跳到正文
只看论文
10月14日周三
  1. Google DeepMind：Blog81

    Google DeepMind 发布 Gemini 4 Argon 并公布安全与防护细节

    Google DeepMind 发布 Gemini 4 Argon 并开始广泛推出，同时扩大 Fairwind Program 给受信任的网络防御者。模型解决了全部 12 个端到端模拟网络攻击场景（上一代为 5 个），Wiz 用其发现此前模型遗漏的医院软件关键漏洞，涉及数十万患者记录。

    同一件事，精选收录的是《Google 发布 Gemini 4 Argon：面向复杂工程与科研任务的前沿模型》

  6. Artificial Analysis 完整文章35

    Artificial Analysis 发布 Decision Index v1.0

    Artificial Analysis 推出 Decision Index v1.0，用于衡量决策模型的表现。该指数同时考察决策模型的成本与时间效率，并指出决策模型存在过度自信问题。文章还对比了决策模型与 LLM 的差异，以及模型"知道何时不该回答"的能力。

  9. Cohere Labs：官方研究博客71

    Cohere Labs 研究：编码 Agent 团队扩编的经验，以 30% 成本逼近前沿效果

    Cohere Labs 在 ProgramBench 200 个任务上系统测试编码 Agent 团队的设计选择，发现团队优于单个 Agent 但成本高 4 到 7 倍。

    推荐理由：Cohere Labs 用受控实验拆解多智能体团队的设计选择，指出只在规划阶段派便宜的 worker 就能以五分之一成本逼近全强模型团队。

10月13日周二
  1. Apple Machine Learning Research48

    Apple 研究：双语预训练混合数据优于超参数搜索，低资源语言预训练新发现

    Apple 研究团队在 150M 到 1.43B 四种模型规模、约 1000 次预训练实验中对比发现，混入高资源语言数据比超参数调优更有效，且优势随模型增大而扩大。混合数据带来的提升相当于 2–3 倍目标语言独有数据（验证损失）和 2–13 倍（下游任务准确率）。团队建议优先调整混合比例，并通过 μP 从小代理模型迁移超参数。

  6. LG AI Research：官方研究博客34

    LG AI Research 在 ICML 2026 提出 GEAR 与 Sim-GEAR：用黎曼几何解决科学数据稀缺

    LG AI Research 在 ICML 2026 发布 GEAR 与 Sim-GEAR，用黎曼几何连接不同物理性质预测模型的隐空间，解决材料研发中部分物性仅有数十条数据、而另一些有上亿条的数据失衡问题。该方法不再假设隐空间是平坦的欧氏空间，而是把模型间的差异视为空间的几何差异，从而在源任务与目标任务之间迁移知识。

  7. IT之家·人工智能64

    Anthropic 实验：小型 AI 模型数月后或在物联网设备上实现自我复制

    Anthropic 于当地时间周一发布实验结果称，再过数月小型 AI 模型或将具备在商用物联网设备上自我复制的能力。实验发现参数量 300 亿以下的小模型可完成复制流程中的多项步骤，但难以独立跑完整链路；在移除部分安全校验的简化环境下，GLM-5.2 及更强模型能实现端到端完整自我复制。

  11. Anthropic：Research77

    Anthropic 强化针对蒸馏攻击的防御， reasoning token 提取量下降 10 到 100 倍

    Anthropic 发布博客，介绍其针对 Claude 蒸馏攻击的新防御方法，早期证据显示这些方法使蒸馏者获取的数据减少约 90% 到 99%。

    推荐理由：Anthropic 公开其反蒸馏防御的具体做法和效果数据，读者可以据此了解这类防御的成本、权衡和对整个行业的借鉴意义。

  14. Apple Machine Learning Research44

    约翰霍普金斯大学提出 SELFCOMPACT：让语言模型智能体自主决定何时压缩上下文

    约翰霍普金斯大学提出 SELFCOMPACT，让模型自身决定何时及如何压缩上下文，无需微调或外部监督。该方法结合压缩工具与轻量级评分规则，在六项基准、七个模型上匹配或超越固定间隔摘要，数学任务最高提升 18.1 分，智能体搜索提升 5–9 分，每题成本降低 30–70%。

  15. Apple Machine Learning Research37

    Minions：基于闲置 Apple Silicon 设备构建的动态分布式虚拟 GPU 云

    Apple 研究团队提出 Minions，一个将多台 macOS 设备上闲置的 Apple Silicon GPU 聚合起来、执行大规模机器学习推理的动态分布式虚拟 GPU 云。该系统支持灵活的 GPU 推理任务执行、容错和高效资源利用，让团队无需额外采购 GPU 即可利用现有硬件。经验表明，在集中式 GPU 资源受限的环境中，闲置 macOS 设备可转化为实用的分布式 GPU 推理平台。

  16. Apple Machine Learning Research40

    苹果研究：LLM 做机器翻译质量标注，人类与模型都面临挑战

    苹果研究团队评估了 LLM 在 MQM 和 ESA 两种机器翻译质量标注方案下与人类标注者的一致性，测试覆盖 70 个语言对的长上下文测试集及 WMT23、WMT25 公开数据。结果显示，LLM 在某些任务上与人类的一致性超过人类标注者之间的一致性，但在多数标注方案、语言对和领域下仍不可靠。人类在细粒度 MQM 标注和低资源语言对上尤为吃力，LLM 则难以处理细微错误、错误语言变体和错误跨度标注。

  18. Anthropic：Research76

    Anthropic 研究：小型 AI 模型可能接近在 IoT 设备上自主复制

    Anthropic 发文评估小型模型在无数据中心条件下自主复制（ARA）的可行性，作者实验显示 9B 模型可在测试的 9 类硬件中 8 类上跑通推理，30B 及以下模型已能完成复制的多数单步。

    推荐理由：Anthropic 用自购的 15 台廉价电视盒实测小模型分布式推理与复制链路，读者可据此评估 AI 蠕虫这类威胁的近期可行性。

  22. Amazon Science61

    AWS 提出 priming 方法，可将预训练 Transformer 改造成混合状态空间架构

    AWS 团队发布论文《Priming: Hybrid state space models from pre-trained Transformers》，提出 priming 方法，复用预训练 Transformer 权重构建混合架构，将预训练成本降低逾 99%，全流程消耗不足源模型 0.5% 的 token 预算。

    推荐理由：AWS 团队提出 priming 方法，把预训练 Transformer 改造成混合架构的预训练成本降低逾 99%，并开源了 8B 和 32B 模型与代码。

  23. AI at Meta31

    为了量化模型处理陌生任务的能力，我们将后训练中训练过的任务的测试时计算扩展与其他任务进行了对比。 两个模型在分布外任务上的提升相似，但在相同的分布内得分下，Muse Wonder Full 在陌生任务上的表现优于 Muse Spark 1.3 趋势所预测的水平。我们将这一上移归因于更强的基座模型，它能更有效地将后训练带来的增益迁移到我们未曾预料到的任务上。

  27. Microsoft Research 博客49

    微软 StudentSim：用个性化学生模拟器在真实学习者之前评估 AI 辅导

    微软研究院提出 StudentSim，一种从公开去标识化学习记录训练个性化 AI 学生模拟器的研究系统，可在真实学习者测试前评估和改进 AI 辅导工具。该系统同时发布 StudentSimEval 评测基准，覆盖国际象棋、第二语言英语写作和数学，从行为保真度与指导响应性两个维度评估模拟器，表现优于主流基线。StudentSim 并非产品，不部署于课堂，也不用于替代教师。

10月12日周一
  1. Rohan Paul50

    NVIDIA 论文提出，相比逐步打分，只在首个让测试通过的决定性编辑处评估 base 模型更能预测其智能体后训练潜力。方法回放成功智能体轨迹并在每次编辑后重跑测试，检查 base 模型是否会写出该编辑、在失败编辑中选中它并写出可通过的实现。模型写出该编辑的概率排序与十个模型后训练后的 SWE-bench Verified 得分相关性达 0.964，且只需基准的成功轨迹和测试即可运行。