跳到正文
实时
#论文/研究
11月11日周三
  1. Hugging Face Daily Papers65

    Longtail-SWE: 高质量长尾软件工程任务集

    Longtail-SWE发布了覆盖13种代表性不足编程语言的202个问题解决任务，用于现有基准中稀缺的工程问题。通过solver-judge-repairer管道构建，模型在9种配置下评估，包括前沿模型，分析任务解决性能、重复尝试一致性及资源使用。所有基准实例、执行环境、工具和智能体轨迹已开源。

  4. OpenRouter Blog

    LLM 量化：fp8 和 fp4 对质量与价格的影响

    在 OpenRouter 上测试，fp8、fp4 与 fp16 在 240 个评分任务中未发现精度差异，所有六种端点得分在 98.3% 至 99.2% 之间。低精度通常更便宜，但 fp8 比 fp16 更贵的情况有 7 模型，4-bit 比 8-bit 更贵的情况有 7 模型。fp4 端点在 40 个无工作流乘法任务中表现最差，但差距可能由偶然性导致。

  6. MarkTechPost

    Meta FAIR 发布 e-means：一种在 10 倍更少迭代中超越 k-means 的算法

    Meta FAIR 发布的 e-means 算法在 1.4 到 2.6 个迭代内达到 k-means 25 个迭代的损失水平，GPU 速度提升 10-45 倍、CPU 速度提升 8-15 倍，无需超参数调整，已集成于 FAISS 1.16.0

    同一件事 · 2 家

    各家口径不同：Hacker News 表示 e-means 在 25 轮训练内达到低于 Lloyd 算法的测试损失，而 MarkTechPost 提到 1.4 到 2.6 轮达到 k-means 25 轮的损失水平。

  7. AWS Machine Learning Blog40

    Amazon Bedrock AgentCore Evaluations 如何使用内置、DeepEval 和 AutoEval 评估智能体

    Amazon Bedrock AgentCore Evaluations 提供内置、DeepEval 和 AutoEval 三种评估器评估智能体。内置评估器由 AWS 开发和测试，覆盖常见维度；DeepEval 和 AutoEval 是第三方开源库，AgentCore 在生产环境托管运行。评估过程需先定义业务成功标准，拆解为可观察行为，再映射到合适的评估器层级。

  8. OpenAI Alignment Blog

    GPT-6 Astra 的 CoT 监测能力受预训练、架构、强化学习和模型生成数据的影响

    GPT-6 Astra在非对抗设置中观察到CoT监测能力下降，对抗测试中CoT逃逸能力增强，且无CoT能力显著提升。预训练中，无CoT能力随基础模型困惑度降低而提高，架构影响有限，强化学习增强CoT控制能力，模型生成数据微调可传递CoT控制能力。模型困惑度与无CoT能力、控制能力呈正相关。

  9. TechCrunch · AI74

    PSI 尝试把 AI 驱动的科学发现做成生意

    初创公司 Physical Superintelligence（PSI）的技术人员 David Turturean 借助 Anthropic Fable 5.2 模型的早期访问权限，解决了悬置 18 年的量子计算问题 Aaronson-Ambainis 猜想。

    推荐理由: 一家初创用 Anthropic 未发布模型的早期权限解决量子计算悬置问题，呈现 AI 科研商业化的现实路径与边界。

  11. AI as Normal Technology

    STABL 研究组织定位在 AI 影响的关键象限

    非营利研究组织STABL认为先进AI具有变革性潜力，但社会转型速度将受限于人类和组织变革，而非技术进步。该组织主张重视AI影响的下游瓶颈，位于一个强调技术潜力与影响瓶颈并重的二维象限中，旨在填补当前思考空白，推动制度变革与社会韧性研究。

11月10日周二
  1. Hugging Face Blog

    Hugging Face 探索决策模型在非文本生成场景的应用

    Hugging Face 探索决策模型在非文本生成场景的应用，如将 LLM 用于客户支持系统处理退款请求，模型直接评估选项并返回概率分布而非生成文本。决策模型输入状态和问题，输出结构化决策及概率，优于 LLM 直接生成 JSON 的方式，后者可能不遵循请求模式且效率低。决策模型与分类模型不同，前者输出类别可动态调整，后者输出类别固定且需重新训练扩展。

  4. Google DeepMind

    AlphaProof Code：Google DeepMind 开源多 LLM 智能体框架实现复杂软件深层形式化验证

    Google DeepMind 开源 AlphaProof Code 框架，用多 LLM 智能体首次实现广泛部署的 Signal 协议代码深层形式化验证，生成超 600 万行 Lean 证明，仅 1% 代码需人工复核，将专家团队数年工作压缩至四周，并成功识别出两处已知漏洞。

    同一件事 · 2 家
  5. Hugging Face Daily Papers

    Frontier3DBench：跨对象、场景和交互开放世界的代码智能体 3D 创作基准测试

    Frontier3DBench 统一评估了 145 项任务中代码智能体在对象、场景和交互式 3D 世界创建上的能力，GPT-6.1-sol 在对象和场景层表现最佳，总得分 66.02/100，但所有配置在对象和场景任务中参考重建得分均低于文本驱动生成。生成世界在局部机制上平均 83.08/100，但在运动清除和状态化工作流上仅分别为 20.82 和 30.26，显示协调活动完成仍是核心瓶颈。

  6. Hugging Face Daily Papers65

    Reframe：面向具身视觉推理的观察对齐多教师策略蒸馏框架

    Reframe 通过证据感知强化学习和观察门控策略蒸馏，在 14 个图像和视频基准测试中提升具身视觉智能体的工具使用表现，优于 Mix-RL 和基础 MOPD 方法。其两阶段框架 GD-GRPO 和 OG-MOPD 分别通过随机移除原始视觉输入和从修复后的观察中恢复蒸馏，互补地促进模型依赖工具返回的观察结果。

  10. Hugging Face Daily Papers

    ReproBridge：为机器学习研究工件构建可复现性

    ReproBridge通过标准化设计（精炼代码库、环境设置、实验启动器和复现指南）提升机器学习实验复现成功率，在ReproBridge-Bench上使四款模型的平均复现率从76.4%提升至92.6%。精炼工件使下游API成本平均降低19.7%，缩小模型间成功率差距至3.9个百分点，所有模型均达到90%以上成功率。移除代码或环境组件会显著降低复现效果。

  12. Hugging Face Daily Papers

    LingBot-Touch 发布：一种支持通用灵巧操作的异构触觉表示学习模型

    LingBot-Touch 是一个触觉基础模型，学习跨不同触觉传感器（压阻式、磁性、视觉触觉）的统一、可扩展表示，产出可即插即用的触觉 token，持续增强扩散策略和视觉语言行动（VLA）模型（如 π_{0.5} 和 LingBot-VLA）的灵巧操作能力。实验表明，该触觉表示在模拟和真实机器人部署中显著提升复杂操作任务表现，同时保持强计算效率。

  14. Hugging Face Daily Papers

    基于结构感知内核的快速精确相对位置注意力

    一种精确的瓦片注意力算法将加性相对位置项集成到类似 FlashAttention 的计算中，减少内存和计算开销，加速长上下文相对位置 Transformer。该方法（1）使用偏移感知瓦片避免冗余索引和内存访问，（2）仅计算必要的键/查询关系产品并在前向和反向传递中重用它们，以及（3）使用基于偏移的梯度分片和聚合，消除原子竞争。

  18. Hacker News · 300+ 热帖

    e-means：在十分之一的训练轮数内超越 k-means

    e-means 在 25 轮训练内达到低于 Lloyd 算法的测试损失，仅需 1.2 至 3 轮。与最先进的 Flash-KMeans 相比，GPU 端端速度提升 10-45 倍，CPU 端端速度提升 8-15 倍。e-means 通过指数移动平均更新、自动超参数调整、改进初始化和死簇复活策略，实现了速度和损失的双重优化。

    同一件事 · 2 家

    各家口径不同：Hacker News 表示 e-means 在 25 轮训练内达到低于 Lloyd 算法的测试损失，而 MarkTechPost 提到 1.4 到 2.6 轮达到 k-means 25 轮的损失水平。

  21. Hugging Face Daily Papers65

    EvoWorld：面向生成视频模型中视域外世界演化的研究

    EvoWorld 结合了一个用于维护和推理世界状态的视觉语言模型与分段自回归视频渲染器，以改进事件条件下的因果演化和重访生成视频世界模拟器的连贯性。现有的扩散式视频模型缺乏维护世界状态和推理事件条件后果的显式机制，常产生视觉上合理但行为静态或因果不一致的输出。EvoWorld 通过观察生成片段、维护世界演变记录并推理可能的状态转换，显著改善了事件条件下的因果演化，同时保持视觉质量和一致性。

  22. Hugging Face Daily Papers

    A2-MEAS 框架迈向具身智能体时代

    A2-MEAS 框架通过学习校正码和具身视觉语言行动模型提升机器人控制与故障恢复，在 50 任务 BEHAVIOR 2026 公开子集上达到 0.5755 Q-score 并实现 45.40% 任务成功率，12 项真实机器人任务平均成功率 57.92%。该框架采用动作预训练和任务专业化，训练吞吐量达 427.1 样本/秒，系统将开源模型、训练脚本及基础设施。

  26. Google Research

    Google Research 推出 Language Explorer 工具可视化世界语言多样性

    Google Research 发布 Language Explorer 在线平台，通过可视化与数据呈现全球语言多样性。该工具整合 LinguaMeta 开源数据集，支持 1,000 种语言，旨在帮助研究人员、教育者和爱好者探索语言差异。平台已作为互动装置亮相柏林通信博物馆新展览，并设有线上版本供公众访问。