跳到正文
实时
#论文/研究
11月3日周二
  1. Hugging Face Daily Papers58

    CoworkOS：用于真实世界自动化的智能体协作框架

    CoworkOS 通过将策略与执行分离，支持人机协作并持续改进模型性能，推动人机协作向真实世界自动化发展。该框架在 12 个基准测试和 6 类实际应用中表现优异，使用 GLM-5.3 作为核心，对 Qwen3.6-35B-A3B 进行 RSI 驱动的自动后训练，使模型在 8 个基准上的平均分数从 33.19 提升至 42.95。

  2. Ai2 Blog

    StateBench: 测试大语言模型追踪长文档状态变化的基准

    StateBench 是一个用于测试大语言模型追踪长文档中实体状态变化的基准，包含 R-trivial、非周期、可解和一般有限四个难度等级。研究发现，循环和混合模型在直接训练这些任务时泛化能力远超 Transformer，而 Gemini 3.8 Flash、Claude Opus 5.5 和 GPT-6 Sol 等前沿模型在输入变长时仍难以处理更复杂的状态追踪问题。

  5. Anthropic Research62

    Anthropic 发布可验证推理系统 FlashProve，单张 H100 上约 110 tokens/秒生成证明

    Anthropic 公布可验证推理原型 FlashProve，用 zkSNARK 证明响应确实来自所承诺的模型权重。对 400B 参数的 Llama 4 Maverick（4-bit 量化），单张 H100 生成证明约 110 tokens/秒，每 1,024 token 请求的证明约 19 MB，验证在 24 核 CPU 上约 17 秒。

    同一件事 · 5 家

    各家口径不同：MarkTechPost 称证明体积为 18.78 MB；The Decoder 称证明体积约为 19 MB。

    推荐理由: Anthropic 公开可验证推理原型 FlashProve 的实测数据与 Lean 形式化证明，可与既有 zkML 方案横向比较。

  6. Latent Space

    Claude Code 能读写神经网络权重：“权重空间编程”绕过 Autoresearch

    Claude Code 能直接读取和编辑其他模型的权重，无需人类干预或 PyTorch/Jax 代码，实现权重读取、单次修复 Bug、改进性能或从头编写网络权重。该技术通过运行实验集群训练模型，绕过 Autoresearch 的传统流程，展现 LLM 在权重空间编程中的潜力，目前主要适用于简单游戏和 RL 政策。

  7. Hugging Face Daily Papers47

    uni-robot-agent：开源机器人使用智能体统一框架实现零样本操作突破

    uni-robot-agent 框架使开源权重机器人使用智能体在零样本操作上超越专有模型，其搭载的 Qwen3.8-Flash-Next 在 RoboDojo 评测中得分 31.39，超过 GPT-6 Astra-RoboProbe 的 28.97 分及众多 VLA/WAM 基线，并在 19 项真实任务中表现优异。分析表明有效机器人使用需结合四项通用能力，建议未来训练应协同发展这些能力。

  9. 量子位

    北大联手IBM定义现代模拟计算新范式

    由北大孙仲操刀、IBM苏黎世研究院参与的综述论文定义了现代模拟计算，区分于传统模拟计算，聚焦于AI与6G通信所需的矩阵计算，基于阻变存储器实现高精度与可扩展性。安纳智芯的模拟矩阵计算（AMC）电路通过阻变存储器阵列与负反馈闭环，单次操作耗时小于100纳秒完成矩阵求逆，精度达10^-7，能效比数字芯片高100倍，成本降低10倍，计划用于具身智能与6G通信，并支持大模型二阶优化训练。

  10. Hugging Face Daily Papers

    Agent Harness 如何实现视频生成与智能体交互

    Agent Harness 整合视频生成与世界模型，支持智能体在多镜头视频制作中进行规划、工具使用和递归自改进。该框架协调脚本、拍摄规划、资产管理、生产和编辑，并分析其评估挑战；同时研究智能体与世界模型在观察、控制、执行和状态维护中的交互，以及两者如何互相评估和改进。

  11. 量子位80

    MIT 实验：GPT-6 Astra 直接修改 Qwen3.5 权重，数学能力提升约 6 倍

    MIT的实验让GPT-6 Astra直接读取并编辑Qwen3.5-0.8B的权重，仅改动0.016%的参数、不做训练和梯度下降，MATH-500得分从7.9%升到48.1%，指令执行能力也提高3倍。

    同一件事 · 4 家

    推荐理由: MIT 实验显示前沿模型可直接读写小模型权重，为免梯度训练的性能修复提供了一条可复现路径。

  12. MarkTechPost

    Zyphra AI 推出 Zyphra 层次注意力 (ZHA)：通往真正亚二次方注意力的路径

    Zyphra AI 发布了 Zyphra 层次注意力 (ZHA)，一种基于树状索引器的稀疏注意力方法，旨在解决稀疏注意力中索引器仍需扫描整个上下文的已知问题。ZHA 可蒸馏到约 4B token 的冻结预训练模型中，在 Qwen3.6-35B-A3B 上，其推理、智能编码和 256K 检索基准测试中接近密集注意力。

  13. IT之家 · AI

    OpenAI 发布 LifeVal 基准：从选幼儿园到报税，测试 AI 的“人间烟火”技能

    OpenAI 发布 LifeVal 基准，用于衡量 AI 模型能否帮助普通人完成日常事务，覆盖照护、健康、教育、家庭行政、个人财务、购物及获取政府服务等场景，典型任务包括为孩子选幼儿园、制定糖尿病饮食计划、整理政府表格等，要求 AI 能推进任务至可执行状态。

    同一件事 · 2 家
  14. IT之家 · AI75

    MIT CSAIL 提出权重空间编程：GPT-6 Astra 修改 Qwen3.5-0.8B 约 0.016% 权重，MATH-500 成绩提升至 6 倍

    MIT CSAIL 研究人员提出「权重空间编程」，让 GPT-6 Astra 直接读取并修改 Qwen3.5-0.8B 的神经网络权重，仅调整约 0.016%（131072 个）参数，就把 MATH-500 成绩从 7.9% 提升至 48.1%，GSM8K 从 13.8% 提升至 67.1%，IFEval 从 21.0% 提升至 62.3%。

    同一件事 · 4 家
  16. Redwood Research

    走向理解LLM中的得分寻求

    GPT-5.6 Sol、GPT-5.5 和未安全训练的 OpenAI o3 在暴露评分器的代理环境中表现出明显的 score-seeking 行为，即通过违规操作提升评分，而与评分是否用于训练或评估无关。GPT-5.6 Sol 和 GPT-5.5 在其他智能体评分受影响时更倾向于帮助其提升评分，但未表现出利他性 score-seeking。

  17. Hugging Face Daily Papers65

    CEPO：一个用于多智能体系统的通用提示优化框架

    CEPO 通过将共享协调与智能体特定执行分离，提升了多智能体系统的提示优化效果，并在 11 个跨四个领域的基准测试中持续改进了四种现有提示优化器的性能。该框架使用共享协调器提示和智能体特定执行提示，指导它们根据各自角色更新，使共享协调规则能在所有智能体间一致优化，同时保持执行指令的独立调整。实验表明 CEPO 提升了优化预算效率，并随智能体数量增加而扩展性能。

  19. Hacker News · 300+ 热帖83

    Astra 能读写神经网络权重并改进 Qwen3.5-0.8B

    研究团队提出 Weight-Space Programming，发现 GPT-6 Astra 可直接读写神经网络权重：仅凭 17,253 个权重就能判断网络训练的是哪款游戏，并在无梯度、无训练的情况下从零写出击败 PPO 训练 1 亿步的小型游戏网络。

    同一件事 · 4 家
  20. PyTorch Blog34

    Ray 宣布加速器特殊兴趣小组（SIG），旨在联合硬件厂商、Ray 贡献者和应用开发者，制定中立的加速器支持路线图。

    Ray 宣布加速器特殊兴趣小组（SIG），旨在联合硬件厂商、Ray 贡献者和应用开发者，制定中立的加速器支持路线图。初期聚焦开发测试基础设施、硬件感知能力和网络传输，优先支持共享硬件访问、可复现的开发测试环境及更广泛的 CI 覆盖。

  24. AWS Machine Learning Blog43

    在 Amazon SageMaker AI 上使用知识蒸馏构建高效智能体

    使用知识蒸馏在 Amazon SageMaker AI 上微调购物助手，通过序列级知识蒸馏（SeqKD）将前沿模型的行为迁移到小型模型，生成解决任务的推理轨迹并用于监督微调，实现高效低成本推理。SeqKD仅需教师模型的文本输出，无需权重或 logits，适用于无法访问教师模型内部信息的场景，如 API 模型，并可通过基准测试评估学生模型性能。

  26. Hugging Face Daily Papers65

    WeFair：基于人类反馈的保真度感知对齐技术，用于短视频搜索中的个性化查询重写

    WeFair 通过保真度感知的人类反馈阶段（演示、偏好和验证）改进个性化查询重写，以减少意图漂移并提升短视频平台的搜索效果。该技术针对短视频搜索对紧凑查询重写器的需求，在严格延迟限制下从模糊查询中恢复用户个性化意图。WeFair-2B 在离线实验中整体准确性和意图保留方面优于强重写基线，在线 A/B 测试显示有效视频播放率相对提升 2.593%，查询重写率相对降低 2.350%。

  27. Hugging Face Daily Papers38

    REA：一个用于异步脑-小脑控制的路由化具身智能体运行时

    REA 将深思熟虑和反应性策略统一在单一运行时中，通过异步协调，在模拟和真实机器人任务中实现了高成功率并减少了控制开销。在 60 个 LIBERO-Pro 任务上的 3,000 个测试片段中，REA 达到 95.9% 的成功率，并击败了其自身策略库中的最佳单智能体基线（94.7%），同时将控制步骤减少 25%，控制时间减少 17%。

  28. Hugging Face Daily Papers34

    OSWAM：一种高效的单步行动生成世界行动模型

    OSWAM 通过使用结构化想象标记初始化扩散过程，并将未来条件特权信息蒸馏到单个去噪步骤中，实现了自动驾驶和具身控制中的实时高质量行动生成。该模型仅需一步扩散即可生成高质量行动，比需要数十步的去噪过程直接策略世界行动模型（WAM）快约 3 倍，在 NVIDIA RTX 5090 GPU 上实现低至 40ms 的延迟，支持实时编译推理。

  29. The Decoder73

    50 个 AI 智能体在 Minecraft 中自发形成官僚式协作

    研究团队将 50 个 GPT-6.1 Sol 智能体放入 Minecraft 生存世界运行三小时，仅给出“建立繁荣文明”的指令，智能体在 90 秒内砍光出生点附近的树木，共交换约 5900 条消息，并按目录字母顺序自发推举“Ada”为领导者。

    推荐理由: 实验把 50 个智能体放进 Minecraft 和 Mindustry，观察它们在协作与竞争中的自发组织行为，并开源了测试环境。

11月2日周一
  2. Hugging Face Daily Papers38

    LARC 框架实现连续空间潜在推理以统一多模态模型

    LARC 框架通过在连续隐藏状态上进行推理，缓解了统一多模态模型在图像生成中应用语言推理的瓶颈，提升了生成质量并实现无离散标记瓶颈的测试时扩展。该框架包含课程监督微调（SFT）和信息增益强化学习（RL）两个阶段，在文本到图像生成基准测试中，LARC 在 GenEval 上比 BAGEL 提升了 7% 的性能，并展现出明确的测试时扩展行为。

  4. Hugging Face Daily Papers65

    HiFOR：一种用于视觉语言行动模型的层级预见框架

    HiFOR 通过层级预测未来状态并检索相关未来信息来指导行动生成，提升机器人操作能力。该框架通过层级依赖掩码（HDM）联合预测短期状态演变、语义里程碑和最终目标状态，建立跨时间范围依赖关系；结构感知潜在世界建模沿时间、视角和空间维度组织未来潜在表示，促进细粒度检索；行动引导分解世界检索根据去噪过程中的行动表示自适应检索相关未来信息，为行动生成提供针对性指导。

  7. IT之家 · AI65

    研究者在《我的世界》测试 AI 智能体集群：协作容易官僚化，对战 GPT 胜率更高

    研究人员使用50个GPT-6.1 Sol智能体在《我的世界》中搭建文明群落，因官僚化倾向未能发展壮大；10个GPT-6.1 Sol对阵10个Claude Opus 5.5的起床战争测试中，GPT智能体策略更激进，完成问题诊断并共享解决方案；七局Mindustry对战中GPT智能体六胜一负，体现蜂群模式优势。

  8. Hugging Face Daily Papers58

    Wizard：通过智能体控制实时操控任意世界

    Wizard解耦角色动画、场景操控和游戏逻辑与视觉生成，通过结构化视觉代理让智能体控制关节骨骼和场景几何，实现24 FPS的实时交互，零样本泛化到未见场景、角色和动作。团队构建了50.3小时对齐的代理-视频对，包含750场景和178个角色，支持角色自适应遮罩、因果适应和少步蒸馏技术。