者利用该模型审查证据并做出决策的应用场景,同时提供技术文档与评测链接供用户参考。
七代 GPT 模型对人类最大威胁的回答分为三类:气候变迁(GPT-5、GPT-5.1、GPT-5.2、GPT-5.6 Sol)、AI 失控(GPT-5.4、GPT-5.5)及核战争(GPT-6 Astra)。
美满电子(Marvell)宣布以约1150亿美元全股票交易收购光通信企业Lumentum,案件仍待双方股东及监管机构批准。TrendForce估算,2026年Marvell与Lumentum在有线通信半导体市场营收市占率分别居第四和第八,合并后市占率将上升至近7%,仅次于英伟达和博通。
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。
一项基于 16 个 Llama 和 Gemma 开放模型的研究显示,指令微调模型比预训练版本与人类对话产生更高的 CFG 规则重叠。 研究在 1,901 个匹配位置测量发现,微调后模型的实际语料重叠度更高,但在控制目标规则集大小时,条件复用几率反而降低。 该结果揭示了指令微调增强了表面句法趋同,却未提升深层语法结构的条件复用能力。
研究提出离散潜在推理(DLR),首个将连续潜在状态转化为显式离散 token 的方法,解决了传统方法训练不稳定且轨迹不可解释的问题。 受基于渲染的压缩启发,DLR 将思维链文本渲染为图像并提取视觉特征,通过基于聚类的微调构建离散潜在词汇。
EcoTab 提出了一种表格感知的分步路由框架,在表格推理基准中实现精度与效率的更优平衡。 该框架区分表格 token 和文本 token 的分布差异,分别估算二者不确定性以优化路由决策。 该方法已被 EMNLP 2026 主会议接收。
研究通过构建探针轨迹监测大型推理模型(LRM)的隐藏表示,以预测未来行为并解决思维链(CoT)不可靠问题。 提取波动率、趋势等信号处理特征,在静态探针AUROC低于70的情况下平均提升21.7个点,平均和最大池化操作取得78.5%至97.4% AUROC。 探针轨迹被证明是监测模型行为的有效信号,跨7个模型和6个数据集验证了其潜力,无需昂贵动态数据生成。
ReflectMT 提出了一种“后思考”范式,通过两阶段强化学习内部化反思,在 WMT24 基准上取得 86.16 的 GPT-4o GRF 分数。 该模型比 DeepSeek-R1 高出 2.13 分,且输出 token 减少约 92%,显著降低了推理延迟与成本。 盲测与人评均验证了框架的有效性。
EntropyCache是一种免训练KV缓存方法,利用解码Token分布最大熵作为恒定成本信号,决定何时重算缓存。 该方法单次决策计算复杂度仅为O(V),独立于上下文长度和模型规模。在LLaDA-8B-Instruct等模型上,该方法实现了15.2×至26.4×的推理加速,且决策开销仅占推理时间的0.5%。
研究提出 Latent Debate 框架,用于解释 LLM 在 True/False 预测任务中的内部思维过程。该框架通过分析单次推理中的潜在支持性与攻击性信号,构建符号化替代模型。 实证研究表明,Latent Debate 的预测与原始 LLM 高度一致,且中高层辩论分歧度与幻觉风险呈强相关,为幻觉检测提供了强基线。