跳到正文
11月19日周四
  1. arXiv · NLP22

    ExecJudges 如何用可执行程序替代 LLM 进行可扩展的相关性标注

    ExecJudges 利用前沿 LLM 生成基于词汇匹配等规则的可执行程序,在 TREC DL 2019-2021 上的标注一致性达到 Claude Sonnet 5.5 LLM 判决水平。 该方法单次生成程序成本为 $0.17-$0.49 每主题,无需额外评分开销,且生成的标注能以 0.87-0.94 的 Kendall's tau 值对官方 TREC DL 运行结果进行有效排序。

  2. Hacker News AI36

    Show HN: SourcePost – 一个供 AI Agent 使用的人工审核目录(支持 API 和 MCP)

    SourcePost 发布了一个供 AI Agent 使用的人工审核目录,涵盖 API 与 MCP 资源。 该目录包含 16 个列表项,分类包括转售采购、网络搜索等,支持无密钥访问,每分钟限制 60 次请求。 提供 llms.txt、skill.md 及 OpenAPI 规范,并支持通过 HTTP 集成至 Claude Code 等客户端。

  3. Hacker News AI76

    Supercite 测试 AI 推荐稳定性,84% 的答案次日发生变化

    Supercite 团队测试了 210 个购买类问题,发现 84% 的 AI 回答在次日推荐的品牌组合发生变化,其中 Gemini 变动率最高达 95%。分析显示,品牌在 AI 推荐中的稳定性高度依赖其被引用的基础页面(列表);出现在多个榜单中可显著提升品牌在不同 AI 引擎中曝光的稳定性,单一截图不足以代表 AI 推荐趋势。

    推荐理由:基于839个样本的跨引擎对比研究,为理解AI检索推荐的动态性及制定可见性策略提供了可参考的量化依据。

  4. LessWrong · All Posts52

    Reddit、AI 与数据孤岛时代

    Reddit Q3 营收增长 53%,但因 Google AI 功能导致流量流失,股价次日下跌 29%。作者指出 AI 正在打破开放网络的传统商业契约,Reddit 需通过限制内容可见性和数据变现来应对这一封闭化趋势。

11月18日周三
  1. arXiv · AI31

    ForecastGym 发布:用于预测智能体的实时、受控且可回放基准测试

    ForecastGym 通过记录 4 个商业搜索 API 对 150 个预测问题的响应,构建了包含 614 个证据状态和 131k 条结果的冻结基准。 该基准揭示了证据来源的重要性:更换搜索 API 可使 Brier 分数变化达 0.043,且持续笔记策略能以一半输入 token 取得相似评分。 所有测试 LLM 在冻结证据下的预测准确率均落后于市场,表明预测者看到的证据与模型本身同样重要。

  2. Hacker News AI26

    Supercite 追踪 AI 推荐并自动生成内容以提升品牌可见性

    Supercite 每日追踪 4 款 AI 引擎中的品牌推荐排名,并自动生成、发布针对性文章以优化可见性。系统分析 AI 引用的来源类型(如自有页面、竞品、媒体),识别推荐差距,自动撰写文章并在发布后验证排名变化。 该工具旨在解决 AI 答案无“第二页”且推荐缺失无预警的痛点,帮助品牌成为 AI 推荐的默认答案。

11月17日周二
  1. Hacker News AI50

    网站日志分析显示 AI 爬虫流量远超搜索引擎,且逾 1/3 的 Googlebot 请求系伪造

    近两周内,该网站 AI 爬虫请求量约为所有搜索引擎总和的 3 倍。日志显示超过三分之一的“Googlebot”及伪装成 Claude 等身份的流量为伪造,主要源于 5 台租用服务器。这些恶意请求尝试探测密码与密钥文件,但网站因设置 403 错误未发生数据泄露。

  2. arXiv · ML40

    LogT:通过逻辑链引导的SFT数据引擎提升视觉搜索推理

    该研究提出自动化SFT数据引擎LogT,通过强制逻辑链引导生成高质量训练数据,解决视觉搜索中逻辑推理与工具使用挑战。 在Qwen2.5-VL-7B和InternVL3.5-8B上验证,LogT-SFT仅用3.1倍更少的数据和120倍以上更少的GPU小时,超越SFT和RL训练的SOTA模型。 应用简单RL配方后,模型性能比复杂RL设置方法高出9.59分,并展现出更高工具使用准确性与结构化推理轨迹。

  3. arXiv · NLP28

    数字痕迹预测分析:任务效应、学生差异与关键网络推理中的跨任务稳定性验证

    针对 424 名大学生 527 个浏览会话的研究表明,在跨任务评估中,咨询顺序与关系结构对相对学生表现无显著预测贡献,十二项预设主要测试均未显著。 尽管跨任务合并观察显著提高了相关性,特别是事实正确性方面,但句子嵌入仅在保持任务上与通用响应质量呈现微弱正相关,未确立额外预测价值。 研究指出合并预测相关性可能无法反映任务内学生差异,凸显了任务内评估与标准泛化性审计的必要性。

  4. R/ArtificialInteligence85

    AI 搜索正在蚕食谷歌流量?解读 Alphabet 创纪录单日市值蒸发 4820 亿美元

    2026 年 10 月 29 日,Alphabet 在单日交易中蒸发 4820 亿美元市值,主要归因于其 AI 搜索功能减少了用户点击广告的频次。Pew 数据显示,当 AI 摘要出现时,用户点击链接的比例仅为 8%,而无摘要时这一比例为 15%。尽管 Gemini 此前在基准测试中超越竞品并被 Apple 采用,但市场对其搜索广告业务受到 AI 冲击表现出剧烈波动。

    推荐理由:原文用Pew数据量化AI搜索替代效应对Alphabet股价的影响,读者可据此判断市场反应是否偏离基本盘。

  5. Hacker News LLM42

    搜索评估中:为何优先使用合成流量而非 LLM 作为裁判

    在搜索评估领域,文章主张以合成流量驱动的智能体替代“LLM 作为裁判”模式,以解决传统离线评估无法映射真实 UI 交互的痛点。 核心事实是,通过编码智能体在模拟的搜索应用中执行搜索和点击操作,可生成合成数据来更准确地评估搜索相关性。 技术实现上,该系统包含一个外部编排器任务调度,以及内部使用 Playwright 驱动浏览器的子智能体,通过模拟点击行为追踪数据库生成评估数据。

11月15日周日
  1. Hacker News AI42

    标题:Medicare AI 项目透明度缺失,EFF 起诉获取 WISeR 记录以调查不当拒绝与延迟

    摘要:EFF 对 Medicare AI 项目 WISeR 发起记录获取诉讼,旨在解决其评估受益人手术申请时缺乏透明度、测试及法律限制的问题。该 AI 系统被指出存在不当拒绝、运营混乱及漫长延迟,导致患者持续承受病痛。EFFector 通讯详细披露了 EFF 调查中发现的具体证据与影响。

11月14日周六
  1. 量子位86

    DeepSeek 开放全家桶 API 支持语音识别与搜索功能

    DeepSeek 正式开放应用 API,支持联网搜索、深度思考、文件上传、链接阅读及语音识别与语音合成独立调用。V4.1-Flash 模型在 Messages、Responses 和 Chat Completions 接口下支持这些扩展功能,并开源了轻量级聊天前端 Demo。

    同一新闻,精选展示《DeepSeek 开放全家桶应用 API,支持 1:1 复刻 App 并开源 Demo》

  2. The Verge · AI38

    Amazon 计划构建“World Product Graph”以索引全球网购数据

    Amazon 计划构建名为“World Product Graph”的数据库,收录包括非 Amazon 销售在内的所有互联网产品数据。 该项目旨在通过提供数据修复 Alexa for Shopping 助手事实错误且运行成本高的问题,使 AI agents 优先依赖 Amazon 索引。内部文件显示该项目可能于 2027 年 10 月 1 日发布,但 Amazon 称草案不代表当前计划。

11月13日周五
  1. arXiv · AI20

    STRATOS:弥合气象数据时空 Text-to-SQL 中符号到数值的鸿沟

    针对通用 Text-to-SQL 在处理 Copernicus 气象数据时因符号-数值鸿沟失效的问题,STRATOS 框架通过空间语义消歧实现端到端转换。 该框架利用局部本体映射模糊概念,外部知识库解析空间实体,复杂度感知重写器将执行时间从小时级缩短至秒级。 研究构建了包含 7,520 个专家设计复杂查询对的 STRATOS Evaluation Workload,旨在测试此前未被探索的时空维度。

  2. arXiv · NLP21

    DeepStress: 深度搜索智能体的压力测试框架

    研究团队提出 DeepStress 框架,用于评估深度搜索智能体在低质量证据下的鲁棒性。该框架通过动态合成文档环境,独立控制文档的可信度、相关性和事实准确性。在 HotpotQA 和 BrowseComp-Plus 上评估了 12 个系统,发现多个开源权重智能体在来源存在明显可信度红旗时仍自信作答,且许多 HotpotQA 问题即使所有返回文档事实错误,也常依赖参数化知识回答。

  3. arXiv · AI35

    Qwen2.5 小模型推理能力路由:模型容量与提示词优化对下游质量及效率的影响

    Qwen2.5 小模型(1.5B-14B)经提示词优化可路由推理、检索等能力,14B 路由器下游 token 消耗减少 68.7%。 最小提示下增大容量未一致提升分类性能,提示优化缩小了推理和计算器路由的容量差距,但 RAG 和 Web 搜索仍受益于更高容量。 14B 路由器 BERTScore F1 达 0.8408,接近全能力启用的 0.8418,中位延迟降低 80.5%。

  4. arXiv · ML38

    LLM 驱动自主策略搜索中循环内通缩检验的失效与防护

    研究发现,在 LLM 驱动的自主策略搜索中,循环内通缩检验的阈值可被搜索过程本身利用,导致“方差稀释”效应,使平庸的近似重复候选降低合格线。 在 53 项审计中,采用门控搜索的 37 次运行中有 36 次报告“无可证明的发现”,而未设门控对照组在 16 次运行中均报告了策略;所有实验组的样本外置信区间均包含零。

  5. Hacker News AI45

    AI 工具帮助用户申诉医疗保险拒赔

    多款 AI 工具如 Claimable 和 Fight Health Insurance 帮助用户申诉医疗拒赔。Claimable 定价约 40 美元/次,Billyze 79 美元/份,Mediloop 129 美元/单。 调查显示 21% 美国参保人曾遇拒赔,仅半数申诉,43% 因此产生债务。 这些工具降低申诉门槛,帮助患者对抗不当拒赔与计费。

  6. Hacker News AI24

    AI 搜索推荐虚假零售网站

    AI 搜索系统正在推荐虚假零售网站。 研究团队与 AI 搜索公司 Gauge 合作,从 ChatGPT、Gemini 和 Perplexity 的公开版本中收集了 6,795 个答案进行分析。 这一发现反映了当前 AI 搜索在信息真实性校验方面的局限,也增加了品牌遭遇欺诈的风险。

  7. TechCrunch · AI80

    Google 发布 Gemini 4 Hydrogen 升级 Search 处理复杂问题

    Google 发布 Gemini 4 Hydrogen 模型并全面升级 Search,该模型专为快速执行智能体工作流设计,比 Gemini 3.8 Flash 快 2.5 倍。Search 将利用该模型提供更精准的多部分意图理解、更复杂的拼写错误容忍度,并增加图像、对比表格等视觉响应。

    同一新闻,精选展示《谷歌推出 Gemini 4 Hydrogen,主打速度与执行效率》

11月12日周四