从 388 条内容中筛选出 25 条重要资讯。

  1. 黑客远程启动欧洲超市冷柜除霜，冷链遭网络攻击 ⭐️ 8.0/10
  2. Meta Research 发布 Muse Wonder 前沿智能体模型系列 ⭐️ 8.0/10
  3. AI 编程智能体提升了代码量，却没提升可用软件产出 ⭐️ 8.0/10
  4. QGIS 对 AI 生成代码贡献实施暂停令 ⭐️ 8.0/10
  5. Python 3.15 发布，带来 PEP 810 显式惰性导入 ⭐️ 8.0/10
  6. GeoRA 获 ACL 2026 杰出论文：专为 RLVR 设计的低秩适配方法 ⭐️ 8.0/10
  7. 美团 LongCat 推出 MineExplorer 基准，揭示多模态大模型规划能力断层 ⭐️ 8.0/10
  8. MagicBeanStalk 通过递归数据合成跳出 RLVR 零优势陷阱 ⭐️ 8.0/10
  9. LaS 用自然语言类别描述监督神经解码 ⭐️ 8.0/10
  10. CircuitTree 将剪枝后的 HuBERT 音素电路组合成音节转写器 ⭐️ 8.0/10
  11. 来源分组评估协议揭示钙钛矿太阳能电池机器学习中的数据泄漏 ⭐️ 8.0/10
  12. 无坐标自动微分：用现有 AD 原语表达几何微分算子 ⭐️ 8.0/10
  13. 字节跳动 ByteExpress 分享大规模 RDMA 部署的三条经验 ⭐️ 8.0/10
  14. SWE-Duel：面向编码智能体的自扩展对抗竞技场 ⭐️ 8.0/10
  15. 面向深度研究智能体的提示优化增益需通过主题不相交与多种子验证 ⭐️ 8.0/10
  16. DistressBench：以评分量表衡量大模型危机支持能力，而非拒答 ⭐️ 8.0/10
  17. 新基准测试语音模型是否懂得何时该保持沉默 ⭐️ 8.0/10
  18. 研究发现：提示词优化器会破坏未被评分的输出约定 ⭐️ 8.0/10
  19. 无标签准则改写提升 LLM 评审共识，却未拉近与人类标注的一致 ⭐️ 8.0/10
  20. PanTact：用可穿戴接触接口教人形机器人全身灵巧操作 ⭐️ 8.0/10
  21. REMM 为冻结的机器人策略加入可修订记忆层 ⭐️ 8.0/10
  22. LeWAM：融合动作流匹配的端到端 JEPA 世界模型 ⭐️ 8.0/10
  23. HOMARD：利用 Arm SoC 非特权功耗遥测泄露 DRAM 数据 ⭐️ 8.0/10
  24. TEEVisor 在 AMD SEV-SNP 机密虚拟机内嵌套 SGX 式飞地 ⭐️ 8.0/10
  25. 1.7 万个被标记的漏洞模型仍扩散至超过 2.1 万个代码位置 ⭐️ 8.0/10

黑客远程启动欧洲超市冷柜除霜，冷链遭网络攻击 ⭐️ 8.0/10

一场网络攻击瘫痪了欧洲多家连锁超市的制冷系统，其中最突出的是在法国约 150 家 Intermarché门店远程强制启动联网冷柜控制器的自动除霜循环，同时还扰乱了配送和门店定价。路透社、BBC 和法国《世界报》均在 2026 年 10 月报道了这一事件，称其为针对零售冷链基础设施的一次前所未有的攻击。 这是一起典型的网络物理攻击事件：纯数字入侵造成了实实在在的物理后果——食品变质风险、库存损失、物流与定价混乱，说明零售制冷已成为关键基础设施攻击面的一部分。同时它把焦点投向已停产（EOL）的嵌入式控制器和厂商强制的远程联网要求，将迫使零售商、设备厂商和监管机构重新思考冷链中的 OT 安全。 外界关注集中在 Danfoss AK-SM 800A 制冷控制器平台上，Claroty 的 Team82 团队曾记录其内嵌 Web 管理界面存在多个漏洞；评论者还指出更老、已停产的型号仍在服役，例如 Danfoss SM800（2021 年终止支持）和 SC355（2016 年终止支持）。由于这些控制器通常通过互联网进行远程诊断和除霜调度，攻击者无需定制恶意软件即可滥用除霜启动等合法功能，而受影响的设备往往无法简单打补丁或更换。

hackernews · Zeekaas · 10月12日 12:16 · 社区讨论

背景: 运营技术（OT）指的是直接控制物理过程的硬件和软件——在本例中即管理超市冷柜压缩机循环、温度设定点和除霜定时器的电子制冷控制器。历史上这些系统是物理隔离的，无法从互联网访问，但 IT/OT 融合、云端监控和远程服务合同使其越来越多地暴露于网络威胁之下。厂商把联网宣传为一种手段，可以避免为启动除霜这类小事派工程师上门，并在整个门店网络中比较能效，这正是成千上万台遗留嵌入式设备如今挂在公网上的原因。

参考链接

社区讨论: Hacker News 的评论者基本就疑似原因达成共识，指向 Danfoss 的相关 CVE 以及已有 15 至 20 年历史的停产控制器，并认为低利润零售业和轮班作业根本无力承担安全审查或硬件更新周期。一些人对“为什么要把冷柜连上互联网”这种下意识质疑予以反驳，指出厂商在设计上就要求付费订阅和远程联网；还有评论者推测此事可能与 2026 年 8 月美军基地小卖部发生的类似事件有关，不过目前尚无任何归因得到确认。

标签: #cybersecurity, #IoT, #OT security, #critical infrastructure, #legacy systems

Meta Research 发布 Muse Wonder 前沿智能体模型系列 ⭐️ 8.0/10

Meta Research 发布了 Muse Wonder 系列，包含 Muse Wonder 与 Muse Wonder Full 两个版本，称其为迄今能力最强的模型，并在个人与专业智能体任务上达到当前最优（state-of-the-art）表现。该消息在 Hacker News 上获得 475 分、254 条评论，开发者随即对模型进行了自发测试。 这标志着又一家前沿实验室推出了顶级智能体模型；其意义在于，有能力处于前沿的实验室数量会同时影响行业竞争格局与安全态势。评论者认为，与其只有一家公司说了算，拥有三到四家前沿玩家可以降低权力极度集中的风险，并促使各方为避免灾难性的竞赛而合作。 讨论串中的独立评测褒贬不一：一位用户的 image-to-HTML 测试发现 Muse Wonder 明显弱于 Anthropic 的 Opus 5.5，更接近 Sonnet 或 Haiku 一档；另一位测试者称其在实际开发任务中“比 Astra／Opus 5.5／Fable 差一档”，智能水平尚可，但“品味与判断力”仍不足。另有评论者报告 dev.meta.ai 上疑似存在认证漏洞，登录时会看到他人的个人资料和邮箱，若属实将是严重的隐私与安全问题。

hackernews · meetpateltech · 10月12日 16:48 · 社区讨论

背景: 所谓“前沿模型”，是指能力处于当前最领先水平的 LLM，通常由少数资金雄厚的实验室训练，例如 OpenAI、Anthropic、Google DeepMind，如今又加上 Meta。“智能体任务”指模型需要多步规划、调用工具、修改文件，而不只是回答单个提示词，因此 HN 上的测试者会尝试打磨 React 界面、审查 Node 后端、修改 Rust 服务等真实工作。image-to-HTML 基准测试则衡量多模态模型把截图或设计稿转换成可用网页代码的能力，是评估视觉与代码生成质量的常用代理指标；这里 Meta 的模型被拿来与 Anthropic 的 Opus 级 Claude 版本对比。

参考链接

社区讨论: 整体情绪偏向质疑而非叫好：测试者认为其视觉与编程表现相对公布的基准数据令人失望，还有用户指出 Meta 开发者网站上疑似存在严重的个人资料与邮箱泄露问题。也有评论从治理角度切入，认为前沿实验室越多越好，好过一家独大。还有人轻松地称赞模型画出的“鹈鹕相当不错”，这是评价生成式 SVG 图像的一个常见梗式测试。

标签: #llm-releases, #meta-ai, #frontier-models, #benchmarks, #privacy-security

AI 编程智能体提升了代码量，却没提升可用软件产出 ⭐️ 8.0/10

Ars Technica 的一篇分析指出，AI 编程智能体大幅提升了生成代码的数量，却没有按比例提升真正可运行、可交付的软件产出。配套的 Hacker News 讨论（282 分、233 条评论）普遍认为，人类代码评审才是真正的瓶颈，而智能体在抽象与文档上的糟糕习惯，是多余代码难以转化为实际软件的原因。 这篇文章重新定义了衡量 AI 开发者生产力的方式：代码生成速度已不再是瓶颈，评审与验证能力才决定实际吞吐量。这对工程管理者、工具厂商和研究者都很重要，因为他们可能一直在优化流水线中错误的那一半。 从业者反馈，尽管产出更多，但测试、评审和打磨所花的时间大幅增加，而自动化评审工具迄今未能带来实际缓解。评论者还指出，智能体会生成重复的复制粘贴代码块，而不是做提取与重构；对显而易见的代码过度注释，却在真正需要说明的地方缺少文档；同时，初创公司如今可以尝试并验证大约 10 倍于 AI 时代之前的方案变体。

hackernews · gumby · 10月12日 17:14 · 社区讨论

背景: AI 编程智能体是基于大语言模型的工具，能力远超代码补全：它们可以自主编写、修改、调试和重构代码，理解多文件上下文，规划多步改动，并遵循项目的既有约定。由于这类智能体产出代码的速度远超人类阅读速度，作为软件工程长期质量关卡的人工评审，就从可选的保障措施变成了决定吞吐量的上限。此前关于 AI 辅助开发的研究也发现，交付速度提升的同时伴随着实质性的质量风险，这正是本文分析的核心张力。

参考链接

社区讨论: 总体共识是：如今的瓶颈是代码评审而非代码生成；有人指出大公司因流程惯性变化缓慢，而初创公司可以迭代大约 10 倍的方案变体。分歧主要在解决之道上：一些人表示倚重自动化评审并未带来实际改进，资深工程师也很难放弃逐行评审；另有人提议用第二个 AI 去评审第一个 AI 的产出，只对安全关键代码做深入人工评审，并借助语言层面的约束（如禁止 unsafe Rust、强制类型标注）来兜底。

标签: #ai-coding-agents, #software-engineering, #code-review, #developer-productivity, #llm-tooling

QGIS 对 AI 生成代码贡献实施暂停令 ⭐️ 8.0/10

QGIS 项目正式对 AI 生成的贡献实施暂停令，这一决定通过 GitHub 上的 QGIS 增强提案（QEP）拉取请求推进，该讨论已累计超过 390 条评论。此前 qgis-developer 邮件列表上已就外部贡献者提交的大量机器生成补丁展开争论。 一个用户基数庞大、被广泛使用的开源项目正式限制 AI 生成贡献，是 AI 编码工具与志愿维护型软件之间关系的重要生态信号，也处在维护者倦怠这一更广泛争论的背景下。其他项目也报告了同样的压力，这意味着该做法可能成为开源社区治理 AI 辅助补丁的模板。 该暂停令在技术执行上很难落地，因为目前没有可靠方法判断补丁是否由大语言模型撰写，评论者指出即使是极简单的改动也可能是机器写的。其核心理由是“注意力配给”：维护者把稀缺的志愿时间花在大量“看似合理但质量薄弱”的拉取请求上，而非核心工作；同时据报道，大语言模型在地理空间推理上会以特有的方式出错。

hackernews · bwnkl · 10月12日 11:22 · 社区讨论

背景: QGIS（原名 Quantum GIS）是一款免费开源的地理信息系统，用于在 Windows、macOS 和 Linux 上查看、编辑、分析和发布地理空间数据。它是开源地理空间基金会（OSGeo）的旗舰项目之一，该基金会成立于 2006 年，为非营利组织，为开源地理空间项目提供法律、组织和资金支持。QGIS 增强提案（QEP）是该项目提出和讨论重大变更的正式机制，而 QGIS 的维护者和审阅者大多是无偿志愿者。

参考链接

社区讨论: 整体舆论对维护者表示同情，但在执行层面存在分歧：有评论指出如今任何人都能用大语言模型写出哪怕是很简单的 QGIS 补丁，因此这条规则实际上无法监管；也有人提到 Plotly 面临类似压力，包括无人校对的问题报告和大量“看似合理但薄弱”的 PR。一个反复出现的观点是这属于“人类侧对齐”问题——瓶颈已从写代码转移到理解代码究竟做了什么；还有多位开发者反映大语言模型会自信地给出错误的地理空间推理结果。

标签: #open-source, #AI-policy, #geospatial, #developer-experience, #community-governance

Python 3.15 发布，带来 PEP 810 显式惰性导入 ⭐️ 8.0/10

Python 3.15 正式发布，由 3.14/3.15 发布经理 Hugo van Kemenade 主编的“What’s New”文档重点介绍了 PEP 810 显式惰性导入——可以写成 lazy import json 或 lazy from pathlib import Path——以及 PEP 798 推导式中的解包语法，例如 [*sublist for sublist in lists]。与此同时，Python 3.10 已结束支持，因此需要兼容所有仍受支持版本的库作者可以正式告别 3.10，转而使用 3.11 及之后版本的语言特性。 惰性导入直击 Python 的启动耗时痛点：像 sentence_transformers 这样的重依赖，会让一个只是加载插件的命令行工具每次调用都多花好几秒，这也是 Simon Willison 此前不得不在 LLM 插件文档中建议作者手写延迟导入的原因。对更广泛的生态而言，Python 3.10 的退场加上新的语法级特性，既给了库维护者升级的理由，也提供了升级的手段；而 Python 是 AI/ML、数据工程和通用软件开发的基础，因此这项变化影响面极广。 lazy 关键字采取显式选择加入，且作用范围仅限于该条导入语句——惰性不会级联到被导入模块自身的依赖上，这正是它与 2022 年被否决的 PEP 690 全局惰性导入方案的关键区别。PEP 798 的解包语法只是等价嵌套循环推导式的语法糖，[*L for L in lists] 的行为与 [x for L in lists for x in L] 完全一致。

rss · Simon Willison · 10月12日 18:15

背景: 在 Python 中，import 语句会立即执行被导入模块的代码体并将其注册到 sys.modules，因此导入一个模块会连带加载它依赖的一切，而这往往发生在你自己的代码开始运行之前——这是命令行工具和 Serverless 冷启动缓慢的重要原因。PEP（Python 增强提案）流程是语言变更被提出、讨论和采纳的正式机制，每个通过的 PEP 会落地到某个具体的 CPython 版本中。CPython 目前大约每年 10 月发布一个新的次版本，并提供约五年的支持期，因此最老的受支持版本会定期退出，库作者可以借此提高最低版本要求并采用更新的语法。

参考链接

标签: #python, #programming-languages, #pep-810, #open-source, #developer-tools

GeoRA 获 ACL 2026 杰出论文：专为 RLVR 设计的低秩适配方法 ⭐️ 8.0/10

美团履约技术团队宣布，其论文《GeoRA: Geometry-Aware Low-Rank Adaptation for RLVR》入选 ACL 2026 杰出论文（Outstanding Paper），全球共 18 篇论文获此奖项。该论文提出了一种专为 RLVR（可验证奖励强化学习）设计的低秩训练方法 GeoRA，文章还分享了它在业务 Agentic RL 中的落地经验。 RLVR 已成为提升大模型数学与代码推理能力的核心后训练手段，而将其与参数高效的低秩适配结合，有望显著降低这一阶段的算力开销。GeoRA 是与强化学习“共同设计”而非照搬监督微调的方案，并且已有真实的 Agentic RL 业务落地经验，对在有限算力预算下训练智能体系统的团队具有很强的参考价值。 论文指出，直接微调 RLVR 所偏好的非结构化稀疏参数子空间，在现代硬件上会遇到效率瓶颈；GeoRA 因此转而利用 RL 更新子空间的各向异性和可压缩特性，采用面向 RL 原生的结构化低秩参数化，并引入一个显式的“残差约束（residual leash）”来保证训练稳定性。不过美团博客的摘录部分偏概览性，除方法动机与落地经验外，公开的技术细节相对有限。

rss · 美团 Blog · 10月12日 22:47

背景: RLVR（Reinforcement Learning with Verifiable Rewards，可验证奖励强化学习）是一种后训练范式，其奖励信号来自自动化的规则校验器，例如代码的单元测试、数学题的精确答案匹配，而不是学习得到的奖励模型或人工标注，因此反馈客观且难以被“刷分”。LoRA（Low-Rank Adaptation，低秩适配）是一种广泛使用的参数高效微调技术，它在选定层上额外添加小规模可训练的低秩矩阵，同时冻结原始模型权重。Agentic RL 则把强化学习扩展到基于大模型的智能体上，让其在带工具和环境的多步交互中做决策，而非只产出一个答案。ACL（国际计算语言学协会年会）是自然语言处理领域的顶级会议之一，其杰出论文奖每年只授予少数几篇影响力突出的投稿。

参考链接

标签: #RLVR, #LoRA, #Agentic RL, #LLM Training, #ACL 2026

美团 LongCat 推出 MineExplorer 基准，揭示多模态大模型规划能力断层 ⭐️ 8.0/10

美团 LongCat 团队构建了 MineExplorer，号称首个在开放世界中实现分钟级长程任务的评测基准，专门评测多模态大模型在需要长程规划、并包含隐藏前置条件的任务中的表现。 该基准揭示了顶级多模态大模型此前被忽视的能力断层——强大的感知与短任务表现并不能转化为可靠的长程规划能力，这对从事具身智能体和智能体系统研究的团队具有重要意义。 MineExplorer 以 Minecraft 作为开放世界环境，通过复合任务合成和里程碑式评测来衡量模型在隐藏关键前置条件的长程目标上的推进情况。

rss · 美团 Blog · 10月12日 22:47

背景: 长程规划指的是 AI 智能体管理需要多步骤连续推进的目标的能力，而非只完成单次响应，这正是自主执行体与被动工具之间的区别。多模态大模型融合了语言理解与视觉感知能力，但此前的基准多评测简短、条件明确的任务，对带有隐含前置条件的开放世界探索能力缺乏衡量。Minecraft 常被用作测试环境，因为它提供了丰富开放的世界，智能体必须按特定顺序采集资源并合成物品。

参考链接

标签: #Multimodal LLMs, #Benchmark, #Long-horizon Planning, #AI Agents, #Open-world Environments

MagicBeanStalk 通过递归数据合成跳出 RLVR 零优势陷阱 ⭐️ 8.0/10

一篇新的 arXiv 论文（2610.12659）通过实验表明，在汇集自主流 RLVR 数据集的大型开源数学语料中，约 88% 的题目陷入了“零优势陷阱”——在固定 rollout 预算和给定目标策略下，它们要么每次 rollout 都做对，要么每次都做错，因而无法提供学习梯度。为解决该问题，作者提出 MagicBeanStalk：一种自顶向下分解加自底向上递归的数据合成算法，可将种子题目扩展为与策略和预算相校准的新训练题；在 8 个数学基准上，它把 gpt-oss-120b 从 61.2 提升到 69.8（+8.6），把 DeepSeek v4Flash 从 72.4 提升到 77.9（+5.4）。 该论文把 RLVR 的数据扩展思路从“收集更多题目”转向“收集能在特定策略、特定 rollout 预算下真正产生优势信号的题目”，为后训练的数据规模化提供了具体可行的新方向。如果这些收益可复现，它就提供了比暴力扩充语料更廉价的替代方案——在完整 78K 源语料上训练仅提升 +1.1，而 MagicBeanStalk 在同一模型上提升 +8.6——并且该方法已从数学扩展到金融领域，仅用 340 个种子解答就合成了超过 1.4 万个可验证问题。 其核心洞见在于：过滤只能从现有数据中挑选，因而会丢弃最难的题目；而直接提示教师模型去变换难题，又难以命中“部分 rollout 成功、部分失败、且至少有一条正确解落在训练预算内”的理想区间。MagicBeanStalk 则是在保留种子题目推理蓝图的前提下生成实质性新题，其效果超过最佳过滤真实数据子集（+5.8）以及全量语料训练；论文报告的实验在 16K token 预算下进行。

rss · arXiv cs.AI · 10月12日 04:00

背景: RLVR（Reinforcement Learning with Verifiable Rewards，可验证奖励强化学习）是 DeepSeek-R1 等推理模型带火的后训练技术，其奖励来自可自动校验的答案（例如数学题最终答案是否匹配），而非训练出来的奖励模型。GRPO 这类算法通过对同一提示词的多次 rollout 奖励进行比较来估计“优势”：如果所有 rollout 都成功或都失败，优势为零、梯度消失，该题对学习毫无贡献。本文把这一失效模式正式定义为“零优势陷阱”，并主张数据集的有效性必须相对于目标策略和 rollout 预算来衡量，而不仅仅看语料规模。

参考链接

标签: #RLVR, #LLM reasoning, #data synthesis, #reinforcement learning, #post-training

LaS 用自然语言类别描述监督神经解码 ⭐️ 8.0/10

一篇新的 arXiv 论文（arXiv:2610.12921v1）提出了“语言作为监督”（Language as Supervision，LaS）方法：通过学习到的投影把神经特征与自然语言的类别描述对齐，再用候选文本原型匹配来完成类别预测。作者用七种编码器架构分别针对视觉、运动与语音解码任务（基于头皮记录和颅内记录）独立训练模型，在语音解码上相比对齐的类别标签监督（CLS）基线最高提升了 17.15 个百分点。 文本描述有望成为神经解码学习与解释的通用参照，从而降低脑机接口的校准成本，并支持候选集合在不同被试和不同场次之间复用。如果该方法能进一步泛化，就意味着脑机接口可以更低成本、更灵活地适应新条件——例如未见过的刺激频率——而不必从头重新训练。 论文报告的最大提升出现在语音解码上，达到 17.15 个百分点；所学到的表征还支持候选集合复用，以及带标签监督的被试适配与会话适配。该方法也能对稳态视觉诱发电位（SSVEP）中未见过的频率进行条件化解码，但这种泛化依赖于类别描述对应关系的正确性；同时论文用双侧归因可视化展示了神经与文本两方面对同一类别匹配分数的贡献。

rss · arXiv cs.AI · 10月12日 04:00

背景: 脑机接口需要解码神经活动，但主流做法——类别标签监督（CLS）——使用的是离散的独热标签，类别之间的关系被隐式地丢弃了。LaS 借鉴了 CLIP 等视觉-语言模型的思路，用自然语言描述替代或补充这些标签，让语义参与塑造所学到的表征。SSVEP 是大脑对周期性视觉刺激（例如闪烁光）产生的一种锁相电生理响应，是常用的脑机接口范式；论文同时使用了颅内记录，这类信号比头皮脑电更具侵入性，但保真度更高。

参考链接

标签: #Brain-Computer Interfaces, #Neural Decoding, #Language Supervision, #Representation Learning, #arXiv

CircuitTree 将剪枝后的 HuBERT 音素电路组合成音节转写器 ⭐️ 8.0/10

一篇新的 arXiv 论文提出了 CircuitTree：一种贪心式、按密度缩放的组合算法，以及复杂度为 Θ(N log N) 的树形组合调度方案，可以把任意数量的剪枝电路组合成一个模型。作者将从 HuBERT 中剪枝得到的 39 个音素电路组合成一个音节分类器——这是任何单个音素电路都不具备的能力；再把多个 CircuitTree 串成“电路层级”流水线后，开放音节转写准确率达到 64.8%，而完全不共享电路的对照上限模型为 66.0%。 这项工作把机械可解释性从“发现孤立电路”推进到“真正把电路组装成更高层能力”，并针对性地解决了简单合并电路会导致性能下降这一长期难题。如果这种模块化组合方式能够扩展，就有可能为语音乃至其他领域提供可解释、可复用的模型构件，让研究者既能调试模型内部，也能用经过验证的部件搭建新能力。 该方法用贪心式、按密度缩放的组合规则取代了朴素的电路并集，从而缓解了相互重叠的子网络之间的干扰，并通过 CircuitTree 数据结构及其 Θ(N log N) 的树形组合调度将其推广到 N 个电路。最终流水线的开放音节准确率为 64.8%，距离 66.0% 的上限仅差 1.2 个百分点，同时 99.5% 的电路组件是被共享的，说明组合过程是复用而非重复堆叠电路。

rss · arXiv cs.LG · 10月12日 04:00

背景: HuBERT 是一种自监督语音表示模型，它通过在掩码音频区域上预测聚类后的声学目标来学习离散的隐藏单元，已成为音素级和语音级探测研究的常用底座。电路发现是机械可解释性中的核心研究方向，目标是在训练好的网络内部找出实现特定子任务的稀疏计算子图，类似于对软件进行逆向工程。此前的研究虽然能发现这类电路，却难以把多个电路合并成一个可用的模型，因为对相互重叠的电路做简单并集往往会破坏各自的原有功能。

参考链接

标签: #mechanistic-interpretability, #circuit-discovery, #model-composition, #speech-recognition, #HuBERT

来源分组评估协议揭示钙钛矿太阳能电池机器学习中的数据泄漏 ⭐️ 8.0/10

一篇新的 arXiv 论文（编号 2610.12766，作者为 Qiwei Han 与 Chi Zhou）指出，常用于评估钙钛矿太阳能电池机器学习模型的随机训练/测试划分会系统性地泄漏信息，因为精心整理的器件数据中近三分之二都与另一个器件共享完全相同的制备配方。作者绘制了 Perovskite Database 的机构来源图谱，并构建了一套分组划分层级，逐级隔离重复器件、整篇论文乃至整个机构，随后对十三种模型进行基准测试，在所有划分上均刷新了最优结果。 这项工作挑战了科学机器学习领域一种被广泛采用的评估做法，意味着许多已发表的钙钛矿机器学习精度实际上反映的是对历史配方的记忆，而非真正的物理泛化能力。模型排名在未见过的机构数据上发生逆转，这一发现说明用于材料发现选型的标准基准可能会把研究者引向错误的模型架构。 在随机划分下，梯度提升等树集成模型凭借识别熟悉配方而占据优势，但一旦面对真正未见的机构数据和未来新发现的器件，其排名便大幅下滑，而成分感知型神经网络架构则表现最佳。特征重要性分析进一步表明，器件结构与制备工艺对最终效率的影响几乎与吸收层化学组分本身同样重要。

rss · arXiv cs.LG · 10月12日 04:00

背景: 钙钛矿太阳能电池是一类成本低廉且性能提升迅速的光伏材料，其效率已接近成熟技术，并在与硅叠层的结构中实现了超越；研究中常见的捷径是利用已报道器件的整理数据库训练机器学习模型来预测光电转换效率。这类模型几乎总是通过随机留出一部分数据来验证，而该方法假定每个数据点相互独立。本文表明这一假设在实践中并不成立，因为实验室往往会发表大量近乎相同的器件，随机划分可能把同一配方同时放入训练集和测试集。

参考链接

标签: #machine learning, #materials science, #data leakage, #evaluation protocols, #perovskite photovoltaics

无坐标自动微分：用现有 AD 原语表达几何微分算子 ⭐️ 8.0/10

一篇新的 arXiv 论文（arXiv:2610.12776）提出了一个单一的、与基无关（basis-independent）的导数算子，能够表示多种几何微分运算——例如旋转、体积形式和曲率——并且完全由现有的自动微分（AD）原语表达。作者通过实验表明，这种可复用的变换可以与 JAX 的批处理（batching）、编译（compilation）和硬件加速组合使用，并在不同流形算子、一个时空反问题流水线以及不同 rotor 子群上的优化任务中做了验证。 主流自动微分框架隐式固定了欧几里得空间的基来定义梯度与雅可比矩阵，这使得旋转、体积形式、曲率等几何对象难以表达，研究者往往只能编写无法复用的定制化变通方案。一个可复用、可组合并能直接接入 JAX 现有 jit/vmap/GPU 技术栈的算子，有望显著降低几何机器学习与「AI for Science」任务的构建与加速难度。 在该表述中，几何以代数数据（algebraic data）的形式进入计算，该算子被定位为一种可复用的变换，而非针对每个几何量单独实现的代码。这是一篇带有实验验证的研究性论文，而非已发布的软件库，目前以 arXiv 第一版（v1）预印本形式公开，因此其生产可用性、相对于手写实现的性能开销，以及对一般流形的覆盖范围仍是待解问题。

rss · arXiv cs.LG · 10月12日 04:00

背景: 自动微分（AD）是一类通过对程序反复应用链式法则来计算精确导数的技术，几乎是所有现代机器学习模型训练的基础。JAX 等框架把数值表示为固定欧几里得基下的坐标数组，因此梯度或雅可比矩阵总是相对于这些坐标求取——这对神经网络很自然，但对与坐标无关的几何对象却很别扭。微分几何研究的正是旋转、微分形式、曲率这类对象，而几何机器学习则致力于利用数据与模型中的这种几何结构。该论文的贡献正处于这两个领域的交叉点：它主张用单一的无基（basis-free）算子覆盖多种几何导数，并且仍能通过标准的 JAX 变换执行。

参考链接

标签: #automatic differentiation, #differential geometry, #JAX, #geometric machine learning, #AI for science

字节跳动 ByteExpress 分享大规模 RDMA 部署的三条经验 ⭐️ 8.0/10

字节跳动在 arXiv 发表新论文（arXiv:2610.12815），报告了在自研参数服务器推理与训练系统中部署 ByteExpress 的实践经验，ByteExpress 是构建在硬件 RDMA 之上的软件通信层。论文总结出三条经验——跨应用层与传输层的缓冲区管理、连接与接收容量的协同管理、以及在传输层之上实现故障恢复——并给出实测数据：推理场景下模型参数拉取延迟的均值与 P99 分别降低 35.7% 和 43.7%，CPU 占用相比内核 TCP 下降 10.69%；训练场景下参数推送 P99 延迟最高降低 74.0%。 RDMA 被普遍视为大规模分布式训练与推理的默认网络底座，但本文指出仅靠硬件卸载远远不够，真正决定 RDMA 能否在生产环境兑现收益的是其上的软件层。文中可量化、可复用的经验对采用参数服务器架构的机器学习系统团队和数据中心网络团队具有直接参考价值，也揭示出厂商文档常常略过的取舍，例如缓冲区归属、突发 incast、PFC 暂停以及传输层之上的故障恢复。 ByteExpress 由若干组件构成：RDMA 感知的内存分配器、零拷贝传输、队列对（QP）多路复用、接收信用（receive-credit）流控、软件发送窗口，以及 RPC 辅助的故障恢复。值得注意的一点是，训练运行时未观察到任何 PFC（优先级流控）暂停，说明接收信用与发送窗口机制把流量控制在了安全范围内；此外，该论文定位为部署经验报告，而非提出新协议或算法层面的突破。

rss · arXiv cs.LG · 10月12日 04:00

背景: RDMA（远程直接内存访问）允许一台计算机跨网络直接读写另一台计算机的内存，全程不经过双方的 CPU 或操作系统，从而降低延迟并释放处理器资源。在分布式机器学习中，参数服务器需要持续交换梯度和模型参数，通信开销与 CPU 成本常常成为训练和推理耗时的主要部分，因此用 RDMA 替代 TCP 是常见做法。但真实负载中存在变长消息、大量并发连接、突发的 incast（多个发送方同时冲击同一接收方）以及服务故障等问题，RDMA 的硬件卸载本身并不能解决这些难题。在 RDMA 中，队列对（QP）是基本的通信端点，由发送队列和接收队列组成，应用程序向其提交工作请求。

参考链接

标签: #RDMA, #distributed-training, #ML-systems, #networking, #production-deployment

SWE-Duel：面向编码智能体的自扩展对抗竞技场 ⭐️ 8.0/10

一篇新的 arXiv 论文（2610.12569v1）提出了 SWE-Duel：一个让两个编码智能体通过镜像的红蓝回合互相评测的竞技场——红方智能体在真实代码仓库上实现一个新功能，并在其中埋入一个隐蔽的 bug 以及不公开的触发测试；蓝方智能体则在被告知「不存在 bug」的情况下审查这个 pull request。在覆盖 15 个仓库、5 种语言、共 1500 回合的锦标赛中，11 组「模型 + 脚手架」参赛组合里，GPT-5.5 搭配 Codex CLI 作为最强解题者排名第一（修复了它审查的 98.3% 缺陷），而 Claude Opus 4.8 搭配 mini-swe-agent 作为最强出题者总排名第二，红方胜率为 27.3%。 静态编码基准在发布时就已固定，因此其任务最终会泄漏进训练数据，而越来越强的智能体也会把它们「刷满」，使其作为评测信号的价值下降。SWE-Duel 提出让难度「自扩展」——由参赛智能体而非基准作者决定难度；如果这一思路成立，它有望成为周期性重建 SWE-bench 这类基准的实用替代方案。 一个 pull request 只有在满足两个条件时才会被采纳：（1）它通过功能测试和仓库既有测试，同时恰好不通过那些封存的 bug 测试；（2）同一智能体的一个全新、上下文隔离的会话能够盲修该 bug——这一机制旨在排除无解任务。摘要还报告称，在同一模型家族内部，由最新版本撰写的任务击败固定参考解题者的比例远高于旧版本（42.9% 对 4.0%）；但目前只有摘要可获取，完整的实证验证尚无法评估。

rss · arXiv cs.CL · 10月12日 04:00

背景: SWE-bench 这类基准用固定的真实 GitHub issue 及其参考补丁来评测编码智能体，因此存在两个隐患：一是污染，即基准任务最终出现在训练数据中；二是饱和，即顶级智能体最终几乎能解出全部任务，基准也就失去了区分度。SWE-Duel 借鉴了「红队对蓝队」的对抗式框架——一方攻击、一方防御——并结合自我博弈（self-play）：智能体的对手是另一个同类智能体，因此任务在评测时才生成，事先不存在可供泄漏的内容。其协议依赖上下文隔离的会话，即每个阶段都在全新上下文中运行，使智能体无法携带刚刚植入或此前见过的 bug 的相关信息。

参考链接

标签: #coding-agents, #benchmarking, #agent-evaluation, #adversarial-testing, #software-engineering

面向深度研究智能体的提示优化增益需通过主题不相交与多种子验证 ⭐️ 8.0/10

该论文将反思式提示进化方法（GEPA）应用于一个多智能体深度研究系统的两个系统提示，并在“主题不相交”划分下进行评估——即训练集、验证集和测试集之间不共享任何主题。留出集上的引用奖励提升了 0.079（从 0.702 升至 0.781），自助法 95% 置信区间为 [0.051, 0.107]，且该增益在三个随机种子上可复现，均值为 0.107。 与强化学习相比，提示优化是一种成本低廉、产物人类可读的智能体适配手段，但在事实型任务上，优化器可能把训练样本的答案直接写进提示，使分布内增益实为记忆而非可迁移行为。该论文表明，对提示优化器进行可信评估必须使用留出主题、多个随机种子以及验证器消融实验，这对所有做大模型智能体基准测试或对比提示法与强化学习的人都至关重要。 获胜提示中近一半内容是一份被记忆的答案键，但受控消融实验表明，即便在其所编码的确切训练问题上，这部分内容也带不来任何奖励；因此验证集与留出集之间的大幅差距其实是噪声评判器下的小样本选择偏差，而非记忆所致。改变验证器可以定位因果要素：按维度分解的反馈才是增益的来源，而将其压缩为单一标量奖励会使留出集迁移变为负值；同时该增益在非同族评判器下依然存在，并且用人工手写的方式基本可以复现所发现的配方。

rss · arXiv cs.CL · 10月12日 04:00

背景: GEPA（Genetic-Pareto，遗传-帕累托）是一种提示优化算法，它通过自然语言反思来分析智能体的失败案例、提出修改建议并进化候选提示，只保留在 LLM 评判指标下处于帕累托最优的变体。这里的“深度研究智能体”是一个通过检索并引用来源来回答问题的多智能体系统，其奖励来自 LLM 评判器（即验证器）给出的引用质量分数。所谓“主题不相交”划分类似于其他领域的说话人不相交或患者不相交协议，它保证训练数据与测试数据之间不出现相同的提问主题，因此任何被测得的提升都必须来自可迁移行为而非被记忆的答案。

参考链接

标签: #prompt optimization, #LLM agents, #evaluation methodology, #overfitting, #deep research agents

DistressBench：以评分量表衡量大模型危机支持能力，而非拒答 ⭐️ 8.0/10

研究者发布了 DistressBench，这是一个包含 718 段英文自杀与自残（SSH）危机对话的基准，对话由持证临床医生和危机干预咨询师撰写，覆盖 23 个 SSH 子类别，并为每段对话配有跨七个危机支持维度的加权评分量表以及临床医生参考回复。在 25 个前沿模型中，表现最好的满足了 88.4% 的加权标准，中位数为 71.4%，而临床医生参考回复为 98.7%。 现有的大多数安全基准奖励“拒答”，但在危机场景中拒答恰恰是最错误的行为——用户需要的是实质性的支持，因此 DistressBench 把危机安全评估的重心转向模型实际提供的关怀。这对任何用户可能倾诉痛苦的 AI 产品都至关重要，因为结果显示，前沿模型在那些最需要“采取行动”的维度上与临床医生水平存在巨大且可量化的差距。 该基准共包含 6,901 条加权原子标准，模型得分是其回复所满足标准的加权平均值，可直接理解为“所需关怀的交付比例”；值得注意的是，把 25 个模型汇总来看，在 35.3% 的对话中模型虽然完全识别出了危机，却仍未能把用户引导至人工求助渠道。能力缺口集中在需要采取行动的维度（最强模型的“情绪降级”达 74.6%，中位数仅 46.0%；安全免责声明为 84.6% 对 8.3%），多轮对话得分低于单轮（68.5% 对 74.2%），作者还发布了评判校准标签和 20 段长程红队测试记录。

rss · arXiv cs.CL · 10月12日 04:00

背景: 基准（benchmark）是用来横向比较 AI 模型能力的标准化测试集，在 AI 安全领域，它过去主要衡量模型是否会拒绝有害请求——例如武器制造或恶意软件相关的指令。但心理健康危机对话打破了这一假设：理想行为是给出温暖、有实质内容且具备安全意识的回复，缓和用户的情绪危机并引导其寻求真实帮助（如危机热线）。基于评分量表（rubric）的评估，即由人工撰写标准、逐条判定（常由 LLM 充当评判者）并加权汇总为一个分数，是评价没有唯一正确答案的开放式回复的常用方法。DistressBench 将这一方法用于自杀与自残支持场景，其 SSH 分类体系区分了不同风险表现形式，避免只用单一通用情境来给模型打分。

参考链接

标签: #AI safety, #LLM evaluation, #mental health, #benchmarks, #crisis support

新基准测试语音模型是否懂得何时该保持沉默 ⭐️ 8.0/10

一篇新的 arXiv 论文提出了一个评估框架，把六个实时语音系统置于 Seamless Interaction 数据集中 176 段无脚本真实对话里的 427 个自然停顿点和 482 个话轮结束点，并将它们的生成结果与真人当时的反应进行对比打分。研究发现，GPT Realtime、Gemini 3.1 Flash Live、Grok Voice 等托管 API 几乎在每一个停顿处都会开口，而只有 PersonaPlex、Moshi 这类全双工模型才会经常保持沉默，并能在接近人类反应时间内实现插话。 话轮转换——即在每个停顿处判断是否该开口——是把自然的语音助手和令人厌烦的语音助手区分开来的核心能力，但此前的评测大多只测边界检测或平均延迟统计，而没有直接考察这一决策。该研究公开了标注、测试点、评测工具链以及所有模型的输出结果，为语音、人机交互和对话式 AI 研究者提供了一个可复用的基准，有望推动语音助手摆脱不停抢话的毛病、变得更像真人那样懂得克制。 对于托管 API 来说，延迟是决定性变量：使用基于静音的端点检测器时约为 1 至 4 秒，而使用语义话轮检测时约为 8 秒，因此它们说的话是否能落在停顿区间内，主要取决于端点检测方案的选择。在对话记忆召回上，以文本形式获得历史上下文的托管系统在 Claude Opus 5.5 评判下能回忆起 41%–60% 的事实，在严格逐词匹配下为 19%–26%；而以音频形式聆听历史的双工模型这两个数字分别只有 17%–22% 和 12%–15%。

rss · arXiv cs.CL · 10月12日 04:00

背景: 在口语对话中，人们时刻都在做瞬间判断：对方短暂的停顿究竟代表话已说完，还是只是在思考；AI 语音助手同样必须学会这种判断。传统的语音流水线依赖端点检测器——要么是基于静音的定时器，等待固定的静默时长，要么是语义话轮检测，在声学线索之上叠加一个轻量语言模型来判断一句话是否真的说完。全双工语音模型则采用另一种思路：它们可以边听边说，从而支持语音重叠、自然插话，以及比传统“请求—应答”式系统更流畅的话轮转换。

参考链接

标签: #speech models, #conversational AI, #evaluation, #turn-taking, #full-duplex

研究发现：提示词优化器会破坏未被评分的输出约定 ⭐️ 8.0/10

一项预注册研究在 HotpotQA、SQuAD 2.0 和 IFEval 上测试了 GEPA、MIPROv2 与 TextGrad 三种提示词优化器，发现三者都满足预注册的判定标准，即在目标指标未评分的需求上出现退化：HotpotQA 上引用有效性的净退化达 10.7 至 41.6 个百分点，而精确匹配反而上升了 21 至 34 个百分点。事后分解显示，在全程使用的 200 token 输出上限下，有 13.9% 至 47.0% 的回复在出现任何答案之前就被截断；因此只统计可解析输出时，净退化在零附近 3 个百分点以内，而把上限提高到 1024 token 后，抽取失败完全消失，内容退化低于 1 个百分点。 这项工作给评估中的混淆因素敲响了警钟：提示词优化器被报告的多指标退化，很可能主要来自固定的输出 token 上限这一人为因素，而非真实的质量下降；这直接影响到基准驱动的研究、智能体流水线以及提示词优化结果应当如何汇报与审查。对于在生产中部署优化后提示词的从业者而言，该发现也证实了一个真实但范围更窄的失效模式——在被评分指标上更准确的提示词，仍可能悄悄违反 JSON 格式、引用有效性或弃答等明确的输出约定。 该研究使用逐条确定性违规检查并事先注册判定标准，而非依赖人工判断；文中还指出有两个简单的“关卡”（推测为轻量的输出有效性检查）未能通过预注册标准，说明存在容易实现的缓解手段。作者强调，这种副作用比原先假设的更窄——优化后的提示词更准确，却破坏了明确的输出约定，而宽松的目标指标根本不会暴露这一代价；同时也承认在更大上限下残余的内容退化尚未完全解释清楚。

rss · arXiv cs.CL · 10月12日 04:00

背景: GEPA（Genetic-Pareto，DSPy 中的反思式进化优化器）、MIPROv2（多提示指令提议优化器 v2，通过贝叶斯优化同时调整指令与少样本示例）和 TextGrad（把自然语言反馈像梯度一样反向传播）等提示词优化器，会自动改写提示词以最大化某一项下游得分。但真实提示词中还包含评分根本不衡量的指令——例如以特定 JSON 对象输出、标注引用来源，或在不知道答案时弃答——因此只追求准确率就可能悄悄牺牲这些属性。研究所用的三个基准各自内嵌了这类未被评分的需求：HotpotQA（带支持事实的多跳问答）、SQuAD 2.0（含故意无法回答问题的阅读理解）和 IFEval（可验证的指令遵循）。预注册研究会在实验开始前固定假设与成功判定标准，从而限制事后随意重新解读结果的空间。

参考链接

标签: #prompt-optimization, #llm-evaluation, #preregistered-study, #benchmarks-reproducibility, #llm-reliability

无标签准则改写提升 LLM 评审共识，却未拉近与人类标注的一致 ⭐️ 8.0/10

一篇预注册研究（arXiv:2610.13303）测试了一种无需人工标签的流程：把每条评分准则拆解为子标准，按评审模型之间的分歧程度排序，再让一个编辑模型只重写争议最大的条款。在 SummEval、HealthBench 和 USR Topical-Chat 三个数据集上，由三家提供商、五个评审模型组成的评审团共产生 129,770 次评判请求，该流程在 SummEval 上把评审间 Krippendorff’s alpha 比原始准则提高了 0.069（95% 置信区间 0.046–0.092），比随机选取条款的对照组高 0.074，但与专家评分的一致性没有可检测的变化（Kendall tau 差值 -0.007，95% 置信区间 -0.037 至 0.021）。 这一结果直接挑战了“LLM 当裁判”范式中的两个流行假设：评审团之间的分歧是准则含混的代理指标，共识度提升就等于评判质量提升。构建自动评估流水线的团队可能花费大量精力去优化评审间一致性，但分数并不会因此更接近人类判断；因此有效性必须用人类标注来检验，而不能从共识度推断。 研究中还有一个阶段试图把可文本校验的子标准交给确定性检查器，但在本次评估中没有任何一条被成功转移；在一项预注册的次级比较中，三个数据集上的点估计都显示“编辑争议条款”后与人类标注的一致性低于“编辑对照条款”后的一致性，不过没有任何置信区间排除零。四项假设均写在版本受控的预注册协议中，作者还计划公开代码、冻结的准则文本、条目标识符与评审分数。

rss · arXiv cs.CL · 10月12日 04:00

背景: LLM 裁判如今常以“评审团”形式部署并对多个模型的投票进行聚合，而评审之间的分歧通常被解读为评分准则表述不清。Krippendorff’s alpha 是衡量多个评分者之间一致性的标准统计量，Kendall’s tau 则衡量两组评分的排序相关性——在这里就是评审团与人类专家之间的一致性。该研究使用了三个数据集：带有多维专家与众包标注的摘要评估基准 SummEval、针对健康类模型回答做元评估的 HealthBench，以及用于衡量对话质量的无监督、免参考指标 USR Topical-Chat。

参考链接

标签: #llm-as-a-judge, #evaluation-methodology, #nlp, #benchmarking, #human-alignment

PanTact：用可穿戴接触接口教人形机器人全身灵巧操作 ⭐️ 8.0/10

一篇新的 arXiv 论文（2610.12558）提出了 PanTact 系统，能够直接从“无机器人”的人类演示中学习人形机器人的全身灵巧性——即用身体任何合适表面而不仅是双手进行操作。该系统结合了三部分：一套可穿戴数据采集接口，在自我中心视觉与双手 UMI 夹爪之外增加模块化的全身接触贴片；一个预测全身接触目标的视觉运动策略；以及接触感知的全身控制算法。该系统部署在 Unitree G1 人形机器人上，无需额外安装身体接触传感器，即可完成身体支撑、推动、扫掠和分担负载等动作。 目前大多数移动操作研究都把操作限制在双手，并刻意避免身体其他部位与环境接触，而 PanTact 把“接触的位置与时序”重新定义为一种与具体形态无关的表征，这有可能让机器人技能从低成本的人类采集数据中学习，而不再依赖针对特定机器人的遥操作。如果该方法具备泛化能力，将推动人形机器人操作数据像视觉和语言数据那样实现规模化，对具身智能、模仿学习和触觉感知控制都有重要意义。 其核心主张是接触信息可以跨形态迁移：接触的位置和时序定义了任务所需的交互，而机器人自行决定如何在自身物理约束下协调身体去实现。值得注意的是，G1 的部署没有使用任何额外的身体接触传感器，手部数据由 UMI 风格的双手夹爪采集，身体其余部位则由模块化贴片覆盖。不过由于目前只能看到摘要，具体的基准测试结果、任务成功率和局限性尚无法核实。

rss · arXiv cs.RO · 10月12日 04:00

背景: 人形机器人拥有大量自由度和许多可接触的表面，但目前的移动操作研究大多把交互限制在末端执行器上。UMI（Universal Manipulation Interface）夹爪是一种手持式低成本设备，可让人们在真实环境中采集信息丰富的双手操作演示，再回放到真实机械臂上执行。跨形态迁移（cross-embodiment transfer）是指把策略或演示复用到形态、运动学或传感器各不相同的机器人上的更宏大目标，而触觉感知则指通过类皮肤的人工传感器检测物理接触。PanTact 正处在这几条思路的交汇点上，用“接触”本身而非关节轨迹作为可迁移的信号。

参考链接

标签: #robotics, #humanoid-robots, #imitation-learning, #cross-embodiment-transfer, #tactile-sensing

REMM 为冻结的机器人策略加入可修订记忆层 ⭐️ 8.0/10

研究者提出了 REMM（Revisable Embodied Memory for Manipulation，面向操作的可修订具身记忆），它是一个位于冻结的 G0.5 视觉-语言-动作执行器之上的监督式记忆层，将只增不减的证据历史与可修订的任务状态分离开来。当新被接受的证据推翻了某个支撑事实时，REMM 会撤回依赖该事实的结论，并在已验证的技能边界处安排有针对性的恢复，全程无需重新训练执行器。 长时序操作机器人常常继续依据物理证据已不再支持的结论行动，而 REMM 表明这一失效模式可以在记忆层解决，而不必重新训练策略。在 51 次实物试验中，相比最强基线，干预恢复的平均记录任务进度从 57%提升到 91%，序列回忆从 43%提升到 70%，说明可修订记忆是支撑持续操作的一种实用接口。 REMM 明确地将派生关系与已完成条件关联到支撑它们的事实上，借鉴了真值维护系统（truth maintenance system）的思路；它只在已验证的技能边界处触发恢复，因此冻结的执行器始终不被更新。评估包含操作员辅助的试验，以及将保留历史的接地情况与兼容π_{0.5}的高层规划器变体进行对比的视频诊断，不过试验均为实物试验且数量相对有限。

rss · arXiv cs.RO · 10月12日 04:00

背景: 视觉-语言-动作（VLA）模型是一类多模态基础模型，输入机器人周围环境的图像和文本指令，直接输出底层的机器人动作，通常是在大规模轨迹数据集上微调视觉-语言模型得到的。由于这类策略重新训练成本高昂，而且一次干扰就可能让此前已完成的步骤失效，研究者开始把外部记忆视为保持任务状态一致性的手段。真值维护系统（truth maintenance system）是一种经典的 AI 技术，它把可被否定的基础事实与派生事实区分开，从而能够撤回那些依赖于已被推翻假设的结论。

参考链接

标签: #robotics, #embodied AI, #vision-language-action, #memory, #long-horizon manipulation

LeWAM：融合动作流匹配的端到端 JEPA 世界模型 ⭐️ 8.0/10

LeWAM 是一个新的端到端 JEPA 控制模型，它把「下一潜在状态预测」与「动作流匹配」放在同一个训练目标中联合优化，并对潜在状态施加各向同性高斯约束，使单一模型既能直接执行策略，又能用学到的潜在动力学对采样动作打分来完成规划。相较此前的 JEPA 视觉规划方案，它在接触密集型任务上的成功率从 28.6% 提升到 89.7%，在长时程任务上从 10.9% 提升到 46.2%，规划速度则快了 32.3 倍。 它表明世界模型的表征学习、动作生成与规划可以被统一到一个端到端目标中，而不必像以往那样分成多个独立阶段训练，这对机器人领域以及研究 JEPA 类世界模型的人都有直接参考价值。接触密集型与长时程控制一直是潜在空间视觉规划最难攻克的场景，论文报告的大幅提升说明这种混合思路有望缩小「学习到的世界模型」与「实用机器人控制」之间的差距。 关键之处在于对潜在状态施加的各向同性高斯约束：正是这一约束让模型能够用自己的潜在动力学去评估采样动作，从而让同一个训练好的网络既支持直接策略执行、又支持测试时规划。作者还报告了在仿真环境和真实机器人上的行为克隆结果，表现与已有成熟方法相当，并通过可解释性分析说明所学表征确实与控制相关。需要注意的是，该文目前只是 arXiv 预印本（2610.12818v1），尚未经过同行评审，也还没有被广泛复现。

rss · arXiv cs.RO · 10月12日 04:00

背景: JEPA（联合嵌入预测架构）是一种自监督学习框架，由 Meta AI 在 2023 年提出的 I-JEPA 走红，其特点是预测输入的抽象表征，而不是重建原始像素或生成 token。在机器人领域，「世界模型」指的是学习环境潜在状态如何随动作演化的模型；传统的 JEPA 流程通常先训练视觉表征和以动作为条件的动力学，之后再另外接上控制策略或模型预测控制之类的规划器。流匹配（flow matching）是一种生成式建模技术，通过回归一个把噪声输运到数据的速度场来学习连续分布，近来在建模多模态机器人动作分布方面颇为流行。

参考链接

标签: #world models, #JEPA, #robotics, #planning, #representation learning

HOMARD：利用 Arm SoC 非特权功耗遥测泄露 DRAM 数据 ⭐️ 8.0/10

研究者发布了 HOMARD 方法论（arXiv:2610.12621），它利用现代 Arm SoC 上已有的、非特权可访问的毫秒级与毫安级分辨率功耗传感器来观测 DRAM 活动，完全不需要计时原语。该方法包含两个攻击原语：HOMARD-RE 是一种层级感知的线性代数方法，仅凭功耗即可逆向出 DRAM 地址映射函数；HOMARD-DATA 则能恢复被取回缓存行的汉明重量，并通过相关性功耗分析在同一供电轨上恢复秘密字节值，已在 AMD ZCU102、Raspberry Pi 5 和多芯片 LPDDR4 的 NVIDIA Jetson TX2 上得到验证。 这项工作把非特权功耗遥测确立为一条独立的侧信道，即使行缓冲区时序方法失效也能奏效，从而把微架构攻击面扩展到许多防御机制所针对的计时类技术之外。由于这些传感器是广泛部署的 Arm SoC 上的标准、非特权硬件接口，其威胁模型覆盖了商用单板机、嵌入式设备与异构边缘平台，而不仅限于实验室环境。 在 Raspberry Pi 5 上，HOMARD-DATA 对 9 个汉明重量等级的识别准确率为 81.5%，并通过将供电轨电流与同一行内相邻单元之间依赖数据的位翻转进行关联，在数分钟内恢复出秘密字节。值得注意的是，这两个原语还能通过架构性 load 或一条被错误预测的 Spectre-RSB 路径起作用，即使架构上并未真正读取任何值，也就是说泄露并不要求受害者程序实际消费该数据。

rss · arXiv cs.CR · 10月12日 04:00

背景: 微架构侧信道攻击传统上通过内存访问所耗时间推断秘密，利用的是缓存命中、DRAM 行缓冲区命中等效应带来的差异。这类时序信号容易受噪声干扰，也可能被防御机制和优化刻意抑制，因此研究者一直在寻找不依赖计时器的信道。功耗侧信道在密码学领域已有深入研究——相关性功耗分析把设备的功耗与所处理数据的假设汉明重量或汉明距离做相关性计算，从而恢复密钥——但通常需要物理探头或特权访问。HOMARD 的贡献在于证明：Arm SoC 上向非特权软件开放的车载功耗传感器，可以起到与外部探头相同的作用。

参考链接

标签: #hardware security, #side-channel attacks, #DRAM, #microarchitectural attacks, #Arm SoCs

TEEVisor 在 AMD SEV-SNP 机密虚拟机内嵌套 SGX 式飞地 ⭐️ 8.0/10

一篇新的 arXiv 论文（arXiv:2610.12695）提出了 TEEVisor：一种驻留在机密虚拟机（CVM）内部的架构，由安全监视器（security monitor）和内核驱动组成，利用 AMD SEV-SNP 的虚拟机特权级（VMPL）在客户机密虚拟机内部构建受硬件保护的进程级飞地。TEEVisor 提供两种模式——可直接运行未经修改的 SGX 应用的 SGX 二进制兼容模式，以及优化慢速执行路径并提供更丰富飞地编程能力的新型扩展 SGX（eSGX）模式；在商用 AMD EPYC 硬件上，其对计算密集与内存密集负载的开销低于 5%，对 I/O 密集应用约 12%，飞地克隆速度达到 93 μs/MB。 机密虚拟机与进程级飞地长期被视为互补却互不兼容的隔离模型，迫使云上用户要么选择成本低但粒度粗的虚拟机保护，要么选择粒度细却昂贵且编程受限的 SGX 飞地。将进程级飞地嵌套进机密虚拟机有望统一这两种模型，消除 SGX 长期存在的缺陷（如飞地内部缺乏保护、上下文切换与异常路径开销高昂、克隆缓慢），并让现有 SGX 二进制程序和 LibOS 工作负载能直接在标准 AMD EPYC 云服务器上运行。 该设计的关键在于 VMPL：它允许同一个 SEV-SNP 客户机内的软件被划分为具有不同页表权限的特权级别，因此运行在更高特权 VMPL 上的安全监视器能够保护飞地内存，甚至不受客户操作系统本身的侵犯。评测以商用 AMD EPYC 硬件上的原生 CVM 执行作为基线，作者认为实测开销表明在 CVM 内实现 eSGX 语义已达到可用于生产的程度；SGX 兼容模式旨在直接运行未经修改的 SGX 二进制，主要依靠插桩/介入（interposition）而非重新编译。

rss · arXiv cs.CR · 10月12日 04:00

背景: 机密计算依赖硬件可信执行环境（TEE）。AMD SEV-SNP 通过片上安全处理器对整个虚拟机的内存进行加密与完整性保护，从而形成机密虚拟机；但其信任边界较粗——客户机内的所有内容（包括客户机内核）都处于同一特权域。Intel SGX 则对单个用户态进程（飞地）提供细粒度隔离，但受制于高昂的飞地进入/退出切换成本、受限的编程模型，以及无法在同一个飞地内部相互保护代码与数据。VMPL 是 SEV-SNP 的一项特性，在客户机内部提供四个嵌套的特权级别，本文正是利用它来在 AMD 硬件上模拟类似 SGX 的进程级飞地。LibOS（库操作系统）是在用户态为应用提供操作系统服务的运行时，而 SGX 的种种限制历来使其难以实现。

参考链接

标签: #Confidential Computing, #Intel SGX, #AMD SEV-SNP, #Virtualization Security, #Systems Security

1.7 万个被标记的漏洞模型仍扩散至超过 2.1 万个代码位置 ⭐️ 8.0/10

一篇新的 arXiv 实证研究追踪了 InsightDB 在 HuggingFace 上标记为存在漏洞的 16,977 个模型，发现其中 3,757 个（22.1%）至少被一个下游项目实际引用，共出现在 5,000 多个开源仓库、软件包、微调链条和已部署应用中的 21,000 多个代码位置。作者采用结合代码属性图（Code Property Graph）提取与定制化频繁子图挖掘（Frequent Subgraph Mining）的流水线进行分析，在所有复现的集成模式中都未发现任何来源验证或模型净化逻辑。 该研究表明，仅扫描模型仓库并标记问题制品远远不够：一旦某个存在漏洞的模型被发布，它就会悄然扩散到仓库层面的警告根本无法覆盖的下游代码、软件包和微调流程中。这直接影响机器学习工程师、软件包维护者和平台运营方，因为目前应用层的模型来源核查基本依赖开发者自觉。 该研究刻画了 HuggingFace 上 16,977 个被标记的模型，其中仅 22.1% 真正被下游使用，并识别出反复出现的集成反模式，例如开发者绕过安全参数（如关闭安全加载开关）或将信任完全交由宽松的框架默认设置。作者强调，需要的是具备上下文感知的安全分析和应用层更严格的集成护栏，而不仅仅是文件级别扫描。

rss · arXiv cs.CR · 10月12日 04:00

背景: AI 模型很少被孤立地训练和使用：它们通过 HuggingFace 这类模型中心共享，随后被项目引入、打包或再次微调，形成类似传统软件依赖的供应链。两个被广泛讨论的风险类别是不安全序列化（如 Python pickle 这类在加载模型文件时可执行任意代码的格式）和架构后门（网络结构本身隐藏触发器）。此前的工作主要聚焦于扫描模型仓库以标记此类制品，但并未测量被标记的模型是否真的流入下游应用，以及开发者是如何把它们集成进代码的。

参考链接

标签: #AI supply chain security, #model security, #empirical study, #open-source ecosystems, #HuggingFace