模型

印度企業越來越多地使用DeepSeek、阿里巴巴和Moonshot AI等中國大語言模型來降低人工智能成本，這進一步加深了印度對中國尖端技術的依賴，儘管兩國之間長期存在衝突。

斯坦福大學的研究團隊提出了TRACE系統，通過分析智能體失敗軌跡，診斷缺失的能力，併為每個能力合成可驗證的訓練環境，利用LoRA適配器和GRPO算法進行訓練，最後通過MoE組合實現令牌級路由。在τ²-Bench上提升15.3個百分點，在SWE-bench Verified上達到73.2%的Pass@1，超越了多個基線模型。

該研究旨在識別與導航難度相關的血管指標，並開發自動化管道進行定量血管特徵提取，以支持未來複雜性分級。研究從61名患者的CT血管造影中分割血管樹，測量了主動脈弓類型、牛型弓存在、血管長度、迂曲度、起始角、反向曲線數量等指標，並使用軟演員-評論家強化學習算法進行120秒自主導航。結果顯示，左側牛型弓和II/III型主動脈弓分別增加導航時間30.19秒和37.92秒，更大的迂曲度進一步延長手術時間並降低成功率；右側II/III型弓延長45.94秒，每個額外反向曲線增加3.96秒並降低成功率。該自動化管道為標準化複雜性分級和強化學習模型評估提供了基礎。

CLAP通過在數值動作序列前添加自然語言描述，將預訓練VLM高效轉換為VLA，單週期微調後2B模型在LIBERO上達90.8%，魯棒性更強。將發佈0.8B、2B、4B開源模型。

FlowDAgger是一種樣本和計算高效的方法，通過人類干預在潛在空間中自適應凍結的生成式機器人策略。其核心思想是動作反演，將人類專家動作映射為在基礎策略下產生該動作的噪聲，然後訓練輕量級潛在策略來引導基礎模型。該方法在仿真和真實雙機械臂及單臂操作任務中均優於監督微調和潛在空間強化學習基線，並能保留預訓練技能。

本文提出並驗證了大規模文本到視頻生成可作為計算機視覺的強預訓練範式，所提出的GenCeption模型在深度估計、表面法線、相機位姿估計等多個視覺任務上達到領先性能，展現出數據效率和良好的泛化能力，為通用視覺智能提供了新路徑。

C-GAP是一種新型框架，通過使用大語言模型（LLM）迭代優化語言提示，無需重新訓練或額外標註，即可顯著提升視覺語言模型對稀有類別的檢測能力。該方法由兩階段組成：首先建立複合字幕基線，結合場景描述與類別數量上下文；其次，LLM基於少數類平均精度（AP）動態閾值，逐個圖像地優化字幕，直至達到足夠的性能增益。實驗表明，C-GAP在多個基準上將少數類平均精度提升高達53%，在COCO數據集上相對基線提升約81%。

MultiView-Bench是一個專為評估視覺語言模型（VLM）多視圖集成能力而設計的診斷基準。研究表明，當前最先進的VLM在單視圖2D任務上表現優異，但在3D空間關係理解和跨視圖信息聚合方面存在顯著困難。為此，作者提出了ViewNavigator，一個多智能體框架，通過主動選擇信息豐富的視角並融合多視圖證據，顯著提升了模型在MultiView-Bench上的表現。

一項在科特迪瓦進行的研究比較了甚高分辨率（0.5米）與十米級衞星影像在可可地圖繪製中的表現，結果顯示VHR的F1得分達到0.92，而TESSERA等基礎模型嵌入（F1=0.86）提供了可擴展的替代方案。在破碎化景觀中性能差異增大。

一項新研究表明，視覺Transformer（ViT）能夠從自然圖像中學習完形心理學中的圖形-背景線索，如包圍性、凸性和對稱性。研究測試了25種ViT模型，發現它們穩健地編碼了包圍性和凸性，而對對稱性的編碼僅適用於均勻顏色區域。這項工作表明，完形線索可以從自然場景統計中學習，併為研究知覺組織的計算機制提供了模型系統。

本文介紹了作者在ICIP 2026極端野外車牌超分辨率挑戰賽中的參賽系統，該系統結合了混合注意力Transformer超分辨率前端與兩個場景文字識別器（PARSeq-S和CLIP4STR-B）的集成，採用置信度加權字符投票方案，在不確定位置棄權。在公共驗證排行榜上獲得了9.73 wECR分數，運行速度遠低於時間預算。

Lume-Palette框架通過解耦照明蒸餾和照明投射兩個階段，實現了空間可控的多視角室內場景重照明，在保持多視角一致性的同時支持精細的3D光照控制。

本文提出了一種名為探針混合（MoP）的新框架，旨在解決多模態大語言模型（MLLMs）在特權模態設置下的學習問題。該框架通過結構化的探針機制從共享模態編碼器的中間表示中提取信息，並引入MoP跨模態訓練（MoP-X）策略，有效分離模態特定和模態通用信號。實驗表明，MoP在八個任務和四種模態上比強基線模型提升高達65%。

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。