跳到正文

#推理

今日 0 条
11月16日周一
11月14日周六
11月13日周五
  1. IT之家30

    中科院合肥物质院提出 M³Net 肺结节 AI 辅助诊断新方法

    中国科学院合肥物质院团队提出 M³Net 模型,通过模拟医生“先全局、再局部、后细节”的读片逻辑,实现肺结节良恶性辅助诊断。该模型在 LIDC-IDRI 和 USTC-FHLN 数据集上分类准确率优于十二种流行算法,且参数量与运算成本更低。研究结果已发表在 Information Fusion 上,旨在提高肺癌早筛的准确性与可解释性。

  2. Microsoft Research43

    Microsoft Research Focus 第 98 期:AI 语音翻译、KLS 猜想证明及编码智能体优化

    Microsoft Research 发布第 98 期研究简报,涵盖 AI 语音翻译进展、31 年未解的 KLS 猜想证明及编码智能体效率优化。针对长会话中上下文压缩导致的高成本问题,新提出的 APEC 方法在评估中降低了 25.4% 的成本和 9.6% 的执行时间。此外,研究还介绍了跨 104 种语言的 Latent Core Tokenizer 技术,旨在提升多语言模型性能。

11月9日周一
11月5日周四
11月4日周三
  1. Hacker News · AI 热帖39

    《生成式 AI 基础小书》:一本直观数学入门指南

    这本 195 页的修订版预印本提供了现代生成式 AI 数学基础的紧凑推导式介绍。内容涵盖 PCA、变分自编码器、扩散模型、归一化流、自回归分解、GAN 及基于能量的模型,旨在通过连贯路线连接主要生成模型家族。该书定位为面向数学好奇的研究者、从业者及学生的基础构建入门读物。

  2. Latent Space42

    LLM 直接读写神经网络权重的“Weight Space Programming”研究

    研究提出“Weight Space Programming”,让 LLM 直接读取和编辑较小模型的权重,实现类似修复 bug 或从零生成网络权重的能力。该发现被视为递归自我改进(RSI)从 0 到 1 的突破,但当前仅适用于简单游戏和 RL 策略。此前 Karpathy 曾展示通过代码编写实现自主训练,而新方法跳过了代码层直接操作底层参数。

  3. Hugging Face Blog52

    StateBench:测试大语言模型在长文档中追踪状态变化的能力

    StateBench 是一个测试大语言模型长文档状态追踪能力的基准。它设四级难度,评估显示 Gated DeltaNet 与混合架构直接训练后泛化远优于 transformer,而 Gemini 3.8 Flash、Claude Opus 5.5、GPT-6 Sol 和 Luna 在难任务上随输入变长准确率跌至 13% 以下。该基准提供开源数据与代码,助力研究者定位模型缺陷。

11月3日周二
  1. 量子位38

    北大孙仲联合IBM与Unconventional AI在Nature子刊定义现代模拟计算

    北京大学孙仲联合IBM苏黎世研究院及Unconventional AI在Nature旗下期刊发表综述,正式定义“现代模拟计算”体系。该体系基于阻变存储器实现高精度矩阵运算,安纳智芯芯片在FP32精度下吞吐量达英伟达H100的1000倍,能效提升100倍。此前孙仲团队已于2025年攻克模拟计算精度瓶颈,此次旨在统一该领域核心定义。

11月1日周日
10月30日周五
10月28日周三
  1. Google Research57

    Google 提出 sleep 框架:LLM 在持续学习中保留知识的新方法

    Google Research 提出 sleep 框架,通过交替主动交互与离线记忆整合使 LLM 持续学习新事实且不灾难性遗忘。该框架利用 MoE 参数扩展与知识蒸馏将短期上下文固化为长期参数,在 BABILong 基准上实现 10M tokens 长上下文近完美缩放,并在 AIME 24/25 与 HMMT 25 推理任务取得 79.2%、69.0%、46.1% 精度,优于 SFT 等基线。

10月27日周二
10月24日周六
  1. The Decoder73

    研究对比Claude Code等三种代码智能体框架:更贵但不更好,性能差距多属噪声

    Liu与Han的研究对比Claude Code、OpenCode和mini-SWE-agent三种代码智能体框架在SWE-bench Verified上的表现,发现性能差距多在噪声内但成本最高差三倍。仅OpenCode在大型任务池上落后最多9点,因其输出限制等问题。研究者建议每次harness对比都附相同设置重跑以区分噪声。

10月23日周五
10月21日周三
  1. Hugging Face Blog69

    FairStress:更深入评估大语言模型决策公平性

    Ai2 发布 FairStress 基准,用于衡量大语言模型在影响人的决策中超越最终选择的群体公平性。该基准包含 300 个双候选决策场景,结合对抗前缀扩展至超过 13 million 测试案例,实验显示模型受挑战时放弃正确决策存在群体不对称,这是 Ai2 开放评估工作的一部分。

    推荐理由:该基准通过引入对抗前缀与身份变量测试决策稳定性,揭示标准公平性评测忽略的隐藏不对称,为干预提供新评估工具。

10月15日周四
10月13日周二
  1. Microsoft Research43

    Microsoft Research 发布 StudentSim:用于评估 AI 辅导系统的个性化学生模拟器

    Microsoft Research 推出 StudentSim 系统,利用去标识化公开数据训练个性化 AI 学生模拟器,以在真实测试前评估 AI 辅导效果。该系统通过 StudentSimEval 基准在数学、英语写作和棋类任务中表现优于现有基线,提供了有效的训练反馈信号。此举旨在解决人工学生研究成本高、周期长的问题,加速 AI 辅导系统的研发迭代。

10月12日周一
  1. The Decoder80

    Google DeepMind 的 AlphaProof Nexus 解决数十个开放数学问题并获同行评审

    Google DeepMind 的 AlphaProof Nexus 基于 Gemini 3.1 Pro 在 Lean 中起草并验证证明,解决数十个开放数学问题并通过 Science 同行评审。

    推荐理由:在AI数学证明陷入期刊提交争议的背景下,该研究经同行评审确认了基于Gemini 3.1 Pro的形式化证明路线,为同类工作提供可比照案例。

10月11日周日
  1. 量子位70

    何恺明团队发布多模态Harness框架VISTA

    何恺明团队在论文中提出视觉原生Harness框架VISTA,让现有多模态模型无需训练即可保存并回看原始画面参与推理。在ARC-AGI-3中,VISTA使Claude Opus 5.0完成全部25个公开游戏获满分100,GPT-5.6 Sol得分99,并在GameWorld等基准提升成功率。该框架包含视觉观测、无损视觉记忆与主动视觉检查组件,后续将验证具身任务。

10月9日周五
  1. 量子位36

    字节 Seed 团队揭示 DeepSeek-V4 性能波动源于分块 KV Cache 压缩

    字节 Seed 团队发现 DeepSeek-V4 的检索准确率随输入位置每 4 个 Token 周期性变化,128K 长上下文测试中最大差距达 40.2 个百分点。研究证实该现象源于分块 KV Cache 压缩技术导致的“相位敏感性”,不同压缩步长对应不同波动周期。尽管后训练能缩小差距,但团队指出常规 Benchmark 难以检测此类位置偏差,需针对特定相位进行专项评估。

10月8日周四
10月6日周二
  1. Simon Willison34

    Qwen3.8 27B 纯文字加法能力基准测试

    本地部署的 Qwen3.8-27B 模型在禁用推理模式下,纯文字加法数值准确率仅为 23.57%,且随操作数位数增加性能从 97.04% 骤降至 6.44%。启用推理模式后,该模型在 169 个测试用例中正确回答 167 次。该实验旨在复现并对比 GPT-4o 此前在同类任务中的表现。

10月1日周四
9月16日周三
8月25日周二
  1. Hugging Face Blog62

    Multiverse Computing 提出 Quantization-Aware Healing:4-bit 压缩模型在 9 项基准中 7 项超过其全精度版本

    Multiverse Computing 发布论文《Quantization-Aware Healing: A Practical Recipe for Recovering Compressed, 4-Bit LLMs》,提出 QAH 方法:对结构压缩并量化的模型,直接从压缩前的原始全精度模型蒸馏,而非从恢复出的 bfloat16 checkpoint 蒸馏。

    推荐理由:论文给出压缩加量化后从原始教师蒸馏的恢复配方,并附与 QAT 的稳定性对比数据。

8月24日周一
8月17日周一
8月13日周四
  1. Microsoft Research41

    MindTopo:微软研究院推出评估多模态模型拓扑推理能力的新基准

    微软研究院推出 MindTopo 基准,用于评估多模态大语言模型在连通性、封闭、顺序、分离和绳结等拓扑关系上的推理与规划能力。测试显示,当前模型在静态图像识别上表现明显优于交互式规划任务,失败多发生在规划阶段而非感知阶段,模型难以在场景变化中持续保持对拓扑结构的理解。图像与视频生成工具在维持拓扑关系上同样不可靠。

7月26日周日
7月8日周三
  1. Rohan Paul43

    Anthropic 新工具 J-lens 揭示 Claude 内部存在符合意识理论的“J-space”工作区

    Anthropic 利用 J-lens 发现 Claude 内部存在名为 J-space 的私有工作区,其功能机制与人类意识的全局工作区理论高度相似。该空间仅占模型活动不到 10%,负责存储中间推理步骤,移除后会导致多步推理能力显著下降,但基础语言任务不受影响。这一发现为模型内部存在可检查的功能性访问机制提供了证据,但并未证明 Claude 拥有主观感受或意识。

6月25日周四

© 2026 SI·Hot · Super Intelligence Hot · 超级智能热点 · 网站数据均来源于网络公开资料,版权归来源方所有