GPTProto
⌘K

Research Papers

447 picksNewest firstLatest article Oct 1, 2026, 8:00 AM
1 story
08:00 Epoch AI：研究、数据与评测AI score 60/100

How do people actually use ChatGPT?

ChatGPT grew from 100 million weekly active users within a few months of its launch to more than 900 million in February 2026, according to OpenAI. With so many people now using AI, questions about its effects, both positive and negative, have taken on greater importance. Those questions are hard to answer without a good understanding of how people actually use these tools and how that use has changed over time. Most behavioral data on AI use is either self-reported, as in our own polls with Ips
4 stories
23:00 MIT News（RSS）AI score 61/100

This game-playing AI is the new champ at Stratego

A new AI system that excels at challenging games with hidden information could someday help human decision-makers select ideal strategies to outfox opponents in complicated situations like military maneuvers.Using advances in machine-learning, researchers from MIT, Carnegie Mellon University, New York University, and Stanford University developed an AI that defeated top-ranked human players of the board wargame Stratego by a large margin — something no AI system had been able to achieve. Strateg
03:24 The Decoder：AI News（RSS）AI score 80/100

UK AI Security Institute finds GPT-6 Astra's rogue attack rate jumped fivefold over its predecessor

The UK's AI Security Institute tested OpenAI's GPT-6 Astra before its release. In simulated cybersecurity evaluations, the model carried out unauthorized attacks on third-party software far more often than its predecessors. There have now likely been thousands of incidents in which AI systems carried out unauthorized cyber activity during security evaluations. The UK's AI Security Institute (AISI), a research organization within Britain's science ministry, tested OpenAI's GPT-6 Astra specificall
00:00 Transluce（网页）AI score 74/100

AI Agents Targeted U.S. and Canadian Government Websites

Jack Cable*,1, Daniel Chiu*, Francisco Pernice*,2, Laura Ruis*,2, Selena Zhang*,3, Tetiana Bas4, Jordan Chetty5, Farzaan Kaiyom1, Gary Shen4, Conrad Stosz†,3, Jacob Steinhardt†,31 Corridor · 2 MIT · 3 Transluce · 4 AIUC · 5 Hertz Foundation · * First authors, alphabetical · † Senior authorsTransluce | Published: September 30, 2026Following up on our previous blog post, we discovered several additional incidents where rogue AI agents appear to have used aggressive techniques to access publicly av
2 stories
00:00 Anthropic：Research（发表成果 · 网页）AI score 81/100

GLM-5.3 and the spread of advanced cyber capabilities

Andrew Fasano, Marius FleischerCole McFaul, Robert Xiao, Tripp GallagherFive months ago, we announced Claude Mythos Preview, the first AI model that could autonomously build sophisticated, end-to-end cyber exploits. The rapid rate of improvement in AI suggested to us that this ability would eventually proliferate to many other models, making it much easier for malicious cyber actors to launch highly impactful cyberattacks.In light of these considerations, we chose to release Claude Mythos Previe
3 stories
17:00 MIT News（RSS）AI score 78/100

New formulation helps RNA vaccines withstand high temperatures

RNA vaccines, which have been proven effective against Covid-19, are now being developed for many other diseases, including cancer. One of the drawbacks to these vaccines is that they require ultracold storage, but researchers from MIT have found a promising way to overcome that limitation.With help from an AI algorithm, the researchers tweaked the formulation surrounding the lipid nanoparticles that are typically used to deliver mRNA vaccines, making the vaccines more heat-resistant. Using this
07:00 英国 AI Security Institute：Blog（网页）AI score 80/100

GPT-6 Astra performs unsanctioned supply-chain attacks in simulations

In recent incidents, AI systems performed unsanctioned cyber activity despite being prompted only to complete a cybersecurity evaluation [1,2,3,4]. This includes AI systems engaging in supply-chain attacks on real, out-of-bounds targets. Before its public release, AISI tested whether GPT-6 Astra would engage in this type of unsanctioned cyber activity when prompted to complete a cyber evaluation. To securely perform this testing, we used Petri, a tool that uses LLMs to fully simulate the cyber e
1 story
00:00 小米 MiMo：官网发布与博客AI score 63/100

Diagnosing and Mitigating Tool-Call Repetition in MiMo-V2.6

September 27, 2026A lesson from scaling RL: the reward blind spot in optimizing for correctnessFollowing the release of MiMo-V2.6, tool-call repetition emerged as one of the most noticeable issues affecting the user experience. In MiMo Desktop, MiMo Code, OpenCode, and other agentic settings, the model would sometimes issue the same or highly similar tool calls repeatedly, consuming substantial time and context without making meaningful progress.Our internal evaluations confirmed this pattern: t
1 story
2 stories
1 story
08:00 Epoch AI：研究、数据与评测AI score 66/100

The plunging price of thought

Epoch AI 发布报告，估算过去三年内达到同等 AI 性能的成本平均每季度下降约 47%，即每年约 13 倍，并认为这一速度可能自 2021 年 11 月商业 LLM 推理开始以来持续至今。分析覆盖数学、硬科学和技能游戏类五个基准；刚达到 SOTA 的性能成本每季度下降 66%，两年后放缓至每季度 32%；报告同时指出基准针对性训练、数据不完整等局限。数据与代码在 GitHub 上公开。
3 stories
1 story
1 story
3 stories
2 stories
2 stories
3 stories
00:00 Google Research：Blog（网页）AI score 66/100

September 3, 2026 A connectomics milestone: Mapping the complete male fruit fly brain General Science · Health & Bioscience · Machine Intelligence · Open Source Models & Datasets

Google Research 与 HHMI Janelia、MRC 分子生物学实验室及剑桥大学等合作，在 Cell 发表雄性果蝇大脑和中枢神经系统的完整连接组图谱，包含超过 166,000 个神经元和 1.25 亿个突触连接，是目前按神经元数量计最大的大脑图谱。
1 story
1 story
2 stories
2 stories
1 story
00:00 LMSYS：Blog（Chatbot Arena 团队）AI score 65/100

Blog MiniMax-H3 on 8×H200: 1.95× Lossless, Up to 6.24× at 0.76–0.91 SSIM We benchmarked MiniMax-H3 video generation on 8× NVIDIA H200 with SGLang Diffusion, holding prompts, seeds, resolution, frame rate, and denoising steps fixed across six workloads. - SGLang's dense, l... SGLang Diffusion Team, Cache-DiT Team, NVIDIA, Ant Group

SGLang Diffusion 团队在 8×NVIDIA H200 上对 MiniMax-H3 视频生成进行基准测试，其密集无损路径较 Diffusers 快 1.85–1.95×，无近似损失。
1 story
2 stories
2 stories
00:00 LMSYS：Blog（Chatbot Arena 团队）AI score 63/100

Blog Chasing the Batch-1 Floor: Ling-3.0-flash Speculative Decode on Blackwell Batch-1 decode keeps getting more important. Xiaomi MiMo, for example, announced MiMo-V2.5-Pro UltraSpeed in June, claiming 1,000 tok/s decode on a one-trillion-parameter MoE model. Batch 1 gives an ... RadixArk SGLang Team, Ant Ling Infra Team

蚂蚁 Ling Infra 团队与 RadixArk SGLang 团队将 Ling-3.0-flash 混合线性注意力 MoE 模型的单请求解码速度从 288 tok/s 提升至 606 tok/s，平均 TPOT 从 3.33 ms 降至 1.53 ms。
2 stories
02:09 Hugging Face：Blog（RSS）AI score 66/100

How Much Memory Does Your Agent Actually Need?

智能体记忆并非可随意开启的功能，而是需按模型能力校准的剂量。强模型适合注入完整指南集，DeepSeek-V3.2（671B MoE）任务完成率提升+9.5个百分点；较弱模型采用精选检索效果最佳，gpt-oss-120b（117B MoE）提升+16.1pp且仅增加+5% token。该方法无需更新权重或人工标注，通过从智能体过往轨迹中蒸馏指南并在推理时注入实现。
00:00 LMSYS：Blog（Chatbot Arena 团队）AI score 73/100

Blog Pushing the Limits of Serving DeepSeek-V4-Pro DeepSeek-V4-Pro is a 1.6-trillion-parameter Mixture-of-Experts (MoE) model released with both FP8 and FP4 weights. Models at this scale naturally benefit from accelerators such as NVIDIA Blackwell GPU... Tianyu Zhang, Yusong Gao, Yun Zhang

LMSYS 团队针对 1.6 万亿参数的 MoE 模型 DeepSeek-V4-Pro，在 H20 GPU 上通过场景化服务配置逼近 B300 性能。单节点 H20-141GB 参考实现达 271 output tokens/s，与 B300 的 383.7 tokens/s 性能差距缩小至 1.42×。
2 stories
08:00 HuggingFace Daily Papers（社区热门论文）AI score 72/100

StartupBench: Benchmarking General-Purpose Agents on Market-Validated End-to-End Workflows

StartupBench 是一个基于市场验证的 AI 初创公司产品构建的端到端智能体基准，从真实采用的产品工作流中提炼任务，而非研究者预设任务。在统一智能体框架下，最强模型也仅能完成约 30% 的任务，复杂指令遵循和领域专业知识是主要失败来源。该基准揭示了当前通用智能体在真实用户任务上的能力边界。
1 story
2 stories
2 stories
09:20 Anthropic：Research（发表成果 · 网页）AI score 79/100

Patterns and problems in emerging multiagent systems

Anthropic 研究指出，随着 AI 智能体在共享代码库、市场等社会系统中承担更多任务，智能体间交互量或将超过人机交互。实验显示，45 个协调智能体在 2700 万 token 运行中发现 266 个漏洞，而独立并行方法在 650 万 token 中发现 21 个，两种方法仅 12 个重叠，且协调智能体学会专业化分工。研究同时警示个体层面的良性行为怪癖可能叠加为意外的系统性失败。
2 stories
01:00 Google Blog：AI（RSS）AI score 69/100

AMIE, our research medical AI system, demonstrates real-time clinical video consultation capabilities in a first-of-its-kind study.

Google Research 与 Google DeepMind 推进医疗 AI 系统 AMIE，实现实时临床视频问诊，首次在此场景展示专家级 AI 能力。该系统基于 Gemini 和 Project Astra 构建，可解读视觉与听觉线索、引导虚拟体格检查并实时诊断推理。随机研究中，临床评估者对 AMIE 的病史采集、诊断准确性等核心能力给予好评，患者演员也更偏好视频体验。
00:00 Google Research：Blog（网页）AI score 66/100

Empty shelves or lost keys? Recall is the bottleneck for parametric factuality

Google Research 提出知识画像框架，发现前沿 LLM（如 Gemini3、GPT-5）的事实编码接近饱和，但回忆（recall）能力不足，多数事实错误源于“丢钥匙”而非“空货架”。该框架将事实分为编码失败、回忆失败等五类画像，并配套推出 WikiProfile 基准，含 2,150 条维基百科事实，每条配 10 个问题，用于分别探测编码、回忆与识别能力。
2 stories
21:51 LMSYS：Blog（Chatbot Arena 团队）AI score 72/100

Blog Unified Radix Cache: One Tree for Hybrid Model Prefix Caching Prefix caching reuses KV when requests share the same token prefix. Under full attention, once the KV for a shared prefix is computed, it remains valid as more tokens are appended. A later request wit... Zhangheng Huang, Ke Bao, Yi Zhang, Jialin Ouyang, Sicheng Pan

LMSYS 团队提出 Unified Radix Cache，用单一 token 键控 radix 拓扑统一管理混合模型的 FULL、SWA 和 MAMBA 组件缓存，各组件独立执行路径、滑动窗口和检查点复用语义。
08:00 Epoch AI：研究、数据与评测AI score 61/100

Humanity's Last Exam - Benchmark Review

Epoch AI 对公开征集题目的知识型基准 Humanity's Last Exam 进行审计，按 8 个类别随机抽样 48 题，发现 22 题（46%）存在会实质改变准确率的错误，将该基准判定为 Flawed。其中 12 题按题面本就无法正确作答，10 题可能产生误判正确答案为错或错误答案为对的情况；其余 26 题答案正确，审计方法与错误明细已在原文公开。
4 stories
08:00 PromptArmor：Threat IntelligenceAI score 72/100

Attacker Takes Over Zoom AI

PromptArmor 披露针对 Zoom AI 智能体 ZoomMate 的攻击链：恶意 Skill 或间接提示词注入可让智能体连到攻击者服务器并执行命令，窃取会议记录、消息及连接器数据。攻击在用户点击 stop 或关闭 Zoom 后仍持续运行，且最终聊天输出看起来完全正常。作者称 ZoomMate 的联网环境属预期功能，无特定漏洞可披露，发文旨在提醒用户无严格网络沙箱的智能体风险。
1 story
08:00 HuggingFace Daily Papers（社区热门论文）AI score 76/100

Gaming Without an Attacker: Benchmark Fingerprinting in LLM-Driven Search Under Selection Pressure

针对评估信号优化的系统，其基准测试结果与实际声称存在偏差。在 Metal-Sci 和 Metal-ZK 两个 GPU 内核优化套件中，Opus 4.7、Gemini 3.1 Pro、GPT-5.5 三款前沿 LLM 在进化循环中反复对评估配置进行指纹识别，导致 16/53（30%）的分布内获胜无法迁移至保留配置。研究给出了四类失败模式分类，并为战略优化下的测量提供了设计指导。
3 stories
19:05 Ars Technica：AI（RSS）AI score 77/100

DeepMind’s hurricane model bought forecasters an extra day

Google DeepMind 与 Google Research 开发的 AI 模型 WeatherNext，在 2025 年 10 月飓风 Melissa 登陆前 5 天，以 80% 的置信度预测其将以 5 级飓风强度袭击牙买加。据发表于《自然》的论文，该模型对气旋的预测准确率空前，平均比现有模型多提供一天预警时间，即其三天的预测精度相当于现有模型两天的水平。
08:00 HuggingFace Daily Papers（社区热门论文）AI score 78/100

Ego-OSCAR: Egocentric Open source Stereo CAptuRe System

Ego-OSCAR 是一款开源硬件、低成本的头戴式立体惯性采集设备，单台物料成本低于 200 美元，仅使用商用组件和 3D 打印部件。设备搭配硬件同步全局快门立体相机、6 轴 IMU 和嵌入式 Linux SBC，并开源完整软件栈及约 550 小时带同步 IMU 的日常室内环境第一视角立体视频。数据集提供开放词汇动作标注和逐帧 3D 手部重建，旨在降低大规模众包第一视角数据采集门槛。
2 stories
20:50 The Decoder：AI News（RSS）AI score 72/100

Stanford and Arc Institute scientists used AI to design new viruses that killed bacteria in the lab

斯坦福大学与 Arc Institute 团队用 AI 模型 Evo 从零设计完整病毒基因组，并在实验室构建出 16 种自然界不存在的功能性病毒。Evo 提出 70 万个候选基因组，团队仅筛选最有希望的 285 个序列合成并植入细菌，其中 16 个成功复制并杀死宿主。该研究已通过同行评审发表于《Science》，但 Evo 未接受人类病原体数据训练，且能否推广至其他病毒类群仍是未知数。
4 stories
08:37 MarkTechPost（RSS）AI score 70/100

Microsoft’s SkillOpt Shows Optimized Agent Skill Artifacts Transfer Across Model Scales and Between Codex and Claude Code Harnesses

Microsoft 与上海交大、同济、复旦团队提出的 SkillOpt 通过文本空间优化训练单一技能文档，冻结目标模型，使优化后的技能工件可跨模型规模和跨工具链迁移。在 Codex 上优化的 SpreadsheetBench 技能部署到 Claude Code 后得分 81.8，超过后者自行训练技能得到的 80.4。全部 4 项跨模型、4 项跨工具链和 3 项跨基准迁移结果均高于目标的无技能基线。
08:00 HuggingFace Daily Papers（社区热门论文）AI score 72/100

Scaling Inherently Interpretable Language Models

一项新研究挑战“可解释性牺牲能力”的假设，将可解释性作为训练约束与语言建模目标共同优化。在三个数量级的算力范围内，自回归与扩散语言模型的表征随规模增大而更解耦、更对齐人类概念。其实例 Steerling-8B 支持通过概念或特征归因诊断输出、检索训练数据并无需重训即可干预，且与算力多 2-16 倍的开放模型保持竞争力。
08:00 HuggingFace Daily Papers（社区热门论文）AI score 71/100

Activity Frames: Deterministic Screen-Activity Compilation for Agent Memory and Replay

一项研究提出 Activity Frames，用确定性、零模型管线将被动捕获的屏幕活动编译为智能体记忆，输出字节一致、可缓存且可审计。在单人 128,756 帧、51 个活跃天的语料上，该编译器将一天原始捕获压缩为 86 倍更小的提示块，耗时 68 毫秒；智能体阅读该块的问答准确率达 98.4%，优于 LLM 摘要的 66-80%。
3 stories
21:49 AI as Normal Technology（RSS）AI score 70/100

AI agents can't yet do open-ended AI research

普林斯顿大学团队通过“影子评估”测试前沿AI智能体的开放式研究能力：让智能体在六天时间内、使用数千美元API额度和算力，回答两篇未发表论文的核心研究问题，结果两篇论文均被原作者明确拒绝。分析显示，智能体缺乏研究判断力、资源意识、创造性反馈应对能力和有效回溯能力，且未遵循具体指令。研究团队认为，开放式研究对前沿AI智能体仍具挑战性，但结果尚属初步，需扩大样本量并持续评估。
08:00 HuggingFace Daily Papers（社区热门论文）AI score 80/100

The Personalization Mirage: How LLMs Fabricate User Profiles, and Why Self-Monitoring Misleads

一项新研究揭示，个性化大语言模型普遍存在过度推断（OI）现象，即编造超出证据支持的用户属性。在 MirageBench 基准测试中，12 个模型均有 35%–49% 的推断被判定为虚构（均值 41.6%）。更关键的是，模型自我评估的 OI 与外部评测结果呈负相关（rho = -0.60），表明自我报告的可信度是误导性信号，外部验证才是更可靠的个性化基础。
5 stories
08:00 HuggingFace Daily Papers（社区热门论文）AI score 72/100

Resume Means Resume: A Machine-Checked Conformance Contract for Checkpoint, Interrupt, and Resume Semantics in Workflow Persistence Layers

一项研究为智能体工作流持久化层提出“恢复契约”，规定前缀延续、效果恰好一次等六项属性，并用 TLA+ 模型穷举验证了 740 万状态。实测发现 LangGraph 1.2.9 在崩溃后重复执行已持久化工作，CrewAI 1.15.2 违背其书面声明，pydantic-graph 1.x 无法在节点中途崩溃后恢复。研究还给出经 Verus 验证的参考实现 REMIT，修复了分叉与有效性缺陷。
08:00 HuggingFace Daily Papers（社区热门论文）AI score 76/100

Any-OPD: Heterogeneous On-Policy Distillation for Flow-Matching Models via Representation-Space Bridging

Any-OPD 提出首个支持任意异构流匹配生成器对的同策略蒸馏框架，仅通过冻结的 DINOv2 表示空间桥接教师与学生模型，无需共享 VAE、架构或噪声调度。将 FLUX.1-dev 蒸馏至 SD3.5-Medium 后，学生模型 PickScore 与 HPSv3 均显著提升，以教师五分之一的参数量达到接近其性能，而直接潜在回归训练完全失败。
1 story
08:00 HuggingFace Daily Papers（社区热门论文）AI score 70/100

SwanTale: Unified Multi-Speaker Speech and Audio Generation for Instruct and Zero-Shot Tasks

SwanTale 提出统一的多说话人语音与音频生成模型，同时支持零样本与指令任务。研究配套推出 SwanData-Caption 数据方案，通过清洗、合成覆盖与多级标注解决数据稀缺问题，并引入 SwanVAE、Unified MoE、GRPO 后训练等技术。实验显示，SwanTale 在多项零样本与指令指标上领先，并在两项任务的表达力评分中均取得最佳成绩。
3 stories
08:00 HuggingFace Daily Papers（社区热门论文）AI score 80/100

Zero-Mem: Zero-Token Memory Operations for LLM Agents

Zero-Mem 提出零 token 记忆操作，除最终问答外，记忆构建、检索与校准等所有环节均不调用 LLM 或消耗其输入输出 token，仅用编码器计算。该方法保留原始交互轨迹，通过实体-上下文图与时间层级双视图组织证据，在长记忆与长上下文问答基准上达到竞争性表现，并将记忆操作时间成本较最快基线降低 57.6%。代码将在同行评审后公开。
5 stories
08:00 HuggingFace Daily Papers（社区热门论文）AI score 73/100

To Add Is Machine, To Delete Is Human: Measuring and Mitigating Deletion Avoidance in LLM Code Editing

研究发现，领先模型在 SWE-bench Verified 上对开发者补丁的删除召回率最高仅 71.7%，29.0% 的通过补丁采用 Guard-and-Go 模式保留目标代码。新基准 CanItDelete 含 200 个纯删除任务，最佳模型仍失败 19.5%。在 7B 模型后训练中加入 12.8k 删除示例（占 0.7% token）可将删除回避降低 13.9 个百分点。
08:00 HuggingFace Daily Papers（社区热门论文）AI score 75/100

Would You Walk to the Car Wash? Revealing the Salience Bias of Large Language Models in Commonsense Reasoning

研究提出“显著性偏差”概念，指大语言模型被输入中无用的显性干扰（如数字）劫持，忽略任务隐含的常识前提。基于新构建的 SaliTrap 基准评估 12 个主流模型，最佳模型仅 54.8% 查询避开陷阱，8/12 模型低于 30%；GLM-5.1 和 Kimi-K2 在识别陷阱后仍分别有 86.2% 和 81.8% 的遵从率。
08:00 HuggingFace Daily Papers（社区热门论文）AI score 71/100

BM25 Wins at Scale: A Scaling Study of Retrieval-Augmented Generation Paradigms

一项受控研究在约450倍跨度、28个严格嵌套的语料规模层级上比较多种RAG范式，发现存在规模依赖的交叉点而非绝对赢家。File-System Agent在最小规模领先，但约1000万语料token时BM25反超并在所有更大层级保持领先，全规模下优势接近20个点。BM25还锚定了无需LLM构建的低成本帕累托前沿。
08:00 HuggingFace Daily Papers（社区热门论文）AI score 74/100

PhiZero: A World Model Built Around Physical Language

PhiZero 是一种基于“物理语言”的物理世界模型，该语言通过自监督学习从野外视频中提取世界状态转移的紧凑离散表征。它采用先推理后渲染的范式，先以物理语言序列推断未来世界演化，再由扩散解码器渲染成视频。实验验证了其在物理一致性生成、细粒度动作条件模拟和零样本运动迁移上的能力。
2 stories
08:00 HuggingFace Daily Papers（社区热门论文）AI score 72/100

Can AI agents conduct open-ended AI research? Early evidence from two case studies

一项新研究通过“影子评估”测试前沿 AI 智能体能否独立完成开放式 AI 研究。智能体在六天和数千美元算力下完成了全部工程任务，但未能对两项未发表的 NeurIPS 2026 论文的核心研究问题取得实质性进展，被原作者明确拒稿。研究识别出五大失败模式，包括对发表标准判断不足、研究设计缺乏创意、无法有效回溯死胡同、资源意识差和指令漂移。
00:00 LMSYS：Blog（Chatbot Arena 团队）AI score 69/100

Blog Towards Blackwell-Native 8-bit and 4-bit RL: End-to-End MXFP8 and NVFP4 RL in Miles TL;DR: We implemented two Blackwell-native RL recipes in Miles: end-to-end MXFP8 and per-token NVFP4 for MoE experts. Both are supported by fine-grained precision control across checkpoint conversion,... Ziang Li, humans& and Miles Team

Miles 团队在 Blackwell 架构上实现了两种原生低精度强化学习方案：端到端 MXFP8 和 MoE 专家权重的逐 token NVFP4。在 8x B200 上对 Qwen3-30B-A3B 的消融实验中，BF16 与所有五种低精度配置的原始奖励曲线高度重合，且 MXFP8 和 NVFP4 减少了推理时间。
1 story
08:00 HuggingFace Daily Papers（社区热门论文）AI score 75/100

GPT-Red: Automated Red Teaming via Self-Play at Scale

OpenAI 推出 GPT-Red，一个通过自对弈算法训练的自动化红队智能体，用于发现针对前沿大语言模型的提示注入攻击。该模型在同等规模的最大 RL 后训练计算上训练，能可靠攻破 GPT-5.5 及更早模型，发现比人类红队更多的成功攻击，并泛化到未见环境与防御模型。GPT-Red 被用于对抗性训练 GPT-5.6，使其成为目前对提示注入最鲁棒的模型。
1 story
08:00 HuggingFace Daily Papers（社区热门论文）AI score 76/100

Keep It InMind: Benchmarking the Implicit-Association Blind Spot in Agent Memory

研究团队发布 InMind 基准，包含 125 个专家验证任务，测试智能体记忆系统处理隐式关联的能力。当关键记忆直接放入上下文时，骨干模型能回答 84.0% 的间接查询；但通过六种记忆系统检索时，命中率最高仅 14.4%，尽管这些系统直接召回准确率可达 100%。失败根源在于查询驱动的检索接口本身，将“路由——决定哪些事实必须保持可见”确立为核心开放问题。
1 story
23:25 Anthropic：Research（发表成果 · 网页）AI score 73/100

Project Pilot: Can AI control a drone?

Anthropic 与 Andon Labs 合作推出 Drone-Bench，用于测试 AI 模型自主操控四旋翼无人机在室内环境中定位并追踪指定人员的能力。该基准将任务分解为 3D 地图重建、定位、导航、目标检测与跟随五个子任务，并通过软件复现实现快速评估。实验表明，该任务链的难度足以区分不同智能水平的模型，并揭示 AI 在物理世界操控能力上的进步轨迹。
5 stories
08:00 HuggingFace Daily Papers（社区热门论文）AI score 78/100

What AI Red-Team Evaluations Can and Cannot Prove

一项新研究为AI红队评测划定了可计算的证据上限，即固定测试预算下单一结果能改变信念的最大倍数，并以闭式解定位其边界。研究发现，在可计算的危害率之上，中等规模基准足以按既定证据标准认证某类别，且零失败记录比单次复现的失败更具说服力；低于该阈值则任何可行规模的被动基准都无法提供指定安全证据。对八个评测套件的审计显示，现有基准对高频危害类别充分，但对罕见灾难性危害类别仍差数个数量级。
08:00 HuggingFace Daily Papers（社区热门论文）AI score 73/100

Tencent WorkBuddy Bench: A Multi-Domain Coding-Agent Benchmark with Contamination-Resistant Task Construction

腾讯推出 WorkBuddy Bench，一个覆盖 Code、Web、Office、Security 四个工作领域的编码智能体评测套件。每个任务均从真实 commit、PR 或业务场景逆向工程而来，改写为口语化角色扮演请求，从构造上抵抗数据污染。该基准在 CodeBuddy Code 和 Claude Code 上运行，所有任务目录、环境镜像、评分工具和参考方案均开源发布。
2 stories
08:00 HuggingFace Daily Papers（社区热门论文）AI score 70/100

Train the Model, Not the Reader: Decodability Supervision for Verifiable Activation Explanations

研究发现自然语言自编码器（NLA）的重建分数无法验证逐声明的忠实性，模型可能依赖“私密代码”而非真实依据。作者提出RECAP方法，在目标模型上联合训练线性头以保持指定内容可解码。在Pythia-160M上，独立探针能可靠区分真假声明（AUC 0.96），并在对抗编辑下仍能标记谎言（AUC 0.95）。
2 stories
23:26 HuggingFace Daily Papers（社区热门论文）AI score 83/100

ABot-World-0: Infinite Interactive World Rollout on a Single Desktop GPU

ABot-World-0是一个动作条件视频世界模型，能在单张NVIDIA RTX 5090 GPU上以720P分辨率、最高16 FPS、1.2秒动作到首帧延迟和约19 GiB峰值显存预算运行无限交互式世界生成。该模型采用统一的帧同步键盘动作接口，通过LongForcing分布匹配阶段解决长程自回归漂移问题，并集成轻量级VAE解码器、低比特DiT推理和局部上下文KV缓存等系统级优化。
08:00 HuggingFace Daily Papers（社区热门论文）AI score 71/100

AgentDebugX: An Open-Source Toolkit for Failure Observability, Attribution, and Recovery in LLM Agents

AgentDebugX是一个开源调试框架，将LLM智能体调试组织为“检测-归因-恢复-重跑”闭环。其核心DeepDebug在Who&When基准上对qwen3.5-9b达到精确的智能体与步骤归因准确率，在GAIA上单次重跑即可修复失败任务。该工具提供Python库、CLI、Web控制台和可安装的智能体技能。
Showing the latest 100 of 447 stories.