Google Threat Intelligence 报告:LLMJacking 致单一公司 API 费用近 100 万美元
Google Threat Intelligence Group (GTIG) 发布报告,指出一种名为 LLMJacking 的新型网络攻击导致单一企业产生近 100 万美元的欺诈性云费用。
Google Threat Intelligence Group (GTIG) 发布报告,指出一种名为 LLMJacking 的新型网络攻击导致单一企业产生近 100 万美元的欺诈性云费用。
Legora CTO Jacob Lauritzen 分享在数据不可见情况下构建法律智能体的策略。团队模拟客户工作构建测试环境,模型更新使引用准确率从 70% 提升至 99%,且无需修改代码。 Legora 拒绝长期保留模型选择器,现全栈运行于 Azure。Jacob 认为当前模型已胜任 60% 法律工作,但长合同起草仍依赖搜索机制。
作者构建Godot密室逃脱实验,测试Gemini、Qwen和Nemotron三个LLM智能体,并强调在日志中严格分离公共无线电消息与所选按钮操作。 实验基于相同的模拟快照运行,世界暂停直至所有智能体选择合法控制后推进三秒;模型仅接收文本状态和近期消息,无图像输入。 此日志分离方法允许研究者核对智能体提议的帮助是否与其实际执行的动作一致,避免将解释误判为行为证据。
Anthropic 在更新的 S-1A 风险因素部分警告称,其内部评估显示未来模型可能即将达到其负责任扩展政策中关于“归因于 AI 的显著加速进展”的定义,即递归自我改进(RSI)。Anthropic 强调目前尚没有模型跨越这一门槛,并且预计在未来可预见的时间内,保持人类对前沿模型研发的控制,不会让 Claude 完全自主地设计和构建下一代前沿模型。
推荐理由:S-1A 风险条款披露了 Claude 模型接近内部 RSI 定义的细节,并补充了公司关于安全对齐与人工监督的治理逻辑。
OpenAI 已发布由其内部模型生成的722份数学手稿,分为372个主题簇。Gil Kalai 博客更新梳理了其中26项结果与其过往文章的关联,涵盖 Mahler 猜想、平面色数、Kakeya 问题、Erdős 算术级数猜想等经典难题,部分结果如 Unique Games 猜想已获证明。他提醒学界,这些结果目前仍处于不同验证阶段,需数学家在未来数月的消化与检验。
预测显示,未来 3-5 年内 AI 将引发“药物丰裕”,加剧生物制药行业的研发生产力挑战,而非改善。 AI 主要致力于已知靶点和结构,导致热门靶点(如 PD1、EGFR)研发项目过度拥挤,且对不可成药靶点的预测能力有限。 类比基因组学泡沫时期,短期研发失败率和成本上升不可避免,尽管 AI 长期价值显著。
各位重置者注意,我们正在扩展驱动 dots 的前沿模型家族,包括 GPT-6 Astra 和 GPT-6.1 Terra,未来还会加入其他模型。Terra 带来了速度提升和出色的个性升级,将帮助我们让 dots 触达更多人。
独立测试显示,前沿模型在识别刻意植入和真实商业计划书错误方面表现接近。在植入错误的测试中,Claude Fable 5.1 识别出 60 个错误中的 59 个,DeepSeek 4.1 识别出 50 个。
DiffuSpace 发布开源扩散语言模型 Clover-35B-A3B-Preview,在 SWE-bench Verified 等智能体编程评测中达到或超过同规模自回归模型,同时实现 680 tokens/s 的更快生成速度。模型通过引入块扩散与双向 GDN 架构解决历史记忆复用问题,并已在 16GB 显存设备上实现 INT4 量化部署。
推荐理由:作为首个在Agent任务上超过同规模自回归模型的开源扩散语言模型,Clover 35B证明了并行生成速度与高性能可以共存。
腾讯混元发布 Hyra 2.0,将通用 agent 应用于科学工具、模型与工作流的研发和升级,实现从解题到造工具的范式转变。系统已产出多项工具:蛋白质逆折叠模型 HyInv 速度较 ProteinMPNN 提升 57 倍,蛋白质语言模型 HyPLM-Flash 推理速度居 12 个对比模型之首,分子模拟模型 HyFF 在精度-速度帕累托前沿全面领先。
推荐理由:展示了由agent主导的跨领域工具研发全流程,包含蛋白质模型、量子码验证、机器人设计及芯片优化的具体产出与复用机制。
LoOPSD通过搜索层循环路径构造教师,将额外计算的优势蒸馏给标准学生,提升Qwen3等模型的推理能力。 例如,Qwen3-1.7B在GSM8K任务上的准确率从42.30%提升至79.61%,且学生生成长度平均缩短至299.98 tokens。 该方法扩展了自蒸馏教师构造空间,为模型后训练提供了新的监督来源。
Anthropic 的研究显示,50 名专业分析师使用 Claude Code 为虚构农业合作社提供建议时,在四个开放性分析决策点上,他们选择与 Agent 隐性倾向一致的概率为 86%(若 Agent 无影响则预期为 50%)。
研究人员通过模拟婴儿眼动数据训练数千套人工神经网络,发现高好奇心网络在未见任务中表现更好,并自发形成类似人脑的分层模块化结构。 实验显示,好奇心网络连接密度先升后降,对应约 20 岁的成熟发育阶段;缺乏好奇心的网络则停留在约 9 岁阶段,未能形成复杂类脑架构。 该发现支持通过资源约束和好奇心机制构建更具灵活性的人工智能路径,但专家强调仍需验证其长期训练的稳定性及实际应用价值。
沙特阿美宣布在 2026 年向 AI 公司 Humain 注资约 26 亿美元,获得其 49% 的股权。Humain 由沙特主权财富基金 PIF 创立,负责建设数据中心、开发云服务并训练 ALLaM 等阿语模型,计划到 2030 年建成 3 吉瓦的数据中心容量。
华为昇腾 950 超节点荣获 2026 世界互联网大会领先科技奖,成为全球互联网领域顶级国际性科技荣誉获得者。 该超节点采用自主研发的灵衢互联协议,支持配置 128 和 1024 张 NPU,通过超大带宽、超低时延及统一内存编址架构,可为万亿、十万亿参数大模型提供算力底座。
作者认为当前 AI Agent 在系统设计中面临的关键瓶颈并非简单的代码生成,而在于处理复杂系统的演进。主要难点包括:避免不可逆的迁移路径(one-way doors)、应对系统本身的熵增与故障累积、以及在模拟测试中处理多版本并发的复杂性。文章指出,LLM 难以精确表达抽象概念,除非 Agent 能发明新的抽象语言来辅助推理,否则系统设计难以完全外包给 AI。
研究发现 Pythia 模型中 Token 表示流是非线性的,二次漂移在每一步均优于线性映射。 模型在完整宽度下平均轨迹步长仅 3% 非仿射,而个体状态为 17%;旋转分量占可解释漂移的 4% 至 45%。该结果已被 NeurIPS 2026 研讨会接收,表明流不下降其自身密度。
AgentCollab 提出了一种自驱动协作推理框架,利用智能体自反思信号动态协调不同推理能力的模型,并在必要时升级控制。 该框架采用难度感知累积升级策略,基于近期失败信号分配额外推理预算,在多层次代理基准测试中改善了准确率-效率帕累托前沿。
研究团队推出包含 67,658 个 Python 程序对的 SCRBench 基准,用于评测语言模型的代码语义变更推理能力。 该基准在 4,500 个分层子集上测试了 5 个大模型,结果发现最高模型在语义等价检测准确率 94.71% 时,语义变更诊断准确率仅为 54.44%。 序列重建任务表现更差,最佳模型精确重建率仅 39.27%,当包含 5 处变更时模型准确率不超过 1.11%。
提出免训练方法 RangeSWA,结合局部滑动窗口注意力、远程块摘要和动态内容检索,解决连续扩散语言模型在生成长度超过训练长度时的文本重复与语义漂移问题。 方法通过位置重映射、条件注意力校正和去噪阶段自适应窗口调度缓解生成质量退化。 实验显示,RangeSWA 在多个连续扩散语言模型上有效降低了长文本生成的困惑度和文本重复率。
研究人员提出异步流图语言模型(aFMLMs),在数独求解和 GSM8K 数学词问题代码生成任务上确立了新的单步 SOTA 性能。 该模型通过学习异步流的流图,利用 token 级时间调度控制去噪进度,仅需一次前向传播即可生成所有 token,相关
提出 Stepwise-Querying 方法,通过独立查询获取步骤级解释,无需访问教师内部思维链(CoT),用于推理蒸馏。 在两个教师模型、两个学生模型及四个数学/代码基准测试中,该方法在16次对比中14次取得最高分。 引入 SEIG 诊断指标分析逐步解释的信息增益。
针对现有NIAH基准存在合成数据偏差和人工标注污染问题,研究人员推出动态基准GraphNIAH。该基准基于LLM知识截止日之后的真实论文引用图谱构建,通过自动化流程生成长上下文问答示例。
研究揭示了利用重复惩罚参数可在大语言模型推理阶段控制语法错误纠正的精准度与召回率平衡。该方法无需修改模型架构、训练流程或提示词,且在标准基准实验中验证了其对生成行为的有效调节。
研究人员提出 AICG 框架,在 49,402 份评分数据上将 MAE 降低 50.3%,QWK 从 0.798 提升至 0.927。 该框架结合 RoBERTa 多头分类与 Q-matrix 认知监督,并使用生成式 AI 检测器生成可靠性权重,进一步降低 4.2% MAE。 此方法有效缓解生成式 AI 使用对学业评估造成的向上偏差。
TraceSpec 框架将轨迹评估与自适应草稿训练结合,提升了 LLM 智能体中的推测解码性能。 该框架引入了 TraceSpec-Traj 语料库,包含 10,000 个训练状态和 2,500 个测试状态,覆盖浏览和软件工程场景。
HyperRepair 框架通过超网络恢复微调模型的通用能力,同时保留领域专长。该框架利用激活指纹生成定制化修复侧网络(RSN),实现零额外优化成本。在默认设置下,模型恢复了 93.4% 的通用平均分,并保留了 99.5% 的领域平均分。
EDU-Jev 发布 0.8B、2B 及 4B 参数单次决策模型,通过指针头直接输出选项概率分布。 4B 模型在 12 个基准测试中平均准确率 67.6%,较最强商用 API 高 9.4 个百分点,2B 版本在 H100 上每秒处理约 150 次决策。 该模型在教育跨领域任务上匹配最强 API 表现,但通用推理任务仍落后,简化了决策解析流程。
研究提出 YOPO 框架,在不改变权重的前提下,于冻结语言模型单次前向传播中同时完成答案生成与弃权。 通过中间层探针向量修正与弃权方向评分,YOPO 将 Qwen2.5-1.5B 在 $\alpha$NLI 的准确率从 51% 提升至 73%,三路准确率从 0.38 提升至 0.75。
论文主张图像识别中数据集结构至关重要,DNN 成功分类需发现高阶关联函数。 作者指出 DNN 实现了凝聚态物理中聚焦介观关联结构的通用方法论,这解释了其违背标准统计学习理论却仍能成功泛化的谜题。 全文共 37 页,包含 12 幅图,涉及机器学习与统计力学领域。
该论文提出单一算法,在对手切换次数 S 未知且为静止对手(oblivious adversary)时,实现了所有 S 值下的 $\widetilde{\mathcal{O}}(\sqrt{(S+1)KT})$ 期望遗憾,解决了 Auer 等人提出的开放问题。
研究发现,AI 智能体上下文窗口中敏感数据会在模型良性输出中产生隐藏相关性,即使模型拒绝直接提取也可被重建。 实验基于8个专有模型,2位数字机密重构准确率近乎100%,4位数字准确率为82%,且能力越强模型泄露越多。 该泄露支持语义谓词推断和完整社会保障号提取等攻击,已发表于NeurIPS 2026。
在 Gated DeltaNet 和 Mamba2 混合架构模型中,全注意力 MTP 头部在长上下文下因频繁读取 KV 缓存导致性能下降,甚至慢于非推测解码。 该方法对 Draft 应用 StreamingLLM 风格的窗口与注意力汇,保持 Target 全上下文验证;训练无关且即插即用。
针对混合专家(MoE)模型剪枝,研究人员提出基于路由频率、门控权重和激活强度的三因素系统化公式,并给出标准选择原则。 任务无关剪枝应采用路由 token 平均、无门控的激活标准,由此衍生出 MAN 和 MSAN 两个新标准;任务特定剪枝可保留路由频率和门控权重信息。 在 4 个 MoE 模型和 16 个基准测试中,新标准平均提升性能 4.0 分,最高提升 8.8 分。
研究者提出 Conveyance 分类方法及其损失函数,旨在利用结构化类别空间中的类间关系,解决标准交叉熵损失缺乏结构感知的问题。该方法允许用户在不定义复杂联合分布的情况下编码类间图状关系,并通过最大化两个独立分区上的边际来保持单调性和部分凸性。 在层级分类、序数回归和多实例学习任务中,Conveyance 的性能匹配或超越了专用基线模型,为结构化类别空间提供了统一的解决方案。
SRaR 提出通过 LLM 裁判分配评分标准至推理步骤,并结合逐步与结果奖励优化模型推理。 该方法是 NeurIPS 2026 论文,使用 16K 问题数据集,在 Qwen3-8B-Non-Thinking 等模型上平均准确率提升 3.57 和 2.75 分,AIME 2025 忠实推理率升至 46.7%。
AIMER 提出了一种免校准的专家剪枝标准,通过捕捉专家权重的集中度模式提升任务通用性。 该方法在 7B 至 47B MoE 模型及 16 个基准测试中表现优于现有免校准方法,甚至优于基于 C4 语料的校准基线。 剪枝全程仅需 0.22–2.06 秒完成所有专家评分,已被 EMNLP 2026 Findings 接收。
离散扩散模型通过利用前瞻规划任务中固有的方向不对称性,在图遍历问题上实现了优于自回归模型的训练效率。 研究发现,前向遍历需要复杂的顺序规划,而反向路径具有确定性,非自回归模型据此习得反向解码模式,将高阶前瞻问题简化为一阶过渡序列。 该机制分析揭示了自回归架构在规划能力上的固有局限,并证实了非自回归建模在此类任务中的优势。
研究指出 GRPO 等组相对方法在奖励后训练中,硬提示正确答案被低权重,易提示错误答案惩罚不足。 作者提出 History-Aware Adaptive Difficulty Weighting(HA-DW)自适应重加权方案,并在五个数学推理基准测试中验证其性能提升。 该方案通过动态难度锚点校正偏差,提升强化学习验证奖励训练的鲁棒性与效率。
研究提出自然语言演员-评论家(NLAC)算法,利用生成式 LLM 作为评论家输出自然语言反馈,而非标量值。 该算法支持离策略训练,无需策略梯度,相比现有方法在推理、网页浏览和工具使用任务中表现更优且更稳定。 NLAC 被证明是一种更可扩展、稳定的 LLM 智能体训练范式。