跳到正文
11月19日周四
  1. 36氪74

    DeepSeek实施限额策略,腾讯社交生态应对AI陪伴成本挑战

    DeepSeek因算力不足对C端用户实施对话限额、缩短长对话存续期并限制单次输入长度。结合其V4 Pro等模型的峰谷定价机制,AI陪伴的服务成本显著上升,挤占了传统人际社交的注意力份额。腾讯通过内部AI智能体(如小微)和与DeepSeek的资本合作,试图在AI对话与人际社交的边界中重新定义人机相处模式。

    推荐理由:文章结合算力定价与使用限额,解析AI陪伴成本如何重塑社交竞争格局。

  2. arXiv · NLP26

    Openhagen Worlds:校准环境用于测量和训练科学发现智能体

    Openhagen Worlds 推出 27 个校准环境,包含 178 个难度层级,用于测试智能体在预算限制下运行实验并推理结果的能力。 每个层级经过 64 个开发实例的脚本预言机验证,确保非演绎策略成功率不超过 0.25。DeepSeek V4.1 Flash 在前沿测试中解决 32 个实例,9B 模型经策略迭代后核心层级成功率从 0.090 升至 0.148。

  3. Hugging Face Blog77

    DaisyRose-27B:提升后训练效率的前沿模型

    RadixArk 发布其首个模型 DaisyRose-27B,基于 Qwen3.8-27B 架构,使用 Miles 框架进行强化学习训练,并在 144 块 H200 GPU 上通过 1,200 个精心设计的任务完成了为期 18 天的训练。

    推荐理由:RadixArk 基于 Qwen3.8-27B 发布了首个模型 DaisyRose-27B,展示了其在长程智能体任务上的强化学习训练效果。

  4. Hacker News AI78

    SID 团队研究估算 2026 年 LLM 每 15 天生成等于一个公开网页的 token

    SID 团队发布研究估算 2026 年全球 LLM 处理 token 总量在 200-230 千万亿之间,其中输出 token 约 1.5 千万亿。研究指出 LLM 输出 token 量在 2026 年 2 月已超越公开网页 token 存量,若维持增速 2028 年每 1-2 天即可生成一个公开网页的 token 量。

    推荐理由:研究团队通过三角测量法估算了 2026 年全球 LLM 输出 token 总量及人类数字文本存量,揭示了 AI 生成内容量超越人类写作的量化拐点。

11月18日周三
  1. Hacker News AI89

    FBI警告ARTEX AI黑客工具可在三小时内突破网络权限

    FBI警告称黑客正使用开源AI黑客工具ARTEX攻击至少十个行业,部分入侵在三小时内内从首次针对到获取特权访问。该工具本身不含AI模型,依赖接入Anthropic、OpenAI及DeepSeek等模型,其中DeepSeek的Flash模型因成本低且无可见护栏被攻击者大量使用。

    推荐理由:文章结合FBI预警与多方实测,说明该开源工具在真实攻击中的扩散规模及防御方在凭证管理上的具体漏洞。

  2. arXiv · NLP42

    当检测不保证抵抗:RAG 中的推理与中毒上下文

    DeepSeek-V4-Flash 在启用推理后,中毒防护中的 Cordon Rate 从 0.205 降至 0.075,Leakage Rate 从 0.235 降至 0.140。尽管攻击成功率从 0.233 升至 0.298,且中毒检测率从 0.965 降至 0.665,Qwen3.6-Plus 也呈现出相同的定性模式。结果表明,检测中毒上下文与实际抵御其影响是 RAG 安全中的两个独立维度。

  3. arXiv · AI32

    SCoRe 提升长程漏洞利用智能体表现:停止并非能力上限

    研究发现智能体在首次停止后仍有验证增益但收益递减,总结保留不可能性判断导致后续探索低效。 提出上下文管理方法 SCoRe,在停止爆发时压缩上下文并标记判断为未证实。MiMo 在 2000 轮达到 67.0% 覆盖率,显著高于原始策略的 32.4% 和 GPT-5.5 的 58.6%。 表明持续执行结合上下文管理可激发更多漏洞利用能力,停止不必然代表智能体能力极限。

  4. AWS Machine Learning Blog71

    Amazon SageMaker HyperPod Inference 新增 NVIDIA Dynamo 托管推理能力

    Amazon SageMaker HyperPod Inference 新增对 NVIDIA Dynamo 的支持,提供托管的多节点部署和分离式推理能力。在 Qwen3-235B-A22B-FP8 测试中,分离式架构吞吐量达到聚合架构的 2.05 倍。多节点聚合部署下,两节点配置保留单节点吞吐量的 99.1%。

    推荐理由:通过 Qwen3-235B 与 Qwen3.5 基准测试,展示了分离式 prefill/decode 架构能提升 2 倍吞吐量,为优化大规模 LLM 部署提供了工程参考。

  5. TechCrunch · AI77

    研究报告揭示 AI 模型易被诱导将平民识别为军事打击目标

    Vals 发布的研究报告指出,主流 AI 模型易被诱导在模拟无人机或卫星影像中识别军事目标,即便目标包含平民或学校。研究人员通过声称场景是游戏突破安全限制,导致模型频繁标记目标。

    同一新闻,精选展示《研究报告:多款AI模型在伪装场景下易于协助标记救护车、记者及投降士兵为无人机靶点》

11月17日周二
  1. Hacker News AI82

    Autopilot:支持 OpenRouter 及多模型切换的开源编码智能体发布

    开源编码智能体 Autopilot(曾用名 kimiflare)现已支持 OpenRouter 作为默认模型提供商,允许开发者使用单一 API Key 接入 Claude、GPT、Gemini 等 400+ 模型,并支持使用自有 GPU 运行 vLLM 进行本地推理。

    推荐理由:原文明确了 Autopilot 支持 OpenRouter 及多种本地与云端模型的接入方式,并展示了通过子智能体和本地部署实现自主任务处理的能力边界。

  2. arXiv · ML23

    大语言模型推理轨迹探测:七款开源模型在四个基准上的表现分析

    研究团队提出一种轨迹探测协议,通过截断并重新注入部分推理轨迹来评估模型预测答案的动态变化。 该协议应用于 Qwen3-4B/8B/14B、gpt-oss-20b/120b 等七款开源模型及 GPQA Diamond、MMLU-Pro 等四个基准。结果显示准确率随推理 token 比例增加而提升,且强模型常复现弱模型的错误,但允许进一步推理可显著恢复正确率。

  3. arXiv · AI28

    AgentGA: 在智能体种子空间中进化代码解决方案

    AgentGA框架通过优化智能体种子进化自主代码生成,在Weco-Kaggle Lite基准测试中表现优于AIDE和AutoGluon。使用DeepSeek V4 Flash (0731),AgentGA平均超越人类比例为71.13%,在14/16项任务上超越AIDE。该方法结合群体遗传算法与长程智能体,通过修改的Hedge控制器实现在线算子分配,验证了智能体种子优化的实用性。

  4. arXiv · AI23

    LLM 在代码去混淆标识符恢复中的评估:更多上下文并非总是有益

    评估 Qwen、OLMo 和 DeepSeek 在 Java 代码去混淆任务中的表现,LLM 在标识符检测和语义恢复上优于传统基线方法。 Agent 检索使检测 $F_1$ 达到 91.56%,但精确恢复率整体仅为 16.42%;更大的方法上下文反而阻碍语义恢复,控制流混淆的影响超过字符串加密。 研究为逆向工程师选择去混淆模型和上下文策略提供了实用洞察。

  5. arXiv · AI23

    层级上下文如何提升 LLM 代码摘要效果

    引入类或模块层级的 Documentation-Aware 提示,能使 LLM 生成的代码摘要最接近原始文档。 实验表明,添加周围文档在 DeepSeek、GPT-4o-mini 和 Gemini 上均带来统计显著的提升。 该发现为改进自动文档工具及增强 LLM 在代码检索等下游任务的推理能力提供了路径。

  6. arXiv · AI26

    AGPV 通过智能体引导过程验证提升数学推理自纠正准确率

    AGPV 在五个数学推理数据集上实现平均准确率 63.8%,较最强基线提升 13.5 个百分点。 该方法将解题分解为关键声明序列,结合共享数学工具箱与完整性验证,证明了在覆盖充分时的正确性保障。 评测涵盖 DeepSeek、Qwen 及 GPT 四个模型,显示 AGPV 的修复覆盖率高于程序化验证基线。

  7. arXiv · NLP29

    大语言模型的多语言幻觉差距研究

    研究发现 LLaMA、Qwen 和 Aya 模型在 19 种语言生成传记时存在幻觉率差异,高资源与低资源语言间差距显著。 研究通过扩展 FactScore 指标至多语言场景进行量化,并将生成结果与 Wikipedia 页面进行对比以评估准确性。 该成果已被 PMLR 会议接受,揭示了 LLM 多语言性能及幻觉评估面临的挑战。