模型

StereoSplat+是一種基於擴散增強的前饋框架，能夠從單個立體對進行因果重建，無需多視圖觀測。該方法包括立體高斯估計器和漸進推理方案，在KITTI-360數據集上相比基線方法提升了新視角渲染質量和幾何精度。

本研究以牛津大學的二戰眾包數字檔案為例，評估了三種NLP方法（命名實體識別、關鍵詞提取、主題建模）在自動提取關鍵詞上的表現。結果表明，NLP有潛力但無單一方案完美，模型選擇至關重要，且開源提取模型比生成式AI更負責任。

本研究探索利用機器學習自動對大型文學語料庫進行主題索引，以伏爾泰作品為案例，比較了多種模型，其中Mistral系列4位量化模型F1得分達0.67，證明了自動索引的潛力。

研究表明，在小型雙曲語言模型中，可以湧現出創造力、誠實性和設計性遺忘等特性，為構建可信賴的伴侶AI提供了一條小模型路徑。這些模型包括一個行為審計器、一個創意框架播種器和一個記憶操作系統。

該研究分析了11個GPT-2風格預訓練模型的權重譜，發現跨層和組件共享的深度趨勢，例如殘差寫入矩陣的規模增加和譜集中。研究者嘗試利用這些譜模式作為初始化信號，但模仿譜特徵的初始化方法未能帶來性能提升，而直接重用預訓練權重仍具競爭力。預訓練譜作為結構診斷有用，但有效重用需要更豐富的信息。

這項研究探索了利用GPT-4o與檢索增強生成（RAG）技術自動生成基於公司報告、宏觀經濟數據和SEC文件的投資者簡報。系統對9家公司進行了為期4周的掃描，並由9名個人投資者評估其有效性。

知識圖譜自動構建中常含事實錯誤，AgentKGV提出結合動態路由與迭代查詢重寫的智能LLM-RAG框架，並通過兩階段訓練（基於蒸餾的SFT和軌跡級GRPO）提升準確性與成本效率。在T-REx基準上，宏F1比單輪RAG提升14.9個百分點，搜索調用次數減半。

一項新研究對語言模型中的湧現性失調（EM）現象提出了質疑，發現雖能復現EM，但失調與再對齊高度依賴於數據集表面特徵，如回答長度差異，且先前報告的表徵相變並不一致關聯行為失調。這表明當前支持EM的證據不如之前聲稱的穩健，需要更嚴謹的評估協議。

HALO是一種混合自適應潛在精化方法，通過粗精化階段和基於令牌評分的選擇性第二階段的潛在精化，在凍結的預訓練語言模型上實現高效改進。在MMLU-Pro和GPQA-Diamond基準測試中，HALO的平均表現優於固定精化基線，且計算成本更低。

本文提出了一種針對大語言模型推理的高效GPU方法，採用三層矩陣存儲格式，包括稀疏張量核心層、插槽填充層和殘差層，實現稀疏矩陣乘法，在50%稀疏度下首次超越密集矩陣乘法，最高可達1.64倍內核加速和1.41倍端到端加速。

本文介紹了Director，一種新的分佈式MoE推理系統，通過預測驅動的在線專家放置優化，顯著降低端到端延遲。系統採用輕量級級聯預測器或低比特量化副本預測專家激活模式，結合近乎零停機的在線遷移模塊，以及基於鬆弛優化的專家放置算法，在多項式時間內達到(1+ε)近似比。實驗表明，在Mistral、DeepSeek和Qwen等流行MoE模型上，相比現有工作延遲降低11%~55%。

本文提出獎勵傳輸（Reward Transport）方法，利用最優傳輸耦合在訓練時將噪聲空間座標與分子獎勵對齊，推理時通過調整該座標實現屬性控制，無需額外模型或梯度。實驗表明，該方法在ZINC-250K和GuacaMol數據集上對logP和QED具有單調控制能力，且與分類器無關引導互補。

我們提出StickyMoE，一種可微分的路由一致性損失，在訓練時懲罰相鄰令牌之間的專家切換，從而在邊緣設備上實現內存高效推理。實驗顯示，專家切換率降低高達60%，困惑度下降不到4%。

本文提出有符號對稱量化方法，解決標準對稱量化器因整數範圍不平衡導致的正異常值截斷問題，同時避免非對稱量化的運行時開銷。理論分析表明該方法在ℓ2誤差上條件最優，且88-99%的LLM權重組滿足條件。實驗在Qwen3、Llama3等模型上驗證了困惑度和少樣本準確率的提升。

iLENS是一個基於大語言模型（LLM）和混合專家系統（MoE）的可解釋框架，用於預測阿爾茨海默病（AD）從前驅期向痴呆期的轉化。它整合結構化神經影像測量和非結構化信息，通過LLM指導專家路由，不僅提供競爭性的預測性能，還能進行患者分型，併為路由決策提供透明、生物學合理的解釋，彌合了高性能生存分析與可解釋臨牀決策支持之間的差距。

本文提出了一種統一的方法來解釋大型語言模型（LLM）中知識蒸餾（KD）的機制。通過將輸出分解為多個交互，發現KD的共性機制是交互稀疏化，即學生模型保留更少交互進行推理。性能差異源於處理複雜交互的能力，並據此提出了複雜交互懲罰（CIP）損失函數。實驗表明CIP能持續提升各種KD方法的性能。

KV-PRM是一種高效的過程獎勵模型，通過直接利用大語言模型生成階段自然產生的KV緩存，避免了文本重新編碼，將評分成本從O(L²)降至O(L)。實驗表明，在多個基準上，KV-PRM在匹配或超越文本PRM性能的同時，實現了高達5000倍的FLOPs減少、37倍延遲降低和34倍內存佔用減少。

MedRealMM是一個基於中國互聯網醫院真實醫患對話的大規模多模態基準，包含5,620個案例，覆蓋64個科室。它通過多模態臨牀挑戰點（MCCP）框架提取關鍵臨牀時刻，並評估19個通用和醫學專用大語言模型。結果表明，圖像信息對臨牀性能至關重要，當前前沿模型雖在某些正面指標上接近醫生，但觸發更多負面指標，安全敏感性錯誤避免仍是主要瓶頸。

本文介紹了一種神經代理控制框架，結合LLM規劃器與時間序列基礎模型（TimesFM），通過反事實物理注入機制確保物理安全，在SWaT數據集上表現優於LSTM和TCN，零幻覺動作執行。

Long-Horizon-Terminal-Bench是一個包含46個長時任務的終端基準測試，涵蓋實驗復現、軟件工程、多模態分析等9個類別。它通過細粒度子任務提供密集中間獎勵和部分分數，更全面地評估AI智能體的能力。評估15個前沿模型發現，最強模型在部分獎勵閾值0.95下通過率僅15.2%，完全正確通過率10.9%，平均通過率更低，表明仍有巨大改進空間。

GATS是一種新的智能體規劃框架，通過系統性的UCB1樹搜索和分層世界模型，在規劃過程中完全消除LLM調用，同時實現100%的成功率。與LATS和ReAct相比，GATS不僅在合成任務中表現優異，在12個挑戰性場景中也保持100%成功率，且計算成本更低。

新研究CogniConsole提出，大型語言模型的可靠性不僅取決於模型能力，還受推理時控制影響。通過結構化接口（結合程序化協調與有界提示推理），實驗證明增加結構支架可系統性地降低輸出方差和失敗率，表明許多失效模式源於控制不足。

麻省理工學院和Thorn的研究人員開發了一種審計技術，通過分析模型的內部調整而非生成輸出，來檢測生成式AI模型是否被專門用於生成兒童性虐待材料（CSAM）。該方法在測試中達到100%準確率，具有可擴展性，且成本低廉，有望幫助平台和執法機構識別並移除有害模型。

密歇根大學研究團隊推出NeuroVFM，一種基於524萬臨牀MRI和CT體積訓練的通用神經影像基礎模型。其Vol-JEPA方法將自監督學習擴展到體積醫學影像，無需放射報告標籤即可學習大腦解剖和病理。在156項診斷任務中達到92.68（CT）和92.49（MRI）的AUROC，並支持報告生成、分診和跨模態遷移。

本文探討了“直接負責人（DRI）”的概念，該術語源自蘋果公司，指對項目成敗最終負責的人。作者認為，隨着LLM驅動的智能體融入組織，它們永遠不應被視為項目的DRI，因為只有人類才能承擔責任，而機器不能。文章還引用了IBM 1979年的培訓幻燈片，其中指出計算機永遠不能承擔責任，因此絕不能做出管理決策。

最新基準測試顯示，GPT-5.6 Sol在拉取請求（PR）安全審查中表現最佳，實現100%召回率和0.91的F1分數，每次PR成本僅0.70美元。Anthropic的模型（如Fable 5）未能進入前沿表現，且成本更高。Grok 4.5和Gemini 3.1 Flash Lite提供了經濟高效的替代方案。測試使用私有合成倉庫以避免數據污染。

由於 GPT-5.6 Sol 被明確歸類為 Fable/Mythos 級模型，Anthropic 再次延長了 Claude Max 計劃中 Fable 模型的可用期限至 7 月 19 日。此舉原因為計算資源限制，而 OpenAI 則對 GPT-5.6 的訪問限制顯得更有信心。作者認為 Anthropic 應永久保留 Fable 訪問權限，否則用户會因不確定性而轉向 OpenAI。

AI性能取決於準確性、吞吐量和交互性三個維度。本文聚焦吞吐量和交互性，探討模型設計選擇如何在不犧牲準確性的情況下優化兩者，旨在推動帕累託前沿向外擴展。

作者通過Basecamp基準測試評估了GPT-5.6 Sol、Fable 5、Grok 4.5等AI模型在構建前端和後端方面的表現。Fable 5在兩個賽道上均獲勝，Grok 4.5在速度和成本之間取得了最佳平衡。結果顯示，即使是頂級模型在完成度上也有顯著差異，尤其是最後10%的打磨工作。

SlimeBallBench是一個新的AI基準測試，讓AI模型在史萊姆足球遊戲中競技，評估其決策和策略能力。

前沿AI實驗室正從聊天機器人轉向集成系統，模型作為運行時，頻繁發佈強大模型和代理。本週亮點包括OpenAI的GPT-5.6（Sol、Terra、Luna），具備程序化工具調用和並行子代理；GPT-Live全雙工音頻；ChatGPT Work用於創建工件；Meta的Muse Spark 1.1擁有百萬token上下文和主動上下文管理；Grok 4.5專注於編碼和知識工作。研究方面，OpenAI審計表明SWE-Bench Pro基準30%任務有問題；Anthropic提出GRAM方法可選擇性移除危險知識；SkillOpt-Lite優化代理自我進化；DSpark和Nemotron-Labs-Diffusion改進推理效率。行業新聞包括Lovable融資3億美元，Prime Intellect融資1.3億美元，SambaNova融資10億美元等。

一項新的基準測試顯示，來自12個實驗室的18個AI模型的108個測量位置中，有97個位於左傾。結果呈現一致的進步傾向，但在經濟、外交政策和宗教方面存在例外。xAI的Grok模型最接近中心，而許多模型拒絕回答某些問題，影響了得分。

Thinking Machines Lab發佈報告《值得構建的未來以人為本》，主張AI應分佈式、可定製、由用户塑造。報告提出四個技術方向：訓練強多模態模型、提供用户微調工具、拓寬人機交互通道、開放研究。論證隱性本地知識要求AI分佈式，並通過Tinker API實現可擁有權重的LoRA微調。對比集中凍結AI，強調去中心化對齊。

sqlite-utils 4.1 是 4.0 之後的第一個小版本，引入了多項新功能，包括通過 --code 選項允許用户在 insert 和 upsert 命令中直接嵌入 Python 代碼生成行數據，以及通過 --type 選項覆蓋列類型，支持對 CSV 或 TSV 中的郵政編碼等字段強制存儲為文本。此外，新增了 drop-index 命令和從標準輸入讀取查詢的功能。還添加了在 transform 中切換 STRICT 模式的能力。

作者在Mac Studio上運行Qwen3.5-122B模型時，遇到了三個導致緩存失效的bug，修復後對話預填充時間從幾分鐘降至亞秒級，大幅提升了長上下文場景下的使用體驗。文章還討論了模型選擇、混合注意力機制以及性能指標的正確衡量方式。

Mesh LLM是一種新型分佈式AI計算系統，通過iroh網絡將多台機器的GPU和內存池化，提供一個OpenAI兼容的API。用户可以在本地或對等節點上運行模型，甚至將大型模型拆分到多台機器上。它解決了AI計算成本高、缺乏控制的問題，支持私有部署和公共網格，無需依賴中央服務器。

兩個AI模型ChatGPT 5.5和Claude Fable 5進行實時國際象棋對決，用户也可以免費挑戰它們。每場比賽都計入排名，AI在夜間複習中學習人類棋步。同時，它們也在運行實時交易策略。

Verdict是一個開源、基於瀏覽器的工具，用於評估AI Agent的輸出。它支持人工標註、紮根理論錯誤分析，以及將LLM裁判與人工標註進行驗證，所有操作均在本地進行，數據不會離開您的機器。

本文深入對比了三種主流的RAG評估框架：RAGAS、TruLens和DeepEval。文章首先闡述了RAG需要專門評估的原因，介紹了評估的三個層次（檢索質量、生成質量、端到端質量）和關鍵檢索指標（Precision@K、Recall@K、MRR、NDCG）。隨後詳細解析了RAGAS無需人工標註、利用LLM作為裁判的核心指標和自動測試集生成功能，以及TruLens專注於可觀測性、通過日誌記錄和RAG三元組（上下文相關性、基礎性、答案相關性）提供持續監控的能力。文章還簡要提及DeepEval，並給出了選擇框架的建議。

作者從個人編碼和審計經驗出發，對2026年中的主流AI模型進行非正式分級，涵蓋Anthropic Fable、OpenAI Sol、Mistral、Gemini和DeepSeek等模型，並融入美國出口管制和歐洲視角的評論。

螞蟻集團旗下Robytant發佈了LingBot-VA 2.0技術報告——這是一個為具身AI原生構建的因果視頻-動作基礎模型，而非從視頻生成器微調而來。通過前瞻推理在執行前預測未來狀態，並在每次真實觀測後重新接地，實現了225 Hz的異步控制。本文解析了因果DiT、稀疏MoE視頻流、語義視覺-動作分詞器以及論文中數字不一致之處。

在持續一週的模型發佈熱潮後，今日相對平靜。主要新聞包括GPT-5.6令人困惑的發佈及快速修正、Meta的Muse Spark 1.1以激進定價提供接近前沿的質量、開源模型工具的進步，以及安全擔憂的加劇。

GDP.pdf是一個新的基準測試，評估AI模型處理現實世界PDF文檔的能力。測試涵蓋金融、法律、醫療等10個領域，結果顯示即使是頂尖模型（如GPT-5.5）的得分也低於30%。文章強調了PDF作為全球經濟命脈的重要性，並指出模型在關鍵任務中的失敗可能導致嚴重後果。

DeepSeek V3.2 現已登陸 Hugging Bay，這是一個開源 AI 工件註冊平台，提供來源驗證、許可證審核和可信託管服務。

Meta本週推出的新功能允許用户通過@提及公開Instagram賬號來生成AI圖像，但因未經許可使用他人內容引發強烈爭議，現已關閉。批評者指出該功能可能被用於性勒索和侵犯肖像權。

中國的開放AI模型通過促進技術合作和創新，增強了其國際形象和軟實力，推動了全球AI生態系統的多元化發展。

Ploy公司將其AI代理從Claude Opus 4.8遷移至OpenAI新發布的GPT-5.6 Sol，獲得了速度提升2.2倍、成本降低27%以及視覺評分提高的成績。遷移過程中遇到了工具調用參數填充、提示緩存機制差異和推理重放等問題，並通過一系列工程優化得以解決。

MuScriptor是Kyutai與Mirelo合作開發的開源權重解碼器專用Transformer模型，能夠將多樂器音頻轉錄為MIDI。模型採用三階段訓練：在145萬合成MIDI上預訓練、17萬真實錄音（超1.1萬小時）上微調、300首人工驗證曲目上強化學習。在DTest基準上，其Multi F1達48.2%，遠超YourMT3+的21.9%。提供103M、307M和1.4B三種參數規模，推理代碼採用MIT許可，權重採用CC BY-NC 4.0。

在2026年的AtCoder世界巡迴總決賽中，OpenAI的AI模型在啓發式和算法兩個賽區均擊敗了人類頂級選手，甚至解決了人類無法完成的問題。主辦方頒發了“人類投降獎”。這可能是人類最後一次有機會在編程競賽中戰勝頂尖AI。

本週AI新聞梳理：IBM推出0.7納米芯片技術，OpenAI與博通發佈專為推理設計的Jalapeño芯片，英偉達展示全液冷AI工廠設計；政府監管加強，Anthropic恢復模型訪問權限，OpenAI提議向美國政府轉讓5%股權；工作角色快速演變，前哨工程師、SAP外部招聘與宜家內部培訓成為焦點。