跳到正文
实时
#论文/研究
10月23日周五
  1. MIT News · AI65

    历史学家 Lindquist：早期工程师如何为 AI 注入“混乱”以模拟人类思维

    历史学家 Benjamin Lindquist 在新论文中指出，20 世纪 50 年代工程师为 AI 系统注入随机性以模拟人类创造性思维，这解释了 AI 幻觉的起源。早期研究者认为数学能去除艺术秩序，通过神经网络引入不规则性以激发洞察力。如今 ChatGPT 或 Claude 等系统因现实后果而抑制了这种“混乱”，但核心机制仍存。

  2. Hugging Face Daily Papers65

    Factor-Aware Predictive Learning 发布：用于电影级视频生成的多模态大语言模型表示利用方法

    因子感知预测学习 (FAPL) 使视频扩散 Transformer 能够利用多模态大语言模型 (MLLM) 表示进行稀疏时间推理和电影级控制，通过分阶段接地和优化实现。FAPL 在三个电影级视频生成任务（稀疏到视频、因子感知编辑和多镜头生成）上始终优于基线，验证了其在 MLLM 特征使用、时间控制和因子协调方面的贡献。

  3. Hugging Face Daily Papers75

    OpenDS-World：用于评估真实网络环境自主深度搜索智能体的基准

    OpenDS-World 引入一个实时网络基准来评估自主多步深度搜索智能体，揭示前沿模型与人类表现之间存在显著差距。在 12 个前沿模型中，最佳模型准确率达到 39.0%，而 1000 次人类评估准确率为 21.1%。分析显示模型间研究策略存在差异，且工具协调和长时程搜索管理仍是主要挑战。

  6. TechCrunch · AI75

    MIT研究发现：Claude Opus 4.7 AI智能体在虚拟岛屿上自发游戏式探索并提升技能

    MIT研究人员将13个运行Claude Opus 4.7的Eko智能体置于虚拟岛屿30小时无特定任务，它们自发创造挑战并展现游戏行为特征。实验后这些智能体在特定任务中普遍优于未参与探索的对照组。Eko在探索中学会抛掷石头超距、堆叠造物、利用环境规则（如悬崖重生机制）达成目标，并产生设计者未知的世界知识。

    同一件事 · 2 家

    各家口径不同：MIT科技评论称Eko发明了游戏规则；TechCrunch提到Eko创造了挑战。

  8. Hugging Face Daily Papers65

    EvalResearchBench：AI 智能体能否自主构建用于递归自我改进的反馈？

    EvalResearchBench (ERB) 是一个用于自主评估研究的基准，让 AI 智能体在固定时间和 API 预算内选择或合成任务、实现评分器并修订，最终冻结可执行评估器。9 个研究者与 13 个候选模型被研究，其生成的评估器在 14 个目标基准上的得分一致性约为 75%，低于 91% 的上限。人类设计的公共任务仍是强基线，且执行成本最低的评估器达到了最高的成对一致性。

  9. Hugging Face Daily Papers38

    OmniDR-Bench：视频中心深度研究报告生成基准评测

    研究人员推出 OmniDR-Bench 基准和评测框架，用于视频中心深度研究智能体，该智能体能合成外部证据生成与视频时刻关联的交互式报告。该任务具有直接实用价值，能帮助用户定位相关视频片段、验证声明、复现演示步骤。OmniDR-Bench 包含 50 个中英文任务，涵盖 19 个现实子类别，共 6,414 条标准，最佳系统得分为 63.3 分。

  11. Hugging Face Daily Papers65

    Cola2：自适应分层语言模型通过持续语义压缩和平衡离散生成改进分层语言生成。

    Cola2 通过动态跨度分割、掩码扩散解码和流匹配先验联合优化持续语义压缩、重建-生成平衡和编码器-解码器自适应，在五个下游任务上验证了其核心设计，使用 2100 亿训练 token 显示出有竞争力的非饱和扩展性，3460 亿源 token 的未收敛检查点在八个任务上平均达到 60.10 分，并在 HellaSwag 和 StoryCloze 上超越 Llama-3-8B。

  15. Hugging Face Daily Papers65

    RLSplat：资源线性预算控制的前馈3D高斯splatting方法

    RLSplat通过区域分配高斯并使用局部注意力解码，实现了前馈3D高斯splatting的延迟、内存和模型大小线性降低。在零样本评估中，RLSplat在所有预算下都优于先前的预算可控方法，即使高斯数量减少4倍也能超越最强基线，且在低预算下速度提升4.1倍、峰值内存减少9.6倍。

  17. Hugging Face Daily Papers38

    Heartbeat 思考：实时语音代理中的推测推理与工具执行

    Heartbeat 思考通过在语音更新期间继续准备工具调用，提升了语音代理的覆盖率和响应速度。该技术使语音代理在用户说话时就开始准备工具调用，解决了传统方法因语音更新而中断调用的限制。在 FDBench v3 基准测试中，Heartbeat 思考将工具覆盖率提高了 16 个百分点，并将平均最终响应延迟降低了 36.4%。

  18. Hugging Face Blog66

    微软与 Hugging Face 用 ThinkingBox 数据库校验作 RL 奖励训练智能体

    微软与 Hugging Face 发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的确定性校验直接当作强化学习奖励，用 GRPO 对 Qwen3.8-27B 训练 50 步。

    推荐理由: 微软与 Hugging Face 把数据库终态校验直接当作强化学习奖励，并公开了任务筛选与训练代码，可迁移到其他有状态智能体训练。

  19. Microsoft AI News78

    微软发布医疗诊断系统 MAI-DxO 与分步诊断基准 SDBench

    微软的 Health MAI 团队发布了 AI 诊断系统 MAI-DxO 及配套基准 SDBench，成果发表于《科学》杂志。在 304 个 NEJM 复杂病例上，MAI-DxO 诊断准确率为 83%，医生在有外部资料时为 36%，无资料时为 22%；在 MIMIC-IV-ED 的急诊常见病例上为 80%，医生为 47%。

    推荐理由: 原文给出分步诊断基准与多智能体编排的量化对比，读者可据此理解医疗 AI 评测从考试题转向交互式诊断的路径。

  20. Anthropic Research82

    Anthropic 研究：LLM 使大规模形式化软件验证变得可行

    Anthropic 与 Theorem 合作，用 Claude 对 123 个 OSS-Fuzz 开源库的 239 个入口点完成 RISC-V 汇编层的形式化证明，证明这些程序在小于 64 MB 的任意输入下都不会崩溃，证明代码约 1.8 亿行 Rocq。

    推荐理由: Anthropic 使用 Claude 在 123 个开源库的 RISC-V 汇编层完成形式化证明，并给出成本与复用数据，可据此判断该方法能否进入日常开发流程。

  21. Anthropic Newsroom28

    Anthropic 向生命科学领域发出合作邀请

    Anthropic 邀请生命科学领域的首席研究员及其研究团队申请使用 Claude 模型，合作探究因果人类生物学、结构及计算分子生物学、药物化学、药物发现和临床科学等关键问题。客座研究员将在 8-12 周内与 Anthropic 研究人员直接合作，共同分析、产出研究工具，并开源相关数据和代码，研究成果归研究员所有。申请需说明如何从合作中获益及产出成果的可行性。

  22. Hugging Face Daily Papers70

    AgenticRoboRL 框架通过后训练提升机器人规划器性能

    AgenticRoboRL 框架通过监督微调和多轮强化学习提升机器人规划器，在 LIBERO-PRO 上将 9B 参数规划器成功率从 18.1% 提升至 71.0% 不依赖外部记忆，接近 Codex (GPT-5.5) 使用外部记忆达成的 72.1%。该框架适配不同执行机制，将记录的规划器交互与任务结果连接，通过适配器实现通用强化学习训练流程。

  23. Hugging Face Daily Papers65

    Quant-Arena：基准量化交易研究的大语言模型代理

    Quant-Arena 通过评估语言模型能否在历史A股数据上构建盈利交易策略，并验证其在封闭未来年份数据上的表现，进行基准量化研究。该平台让模型构建特征和股票评分代码，仅基于2022-2023年反馈，冻结策略并在2024年评估。GPT-6 Astra 在九个前沿模型中得分最高，但无模型超越2024年等权市场表现。Quant-Arena 对所有模型或智能体开放。

  25. Microsoft Research58

    Flint-interactive：一种用于创建交互式数据可视化的语言

    Flint-interactive 使 AI 生成的图表具有丰富的交互性，用户可通过点击、筛选、缩放、高亮和跨图表交互来探索数据。它通过高级语义事件和更新操作简化复杂交互的构建，并利用 Flint 编译器处理交互逻辑和视觉依赖，提高可靠性和开发效率。Flint-interactive 支持创建交互式数据故事、仪表板和连接体验，AI 代理可使用其生成带交互功能的图表，帮助用户更高效地分析数据。

  26. AWS Machine Learning Blog34

    Rescale 如何用 Strands Agents 和 AI-DLC 构建智能 AI 分流代理

    Rescale 利用 Strands Agents 和 AI-DLC 框架在 AWS 上五天完成智能分流代理的搭建，并在数周内投入生产。该代理通过调用 Claude Opus 4.8 对夜间端到端测试失败进行分类，检索知识库中的历史失败模式，查询 MCP 日志获取运行时证据，生成包含文件引用、函数名和推荐修复方案的整改报告供工程师审核。

10月22日周四
  2. Google DeepMind

    谷歌DeepMind发布Forest Typology (ForTy) 2020全球森林类型地图

    Google DeepMind 与 Google Research 联合发布 Forest Typology (ForTy) 2020 全球地图，将地球每 10x10 米土地分类为六种森林和土地利用类型，并追踪 2017-2025 年变化。该地图基于联合国粮农组织定义，准确区分原生林、人工林、单一物种林浆、经济作物林和其它土地，支持欧盟防砍伐法规，准确率达 90%。

    同一件事 · 2 家

    各家口径不同：谷歌 DeepMind 表示地图将土地分为六种类型；The Decoder 提到只有四种类型（原始森林、木材种植园和树作物农场）。

  4. Hugging Face Daily Papers65

    未来块预测（FCP）提升自回归视频生成的物理合理性

    未来块预测（FCP）通过引入未来块监督，改进自回归视频扩散模型，生成更符合物理规律的视频并降低训练成本。该方法在教师强制（teacher forcing）框架下，预测时间上分离的视频块而不依赖中间视觉上下文，直接利用训练视频提供监督，无需额外预训练视觉编码器且不改变自回归推理。

  6. Hugging Face Daily Papers65

    StreamEval: 评估交互式流式视频生成模型的基准

    StreamEval 基准测试了交互式流式视频生成模型在五个任务上的表现，发现可靠的请求执行和持续的状态一致性仍是主要挑战。该基准包含 300 个脚本化测试用例，涵盖角色对话、角色表演、世界生成、指令编辑和参考编辑任务，通过四个评估维度（任务执行、状态一致性、视觉保真度和视听协调）进行评分。

  7. Hugging Face Daily Papers70

    Spectral-Spatial Interpretation (SSI) 发布：通过空间单元和频谱通道的符号归因解释模型分数

    Spectral-Spatial Interpretation (SSI) 发布，使用符号归因解释模型分数，为每个空间单元和频谱通道分配贡献度。SSI 在三个数据集和两种掩码基线下的三个指标平均表现最佳，例如 HLS 联合删除的均值基线得分 0.1545 高于 KernelSHAP 的 0.2096。SSI 在空间定位、频谱 Hit@K 和通道删除方面领先于比较方法。

  9. The Verge · AI40

    投资研究公司尝试用 Anthropic 的 Claude 生成蝎子抗毒血清但未成功

    投资研究公司 Citrini 与 Anthropic 合作尝试让未发布的 Claude 模型生成蝎子抗毒血清，该模型生成了约 211 个候选蛋白质设计，其中 17 个能结合部分蝎子毒素，但专家指出这仅是药物开发的早期阶段，将候选分子转化为有效药物仍面临巨大挑战。Citrini 承认实验未成功制造出药物，但称其展示了 AI 辅助药物发现的潜力

  10. ChinaTalk

    中国Talk报道：人形机器人训练的第三波数据收集浪潮——以NVIDIA EgoScale项目为例

    NVIDIA EgoScale 项目通过将摄像头安装在 1000 名参与者的前额和手腕，收集了 20,854 小时的第一人称视频数据，用于训练人形机器人手部技能；这种被称为“以自我为中心的数据收集”的新方法，标志着人形机器人数据收集进入第三代，旨在解决传统远程操控和同构外骨骼方法的疲劳、成本和精度问题。