RealCompanion:长期对话评测不该只考“记住了什么”
RealCompanion 将长期人机关系带入更接近现实的评测场景,关注模型能否理解一个人、判断何时需要回忆,以及是否会正确使用过去的信息。研究发现,记忆需求远比常规基准想象得少,也更难被可靠识别。
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RealCompanion 将长期人机关系带入更接近现实的评测场景,关注模型能否理解一个人、判断何时需要回忆,以及是否会正确使用过去的信息。研究发现,记忆需求远比常规基准想象得少,也更难被可靠识别。
阅读全文VeriHarness提出了一套无需参考答案或评分标准的智能体验证框架。它利用多次运行中的分歧与共识,结合工作区、证据工具和可复用技能,筛选并修订长期任务的最终结果。
阅读全文SciUtopia把研究选题、合作、投稿、同行评审、资助、引用和职业流动放进同一个持续演化的LLM智能体模拟环境。实验显示,增加投稿机会可能提高产出,却也会加重评审负担并降低研究者长期留存。
阅读全文研究团队提出棋类语言模型Queen,将棋力强但不会解释的专家编码器,与能够生成自然语言的指令模型结合。经过迭代蒸馏,4B参数模型的棋力从1782提升至2697 Elo,并生成接近高水平语言模型的连贯解释。
阅读全文WEFT提出将环境、任务、智能体运行框架和评估器作为一个整体扩展,以提升通用智能体的工具使用能力。其方法结合执行驱动的自我演化、前缀保留采样和原子轮次信用分配,针对长流程训练中的可靠性问题给出系统方案。
阅读全文一项针对医疗长文本事实核查的研究发现,检索—验证系统在封闭式基准上表现良好,但面对开放式临床答案时性能显著下滑。研究进一步将失败拆分为检索质量与验证推理两类问题。
阅读全文CacheBack 提出一种接收方条件化的潜在通信方法,根据接收智能体的信息需求筛选发送方的 KV Cache。在 FanOutQA 测试中,它在减少状态传输的同时提升了准确率与任务完成速度。
阅读全文JEPA-TTT 为预训练 JEPA 世界模型加入持续测试时训练,使智能体能够在环境动力学发生变化后,利用自身观测逐步修正潜在预测器。实验显示,这种不依赖在线奖励的适应方式显著提升了规划表现。
阅读全文长视频生成的关键难题不只是“记忆更多”,还包括从不断增长的历史中选出未来真正需要的信息。FrameMorrow通过预测未来信息需求,再反向筛选历史帧,为多种视频生成器提供了一种即插即用的记忆选择方案。
阅读全文ProWAM 为世界动作模型引入有序视觉子目标,让机器人不必生成完整视频,也能获得分阶段的行动指引。论文报告显示,该方法在多个仿真基准上提升了长程任务与分布外场景的表现。
阅读全文SimuVerity 提出一套面向工程要求的 Simulink 智能体评测基准,覆盖 101 个文本到可执行模型的任务。研究显示,能编译或看起来相似,并不代表模型真正满足工程需求。
阅读全文视频世界模型依赖不断增长的 KV Cache 保持长时序一致性,但低比特量化可能引发严重闪烁。QuantWM 从注意力偏移出发,提出无需训练的 2 比特量化方案。
阅读全文EyeRobot 2.0通过转动双目视点主动锁定场景中的三维目标,并结合注视中心的高密度视觉处理,让机器人在不依赖腕部相机的情况下完成精细双手操作。
阅读全文多家机构发现,攻击者可利用MCP连接中的信任缺口,让一个智能体把恶意提示转交给另一个智能体。问题表面上是提示注入,底层则牵涉跨协议授权、SSRF和缺失的零信任设计。
阅读全文Dust 用激活扰动和零阶优化替代反向传播,在 Transformer 语言模型预训练中取得了接近后者的表现。它并非当下更省算力的方案,却展示了“虚拟种群”搜索训练的新方向。
阅读全文Vals.ai团队让一组AI代理参与磁性材料设计与筛选,提出一种全新候选,并重新识别出一种1999年已制备的材料。两者都显示出零净磁矩、半导体带隙和自旋分离潜力,但距离实际存储器应用仍有明显距离。
阅读全文为遵守欧盟《人工智能法案》的透明度要求,OpenAI将在欧盟为ChatGPT和Codex生成的文本启用隐形水印。该机制能帮助检测器识别文本来源,但改写、短文本、数学答案和翻译内容都可能降低识别效果。
阅读全文美国犹他州批准一项试点,允许 Nolla Health 的 AI 通过面部扫描评估轻中度痤疮,并直接开具初始处方。这一做法把 AI 医疗从辅助判断推进到处方决策,也让监管和责任边界受到检验。
阅读全文美国初创公司Reflection AI公布首个前沿开放权重模型Beam,称其在高级推理基准上可对标领先中国开放模型,同时减少推理计算需求。该模型主要面向企业、公共部门和主权国家,用于建设本地化“AI工厂”。
阅读全文Fold2Reason 试图把蛋白质三维结构转化为可验证的推理监督,探索科学数据能否提升语言模型在蛋白质之外的通用能力。实验显示,结构密集型训练同时改善了空间、图、科学和一般推理任务。
阅读全文