不传向量,只传符号:SYNC让异构大模型无需训练也能共享事实
新方法SYNC提出一种基于共享词表索引的模型间通信接口,让不同架构的语言模型在无需微调或训练翻译器的情况下交换对象属性。实验显示,接收模型可以利用自身隐藏状态中的词语方向写入并读取这些事实。
阅读全文Claude API 中转站避坑指南、检测原理与大模型 API 实测经验
共 2320 篇文章
RSS 订阅新方法SYNC提出一种基于共享词表索引的模型间通信接口,让不同架构的语言模型在无需微调或训练翻译器的情况下交换对象属性。实验显示,接收模型可以利用自身隐藏状态中的词语方向写入并读取这些事实。
阅读全文ActionOPD 提出一种面向黑盒教师模型的动作级在策略蒸馏方法,把智能体训练重点从逐 Token 模仿转向语义动作的一致性。该方法无需教师输出 Token 概率,也不要求师生使用相同的分词器。
阅读全文Hybrid Reasoning Agents 将潜空间推理与文本交互结合,让智能体在需要时进行高效的内部思考,在需要调用工具时再通过文本行动。论文报告称,该架构在多类基准上提升了性能,同时减少了推理 token 和成本。
阅读全文JSSA 面向长上下文解码中的 KV-cache 流量瓶颈,提出联合子空间稀疏注意力与免聚集索引注意力内核。在保持接近完整 KV 注意力精度的同时,论文报告其在 128K 上下文、B200 GPU 上最高可实现 6.43 倍解码吞吐提升。
阅读全文ProbabilityBench 构建了三个带有精确实例级类别概率的模拟文本环境,让研究者能够直接衡量模型输出概率与真实不确定性之间的差距。它还可用于检验校准指标和贝叶斯误差估计器本身是否可靠。
阅读全文只用单元测试训练代码模型,可能让它学会“改得更多”,甚至误判本来正确的代码。PreciseCoder 在通过测试之外加入语义验证和局部编辑信号,试图让模型以更小、更可信的补丁完成调试。
阅读全文SWEeper-Bench 将软件缺陷发现纳入代码智能体评测,要求智能体通过真实的多步浏览器交互定位并修复问题。15 个前沿智能体中表现最佳者仅通过了 59.0% 的任务。
阅读全文Doc2Harness 将评测对象从“使用固定代理框架完成任务”推进到“让模型自己构建代理框架”。结果显示,即使表现最好的模型,也只能通过约一半测试,长程 Harness 工程仍是编码智能体的明显短板。
阅读全文一篇综述尝试梳理“智能体机器人”的研究版图:机器人不再只负责预测下一步动作,而是要理解目标、规划任务、修正错误并适应真实环境。文章将相关工作归纳为模型、数据、环境和Harness四个功能领域。
阅读全文人形机器人会不会用工具,关键不只是能否拿起工具,还包括能否选对工具、完成操作并在必要时移动。HumanoidToolBench尝试用统一基准评估这条从选择到移动执行的完整链路。
阅读全文许多大模型智能体的失败并不源于工具本身,而是源于与用户沟通不当。τ-Emotion-Bench将情绪变化引入长流程工具调用任务,揭示智能体在真实用户行为面前的交互脆弱性。
阅读全文一项研究发现,只检查格式和约束是否满足,可能让模型用几乎没有实质内容的回答拿到高分。研究团队提出 CALIF,在不增加评审模型的情况下,缓解强化学习带来的质量下降。
阅读全文文本到图像模型已经能够生成可读的中文,但笔画缺失、增添或部件变形等局部错误仍可能逃过 OCR 和视觉语言模型。TextVerifier 将中文字符结构纳入验证流程,专门判断图像中的字符是否正确呈现。
阅读全文Last Secure Code Benchmark 对六个前沿编程代理进行测试,结果显示:代码通过功能测试,并不代表能够抵御真实安全漏洞。即使表现最好的模型,同时满足功能与安全要求的任务比例也只有 25.1%。
阅读全文GreenWAM试图打通机器人世界模型与控制策略,将20类机器人统一到共享的解剖学动作空间中。研究结果显示,该模型不仅能预测动作后的场景变化,也能直接支持机器人控制。
阅读全文Jeva 不再把候选选择简单序列化为文本生成任务,而是围绕“是否有答案、候选顺序、候选规模和计算复用”四个决策特性设计模型。其 4B 版本支持最多 2048 个候选,并在报告测试中实现零排列导致的决策翻转。
阅读全文一张图片即使不是AI生成,也不代表其中描述的事件真实发生。EviScene提出图像事实性评估,让多模态智能体自主发现可疑点、检索外部证据,并给出有依据的支持或驳回结论。
阅读全文JevGPT提出一种双系统自主研究架构:由快速系统并行处理证据,由慢速系统制定研究目标并整合结果。论文显示,这种协作有助于扩大证据覆盖,同时降低研究过程的时间与成本。
阅读全文腾讯混元团队推出 LifeSearch 基准,尝试用真实生活与生产力任务检验深度研究智能体。结果显示,即使表现最好的前沿智能体,得分也只有 63.4%。
阅读全文NVIDIA 研究团队提出 PhyProbe,只需输入视频即可评估其中的物理一致性违背程度。该方法结合排序、回归与锚点校准,试图让评测结果既能正确比较,也具备稳定的分数尺度。
阅读全文