从 431 条内容中筛选出 25 条重要资讯。

  1. 谷歌 DeepMind 开源 WeatherNext 2 AI 天气预报模型 ⭐️ 9.0/10
  2. 美团开源 LongCat-2.0：1.6T 参数编程模型 ⭐️ 9.0/10
  3. 美团发布 LongCat-2.0：五万卡国产算力训练万亿参数 Agentic Coding 模型 ⭐️ 9.0/10
  4. Unislop：对 UNISOC UDX710 基带的忠实重宿主分析 ⭐️ 9.0/10
  5. Docker 推出面向 AI 代理的一次性 microVM 隔离沙箱 ⭐️ 8.0/10
  6. ComfyUI 定位为模块化 AI 引擎，用于扩散模型内容创作 ⭐️ 8.0/10
  7. Harvey 发布 LAB：法律 AI 代理开源基准测试 ⭐️ 8.0/10
  8. Anthropic 将 Claude Code 的自动模式设为多数套餐的默认选项 ⭐️ 8.0/10
  9. Meta 开源 30B 模型 Muse Glimmer，4bit 量化可在 24GB 显卡本地运行 ⭐️ 8.0/10
  10. 谷歌将允许竞争对手应用商店入驻 Google Play ⭐️ 8.0/10
  11. Meta 发布 Muse Glimmer：面向本地 Agentic AI 的 30B 开放权重模型 ⭐️ 8.0/10
  12. NVIDIA 发布 Magpie TTS：面向低延迟多语言语音代理的开放权重模型 ⭐️ 8.0/10
  13. Meta 发布 Muse Glimmer：开源本地多模态智能体模型 ⭐️ 8.0/10
  14. 美团开源 LoHoSearch 基准，用知识图谱校准搜索智能体评测 ⭐️ 8.0/10
  15. MineExplorer 评测基准：暴露多模态大模型在开放世界长程任务中的短板 ⭐️ 8.0/10
  16. LongCat 开源长期动态智能体基准 VitaBench 2.0 ⭐️ 8.0/10
  17. CellWorld：面向空间转录组基础模型的潜在细胞预测 ⭐️ 8.0/10
  18. ReASearch：将优化器视为理性驱动的智能体 ⭐️ 8.0/10
  19. 新数据集与新任务应对纯合成假新闻视频 ⭐️ 8.0/10
  20. Gated-BEPO：面向大语言模型智能体的置信门控贝尔曼信用分配 ⭐️ 8.0/10
  21. Fast LapSum：百万规模下精确可微分的 top-k 运算 ⭐️ 8.0/10
  22. 聚合指标掩盖验证对关键票的增益 ⭐️ 8.0/10
  23. 非负双通道深度学习满足 Dale 约束 ⭐️ 8.0/10
  24. 列分块 SVD 从 LLM 线性层提取机制挂载点 ⭐️ 8.0/10
  25. 分片可减少 LLM 评审失误并抵御对抗性利用 ⭐️ 8.0/10

谷歌 DeepMind 开源 WeatherNext 2 AI 天气预报模型 ⭐️ 9.0/10

谷歌 DeepMind 发布了 WeatherNext GitHub 仓库，包含 WeatherNext 2（全球中程大气与气旋预报模型）的代码和预训练权重，以及此前的 GraphCast 和 GenCast 模型。该仓库还提供了通过 Google Cloud、WeatherLab 和 OpenMeteo 访问每日预报数据流的途径。 此次开源发布使最先进的 AI 天气预报系统之一能够被研究人员、开发者和业务机构广泛使用。它还将 WeatherNext 模型家族整合到一处，推动 AI 驱动天气预报和极端事件预测的进一步创新。 WeatherNext 2 以 0.25° 分辨率（约 30 公里）运行，并基于 ECMWF HRES 数据微调，可直接从业务 HRES 初始条件初始化。WeatherNext Cyclones 变体曾在 2025 年大西洋飓风季实时运行（公开名称为 FNV3，NHC 后处理版本称为 GDMI），可复现 Nature 论文中的结果，而 WN2 使用相同算法预报气旋。

rss · GitHub Trending - Daily · 8月10日 16:55

背景: 传统中程天气预报依赖数值天气预报（NWP），基于物理仿真且计算成本高昂。以图神经网络为基础的 GraphCast 和基于扩散模型的集成模型 GenCast 等 AI 模型已证明能够更快且往往更准确地生成预报。WeatherNext 2 在这一系列工作基础上，进一步在同一模型家族中加入了更高分辨率、概率集成输出和气旋预报能力。

参考链接

标签: #weather forecasting, #AI for science, #deep learning, #open source, #Google DeepMind

美团开源 LongCat-2.0：1.6T 参数编程模型 ⭐️ 9.0/10

美团于 2026 年 7 月 12 日正式开源 LongCat-2.0，该模型总参数达 1.6T，平均激活约 480 亿（48B）参数。此次发布引入了 LongCat 稀疏注意力和 N-gram Embedding 两项全新的架构组件。 这是面向 Agentic Coding（智能体编程）这一快速增长领域的重要开源发布，该领域要求 AI 智能体处理复杂、多步骤的软件工程任务。其在长上下文效率和 Token 表示能力上的架构创新，很可能对学术研究和大模型的产业落地产生广泛影响。 LongCat-2.0 支持最高约 100 万 Token 的超长上下文，其 LongCat 稀疏注意力（LSA）机制直接应对了标准注意力在百万级长度下二次方计算开销的瓶颈。N-gram Embedding 增强了 Token 级表示能力，同时动态激活机制进一步强化了代码理解、生成与执行表现。

rss · 美团 Blog · 8月10日 16:56

背景: LongCat-2.0 是专为 Agentic Coding 设计的模型，这类模型需要让 AI 智能体完成多步软件工程任务，而不仅仅是单次代码补全。在百万级 Token 上下文中，标准注意力的计算成本变得难以接受，因此 LongCat 稀疏注意力通过流式感知索引和稀疏注意力模式，在保留局部性的同时降低计算开销。N-gram Embedding 延续了统计语言建模中将词序列映射为稠密向量的思路，但现代大模型需要谨慎处理哈希冲突带来的语义叠加问题。此次开源发布进一步丰富了面向编程任务的开源大模型生态，同类的编程模型还包括 Qwen3 Coder 等。

参考链接

标签: #LLM, #Open Source, #Agentic Coding, #Model Architecture, #AI

美团发布 LongCat-2.0：五万卡国产算力训练万亿参数 Agentic Coding 模型 ⭐️ 9.0/10

美团于 2026 年 6 月 30 日正式发布 LongCat-2.0，这是业界首个在五万卡国产算力集群上完成全流程训练与推理的万亿参数模型，总参数 1.6T，平均激活约 48B，动态范围 33B~56B。该模型从零开始预训练，原生支持 1M 超长上下文，并针对真实的 Agentic Coding（智能体编程）任务进行优化。 这是国产 AI 基础设施的重要里程碑，证明万亿参数规模的模型可以完全依托自主算力完成训练与推理。它还将原生超长上下文与 Agentic Coding 结合，有助于提升 AI 自主可控能力，并可能对使用编程智能体的开发者与企业产生深远影响。 LongCat-2.0 采用类似专家混合（MoE）的设计：全部参数需要载入内存，但每个 Token 仅激活约 48B 参数（动态范围 33B~56B），从而在总容量与单次推理成本之间取得平衡。该模型从零预训练，原生支持 1M 上下文，架构设计面向智能体编程流程中的代码理解、生成与执行。

rss · 美团 Blog · 8月10日 16:56

背景: Agentic Coding（智能体编程）指 AI 智能体在没有人工逐步提示的情况下，自主完成代码规划、编写、测试与修改，不同于传统的自动补全式助手。在 MoE（专家混合）架构中，总参数决定内存占用，而激活参数决定每次请求的速度与成本，这正是 LongCat-2.0 总参数 1.6T、平均激活约 48B 的设计原因。1M token 的上下文窗口大约可以一次处理 1300 页文本，足以覆盖整个代码库或大型文档。

参考链接

标签: #AI, #Large Language Model, #Infrastructure, #Agentic Coding, #China

Unislop：对 UNISOC UDX710 基带的忠实重宿主分析 ⭐️ 9.0/10

论文提出了 Unislop 方法，通过在共享时钟上以锁步方式建模基带周围 SoC 组件，实现对 UNISOC 基带处理器的忠实重宿主（re-hosting）。该方法在 UNISOC UDX710 上得到验证，能够达到与真实硬件相同的控制面状态，并建立完整的 PDU 会话、传输真实 IP 流量。 该研究意义重大，因为 UDX710 被估计用于 10-15%的蜂窝调制解调器及汽车系统，但此前从未被系统分析过。该方法使保真度可在组件接口处得到检验，有望推动对广泛部署的移动平台上基带协议状态机进行系统化安全分析。 研究人员从 Quectel RM500U-CNV 模块出发，获得了代码执行能力，绕过了固件完整性校验，对基带进行了插桩，并从运行中的设备恢复了外设环境。恢复出的组件在 UNISOC 基带产品线中通用，因此经过更多逆向工程后，该设计可扩展到其他目标。

rss · arXiv cs.CR · 8月10日 04:00

背景: 基带处理器负责蜂窝无线通信，并随时可通过无线电信号触达，因此其协议状态机成为攻击者的重要目标。将固件重宿主到模拟器中可以让研究人员进行动态分析，但现有方法往往近似模拟执行环境，并低估了 SoC 的复杂度。UNISOC（原展讯）是低端和中端手机芯片的主要供应商，其基带在现实世界中暴露面很广。

参考链接

标签: #baseband security, #firmware re-hosting, #UNISOC, #mobile security, #SoC emulation

Docker 推出面向 AI 代理的一次性 microVM 隔离沙箱 ⭐️ 8.0/10

Docker 发布了新产品 Docker Sandboxes，为 AI 编码代理提供基于 microVM 的一次性隔离环境。每个沙箱为代理提供独立内核和硬件级隔离，并挂载项目工作区。 AI 代理可能执行任意代码和命令，因此将隔离在硬件级安全边界内对保护主机和数据至关重要。这使开发人员能更安全地运行自主 AI 编码工具，并可能成为 AI 代理开发工作流的标准部分。 与普通容器不同，每个沙箱作为 microVM 运行，在 Hypervisor.framework、WHP 和 KVM 等原生虚拟化层上拥有自己的内核，并使用 Docker 自研的新 VMM 而非 Firecracker。Docker Desktop 4.60+ 已包含此功能，沙箱还提供出站防火墙和带占位符的密钥注入等功能。

hackernews · etoxin · 8月10日 06:02 · 社区讨论

背景: microVM 是一种轻量级虚拟机，兼具传统虚拟机的安全隔离性与容器的资源效率。对 AI 代理而言，容器隔离往往不够，因为代理一旦利用漏洞就可能逃逸或破坏主机，因此 Docker 构建了硬件级的 microVM 边界。

参考链接

社区讨论: 社区反应总体积极但也有不同意见。一名 Docker 员工澄清，这些会话是拥有独立内核和自研 VMM 的真正 microVM；一位用户称赞其出站防火墙和密钥注入功能，但觉得登录繁琐。有人质疑其安全模型与 LXD/Incus 等现有虚拟机工具的差异，还有人建议在工具权限层面做更严格的管控或许是更根本的方案。

标签: #Docker, #AI agents, #sandboxing, #microVMs, #security

ComfyUI 定位为模块化 AI 引擎，用于扩散模型内容创作 ⭐️ 8.0/10

ComfyUI 被定位为最强大、最模块化的 AI 内容创作引擎，提供图/节点界面、API 和后端以支持扩散模型。它原生支持最新的开源先进模型，并通过 API 节点提供对 Nano Banana、Seedance、Hunyuan3D 等闭源模型的访问。 ComfyUI 已成为 AI/ML 社区广泛采用的工具，为视觉专业人士提供对每个模型、参数和输出的精细控制。其模块化图方法和与生产管线的集成，使其在 AI 驱动的图像、视频和 3D 生成快速发展的生态系统中占据关键地位。 该引擎可通过本地桌面应用、便携包、手动安装或 Comfy Cloud 在 Windows、Linux 和 macOS 上使用。借助 App Mode，高级工作流可通过简单 UI 呈现，并且通过 API 端点可集成到生产管线中。

rss · GitHub Trending - Daily · 8月10日 16:55

背景: 扩散模型是一类生成模型，通过逆转加噪过程来生成数据，常用于图像、视频和音频生成。ComfyUI 是一个开源的、基于节点的界面，用于控制这些模型，每个节点代表一个工具或模型（如 Stable Diffusion、ControlNet 或 LoRA），用户通过连接节点来构建工作流。这种可视化方法让用户对生成过程的每一步都有透明的控制，而不仅仅是基于提示词的工具。

参考链接

标签: #AI, #diffusion models, #open-source, #GUI, #workflow

Harvey 发布 LAB：法律 AI 代理开源基准测试 ⭐️ 8.0/10

Harvey 发布了 LAB（法律代理基准测试），这是一个开源基准，用于在真实法律工作中评估基于 LLM 的代理。它包括覆盖 24 多个法律实践领域的 1,671 项任务，以及执行测试框架和评估标准。 该基准测试满足了在法律等高风险领域对 AI 代理进行特定领域评估日益增长的需求。它为研究人员和工程师提供了一种标准化的方式，来衡量和改进代理在法律任务上的表现，可能加速 AI 在法律工作流程中的应用。 LAB 包含一个任务数据集，其中有代理指令、文档和评分标准，以及一个用于运行和评估代理的测试框架。该项目采用全通过评分标准和 LLM 评审，使用 MIT 许可证，并计划随时间扩展。

rss · GitHub Trending - Daily · 8月10日 16:55

背景: LLM 代理是 AI 系统，能够进行推理、使用工具并执行多步骤任务，而不仅仅是简单的文本生成。像 LAB 这样的基准测试提供了真实、标准化的任务，以评估这些代理在特定专业领域中的表现。Harvey 是一家法律 AI 公司，为律师构建基于 LLM 的辅助工具，而 LAB 是他们在创建法律代理工作透明评估标准方面的努力。

标签: #AI agents, #benchmark, #legal tech, #NLP, #evaluation

Anthropic 将 Claude Code 的自动模式设为多数套餐的默认选项 ⭐️ 8.0/10

Anthropic 将从 2026 年 8 月 14 日起，在 Claude Code 的 Pro、Max 和 Team 套餐中，将自动模式设为新会话的默认设置。这一变更得到了新评估的支持，其中一项研究显示，自动模式阻断了 89% 的危险操作，而人工审查员仅为 13.6%。 这标志着 AI 辅助编程的一次重大转变，使自主操作成为许多开发者的默认选择，并可能让无需逐步人工批准的 AI 智能体走向常态化。同时，这也加剧了关于 AI 安全性的讨论，因为 Anthropic 宣称自动模式在抵御提示注入和危险操作方面优于人工审查员。 在一项包含 1,053 名付费测试者的对照研究中，只有 13.6% 的人类拒绝了明显危险的命令，而自动模式阻断了其中 89% 的操作。此外，第三方评估机构 Trajectory Labs 对运行自动模式的最新 Claude 模型进行了 720 次间接提示注入攻击尝试，报告称成功次数为零。

rss · Simon Willison · 8月8日 22:36

背景: Claude Code 是 Anthropic 推出的 AI 编程智能体，能够执行命令和编辑代码。自动模式于 2026 年 3 月以研究预览形式首次发布，它在智能体与执行之间插入一个后台分类器，无需提示用户即可做出权限决定。提示注入是一种网络安全攻击，恶意指令被隐藏在 AI 消费的数据中，可能导致非预期行为。Simon Willison 曾将智能体事故、数据泄露和提示注入组合称为 AI 智能体安全的“致命三重奏”。

参考链接

标签: #AI coding, #Claude Code, #developer tools, #AI safety, #Anthropic

Meta 开源 30B 模型 Muse Glimmer，4bit 量化可在 24GB 显卡本地运行 ⭐️ 8.0/10

Meta 今日开源了 Muse Glimmer，这是一个拥有 300 亿参数的多模态模型，采用 Apache 2.0 许可协议，并应用了 4bit 量化技术，使其能在 24GB 或 32GB 显存的消费级 GPU 上本地运行。该模型专为全天候常驻的本地智能体工作流深度优化。 这次发布让前沿规模的智能体 AI 可以在消费级硬件上完全本地运行，有助于保护隐私、降低成本并减少对云端基础设施的依赖。这也增强了 Meta 在开源智能体生态系统中的地位，直接与 Gemma4-31B 和 Qwen3.6-27B 等模型竞争。 Muse Glimmer 是从更大的 Muse 模型蒸馏到 30B 参数的版本，Meta 在 MacBook M4 Max、M5 Max 和 RTX 5090 平台上进行了测试。官方表示 4bit 量化对智能体任务性能的影响微乎其微，且在多项基准测试中展现出同尺寸级别模型中的强劲性能。

rss · IT HOME · 8月10日 10:52

背景: 4bit 量化通过将模型权重压缩到 4 比特来大幅降低显存占用，使大语言模型能在普通 PC 或 Mac 上本地运行，同时尽量保持推理质量。智能体工作流是由 AI 智能体自主完成推理、规划、调用工具和记忆管理等任务的过程，只需较少的人类干预。Meta 以 Apache 2.0 协议开源 Muse Glimmer，意味着开发者可以自由使用、修改和商用这个模型。

参考链接

标签: #Meta, #open-source, #LLM, #quantization, #local AI

谷歌将允许竞争对手应用商店入驻 Google Play ⭐️ 8.0/10

谷歌已确认，第三方 Android 游戏商店 Aptoide Games 即将在美国的 Google Play 应用商店中上架，用户可像安装普通应用一样安装它。这是谷歌新的 Play Catalog Access 计划的一部分，该计划还允许符合资格的第三方商店访问 Google Play 的应用目录。 这标志着谷歌对 Android 应用分发渠道的控制出现重大反垄断驱动的转变，因为谷歌首次允许直接竞争对手入驻 Google Play 内部。这一变化可能降低竞争对手商店的进入门槛，影响开发者的触达范围，并重塑美国 Android 用户发现和安装应用的方式。 谷歌的 Play Catalog Access 计划将于 2026 年 7 月 22 日开始允许美国第三方应用商店注册，注册商店可展示 Play 中的应用列表，包括应用名称、图标、描述、截图和视频。开发者默认自动参与，该计划是为遵守 Epic 诉谷歌一案的法院命令而设。

rss · IT HOME · 8月10日 10:39

背景: Android 一直允许侧载和第三方应用商店，但安装它们通常需要下载 APK 并绕过多重安全警告。Aptoide 是一家存在已久的替代性 Android 应用商店，以人工精选游戏和社区评论著称。Epic Games 诉讼成功主张谷歌非法垄断了应用分发，从而催生了这一新的目录共享安排。

参考链接

标签: #Google Play, #Android, #app store, #antitrust, #app distribution

Meta 发布 Muse Glimmer：面向本地 Agentic AI 的 30B 开放权重模型 ⭐️ 8.0/10

Meta Superintelligence Labs 发布了 Muse Glimmer，这是一个 300 亿参数的稠密开放权重模型，支持超过 12 万上下文窗口，专为 NVIDIA 上的本地 Agentic AI 工作流而设计。这是该实验室首个开放模型，采用 Apache 2.0 许可证发布。 此次发布强化了本地、隐私保护的 Agentic AI 生态，为开发者提供了一个强大的开放权重替代方案，可替代云端 API。它可能降低 token 成本，并让始终在线的助手工作负载在消费级硬件上运行。 Muse Glimmer 是一个稠密的 300 亿参数视觉语言模型，而非 MoE 模型，支持超过 12 万 token 的上下文。它可通过 llama.cpp 在消费级 GPU 上运行，并针对 NVIDIA 平台进行了优化，社区工具如 Unsloth 已提供量化版本。

rss · NVIDIA Developer Blog · 8月10日 13:27

背景: Agentic AI 工作流是指 AI 智能体将复杂任务分解为多步骤、迭代执行的动作，通常使用外部工具并适应实时数据。像 Muse Glimmer 这样的开放权重模型允许开发者在本地运行这些智能体，避免 API 费用并将数据保留在设备上。此次发布延续了本地模型能力不断增强的趋势，此前已有 Qwen 3.6-27B 和 Llama 等模型。

参考链接

标签: #Meta, #open-weight model, #agentic AI, #NVIDIA, #local AI

NVIDIA 发布 Magpie TTS：面向低延迟多语言语音代理的开放权重模型 ⭐️ 8.0/10

NVIDIA 发布了 Magpie TTS，这是一个开放权重的多语言文本转语音（TTS）模型系列，专为低延迟语音代理应用设计，并提供完全自主部署控制。此次发布包含至少一个 357M 参数的版本，可在 Hugging Face 上获取，并被定位为级联语音代理流水线中即插即用的语音生成层。 这件事很重要，因为开发者现在可以构建并自行托管低延迟的多语言语音代理，而无需依赖专有的云端 TTS API，从而对延迟、隐私和定制化拥有更多控制权。这也反映了语音 AI 生态中开放权重语音模型的行业趋势。 Magpie TTS 使用联结主义时间分类（CTC）损失和注意力先验来强制文本与音频之间的单调交叉注意力，从而避免在生成过程中出现内容跳词、重复或错位。该“开放权重”版本并非完全开源：可能共享模型权重和代码，但不包含训练数据和部分可复现要素。

rss · Hugging Face Blog · 8月10日 16:25

背景: 文本转语音（TTS）系统将书面文本转换为语音音频，现代语音代理通常采用级联方式：大语言模型先生成文本，再由 TTS 模型将其朗读出来。开放权重模型会将训练好的神经网络参数公开提供下载和微调，但还没有达到完全开源的级别，因为训练数据和完整流水线不一定公开。Magpie TTS 被设计为一个专门的语音生成层，可直接接入现有 AI 流水线，而无需修改上游大语言模型或下游音频处理。

参考链接

标签: #TTS, #NVIDIA, #voice agents, #multilingual, #open-weights

Meta 发布 Muse Glimmer：开源本地多模态智能体模型 ⭐️ 8.0/10

Meta 发布了 Muse Glimmer，一个 300 亿参数的开源多模态智能体模型，专为本地、设备端部署而设计。该模型是从更大的 Muse Spark 蒸馏而来，现可通过 Hugging Face、LM Studio 和 Ollama 使用。 此次发布使先进的智能体 AI 能够在消费级硬件上本地运行，减少了对云端 API 的依赖并解决了隐私问题。这同时增强了 Meta 在竞争激烈的开源智能体生态系统中的地位，为现有的本地模型提供了一个多模态、可使用工具的替代方案。 Muse Glimmer 是一个带有专用感知编码器的因果语言模型，通过蒸馏进行优化，拥有 300 亿参数，专门针对消费设备上的自主智能体任务进行了调优。它采用开源许可证发布，并已集成到多个本地推理平台，如 Ollama 和 LM Studio。

rss · Hugging Face Blog · 8月10日 00:00

背景: 智能体 AI 系统能够追求目标、调用工具并具备一定程度的自主行动能力，这与标准聊天机器人有所区别。多模态智能体模型进一步整合了对文本、图像及其他模态的感知，以解决复杂任务。Meta 的 Muse Glimmer 将这种能力封装进一个足够小、可以在本地硬件上运行的模型中，推动了这一趋势的发展。

参考链接

标签: #multimodal, #agentic, #open-source, #Meta, #local AI

美团开源 LoHoSearch 基准，用知识图谱校准搜索智能体评测 ⭐️ 8.0/10

美团开源了 LoHoSearch，一个面向长程搜索智能体的评测基准，采用知识图谱校准来应对现有基准饱和问题。发布报告还指出，顶尖模型在 BrowseComp 上的准确率已从约 30% 攀升至 90% 以上。 BrowseComp 等现有基准正在迅速饱和，越来越难以区分模型能力；LoHoSearch 为长程推理和上下文管理提供了更高要求的评测标准。这为研究和工程社区提供了新的评测工具，也推动 AI 能力评估转向知识图谱校准。 根据 arXiv 论文，LoHoSearch 专注于长程推理和上下文管理，为搜索智能体提供更有难度的评测标准。数据集已在 Hugging Face 上以 ‘meituan-longcat/LoHoSearch’ 发布，并带有 canary GUID 以防止数据泄漏到训练语料。

rss · 美团 Blog · 8月10日 16:56

背景: 搜索智能体是一种能在互联网上自主浏览并回答复杂问题的 AI 系统。OpenAI 的 BrowseComp 等基准包含 1,266 道需要持续联网检索的题目，但随着模型快速进步已趋于饱和。LoHoSearch 旨在超越此类任务，通过长程推理和知识图谱校准提供更难的评测基线，用于评估下一代搜索智能体。

参考链接

标签: #benchmark, #search agents, #knowledge graph, #AI evaluation, #open source

MineExplorer 评测基准：暴露多模态大模型在开放世界长程任务中的短板 ⭐️ 8.0/10

美团 LongCat 团队推出了 MineExplorer，这是首个在开放世界中实现分钟级长程任务的评测基准，系统评估多模态大模型在需要长程规划和隐藏前置条件的任务上的表现。结果显示，顶尖多模态大模型在此类任务上存在明显能力不足。 MineExplorer 填补了多模态大模型评测中的一个重要空白——不再局限于短时、明确指定的任务。对 AI 研究和工程实践而言，现实世界中的部署往往需要在开放世界中持续自主执行，因此这一基准具有重要意义。 该基准以《我的世界》(Minecraft)为测试环境，采用复合任务合成与基于里程碑的评估方式。其重点在于包含隐藏前置条件的任务，考察模型能否自发地发现并完成这些条件，而非仅仅遵循明确指令。

rss · 美团 Blog · 8月10日 16:56

背景: MineExplorer 是一个用于评测多模态大语言模型（MLLM）智能体在《我的世界》(Minecraft)中开放世界探索能力的基准，相关论文与 Hugging Face 页面均有介绍。长程任务不同于常见的“提示-响应”式评测，它要求模型在较长时间内进行多步骤持续执行，而这正是当前 AI 模型的公认短板。该基准特别强调“隐藏前置条件”，即提示中未明确说明、但智能体必须自行推断并满足才能完成任务的额外条件。

参考链接

标签: #multimodal LLM, #benchmark, #long-horizon planning, #open-world, #evaluation

LongCat 开源长期动态智能体基准 VitaBench 2.0 ⭐️ 8.0/10

美团 LongCat 团队开源了 VitaBench 2.0，这是一个用于评估大语言模型智能体在长期用户互动中个性化与主动行为的基准。它包含 56 名用户、819 个子任务、66 个工具和超过 2000 条细粒度偏好。 这填补了 AI 智能体评测的一个盲区：现有基准大多关注短期的单会话任务，而现实世界的助手需要记住过去互动并适应不断变化的偏好。开源该基准为研究人员提供了一种衡量个性化与主动性的标准方法，而这两者是下一代智能体的关键能力。 任务按用户被组织为按时间排序的序列，基准有意控制工具和指令的复杂度，沿用了 VitaBench 1.0 的设计选择。数据中真实的隐含偏好凌乱、依赖上下文，且在不同会话间有时相互矛盾，这使得基准更具挑战性。

rss · 美团 Blog · 8月10日 16:56

背景: 大语言模型（LLM）智能体是使用 LLM 进行推理、规划和行动、并常通过调用工具来完成用户目标的 AI 系统。大多数现有智能体基准只评估短周期或单轮任务，无法判断智能体是否长期记住用户信息。主动型智能体是一类无需明确提示就能预判需求并发起行动的 agentic AI，而非仅仅响应用户指令。VitaBench 2.0 通过模拟单个用户在真实生活中的长期互动，来同时检验长期记忆与主动性。

参考链接

标签: #AI agents, #benchmark, #LLM evaluation, #user modeling, #open-source

CellWorld：面向空间转录组基础模型的潜在细胞预测 ⭐️ 8.0/10

CellWorld 提出了用于空间转录组基础模型的潜在空间预测预训练方法，将预测目标从掩码基因表达转变为潜在细胞表征。该方法在 4600 万个人类细胞上训练了四个模型变体，即使最小的变体也在 11 个线性探针基准和 7 个空间微调基准上超过了所有基线。 通过避免直接重建测序技术带来的技术性变异，这种方法有望提高空间转录组基础模型在不同数据集和组织间的可迁移性。它还为“模型容量和生物来源多样性比原始细胞数量更重要”提供了受控的规模化实验证据。 四个 CellWorld 变体的可训练参数数量从 5.74M 到 94.56M 不等，均在包含 4600 万个人类细胞的语料库上训练。值得注意的是，仅使用语料库 5% 数据（但覆盖广泛生物来源）预训练的冻结版 CellWorld-Large，在所有 7 个空间基准上均超过了所有完全微调的基线。

rss · arXiv cs.AI · 8月10日 04:00

背景: 空间转录组学将基因表达数据与空间背景信息相结合，使研究人员能够在完整组织中研究细胞的功能与相互作用。现有的空间转录组基础模型通常重建被掩码的基因身份或表达值，这可能会复制测序技术带来的技术性变异。潜在空间预测预训练则改为预测被掩码输入的潜在表征，鼓励模型学习信号背后的结构。类似的思路（例如面向时间序列数据的 Eidos 模型）已表明这种转变能提升可迁移性。

参考链接

标签: #spatial transcriptomics, #foundation models, #biomedical AI, #pretraining, #representation learning

ReASearch：将优化器视为理性驱动的智能体 ⭐️ 8.0/10

ReASearch 是一个统一框架，其中单个使用工具的智能体能够自主评估、诊断并改进跨提示、程序和机器学习工作流的策略。它在 14 个任务上优于专门的优化系统，实现 2% 到 40% 的提升，有时还能发现超越先前人类已知最佳结果的解决方案。 这项工作挑战了对外部循环控制器（如进化搜索、多臂老虎机或文本梯度方法）的传统依赖，提出搜索策略可以在很大程度上由智能体自身内化。它可能统一不同领域的优化方式，并影响未来基于 LLM 的智能体设计。 ReASearch 使用共享的智能体循环和特定领域的工具，使完全相同的框架能够优化提示、程序和机器学习工作流。智能体依靠持久记忆来分配预算并在长时间跨度内改进策略，复杂搜索行为会自然地从其推理过程中涌现，而无需显式编程。

rss · arXiv cs.AI · 8月10日 04:00

背景: 针对提示和程序等离散结构的传统优化系统通常依赖外部控制器，例如进化算法、多臂老虎机或文本梯度方法，这些方法迭代地提出编辑建议。文本梯度方法将 LLM 反馈视为指导提示更新的伪梯度，因为文本不可微分。AI 智能体中的持久记忆允许跨轮次和会话存储与调用信息，这对长跨度优化至关重要。ReASearch 探索了一个配备工具和记忆的单一智能体能够在多大程度上内化搜索策略。

参考链接

标签: #agents, #optimization, #LLMs, #ML workflows, #reasoning

新数据集与新任务应对纯合成假新闻视频 ⭐️ 8.0/10

该论文提出了首个纯合成假新闻视频数据集 PS-FNVD，并将 T2V-FNVD 定义为一个三元分类任务，用于区分真实视频、廉价伪造视频和纯合成伪造视频。论文还提出了 R-T2V 框架，其性能达到当前最优，在准确率上比第二好的基线高出 12.20 个百分点，在宏 F1 上高出 8.46 个百分点。 文本生成视频（T2V）模型如今可以从零开始生成逼真的假新闻视频，使威胁从利用现有素材拼接的“廉价伪造”进一步升级。这项工作提供了相应的基准数据集和检测框架，有助于应对这一新兴风险，推动多媒体取证与 AI 安全领域的发展。 PS-FNVD 包含两类视频：一是虚构事件但视觉内容与之欺骗性对齐的 Type 1，二是真实事件但视觉来源为伪造的 Type 2，这可以防止模型利用单模态捷径。R-T2V 通过条件推理生成和监督微调进行训练，将高层语义逻辑与低层物理生成痕迹相结合，以完成三元预测。

rss · arXiv cs.AI · 8月10日 04:00

背景: “廉价伪造”（cheap fake）通常指利用现有视频素材通过简单编辑手段拼接出的篡改视频，而“纯合成伪造”（pure synthesis fake）则是由 AI 模型从头生成的完全虚构视频。现代文本生成视频模型可以生成与虚构叙事高度一致的视频，形成一种“模态对齐陷阱”，即视觉与文本线索看似一致，但内容完全虚假。现有的假新闻视频检测数据集缺乏这类纯合成样本，因此在这些数据集上训练的检测器可能难以应对这种新威胁。

参考链接

标签: #AI safety, #deepfake detection, #multimedia forensics, #text-to-video, #dataset

Gated-BEPO：面向大语言模型智能体的置信门控贝尔曼信用分配 ⭐️ 8.0/10

该论文提出了 Gated-BEPO 方法，通过平均备份 Bellman 不动点估计经验回滚图中的节点价值，从而为大语言模型智能体推导出步骤级信用。然后使用广义优势估计累积时序差分残差，并利用置信门控选择性地融合步骤级与回合级信用。 Gated-BEPO 解决了训练大语言模型智能体在长周期任务中的一个关键挑战：如何将稀疏的最终结果信用分配给各个动作。它为现有的无评论家均匀传播和分组匹配方法提供了一种基于图的原则性替代方案，并在 WebShop、ALFWorld 和视觉 Sokoban 环境中对语言模型及视觉-语言模型均取得了一致的改进。 置信门控只在观察到多个后继状态的情况下引入 Bellman 信用，否则使用回合级信用。诊断性消融实验验证了 Bellman 不动点价值估计的有效性，并表明步骤级信用应选择性地而非均匀地融合到最终优势中。

rss · arXiv cs.AI · 8月10日 04:00

背景: 在强化学习中，信用分配是指判断长序列中哪些动作对最终稀疏奖励做出了贡献的问题。传统方法要么将最终奖励均匀传播到所有步骤，要么依赖学习得到的价值函数（评论家），而这对大语言模型智能体可能不稳定。Bellman 方程提供了一种递归估计状态价值的方法，广义优势估计（GAE）则有助于降低策略梯度更新中的方差。Gated-BEPO 将这些思想应用于从采集到的智能体轨迹构建的经验回滚图。

参考链接

标签: #LLM agents, #reinforcement learning, #credit assignment, #arXiv, #Bellman equations

Fast LapSum：百万规模下精确可微分的 top-k 运算 ⭐️ 8.0/10

Fast LapSum 是一种新的可微分软 top-k 原语，在保持精确选择质量 k 的同时，通过 GPU 求解器以线性时间运行。它处理 10^6、10^7 和 10^8 个分数分别只需 0.41 毫秒、1.15 毫秒和 5.23 毫秒。 这消除了稀疏计算中精确可微分 top-k 的关键可扩展性瓶颈，使词元路由、专家激活、记忆选择和注意力剪枝等应用能够在百万规模上运行。它还使诸如百万像素稀疏对抗样本生成和全可微分稀疏图像编码等新工作流变得切实可行。 与放松归一化约束的 DFTopK 等先前线性时间方法不同，Fast LapSum 是首个在完全可微分的同时保留精确选择质量 k 的方法。其求解器结合了线性时间阈值计算与解析向量-雅可比积，并在极端规模下使用概率括选，仅对带核噪声分数的中间不确定带进行排序。

rss · arXiv cs.AI · 8月10日 04:00

背景: top-k 运算是现代稀疏计算的基础构件，但硬 top-k 会阻断梯度，因此需要可微分的松弛方法。之前的软 top-k 方法对于大规模模型来说成本过高。Fast LapSum 在 GPU 上排序后以线性时间运行，利用向量-雅可比积（自动微分的核心）和概率括选来避免对整个输入进行排序。

参考链接

标签: #top-k, #differentiable programming, #sparse computation, #GPU algorithms, #mixture of experts

聚合指标掩盖验证对关键票的增益 ⭐️ 8.0/10

论文表明，LLM 法官小组的聚合独立性指标掩盖了验证（例如执行测试套件）真正起作用的地方。所有准确率提升都集中在仅差一票的关键决策上，在三种主要配置中提升为+10.4 到+23.3 个百分点，而在其他情况恰好为零。 这挑战了用有效票数等聚合诊断指标来衡量增加评委或验证信号是否有帮助的普遍做法。该结果提供了一条实用的调用减少规则：只需在关键票上调用验证，从而在提升准确率的同时节省计算资源。 在三个代码基准和四种评委人数下，这一模式均成立：有效票数仅变化-0.04（95% CI [-0.10, +0.02]），而按票差分层的增益仍然很大。多数侧替换规则将 HumanEval+/MBPP+的总体准确率从 82.44%提升到 85.62%，同时仅在 16.2%的查询上调用信号；仅用信号可达到 87.60%。

rss · arXiv cs.AI · 8月10日 04:00

背景: LLM-as-a-judge（LLM 即裁判）是一种广泛使用的评估技术，用一个 LLM 对其他模型的输出进行打分或比较。法官小组通过多数投票汇总多个 LLM 实例的投票，有效票数是一种常用诊断指标，用于量化小组提供了多少独立信息。此前的研究报告称，九名法官提供的有效信息大约相当于两名独立法官，说明法官错误高度相关。本文认为，这类总体层面的诊断指标在一个大部分不受替换影响的群体上取平均，掩盖了在关键一票决策上的强条件效用。

参考链接

标签: #LLM evaluation, #judge panels, #verification, #aggregation, #arXiv

非负双通道深度学习满足 Dale 约束 ⭐️ 8.0/10

该论文提出了一种受生物学启发的神经架构，其中神经活动和学习信号均为非负、突触符号固定，但仍支持类似反向传播的学习。它利用两个互补的非负通道来表征正负贡献，并结合局部赫布学习规则，理论上证明其更新能精确恢复反向传播。 这项工作弥合了生物合理学习模型与真实皮层回路之间的长期差距，证明了有效学习并不需要混合符号信号。它可能使人工智能学习算法更接近大脑机制，并为神经形态硬件或计算模型提供灵感。 该架构在自下而上和自上而下的通路中重复使用一种简单的神经回路基元。实验上，这种 on-off 架构在 Tiny ImageNet 基准上相对于普通网络取得了显著提升，同时满足更强的生物约束。

rss · arXiv cs.AI · 8月10日 04:00

背景: Dale 原理指出，一个神经元在其所有突触上释放同一种神经递质，因此每个神经元要么是兴奋性的、要么是抑制性的，突触不能改变符号。标准人工神经网络中的激活和权重可正可负，这违反了该原理。该论文的双通道方法借鉴了大脑中 on-off（开/关）表征的证据，使固定符号单元也能表达带符号的信息。

参考链接

标签: #neuroscience, #biologically-plausible-learning, #deep-learning, #backpropagation, #Dale's-principle

列分块 SVD 从 LLM 线性层提取机制挂载点 ⭐️ 8.0/10

研究人员提出用列分块 SVD 直接从大语言模型的线性层中提取“机制挂载点”——即（触发器、写入、强度）三元组，绕过了稀疏自编码器等训练出来的代理字典。在 Gemma-2-2B 上使用 WikiText-2 的 16,384 个 token 子样本进行测试，该方法在七个线性映射上通过了全部 182 个预注册的位点层。 这为机制可解释性提供了一条新路径，将概念定位在神经网络权重本身而非学习到的字典中，有可能使可解释性更扎实且成本更低。该方法可扩展到 Gemma-2-2B 等真实大语言模型，并帮助安全研究人员直接将行为追溯到权重结构。 每个挂载点是一个三元组（v,u,σ），分别代表触发器、写入和强度，评估采用子层后 RMSNorm 的“完整写入能量提升”分数。残差写入（mlp.down、attn.o）获得完整 A/B/C 评级并通过 52/52 个位点层，其他映射（mlp.gate、attn.q、attn.k、mlp.up、attn.v）仅获得 A/B 评级，各通过 26/26；代码、语料库构建器、实验入口和单元测试均已发布。

rss · arXiv cs.AI · 8月10日 04:00

背景: 机制可解释性的目标是把神经网络逆向工程为人类可理解的算法和回路，类似于对传统软件进行逆向工程。目前的主流方法是训练稀疏自编码器（SAE）来学习稀疏的特征字典，然后根据最大激活文本给特征贴标签——但这样做使得“身份”存在于学习到的字典中，而非网络权重本身。奇异值分解（SVD）将一个矩阵分解为奇异向量和奇异值，而“列分块 SVD”则逐块地跨列应用这种分解，从而揭示层权重矩阵中的局部线性结构。

参考链接

标签: #mechanistic interpretability, #SVD, #LLMs, #linear algebra, #sparse autoencoders

分片可减少 LLM 评审失误并抵御对抗性利用 ⭐️ 8.0/10

一篇新的 arXiv 论文（2608.06422）表明，将 LLM 评审员的要求拆分为多次独立调用（即分片）能在法律、临床试验和研究复现等任务中显著提升与专家监督的一致性。采用分片的较弱模型可以胜过更强的整体式评审模型，并且分片还能消除仅改变表述的 Best-of-N 对手的优势。 这挑战了“给评审模型更多算力就能提升可靠性”的假设；它提供了一种简单、预算不变且对基于 LLM 的评测和可扩展 AI 监督有直接影响的干预手段。构建评测流程或安全框架的从业者可以在不更换模型的情况下减少多判定错误和对抗性过度接受。 该论文在比较分片调用与整体式调用时固定了模型、证据、总预算和每决策预算，从而隔离了拆分这一变量的影响。对于分别就每个标准说服评审员的攻击，分片本身并无帮助；但在分片之上叠加辩论式对抗则可以抵御这种自适应重新优化。

rss · arXiv cs.LG · 8月10日 04:00

背景: LLM 作为评审器被广泛用于给模型输出打分，但一次调用需要返回大量判定时，容易产生缺少证据支撑的决策。分片把评估要求拆成较小的分组，每组独立调用一次，再汇总判定，从而在相同算力预算下提高监督可靠性。此前关于 LLM 评审流程的研究已指出多评审共识和评测设计失效等问题，因此这一实证发现可直接落地使用。

参考链接

标签: #LLM oversight, #AI safety, #evaluation, #scalable oversight, #empirical study