开发动态

• Agent-R² 用真实文件训练办公智能体

  研究从公开材料构造约 4000 项办公任务，把多种格式的附件和可核查的交付要求配对。

• Airbnb 用微调小模型做内容分类

  其工程团队报告，Gemma4-E2B 在本次分类测试中达到 0.902 F1，中位延迟约 35 毫秒。

• Anthropic 拆解智能体如何跨会话记忆

  团队测试让 Claude 在空闲时复查旧日志、纠错和更新知识库，以改善后续任务。

• 开放语音识别榜单加入两种英语口音

  Open ASR Leaderboard 新增埃及英语和尼日利亚英语测试，便于按口音对比转写表现。

• CascadeFilter 让语义筛选分级处理

  框架先让小模型判断简短证据，再逐步转给全文和更强模型，尝试减少推理成本。

• DictLLM 让模型多层共享压缩字典

  研究把分组内的权重拆成共享字典和各层稀疏系数，用于压缩已训练模型。

• HaluCheck 评估文本和智能体的幻觉

  双语基准超过 4.2 万条，除了判断是否出错，还要求定位错误并修正。

• La-JEPA 用紧凑模型生成机器人动作

  模型训练时同时预测未来视觉特征和动作，实际运行时只输出动作。

• OpenAI 与 Hacktron 合作排查系统漏洞

  双方将联合选择高优先级目标，重点检查 OpenAI 系统和第三方服务的交互。

• Scientist World 将论文变成可运行的实验

  研究团队先发布 1000 个可执行环境，供科研智能体复现论文基线并尝试改进。

• SLA 在机器人预训练阶段学习空间信息

  方法用三维感知模型指导机器人策略学习，部署时沿用原有推理结构。

• 研究比较拆分模型解码阶段的成本

  模拟对比显示，进一步分拆注意力和前馈计算是否划算，取决于硬件、互联和资源池。

• StrataFlux 为低比特模型按需补充精度

  研究从主机内存或固态硬盘取回部分高精度数据，尝试降低显存占用带来的质量损失。

• TerraMesh-Masks 用自然语言标注卫星影像

  数据集将约 1600 万张分割掩码与多模态遥感样本配对，另提供专家复核的评测集。

• Ai2 发布 ToyBlocks 机器人实验环境

  研究人员可控制积木、场景和操作规则，用来观察智能体如何搜索、试错并完成任务。

• OpenAI 披露 Astra 安全任务评测差距

  在该组编码评测中，安全研究表述下约完成 10% 的评分项，对照组约为 16%。

• Axiom 用 Lean 形式化 Stacks Project

  团队把代数几何参考资料转换成可由 Lean 检查的代码库。

• BEAKER 测试 AI 能否理解实验室操作

  研究团队编制了 1,000 道图像和视频问答，覆盖设备、步骤与安全判断。

• Discovered Materials 公布材料研究挑战

  公司公开材料发现基准，并据报道为五个开放问题设置奖金。

• MIT 研究让机器人复核自己的物体记忆

  系统利用不同视角和不确定性估计，发现并修正先前可能记错的物体描述。

• NVIDIA 披露智能体推理的系统级测试

  英伟达用真实编程会话回放比较吞吐，30 倍结果对应特定指标与实验条件。

• SecureGARD 给智能体工具调用加上状态约束

  研究把不同工具的动作转成共同的描述，再决定执行、等待或阻止。

• ServerBench 让编程智能体搭建模型推理服务

  基准同时校验系统能否工作、输出是否达标，以及运行所需的 GPU 成本。

• SpecCompact 尝试加快智能体上下文压缩

  小模型并行起草结构化摘要，大模型逐行核对并修补。