跳到正文
11月17日周二
  1. LessWrong · All Posts51

    Control Tower 开源框架发布

    团队发布开源 AI 控制评估框架 Control Tower,基于 Inspect 构建,并推出 Control Leaderboard 用于对比不同控制协议。该框架解决各研究团队独立开发环境导致结果难以复制和比较的问题,支持将已有研究的环境与协议移植到共享基础设施中,便于跨模型和环境迭代测试。

  2. Hacker News AI78

    Show HN: Stromboli 开源 AI SRE 智能体专注快速事故缓解

    Stromboli 是一款自托管的开源 AI SRE 智能体,在警报触发时优先提出回滚或扩容等具体缓解措施以止住损失,随后通过日志和指标分析根本原因并将报告发布至 Slack。该工具默认保持只读,但在 Fly.io 环境下经人工审批后可执行重启或克隆等机器操作,支持接入 Claude、GPT-5 等多种 LLM 模型及 MCP 协议,允许用户通过自定义服务目录连接不同的日志和监控系统。

    推荐理由:原文详细展示了该开源工具如何通过分离紧急缓解与根因分析,并结合人工审批机制,实现安全的自动化事故处理流程。

  3. Hacker News AI37

    GammaRips 开源 AI 期权交易智能体工作流与 MCP 数据集

    GammaRips 发布开源智能体工作流,将约 3500 只美国期权标的每日筛选至流动性高、交易优势强的精选合约,并通过 MCP 协议分发数据。 筛选采用严格量化门槛:Mid Price >= $1.00,Open Interest >= 500,Delta 0.22–0.48,DTE 10–45,RV/IV >= 0.85。 该工具非投资建议,默认配置为模拟交易,用户需结合自有催化剂研究层使用。

  4. Hacker News AI63

    DocBlocks 发布 DocBench 评估本地模型文档处理能力

    DocBlocks 发布 DocBench 基准,评估本地模型在文档审阅、写作、图表和字幕清理等 6 类任务上的表现。测试覆盖 0.8B 至 35B 参数的 24 个模型,Qwen 3.8 27B Q4 以 81 分领先,Gemma 4 12B 紧随其后;云端模型得分均在 87 分以上。基准发现 3B 以下模型在审阅任务中往往输出噪音而非有效建议。

  5. Hacker News LLM84

    Mnemosyne Research 量化 23 个 AI 写作特征:5 个在 7 个模型中普遍存在

    Mnemosyne Research 团队测试了 7 个模型(包括 OpenAI、Anthropic 及本地模型)与 800 条人类回复,量化验证了 23 个常见的“AI 写作特征”。

    推荐理由:通过对比模型与人类在相同任务下的写作习惯,量化了哪些“AI写作特征”真实存在,并指出当前特征列表的局限性。

11月16日周一
  1. Hacker News AI77

    Cloudflare Kitesurf 开源:面向 AI Agent 的轻量级浏览器引擎

    Cloudflare 宣布其面向 AI Agent 的无状态浏览器引擎 Kitesurf 已在 GitHub 上以 Apache 2.0 协议开源。Kitesurf 完全运行在 Cloudflare Workers 之上,解析 HTML、应用 CSS、执行页面 JavaScript 并渲染截图,无需浏览器容器。

    推荐理由:原文交代了 Kitesurf 开源后的本地运行与部署方法,读者可以据此搭建属于自己 AI agent 的轻量级浏览器环境。

  2. Hacker News AI59

    ARTEX:开源自主渗透测试系统

    ARTEX 是一个自托管、LLM 驱动的自主渗透测试平台,通过规划器分解目标、工作者执行真实工具,并双图记录资产与探索状态。所有发现均绑定请求/响应证据,且包含人工审批、范围限制及预算控制等安全机制。

  3. 量子位89

    阿里巴巴正式发布Qwen4-Max,智能体与编程能力大幅进阶

    阿里巴巴正式发布全新一代基座大模型Qwen4-Max,总参数2.4T,原生支持视觉能力与百万上下文。新模型采用MoE架构,每次尝试平均Token用量较上代减少近50%,完成单个任务的平均费用降低58%。在CodeArena全球盲测中,Qwen4-Max前端排名全球第6;同时,Qwen4-Max已上线千问AI平台提供API服务,其系列中的中小尺寸模型将陆续开源。

    同一新闻,精选展示《阿里通义千问发布 2.4 万亿参数旗舰模型 Qwen4-Max,任务成本降低超 60%》

  4. Hacker News AI38

    blue-harness 通过量化 AI 逆向成本加固原生二进制与移动应用

    blue-harness 提供二进制逆向加固与审计工具,实测显示 AI 破解加固后二进制消耗 token 增至 16,785,耗时 195 秒且失败。 该工具支持 ELF、PE、Mach-O 格式,集成九种对抗措施及 Claude 技能,CI 验证 362 项检查通过。 它使软件在 AI 辅助逆向场景下的防御策略可被量化验证。

  5. Hacker News AI40

    基于数据库差异的 AI Agent 计算机操作基准测试发布

    新发布的 benchmark 通过对比任务前后数据库快照,评估 computer-use agent 在真实业务应用中的实际改动。该测试基于 635 个评分 episode,揭示版本升级导致的静默破坏及多步任务执行失败问题。 结果显示 Odoo 18 升级使附带损伤率升至 21%,三步复合任务成功率仅为 0/50,且 GPT-6 Luna 单任务成本低至 1-3 美分。

  6. arXiv · NLP26

    PerfArena 开源 LLM 代码性能竞技场

    PerfArena 发布开源 LLM 代码性能评测竞技场,基于正确性、时延、内存和能耗对 13 个模型进行跨语言排名。 在 10 个 CLBGComp 基准和 99 个 LeetCodeComp 问题中,got-6-astra 是唯一在时延、能耗和内存上未被显著超越的模型,且解决率分别达 100% 和 99.7%。 该榜单持续更新,帮助开发者依据性能指标而非仅价格选择 LLM。

  7. arXiv · NLP20

    NER-D:德语命名实体识别跨领域基准测试

    NER-D 基准测试涵盖 9 个领域的 13 个数据集,用于评估德语命名实体识别模型。 测试对比了 GPT-5.4 mini 与开源小模型,结果显示 GPT-5.4 mini 在 13 个数据集中的 6 个上表现更优。 LoRA 微调使小型模型性能大幅超越专有模型基准,且基准测试资源已公开可用。

  8. arXiv · ML26

    MMAO-Cls 用于分类模型选择的混合空间优化

    MMAO-Cls 在七个标准表格基准测试中,集成验证目标得分 0.9433,排名第二仅次于 GA-lite (0.9446)。 其在留一法测试中平均得分为 0.8882,优于 RandomSearch (0.8808) 和 GA-lite (0.8857),且使用最紧凑的特征子集(特征比率 0.4881)。 结果表明该多智能体优化器适用于分类任务,但社区共享对测试性能的具体贡献尚未完全解决。

  9. arXiv · ML41

    CTF-Dojo:用于训练语言模型智能体发现漏洞的大规模可执行运行时环境

    研究人员推出 CTF-Dojo 平台及自动化工具 CTF-Forge,包含 658 个容器化 CTF 挑战,支持可验证反馈训练。 基于 486 条高质量轨迹训练 LLM 智能体,在 InterCode-CTF 等基准上取得最高 9.9% 绝对提升。 最佳 32B 模型 Pass@1 达 31.9%,超越 DeepSeek-V3-0324 等前沿模型,确立开源新纪录。

  10. arXiv · ML36

    Cyber-Zero:无需运行时的网络安全智能体训练框架

    Cyber-Zero 是首个免运行时框架,通过逆向工程 CTF 题解生成智能体轨迹,在三大基准上较基线提升最高 11.4%。 该框架利用公开 CTF 题解与角色驱动 LLM 模拟,无需实际环境即可生成长程交互序列。 其最佳模型 Cyber-Zero-32B 在开放权重模型中创 SOTA,性能媲美 DeepSeek-V3-0324 与 Claude-3.5-Sonnet。

  11. arXiv · ML25

    Morph 提出基于非平衡最优传输的灵活尺寸分子生成方法

    针对现有扩散模型固定原子数量导致无法准确捕捉分子性质与大小联合分布的问题,研究提出名为 Morph 的灵活尺寸生成模型。 该模型基于几何图结构,通过非平衡最优传输动态调整分子大小,在保持性能的同时显著增强了属性导向采样灵活性。 研究展示了 Morph 在分布外生成任务中超越了先前固定尺寸模型在特定区域表现不佳的局限。

  12. arXiv · ML23

    基于无监督领域适应的手写文本识别管线

    论文提出一种无监督领域适应管线,用于解决字符分类与手写文本识别中目标域标注数据匮乏的问题。 管线通过源域预训练、无监督目标域适应及源域风格化微调三步,弥合领域分布差距,且不增加推理开销。 在Safran-MNIST-DLS数据集上取得76.17% Macro F1分数的新SOTA,并在READ 2018数据集上获得具有竞争力的结果。