新闻资讯 · 第 9 页

• Paperclip 用一个面板管理多个 AI 智能体

  Paperclip 用 Node.js 服务和 React 界面组织多个 AI 智能体。用户可以分配目标、追踪任务与成本，并为不同角色选择模型和执行框架。

• Skill++ 改写技能说明，减少智能体选错工具

  Skill++ 研究关注技能库越变越大后，智能体反而选错技能的问题。新增技能的名称和描述可能挤占原有技能的匹配范围，即使旧技能本身没有修改。

• nanochat 用紧凑代码串起聊天模型训练流程

  Karpathy 的 nanochat 提供一套较精简的聊天模型训练实验框架，覆盖分词、预训练、微调、评测和推理。开发者可以在单个 GPU 节点上研究一整条模型制作流程。

• SYN-DIGITS 校准 AI 对人类回答的模拟

  SYN-DIGITS 研究尝试修正语言模型模拟人类回答时的系统偏差。方法利用参考问题上的真人数据，以及数字角色在不同问题之间表现出的关联，推测目标问题的回答。

• heretic 探索无需重训的模型行为调整

  heretic 是一个通过模型权重处理来研究语言模型行为变化的开源项目。它提供可配置的提示与评分流程，用于比较修改前后的行为表现，仓库也列出了支持的模型类型。

• 新基准检验 AI 能否看懂政策如何变化

  DAPE 基准同时判断两份政策是否属于同一领域，以及后一份是延续、扩大、缩小还是逆转前一份。研究用 1,000 组中国政府政策指令构建专家标注数据，避免把困难样本简单归为不相关。

• 这个 Claude Code 技能用真实操作制作演示视频

  skill-video-studio 把产品演示制作组织为本地工作流程：先制定演示计划，再用浏览器录制真实操作，通过 HyperFrames 编排画面，最后使用 FFmpeg 输出视频。旁白、音乐和字幕可以按需加入。

• AStockArena 不只看收益，也查交易是否有据

  AStockArena 为金融智能体增加决策审计：把模型报告、交易请求、实际执行回执和账户状态对齐，检查操作是否可追溯、理由是否有证据，以及模型是否正确理解账户情况。

• 审计场景研究：AI 也会受到同事意见影响

  一项实验让语言模型扮演审计人员，先形成估计，再面对没有新增证据的上级、同事、外部审阅人或客户质疑。研究比较了 12 组模型设置。

• MedForget 检查医疗模型能否有针对性地遗忘

  MedForget 把医疗机构及其数据的层级关系纳入多模态遗忘评测，考察删除某一层数据影响时，模型能否保留其他相关能力。

• 研究用读者反应轨迹引导 AI 写故事

  一项故事生成研究先从人类作品中学习读者反应随情节变化的轨迹，再让较小模型预测这些变化，指导较大的写作模型逐段生成故事。

• 去掉选择题选项后，医疗 AI 得分明显下降

  一项研究对 14 个模型进行了医疗问答比较，测试同一道题在提供选项和不提供选项时的表现。数据涉及四套基准的 3,076 道题。

• CLAS 根据上下文调整模型行为引导强度

  CLAS 将模型激活引导拆成固定方向与随上下文变化的系数。相比始终施加同样力度，它可以在同一次生成的不同位置选择性地引导不同表现。

• 工具调用前，怎样判断 AI 是否有把握？

  一项研究专门评估大模型函数调用的不确定性，而不只研究普通问答的置信度。作者比较单次与多次采样方法，检验这些分数能否区分可能错误的工具调用。

• ResMem 把检索到的知识转成可复用参数记忆

  ResMem 研究让模型离线阅读检索文本，再把这些证据如何改变答案分布的差异写入独立参数记忆。这样可以在后续使用中减少重复在线检索，而不是简单模仿检索器的预测。

• 模型改变了数据，统计置信度也要跟着改

  一项统计研究关注预测系统上线后的反馈：模型影响人的决策，进而改变下一轮训练数据。早期估计误差会沿着部署和再训练过程传播。

• AuthRank 用来源关系帮助识别情报投毒

  AuthRank 尝试给网络威胁情报来源建立可信度评分。系统结合引用关系、主张支持情况、时间衰减和作者信息，减少大模型流水线被污染资料误导的风险。

• 预训练数据投毒研究揭示智能体执行风险

  一项安全研究发现，攻击者在模型预训练数据中混入少量设计过的内容，可能让后续智能体在特定触发条件下执行异常指令，即使之后的训练流程使用干净数据。

• FSDAM 用少量示例学习驾驶员注意力变化

  FSDAM 研究将驾驶员注意力预测拆成看哪里和为什么看两个任务。系统从场景、当前关注点、预计下一关注点与原因建立结构化表示。

• 单个 AI 可靠，不代表组成团队后仍可靠

  一项多智能体安全研究让模型群体共同判断是否升级安全告警，并加入持续主张某一结论的少数代理，观察集体决策如何偏移。

• TileWeave 让手机 NPU 与 GPU 分担长上下文计算

  TileWeave 研究按复用程度拆分稀疏注意力计算：共享程度高的块交给适合规则计算的 NPU，复用较低的部分交给 GPU，并协调结果合并。

• 视觉模型按问题选择中间层，不只看最后一层

  Mixture of Layers 研究让多模态模型根据文字问题，动态选择视觉编码器的中间层表示。不同层保留的局部细节与抽象信息不同，固定只取最后几层可能遗漏小物体、文字等线索。

• ATTUNE 用编程智能体调优大模型训练配置

  ATTUNE 让编程智能体在限定 GPU 时间预算内寻找训练瓶颈，每次修改一个配置，并用智能体之外的正确性检查拦截可能改变训练含义的方案。

• Penelope 为多轮智能体任务重新设计缓存淘汰

  Penelope 研究指出，智能体经常重复使用长历史，而靠近序列末尾的 KV 缓存重算成本可能更高。它在保留共享前缀的同时，优先保存后部缓存，只重算缺失片段。