面向Wolof语的0.6B-14B开源权重模型发布
研究人员发布了适配Wolof语的0.6B至14B开源权重模型。 该模型通过指令微调、偏好对齐及模型合并进行适配,在63项公开及内部任务中表现出良好性能。8B和14B模型表现优于许多更大的商业系统,目前已公开可用。
研究人员发布了适配Wolof语的0.6B至14B开源权重模型。 该模型通过指令微调、偏好对齐及模型合并进行适配,在63项公开及内部任务中表现出良好性能。8B和14B模型表现优于许多更大的商业系统,目前已公开可用。
开源模型 Verdict-MQ 读取案例一次即可回答所有类型化决策问题。在类型化决策基准测试中,395M 参量的 Verdict-MQ 优于 421M 的 Laya 专业模型,KL 散度为 0.080 对 0.117,Brier 分数为 0.045 对 0.061,准确率 0.801 对 0.767。
研究发现,在基于 ChEMBL 的 10 个 QSAR 数据集上,未标记数据能提升模型性能,且每种半监督算法配置均优于监督基线。 测试了 3 种半监督算法和 4 种数据选择策略,结果表明选择少量化学距离较远的分子比单纯增加数据量更有效。 该结果挑战了半监督学习需要海量未标记数据的传统假设,强调了未标记集合构成的关键作用。
研究人员提出 KnowGPO 框架,通过任务相关知识条件对齐轨迹状态,而非依赖表面观察或内部信号。 在 Xbench、BrowseComp-ZH 和 GAIA 实验中,KnowGPO 比 GRPO 及过程监督基线提升 3.8 至 4.2 分。 其 8B 模型性能匹敌或超越多数 32B 开源系统,显著改善长程交互中的信用分配难题。
研究通过对比Codex智能体在ARC-AGI-3、AGI Maze和Terminal-Bench上的表现,发现仅修改指令以鼓励报告困难并允许自动继续,能显著提升前两项任务平均分,但通用智能体仍低于特定参考模型,包括使用GPT-5.6-sol的情况。
DropKV 提出基于解耦残差输出扰动的 KV-Cache 驱逐框架,在三大长上下文 LLM 中验证了锥条件下的常数因子近似保证。 采用融合 Triton kernels 避免生成完整注意力矩阵,评分内核加速 19.8 倍,最高带来 9.9% 的端到端预填充加速。 在 RULER 和 LongBench 基准中表现优于当前最先进的基线,在同等缓存预算下实现最低推理延迟。
SemDraft 是首个从前后对比缝纫版型中搜索可执行编辑程序的框架,通过有界搜索恢复动作并确保证件验证。 在 80 个顺序敏感案例测试中,学习后的排序器在 1,000 次搜索内确认 63 和 64 个案例,优于非学习排序器的 52 和 53 个上限。 确定性编译器支持步骤校验,使恢复的编辑动作可验证,提升版型自动化流程可靠性。
研究人员发布 LOADBench,包含超 100 种 SkyWater130 PDK 运算放大器拓扑及标准化基准测试。 每个拓扑提供约 10 个 Pareto 最优解及 100 个中间设计 - 性能对,定义 6 项评测任务。 该开源数据集与参考实现填补了模拟 IC 设计自动化 ML 领域缺乏可复现评估标准的空白。
研究提出结合微调 OnT 嵌入模型与 LLM 的本体论精炼工作流,在 CASTON 铸造领域本体中验证了该方案的有效性。 实验中,使用 CASTON 微调的 OnT 模型提取候选公理,再由 Qwen3-8B 生成修复建议。 小规模专家评估显示,默认配置下产生的 6 个高置信度替换项均被两位领域专家接受。
研究在受控环境中测试了六款大模型对多智能体聊天中“无权限取消”与“越权执行”两类错误的响应。小模型如 Qwen3.5-9B 在 69% 的情况下服从无权限指令,而大模型如 Qwen3.8-27B 和 gpt-6.1-sol 在 89% 和 83% 的情况下因同伴一句话就撤销承诺。引入自我维护的承诺账本可将 gpt-6-luna 的严格准确率从 49% 提升至 83%。
LEV 通过循环执行层而非生成 token 来增加推理深度,利用一个检查点即可在任意深度进行决策。 该模型在 2.6B 规模下,准确率从深度 1 的 63.2% 提升至深度 4 的 76.2%;按需深度策略节省 15%-24% 计算量。 1.4B 和 3B 模型在 <50ms 延迟下,比同延迟的稠密模型和级联模型准确率高 5.4-8.8 个百分点。
研究团队发布MAI-Gym平台,统一了移动端、电脑和网页环境的GUI智能体评测、数据采集与在线强化学习训练。基于该平台训练的9B模型MAI-Gym-9B在MobileWorld和OSWorld-Verified基准上分别达到78.4%和76.2%的成绩。研究表明,在模拟订票应用中进行强化学习可迁移至真实环境,将物理手机上的任务成功率从28.8%提升至48.1%。
提出首个专为 LLM 微调设计的模型异质联邦学习框架 Optimal Hydra,通过全局层选择与客户端注意力头选择生成 Hydra-nets。该框架利用客户端数据分布定制子网络结构,在三类数据集实验中优于基线方法并降低本地资源消耗。
TurboMamba 架构通过全局 Mamba-3 块与本地 Transformer 结合,在 12 个模型对比中实现最低测试预测损失。其平均 NLL 比 Mamba-3 低 9.4%,端到端训练吞吐量达 Mamba-3 的 2.60 倍。
针对流匹配模型推理成本依赖函数评估次数(NFEs)的问题,提出免训练估计器 FlowBudget。 该方法无需生成多样本或执行 FID 与 NFE 扫描,即可通过求解器相对采样复杂度映射数值容差至步长预算。 实验覆盖 SiT、FlowDCN 及 Rectified Flow 模型,代码已开源。
AlphaDiana 提出了一套智能体测量系统,支持模块化数据集、环境和评分器接口,用于分析推理模型在可验证任务中的表现。 该系统在 5 个基于答案的基准测试中评估了 3 个开源模型与 3 个开源框架,发现框架并不总提升准确性:模型单独解答题目上的增益可能被解错题目上的损失抵消,技能指导或记忆保留也无法可靠提升准确率。
summary_zh: 南芥智能发布 Mio 1.0 Lite,在九项公开基准测试中取得 77.15/100 的最高平均分及 0.06 元/请求的最低成本。 Mio 通过模型能力画像与协作机制,在五个数据集上实现比次高对手 73.7%~97.5% 的成本节省。
港科大周子杰团队与华为 2012 实验室提出 BalanceRoute,解决 MoE 模型推理中同步等待瓶颈。在 96 卡主实验中,BR-H 策略使解码吞吐提升约 15%。 该方法通过数学建模刻画负载不均衡,利用短期预测进行在线路由决策。目前该成果已被 NeurIPS 2026 接收,并部署于 MaaS 推理服务系统 MathBot-Pie。
Meta 发布 8160 亿参数开放权重模型 Muse Spark Open,并与苹果合作展示了在 Mac Studio 上本地运行的方案。该模型采用 MoE 架构,激活参数约 420 亿,通过 NVFP4 量化将内存需求压缩至 493GB。
推荐理由:详细拆解了Meta 8160亿参数模型在Mac Studio上通过张量并行和BF16量化实现本地高效推理的技术路径。
TheWariend 开源 AI Agent 过程记忆工具 MuscleMemory,通过记录成功任务路径减少重复试错,在 Codex 基准测试中降低 25.5% 输入 token 与 30.4% 工具调用。该工具默认本地运行(Apache-2.0),支持 Codex、Claude Code 和 Cursor,通过验证机制防止错误技能传播。
Qwen3-VL-8B 结合 Video-HopChain 数据集与 CGE 方法训练后,在八项视频理解基准上的平均分从 55.4 提升至 59.3。 Video-HopChain 包含 22,550 个多跳视频问题,CGE 通过置信度门控探索机制解决了 GRPO 在极端难度问题上梯度消失的限制。 数据集、模型检查点及训练代码已开源发布。
研究提出基于数学教育理论的SHAPE框架,通过启发式分类学表征LLM推理轨迹中的局部数学动作。 该框架揭示RLVR成功解与基座模型剖面高度重叠,并引入HA-Plan-GRPO方法。 实验显示HA-Plan-GRPO在五个评测集上使Avg@16平均提升最高7.0%绝对值。
该研究提出 RedundancyBench 基准,用于检测 LLM 智能体轨迹中的冗余步骤,以提升计算效率。 基准包含来自 6 个 LLM 的 1920 条轨迹及 3613 个步骤级标注。 使用 Claude-Opus-5 等模型评估表明,在缺乏先验信息时检测仍具挑战性。
NeurIPS 2026 论文提出统一文档解析基准 Read-Parse-Describe,基于 2,402 份文档构建 18,163 页数据。 该基准包含 125,218 个布局元素,结合可插拔空间感知增强器实现端到端联合生成。 实验表明现有系统难以兼顾阅读顺序与视觉语义,该方法显著提升了联合性能。
P2Patch生成对抗式修复系统在101个C/C++和Java CVE基准测试中,将保留集修复覆盖率从78.1%提升至84.7%,超越上游覆盖率达62.5%。 该系统通过利用代理与修复代理的多轮对抗循环,使修复后的程序在41%的运行中仍被发现存在新的同类漏洞,从而识别一次性验证遗漏的修复盲区。
CoRedSkill 提出一种针对 AI 智能体技能组合的隐蔽红队攻击方法,通过 AST 重写在技能中嵌入恶意操作。在包含 150 个案例的基准测试中,该方法实现了 98.0% 的攻击成功率和 95.3% 的任务成功率。其检测率仅为 3.3%,联合成功率达 90.7%,远高于 6.7% 至 42.7% 的基线水平。
论文提出多领域基准 RuleTrek,用于评估智能体在复杂场景下的规则推理能力。 该基准通过构建规则图谱生成子场景,系统评估规则识别、推理及端到端任务三项指标。 在 11 个前沿 LLM 实验中,最高规则识别与推理得分仅 62.47% 和 60.43%,表明当前智能体面临重大挑战。
SemICD 框架训练大语言模型生成语义 ID(SIDs)而非直接预测 ICD 代码,在 MIMIC-III 和 MIMIC-IV 数据集上使 Micro-F1 指标提升 1.34 至 8.00 分。 该框架通过层次化聚类文本代码嵌入构建 SIDs,并利用两个辅助任务实现文本描述与 SIDs 之间的双向生成对齐。 代码已公开可用。
提出可靠性-不确定性自蒸馏(RU-SD)方法,利用模型自身生成响应进行自我学习。在11项推理基准测试中,Qwen3-4B和Qwen3-8B准确率分别达70.47%和76.69%,超越所有基线。 该方法结合自评可靠性与预测不确定性加权蒸馏损失,数据与代码已公开。
Meta发布开放权重模型Muse Spark Open,总参数量8160亿,支持100万Token上下文窗口,聚焦编程和Agent任务。该模型在两台M5 Ultra Mac Studio上可本地运行,但编程基准测试成绩低于部分国产开放权重模型。
同一新闻,精选展示《Meta 发布开源权重多模态大模型 Muse Spark Open》
Perplexity 宣布将用于隔离 AI 智能体的沙箱工具 SPACE 开源,并已与 CoreWeave、Akamai 和 Crusoe 建立合作关系。测试中九款前沿模型共 118 次尝试逃逸均未成功,而其他非开源沙箱中模型能够逃出;公司还提到行业内近期发生过 AI 模型在 Hugging Face 和澳大利亚政府系统实施黑客攻击的案例。
推荐理由:Perplexity 开源 AI 沙箱并公布九款前沿模型 118 次逃逸测试全被拦截的对比结果,可为安全工程提供直接参考。
NVIDIA 与 IIT Madras 的 AI4Bharat 实验室联合发布 Nemotron-pretraining-Indic-v1,提供覆盖印度宪法所列 22 种语言的约 2.8 万亿 token 预训练语料,并同步开源 GPU 加速的合成数据生成管线。
推荐理由:2.8万亿token的印度语开源预训练语料与可复用的数据生成管线同步开放,给多语言模型开发者提供了直接可用的训练资源和扩展方法。
Marquee 上线了一款基于聊天交互的 AI 落地页生成工具,用户输入一句话或上传素材即可在 34 秒内完成页面构建。 该工具利用蒸馏自 GitHub 开源设计库的规则进行自动化设计审查,支持多轮修改版本管理,并可直接导出 HTML 文件。 免费版可生成首个页面,Pro 版每月 24 美元支持自定义域名,Studio 版每月 79 美元面向团队。
Meta 首席 AI 官汪滔表示,出于安全考量不会开源最顶尖模型,但会继续发布优秀开源模型。 他透露 Meta 刚发布的开放权重模型 Muse Spark Open 能力低于前沿模型 Muse Wonder,后者目前保持闭源且未公布基准测试成绩。 此举与扎克伯格此前批评竞争对手不公开先进模型的危险言论形成反差。
小米于 10 月 15 日开源 MiDashengLM-Spatial 大模型,提供完整权重与推理代码,采用 Apache 2.0 许可证。该模型基于 MiDashengLM-7B 构建,首次实现了开源端到端的空间音频理解,不仅识别声音内容,还能判断声音来源及空间分布。小米计划将其应用于智能家居和汽车座舱等场景。
Meta 和苹果合作,可在两台配备 512GB 统一内存的 Apple M5 Ultra Mac Studio 上,通过 MLX 框架本地运行 Meta 开源权重模型 Muse Spark Open。
Meta 于 10 月 15 日发布了开放权重 AI 模型 Muse Spark Open,宣称其为“能力最强的美国开放权重模型”。该模型采用原生多模态架构,总参数量 816B,激活参数 42B,支持 1M token 上下文窗口,面向代码构建与智能体协作设计。
同一新闻,精选展示《Meta 发布开源权重多模态大模型 Muse Spark Open》
蚂蚁百灵开源 Ling-3.1-flash 模型,总参数约 560B、每个 Token 激活约 25B,最高支持 1M 上下文。在 Artificial Analysis 公开评测中,该模型智能指数为 41、输出速度约为每秒 210 Token。
Meta 发布 816B 参数(42B 激活)的开源智能体模型 Muse Spark Open,具备 1M token 上下文及多模态输入能力。4-bit 权重约 537GB,BF16 需 1.65TB,官方称双 512GB Mac Studio 为最佳本地方案,但实际需数万美元硬件或 API 调用。
Sunny 是一款专为老年人及非技术用户设计的开源桌面 AI 助手,通过本地多模态模型理解屏幕内容并自动化操作应用程序。它支持本地运行 Qwen、Ollama 等 AI 模型以实现完全离线和隐私保护,内置提示词注入防御系统,并配备语音交互和高对比度界面,确保敏感操作的安全审批。