模型

本文介紹了一個由5門免費課程組成的路線圖，從經典演算法到從頭訓練大語言模型，幫助有Python基礎的學習者系統掌握AI技能。

Z.ai的GLM 5.2模型以低價和開放權重挑戰美國前沿AI模型，但許多程式設計師仍習慣使用昂貴模型，忽略成本。該模型在基準測試中接近Claude Opus 4.8，但實際使用效果參差不齊。

阿里巴巴宣佈推出其最新大語言模型Qwen3.8，聲稱僅次於Anthropic的Fable 5，但未提供任何基準測試或模型卡。此舉發生在競爭對手月之暗面釋出Kimi K3並附有詳細技術細節之後。阿里巴巴的宣告缺乏透明度，引發對其釋出時機和動機的質疑。

本期涵蓋Anthropic的AI條約討論、美國政府影響AI模型釋出、OpenAI處理器開發、記憶體市場影響等話題。

美國政策制定者正在討論是否透過監管風險來限制中國開源權重模型的使用。Moonshot AI的Kimi K3模型釋出後，這一爭論再次升溫。企業面臨的問題不僅是效能，還有未來一年內使用這些模型是否依然暢通無阻。

中國開源AI模型Kimi的釋出，引發了特朗普政府內部AI戰略家的分裂。該模型效能媲美OpenAI和Anthropic的付費模型，卻完全免費，對特朗普的經濟和政治構成挑戰。圍繞如何應對中國AI競爭，各方意見不一，從開放支援到加強管控，分歧加劇。

本文提出預見性殘差強化學習（Foresight Residual RL），透過在凍結的視覺-語言-動作（VLA）基策略上新增一個離線估計的預見值（即當前子任務終止狀態下未來子任務成功的機率）來最佳化子任務間的交接質量，從而提升長時域機器人操作的成功率。在Isaac Gym中的三階段扳手螺母擰緊任務上，該方法實現了85.6%的完整任務成功率，顯著優於標準子任務殘差RL（54.5%）和VLA基線。

PRISM是一種多模態感知系統，透過融合熱成像、光學和深度感測器，結合新型視覺變換器網路OmniUnet，實現非結構化環境中的地形分割與可通行性地圖生成，並在資源受限的嵌入式計算機上成功部署，支援自主導航。

針對視覺導航中的災難性遺忘問題，研究者提出HyperDCM，一種結構感知的記憶機制。它利用大視覺語言模型提取場景語義三元組，透過關係圖卷積網路編碼為場景圖嵌入，並投影到雙曲空間增強結構分離性。動態聚類和結構敏感更新策略選擇代表性樣本進行記憶回放，保持知識多樣性。實驗表明，HyperDCM在多場景室內外資料集上優於現有持續學習方法。

提出一種共享潛變數方法，透過變分瓶頸在部分標註的多工面部情感識別中實現跨任務訊號共享，在s-Aff-Wild2資料集上提升表情識別宏F1至0.446，並透過第二個骨幹網路突破動作單元瓶頸。

第三屆微動作分析大挑戰賽（MAC 2026）與ACM Multimedia 2026同期舉辦，透過引入利用多模態大語言模型評估的新任務，將微動作分析從識別推進到細粒度理解。本文詳細介紹了資料集、協議、競賽結果以及該新興領域的未來方向。

GenSyn10是一個包含6萬張合成影像的資料集，與CIFAR-10對齊，使用三種架構不同的生成模型建立，旨在推進AI生成影像檢測研究。評估顯示，模型在已知生成器上表現良好，但在未知生成器上效能顯著下降，凸顯了分佈外泛化的侷限性。

本文提出EMTS-Det系統，用於無人機上的即時跟隨人員追蹤，在低功耗硬體上實現高效執行。系統透過自我運動歸一化的殘差運動通道檢測人員，使用僅22k引數的輕量網路，在Raspberry Pi Zero 2W上達到31.85 FPS，效能遠超YOLOv8n。

研究人員提出3D FaceShell框架，透過向3D面部頭像新增微妙擾動來誤導視覺語言模型推斷敏感屬性，同時保持視覺身份不變。

聯合嵌入預測架構（JEPA）在訓練時聯合訓練預測器與編碼器，但下游部署通常丟棄預測器。研究表明，JEPA預測器可作為可遷移的遮擋特徵補全運算元，透過線性投影適配到不同編碼器族，顯著提升遮擋分類精度。

本研究提出科學可行性控制（SFC）框架，一種圖結構共形預測方法，為科學推理的有效性提供統計保證。SFC將科學推理分解為原子單元，透過漸進式絕對一致事實性驗證，在檢測到違反科學原則時動態分支到替代生成路徑。實驗表明，SFC在PhyX等多模態科學推理基準上達到50.1%的準確率，超過DeepSeek-R1和GPT-4，同時將科學定律違反減少73%，並提供91.7%的科學有效性保證。

本研究透過機制可解釋性方法，分析Llama-3模型在符號算術、自然語言應用題和Python程式碼三種形式下的算術計算機制，發現一組緊湊的共享神經元在三種形式中均被啟用，且跨格式失敗源於啟用狀態而非不同電路，表明LLM的算術計算在神經元層面具有形式不變性。

本文提出了 SpecLA，一種針對有狀態線性注意力模型的推測解碼執行時。它透過拓撲感知核心驗證鏈和樹，儲存驗證過程中產生的緊湊因子以恢復接受狀態，並使用置信剪枝和目標對齊的EAGLE風格草案生成器提供有用候選。在NVIDIA H100上使用公共GDN-1.3B目標，SpecLA實現了比自迴歸解碼高達1.70倍的端到端加速。

OpenLanguageModel (OLM) 是一個開源的 PyTorch 庫，用於構建和預訓練小型語言模型，同時保持其內部機制可見。模型程式碼直接反映架構，元件如 Block、Residual、Repeat 和 Parallel 描述連線方式。OLM 整合了分詞器、資料集、最佳化、混合精度、回撥、檢查點以及硬體感知的執行，支援從教學筆記本到完整預訓練的無縫遷移。該庫包含 9 個常見模型家族的 27 個預設，並提供從基礎到架構研究的文件。驗證顯示與獨立參考實現高度一致，348M 引數模型在四 GPU 上弱擴充套件效率達 90.6%，且早期可用性反饋積極。OLM 採用 MIT 許可證，可透過 PyPI、GitHub 和文件站點獲取。

現有長期LLM代理的記憶系統往往將先前軌跡作為被動上下文檢索，而非轉化為可執行能力。本文提出MSCE框架，一種無需訓練的記憶-技能協同進化框架，將代理經驗組織為基礎步驟軌跡、可重用過程策略和宣告性環境認知。MSCE將具有正估計增益的證據支援的L2策略結晶為可呼叫技能，並引入反射加權值回填。實驗表明MSCE顯著優於現有方法。

本文介紹了NOWJ團隊在COLIEE 2026競賽中五項任務的方法和結果，包括法律案例檢索、先例推理、法條檢索與推理、法律文本蘊含以及法律判決預測，提出了多種自適應流水線和深度學習模型。

該研究透過腦電圖記錄的事件相關電位（ERP），對比人類與語言模型在下一詞預測任務中的表現，發現僅資訊理論中的“驚奇度”指標與語言處理的ERP相關，尤其是對於語義豐富的高內容詞，而模型規模擴大並不必然帶來更類人的認知處理。

一項新研究透過簡單問題（洗車應步行還是開車）揭示了語言模型常先決定答案再推理以證明其合理性，而非從前提推導。實驗表明Qwen3-8B模型在多數情況下錯誤承諾步行，即使開車是唯一合理選擇。研究者透過啟用層次分析發現，模型在輸出答案前已顯示出向步行傾斜的跡象，即便最終回答開車。該發現提示現有模型存在推理前的決策偏差。

小型語言模型在檢索增強生成中易受噪聲證據影響。本文提出RIMS，一種三階段偏好最佳化框架，包括合成思維鏈偏好資料生成、可微平滑聚合機制和偏好最佳化。實驗表明其在多跳問答基準上優於現有方法。

混合專家模型（MoE）透過將令牌路由到一小部分專家來高效擴充套件Transformer模型。然而，現有路由器通常基於淺層或孤立的令牌表示來選擇專家，導致路由決策不穩定且語義不一致。本文從表示角度重新審視專家選擇，並提出多級上下文融合MoE（MCF-MoE）框架，透過整合跨層語義聚合和區域性令牌互動的互補訊號來構建上下文感知表示，從而實現更資訊豐富且一致的專家選擇。實驗表明，MCF-MoE在路由一致性和下游效能上均優於強基線，凸顯了上下文完整性在專家路由中的重要性。

本研究提出了一種令牌級跨模態Transformer模型，結合對比多工學習，用於整合基因組和臨床資料，實現乳腺癌亞型分類與生存預測的聯合最佳化，克服了現有方法中模態互動粗糙、融合方式簡單、目標獨立最佳化等侷限。

本文提出“從權重到語言”方法，自動從選擇資料中發現以自然語言描述的偏好維度，解決偏好學習中的欠確定性和黑箱問題。實驗表明，該方法能提高預測準確率，並允許使用者即時檢查和編輯模型推理。

本文提出了一種基於運算元感知的混合精度容差校準方法，透過挖掘累積的雲GPU執行資料，自動確定張量核正確性測試的最佳絕對容差，相比手工選擇的容差更嚴格，並顯著提高了錯誤檢測召回率。

大型語言模型在關鍵領域的部署帶來了遺忘能力的缺失，導致隱私洩露和安全風險。本文綜述了基於梯度的LLM遺忘方法，探討其是否真正移除知識或僅抑制表達，並分析了安全、魯棒性和可驗證遺忘的挑戰。

本文介紹ARGO智慧眼鏡平臺，利用STM32N6微控制器及其整合NPU實現本地機器學習，保護隱私並降低延遲。透過軟硬體協同設計，部署最佳化後的YOLOv11模型進行即時城市障礙物識別，引入頭並行注意力機制（HPA）適配NPU，模型僅佔用2.483 MB記憶體，mAP50-95達24。該平臺整合多模態感測器，以10 FPS執行，200 mAh電池續航約113分鐘，展示了高效能、隱私保護且社交可接受輔助裝置的可行性。

本文提出DocOCR-Eval，一種無需人工標註的評估框架，用於自動評估和選擇OCR工具。該框架透過三階段校正和排序策略，在缺乏真實標籤的情況下近似基於標註的工具排序。實驗表明，聚合多個多模態大語言模型可逐步提升與人工標註排序的一致性，為實際部署文件解析系統提供指導。

一種新的強化學習方法W2SPO，利用弱輔助模型在大型語言模型推理路徑中注入簡短片段，在數學推理任務上提升了效能並加速訓練。

強化學習領域需要多樣化的訓練環境，但傳統手工設計的環境難以擴充套件。自迴歸世界模型存在從左到右的偏差，無法充分利用全域性狀態資訊。一項新研究提出使用掩碼擴散語言模型（MDLM）作為文本世界模型，透過雙向錨點感知去噪，在連貫性和多樣性上顯著優於引數規模大4倍的語言模型，並引入GRPO訓練框架實現高達47%的零樣本遷移效能提升。該工作已開源。

本文提出生成式本體歸納（GOI），一種領域無關的框架，能從示例語料庫中歸納出實體、維度、屬性、關係和約束的生成藍圖，並匯出為帶有六種節點型別和七種邊型別的型別圖（YAML/JSON格式）。引入節點覆蓋率評分（NCS）評估指標。在四個對比本體上的驗證表明，GOI提示生成覆蓋了95-100%的結構骨幹，而通用模板覆蓋率顯著下降。

AI代理系統因結合大語言模型與外部工具而本質非確定性。arXiv論文提出agrepl框架，透過MITM代理攔截外部互動，實現執行軌跡的確定性重放，並憑噪聲感知差異演算法區分HTTP頭部變化。實驗顯示重放保真度F=1.0，單步延遲降低98.3%。

一項新研究提出PlanFlip框架，包含四種針對多智慧體LLM系統規劃階段的提示注入攻擊。研究發現，更強的模型（如GPT-5）反而更易受攻擊，同質化骨幹網路存在相關智慧體盲點，而推理增強型模型（如DeepSeek-R1）能抵禦攻擊。提出的兩種防禦方法檢測率高達1.00。

一項新研究透過跨領域框架測試了大型語言模型（LLMs）在不確定性下的風險態度，發現大多數模型在任務內和跨任務中都表現出穩定且一致的風險偏好，且其風險態度分佈比人類更集中。

本研究提出了一種基於MATLAB的開源框架，用於開發軟互動伴侶中的情感觸覺識別緊湊深度學習模型。透過468個CNN模型的系統探索，確定了13.2k引數的擴張1D CNN為最佳方案，測試準確率75%，留一法交叉驗證準確率85%。混合推理管道結合瞬時啟發式濾波和CNN精細分類，可在20 Hz即時執行，實現隱私保護的情感觸覺解讀。

Concentrate 是一個託管的LLM閘道器，提供單一API訪問超過130個來自主要供應商的模型。它具備模型路由、支出跟蹤、安全控制和故障轉移冗餘等功能，專為擴充套件AI生產的團隊設計。

OpenAI戰略未來主管Dean Ball認為開放權重模型本質上是減速主義的，因為它們抑制資本支出。本文從經濟學角度探討了這一觀點，分析了中國在AI基礎設施方面的投資、訓練正規化的轉變以及價值在價值鏈中的遷移。文章認為，開放權重模型可能透過降低成本擴大應用範圍，促進創新，從而實際上是加速主義的。

義大利工程師Vincenzo（又名JustVugg）建立了Colibrì，這是一個概念驗證專案，能夠在僅25GB RAM和1GB/s NVMe的CPU上執行7440億引數的GLM-5.2模型（1.5TB）。儘管速度極慢（每0.05-0.1秒一個token），但利用混合專家（MoE）架構按token載入專家，實現了前沿水平的回答質量。專案開源，旨在探索在消費級硬體上執行大型模型的可行性。

直播中，GPT-5.6 Sol 與 Kimi K3 在《坎巴拉太空計劃》裡進行速度競賽，展示 AI 在複雜遊戲中的即時決策能力。

阿里通義實驗室推出Qwen-Audio-3.0-TTS，一款面向生產的文本轉語音系統，提供Flash（即時互動）和Plus（高質量生成）兩檔，透過阿里雲模型託管服務交付。該模型覆蓋16種語言和20種中文方言，支援自然語言風格控制和86種細粒度內聯標籤，並在Artificial Analysis語音競技場中排名第一。文章詳細介紹了模型架構、效能表現、開發者反饋及定價資訊。

不斷有使用者分享他們利用編碼代理逆向工程並自動化家中裝置的軼事。這展示了編碼成本降低帶來的影響。過去，逆向工程雖然可行，但投資回報率低，且需面對不穩定API的維護風險。編碼代理徹底改變了這一局面，降低了初始工作和失敗的成本，也減輕了未來維護的心理負擔。

本·湯普森提出美國應立法明確訓練資料為合理使用，並禁止禁止蒸餾的服務條款，以幫助美國開源模型與中國模型競爭。同時，阿里巴巴決定釋出Qwen 3.8 Max開源權重，可能受習近平鼓勵開源合作的講話影響。

Moonshot AI釋出了最新旗艦模型Kimi K3，這是一個2.8萬億引數的MoE模型，將於7月27日開放權重。K3在多項基準測試中排名靠前，成為最強的開源模型。文章探討了中美AI模型差距縮小、中國開源策略、開源模型的經濟影響以及中國AI的效率優勢。

Adobe的實驗性相機應用Indigo最初專注於為iPhone攝影提供更自然的單反效果，現在透過'AI Playground'套件增加了生成式AI編輯功能，使用Google的Nano Banana模型。功能包括AI風格、物體移除、照片指導和自定義編輯。該實驗目前向一小部分使用者提供免費訪問，將來可能轉為付費。

Inertia-1是一個統一的運動基礎模型，透過在手腕資料上進行大規模自監督學習，建立可泛化到不同身體部位和感測器型別的表示，並揭示了取樣率、視窗大小等設計選擇對實際效能的影響。

不透明的定價和滯後的賬單迫使企業重新思考其AI模型策略。

Meta監督委員會的一項研究發現，包括美國公司構建的主要AI系統更傾向於拒絕批評限制性領導人或政府的請求，引發了對AI技術可能擴充套件國家對言論自由限制的擔憂。