AI 快讯
LIVE · 24h全网 AI 动态的中文速报，聚合引擎每 15 分钟更新。
- 10 月 21 日 05:0004:27
用 LLM 生成置信度分数并不可靠
↗ 查看原文 · rumple.github.io一篇技术文章指出，让 LLM 输出概率或置信度分数缺乏可信依据，因为模型给出的数字并不等同于基于信息的真实把握，建议 a…
- 04:09
- 10 月 21 日 04:0003:25
VeeReview用V模型衡量Agent提交PR的验证证据
↗ 查看原文 · arxiv.org研究提出VeeReview，用构建与验证配对评估PR中的验证证据，并对比741个仓库的1454对Agent与人类PR。工…
- 03:04
- 10 月 21 日 03:0002:56
- 10 月 21 日 02:0001:28
论文：用单次前向传播做类型化决策，自建评审替代前沿LLM
↗ 查看原文 · arxiv.org论文报告用LoRA适配的冻结骨干加指针头，在一次前向传播中完成三类判断，处理1000条会话约3分钟、成本约0.06美元…
- 10 月 21 日 01:0000:28
GenXR-Bench：首个评测编码Agent做交互式XR开发的基准
↗ 查看原文 · arxiv.org该基准含112个专家编写任务，覆盖功能实现、缺陷修复与应用生成，测试套件与专家判断一致率96.5%；10个模型中最佳配置…
- 10 月 20 日 22:0021:13
RegretBench：编码Agent任务完成率86.1%，备份意识仅15.2%
↗ 查看原文 · arxiv.org研究提出205个可执行任务的基准，衡量Agent是否在修改状态前先备份；并提出插件式备份层BackUpper，每任务成本…
- 10 月 20 日 19:0018:59
论文：卡住的Agent该把下一个token花在哪
↗ 查看原文 · arxiv.org研究提出Banzhaf资源归因框架，在MBPP+、HumanEval+与SWE-bench Verified的失败案例上…
- 18:45
- 18:03
Agent4Sci：前沿Agent能提升科学ML基准，但多靠工程技巧
↗ 查看原文 · arxiv.org该测试台覆盖11个领域20个基准，Claude Opus取得10.4%平均相对提升，提升几乎全部来自ML工程技巧而非研究…
- 10 月 20 日 18:0017:53
InterWebCoder：用可执行测试训练交互网页生成
↗ 查看原文 · arxiv.org研究者提出 InterWebCoder，用可执行测试脚本替代 GUI Agent 验证交互网页生成，9B 模型在 IWR…
- 17:47
Agent S4：让 Agent 自行演化界面
↗ 查看原文 · arxiv.org研究者提出 Agent S4，由元 Agent 从任务轨迹中构建并迭代界面与使用知识，在 OSWorld V2 上以 2…
- 17:16
科普：KV cache 占用 GPU 显存，MQA 与 GQA 如何缓解
↗ 查看原文 · dev.to文章解释 KV cache 虽避免重复计算旧 token，却大量占用显存，并介绍 MQA 和 GQA 两种注意力机制如何…
- 10 月 20 日 17:0016:39
MemT-1.0 讨论：Agent 记忆应原生而非外挂
↗ 查看原文 · dev.to文章指出多数 Agent 把记忆当作外部管道，每轮都重新查询向量库并重传上下文；MemT-1.0 展示了把记忆做进模型原…
- 16:30
论文提出 Proof-Carrying Contracts 框架，约束 AI 代理行为
↗ 查看原文 · arxiv.org研究者提出 PC2 框架，要求 AI 代理在执行操作前提交机器可校验的证明，由 Airlock 执行系统验证后放行，从而…
- 16:09
- 16:09
Ai2 发布 FairStress，评估 LLM 决策公平性
↗ 查看原文 · huggingface.coAi2 推出 FairStress 基准，用于衡量 LLM 在招聘、贷款等高风险决策中的群体公平性，不只比对最终选择，还…
- 10 月 20 日 16:0015:40
CopyGen 插件提升 LLM 精确复制原文片段能力
↗ 查看原文 · arxiv.org研究构建了测试模型逐字复制长文本片段的基准，发现现有模型错误频繁，并提出解码期插件 CopyGen，在三个骨干模型上平均…
- 15:26
nokast-secureRAG 用小模型拦截 RAG 提示注入
↗ 查看原文 · arxiv.org研究者发布约 0.5B 参数的小模型，作为检索与生成之间的语义防火墙，在分布内测试集上召回率 0.994、误报率 0.0…
- 15:20
S-Agent 2.0 让通用编码代理做空间推理
↗ 查看原文 · arxiv.org研究为通用编码代理配上命令行感知工具和持久场景记忆，在 MMSI-Bench 和 ReVSI 上分别比无工具版本提升 1…
- 15:19
IBM 提出 ALTK-Evolve：用学习记忆让 GPT-4.1 登顶 τ²-bench
↗ 查看原文 · huggingface.coIBM 研究团队发布 ALTK-Evolve，通过让 GPT-4.1 从任务成败中提炼行为规则并写入提示词，在客服基准…
- 15:07
新基准 DeclineCraft 衡量 RAG 模型何时该拒答
↗ 查看原文 · arxiv.org研究者提出 DeclineCraft 弃答基准，用 Minecraft 更新后的问题测试模型能否承认知识不足。27 个模…
- 10 月 20 日 15:0014:51
研究用 DSL 弥合自然语言抽象与具体动作的差距
↗ 查看原文 · arxiv.org研究者提出用领域特定语言（DSL）作为中间表示层，把抽象指令展开为具体动作。在 Hexagons 和 Text2CAD…
- 14:37
多智能体协作收敛理论：局部优化可带来全局进展
↗ 查看原文 · arxiv.org研究者把 LLM 智能体协作形式化为块优化并给出线性收敛证明。在机器人路径规划中，三智能体团队每次都能找到无碰撞方案，六…
- 10 月 20 日 14:0013:50
多模态 GraphRAG 框架用于风灾后建筑评估与恢复推断
↗ 查看原文 · arxiv.org研究提出多模态工程 GraphRAG 框架，把图像与勘察报告中的损伤证据关联到建筑状态、恢复行动和停工时间。在龙卷风低层…
- 13:34
AP-OPD 方法在在线蒸馏中对惩罚跳变重新加权监督
↗ 查看原文 · arxiv.org研究者发现在线蒸馏中存在惩罚跳变与教师置信度下降并存的现象，提出 AP-OPD，在检测到跳变时按前一块均值缩放后续监督系…
- 10 月 20 日 13:0012:09
ClawMMU：为有状态LLM智能体加内存保护
↗ 查看原文 · arxiv.org研究者提出ClawMMU，为智能体记忆标注归属、范围和权限，在内容进入上下文、写入存储或触发工具调用时校验，使网页注入的…
- 10 月 20 日 12:0011:51
HarnessAdapt-RL：训练智能体时同步调整运行框架
↗ 查看原文 · arxiv.org研究者提出HarnessAdapt-RL，在强化学习中同时训练策略并演化工具与钩子；9B模型在SWE-bench Ver…
- 10 月 20 日 10:0009:25
MMEnterprise-Bench：评测企业智能体的多模态记录推理
↗ 查看原文 · arxiv.org研究者发布MMEnterprise-Bench，含1613道基于演化多模态协作记录的问题，覆盖证据推理、冲突消解与不可回…
- 10 月 20 日 09:0008:50
- 08:45
- 08:17
- 08:08
RAG-NIMBF：非侵入式RAG配置评测框架
↗ 查看原文 · arxiv.org该框架以非侵入方式接入现有RAG流程，通过受控消融实验对比配置；在SQuAD上验证显示MMR检索可将nDCG@5提升4至…
- 10 月 20 日 08:0007:56
- 10 月 20 日 07:0006:53
生成式AI数学基础讲座：从变分下界到可训练极小极大博弈
↗ 查看原文 · dev.to有开发者整理 Prathosh AP 公开课《生成式AI数学基础》的学习笔记，梳理从变分下界推导到可训练极小极大博弈的过…
- 06:13
- 06:13
- 10 月 20 日 05:0004:07
- 10 月 20 日 03:0002:39
MemDev-Bench：评测记忆系统对代码智能体的影响
↗ 查看原文 · arxiv.org研究者发布 MemDev-Bench，用带相关性标注的真实仓库历史任务评测记忆系统，共含 555 个基础任务和 4869…
- 02:26
- 10 月 20 日 02:0001:52
- 01:48
- 01:46
论文提出AI Agent运行时控制层，区分审批有效性与当前状态
↗ 查看原文 · arxiv.org论文提出一种状态绑定的运行时保障层，将概率测量与确定性裁决分离，在审批依据变化后使执行许可失效，并在派发前重新校验。42…
- 10 月 20 日 01:0001:00
Ask-to-Distill：用合成问题优化在线蒸馏
↗ 查看原文 · arxiv.org研究者提出Ask-to-Distill框架，把合成问题当作分布引导器，用师生分歧等信号评估问题价值并优化生成。在数学推理…
- 00:31
- 10 月 20 日 00:0023:07
研究：63.2%的AI生成PR改代码不更新文档
↗ 查看原文 · arxiv.org研究分析AIDev数据集中2585个仓库的29669个AI生成PR，发现63.2%只改代码不更新文档，重构类任务达77.…
- 10 月 19 日 23:0022:59
REM框架为编码Agent管理经验记忆生命周期
↗ 查看原文 · arxiv.org研究者提出REM，在Agent思考-行动循环内决定存什么、何时召回、何时遗忘。在SWE-ContextBench Lit…
- 10 月 19 日 22:0021:44
TEAL：无监督演化编码Agent的数据湖分析工具
↗ 查看原文 · arxiv.org研究者提出TEAL，在无标签条件下为Worker Agent演化可复用工具库，由Explorer和Critic从互补证据…
- 10 月 19 日 21:0020:44
论文：COBOL 迁移 Java 的合成测试用例认证方法
↗ 查看原文 · arxiv.org研究者提出通过入口重放测试用例认证，为 COBOL 迁移生成端到端合成测试，在 3.3 万行程序上覆盖 78.1% 分支…