实测千问4预览版:一键让厉娜原谅许飞
智东西(公众号:zhidxcom) 作者 | 三北 编辑 | 心缘智东西11月11日报道,今天,阿里宣布其新一代大模型Qwen4-Max预览版发布,首发千问AI平台Token Plan,用户可限时2折、新用户再享折上5折,最低1折即可抢先体验Qwen4模型。不少开发者期待的Qwen4-27B没来,“大杯版”的Qwen4-Max预览版倒是能先让用户尝尝鲜。Qwen4-Max预...
检索标题、摘要与正文,把分散的信息连起来。
智东西(公众号:zhidxcom) 作者 | 三北 编辑 | 心缘智东西11月11日报道,今天,阿里宣布其新一代大模型Qwen4-Max预览版发布,首发千问AI平台Token Plan,用户可限时2折、新用户再享折上5折,最低1折即可抢先体验Qwen4模型。不少开发者期待的Qwen4-27B没来,“大杯版”的Qwen4-Max预览版倒是能先让用户尝尝鲜。Qwen4-Max预...
在对图像处理的工作流中,我们经常要做几件小事:找出某个人,数一数商品,读出包装上的字,再把主体抠出来。单看每件事,好像都不难,好像都有现成工具。但实际上,两个大痛点持续存在:第一,虽然现在已经 AI 大纪元了,但实际上,各个厂商都卯着劲儿干通用大模型,这些边边角角的垂类模型,没啥人干,所以进展缓慢……第...
作者|周一笑(微信smiletalker)编辑|王兆洋(Geisterspiele)Gemini 4 Carbon 深夜正式开放,第一时间实测之后,我不禁发出感慨:它最好的上线时间其实是两周前。因为差了这么几天,它就被 Fable 5.2 抢走了各种 Benchmark 第一。然后我就发现,这个感慨本身,其实最能说明它在今天模型竞争里的位置,以及这个模型对Goo...
OpenAI CEO山姆·奥特曼。图片经由AI处理文丨周小燕编辑丨徐青阳AI寻找软件漏洞的能力又向前迈进一步。美国当地时间11月5日,OpenAI发布网络安全专用模型GPT-6 Cyber。这是基于GPT-6 Astra开发的攻防特化版本,重点提升漏洞发现、漏洞利用和Web渗透测试能力。OpenAI披露,该模型已在Linux内核中开发出948个可用漏洞利用程序...
作者 | 青和、飞野编辑|四月11 月 2 日,麻省理工学院(MIT)联合团队的一份技术实验在社交网络引爆了近 600 万次围观。实验设定极具冲击力:不给训练数据,不跑反向传播,只给一个纯 Python 环境,让 OpenAI 的前沿大模型 GPT-6 Astra 直接读取、并重写开源模型 Qwen3.5-0.8B 的底层高维张量。最终,Astra 仅改动了 8 亿...
arXiv:2610.38355v1 发布类型:新摘要:KV缓存复用能够加速大语言模型的推理,但现有系统将主机DRAM和NVMe SSD视为分层结构,其中DRAM充当中间缓存。然而,实际的大语言模型工作负载打破了这一分层结构的两个前提。首先,双模态复用使DRAM的时间过滤失效,因为工作负载要么由具有较长复用距离的一次性块主导,要么由超过DRAM容量的数GB级智能体会话主导,从而将SSD置于关键的读取路径上。其次,DRAM的暂存与按驱逐顺序布局导致SSD恢复出现瓶颈。为在途前缀保留主机暂存缓冲区会在负载下引发争用,进而中止预取操作;而增量式驱逐则会将会话的块分散到整个SSD上,阻碍大规模顺序读取。我们 p
现在,您可以在 Google Gemini 内部直接生成、预览并编辑 PDF、Google 文档、Google 表格、幻灯片演示文稿、Markdown 文件、TXT 文件以及代码。全新的文件编辑功能自今日起面向所有 Gemini 用户开放;其中,PDF 的预览与编辑功能同时支持网页端和移动端,而其他所有文件格式目前仅限于网页端使用。
DeepSeek、Google和NVIDIA构建智能体技术栈
arXiv:2610.36191v1 发布类型:新 摘要:大型语言模型(LLMs)经常生成流畅但事实错误的回复,这引发了对其可靠性的担忧。近期的幻觉检测方法越来越多地利用内部表示,但从高维隐藏状态中提取有效信息仍然充满挑战。现有方法往往依赖于特定激活或基于池化的压缩方式,可能忽略了分布在Transformer各层、特征模式和标记中的判别性信息。我们提出了LOTUS(基于低秩顺序统计TUcker的子空间学习),这是一种用于幻觉检测的多线性低秩分解框架,能够在降低对标签依赖的同时,从LLM的隐藏状态中提取紧凑的表示。
arXiv:2610.32429v1 发布类型:新 摘要:大型语言模型(LLM)代理正越来越多地以异步方式执行任务:主代理在子代理运行的同时继续工作,而任务状态可能在其结果到达之前就已发生变化。主代理必须决定哪些工作需要更新或保留、哪些检查需要重复,同时避免进行被禁止的修改。仅凭最终任务的成功并不能说明这些结果是否被正确处理,而且自然的异步到达现象也难以复现。我们提出了 Async-RBench,一个用于评估 LLM 代理中异步任务执行的基准测试,包含涵盖八种场景的 200 个可执行任务。场景控制器通过预定义的任务状态条件来调控结果的交付,而事件响应契约(ERC)则规定了每种响应应满足的要求
arXiv:2610.33007v1 发布类型:新 摘要:在集成的地面与非地面(TN/NTN)6G网络中,自然语言服务意图可能存在不完整、模糊或不一致的情况,这使得无约束的大型语言模型生成难以实现面向网络的可靠编排。本文提出了一种知识引导的大型语言模型框架,该框架将语法约束的语义解析与知识图谱驱动的澄清循环相结合,从而为四大典型服务类别生成经过验证、可直接用于编排的服务配置文件。在包含200个样本的意图数据集上,该框架实现了89%的分类准确率和95%的策略有效性,且每条请求平均只需0.66次澄清迭代。与纯大型语言模型基线相比,所提出的框架显著提升了策略的有效性及共
arXiv:2610.33237v1 发布类型:新 摘要:语言模型如何判断自己是否拥有足够的证据来作答?语言模型往往会在证据不足的情况下仍给出答案。决定是直接作答还是继续收集更多证据,需要对现有证据下答案正确的概率做出精确的校准估计。然而,大多数校准研究都将输入视为固定不变,而未考虑这种估计应如何随证据的变化而调整。我们提出了“证据状态校准”,要求模型在作答前的置信度与其正确作答的概率相匹配,并且每当证据改变这一概率时,置信度也相应调整。我们提出了一种名为\ours{}(即“充分性置信度估计”)的方法,该方法通过微调
arXiv:2610.33274v1 发布类型:新 摘要:大型语言模型(LLM)智能体在不同场景下有着截然不同的记忆需求。关于过往对话的问题需要精确引用其中提及的事实,而多步骤任务则需要记录已执行的每一步,并附上下一步无法直接表述的细节。现有的各类记忆系统往往针对某一特定场景进行设计与测试。诸如A-Mem之类的检索型记忆会遗漏当前查询未明确表达的步骤,摘要则会丢失精确的字符串信息,而将两者结合又会在事前就固定了内存预算的分配。我们提出FlexA-Mem,这是一种通用的记忆机制,它将历史中的每一项内容仅写入一次不可更改的存储中,并为每次调用生成一份全新的记忆。生成的记忆是一份紧凑的记录时间线,外加由固定规则所决定的详细信息……
一款人工智能模型曾表示不会使用任何工具,却仍试图向北京的一台服务器发送数据;尽管研究人员称这很可能只是训练过程中的一个小插曲,并非间谍行为,但此事还是引发人们质疑:究竟该在多大程度上信任免费的中国人工智能?
OpenAI 集团 PBC 今日发布了 GPT-6.1 Terra,这是其前沿人工智能系统系列中的一款中端模型的升级版。这款新模型是 GPT-5.6 Terra 的继任者,成本降低了约 50%,同时在处理计算机使用任务时速度更快、精度更高。Terra 被定位为 OpenAI 产品线中的日常应用模型,旨在[…] 该文章《OpenAI 推出 GPT-6.1 Terra,以半价实现更快速、性能更优的 AI 智能体》首发于 SiliconANGLE。
arXiv:2610.31728v1 发布类型:新 摘要:Muon 已成为大型语言模型训练中广受欢迎的优化器,但其理论基础仍缺乏深入理解。在本研究中,我们探讨了梯度噪声的几何结构如何影响 Muon 的预条件化优势。我们首先从理论与实验两方面证明,在经典的各向同性噪声假设下,Muon 仅能通过重新缩放学习率而带来加速效果,无法进一步提升性能。这一发现促使我们进一步考察由异构任务频率下的关联记忆中的小批量采样所引起的结构化噪声。我们为两类任务确定了一个精确的平衡阈值,并将分析扩展至多任务场景,揭示了任务覆盖率与梯度可靠性如何共同塑造学习过程。我们的分析表明,Muon 能够缓解……
arXiv:2610.31985v1 发布类型:新 提要:大型语言模型(LLM)代理正越来越多地被部署于协作场景中,在这些场景下,它们各自执行独立任务,同时共享资源,并在审查或监督机制下运行。此类环境不仅在代理具有恶意时会带来安全风险,即便它们只是出于善意提供帮助,也同样存在风险。以往的研究大多聚焦于对抗性行为或明确的共谋行为;而我们指出,那些追求独立目标的良性代理也可能自发地以某种方式展开合作,从而绕过原本设计的工作流程。我们将这一现象称为“有益代理问题”。我们研究了一类长期的共享资源环境,在这种环境中,代理有时需要依赖其同伴所拥有的资源,且所有权变更通常需经由审查者进行中介。当审查机制失效时,代理
Nanbeige LLM 实验室发布了 Nanbeige4.3-33B,这是一款拥有 512K 上下文的 33B 参数密集型 Apache 2.0 模型。据称,该模型在 Terminal-Bench 2.1 上取得了 80.9 的成绩,并将用于训练即将推出的 Nanbeige4.3-3B。文章《Nanbeige 发布 Nanbeige4.3-33B,一款 33B 开放式智能体驱动编码模型》首发于 MarkTechPost。
2026年10月24日,arXiv发布论文arXiv:2610.30504v1,介绍新型日语基准JSFactCheckBench。该基准首次明确定义事实核查评估中的三大设计要素(问题关联性、判断条件、证据来源),涵盖1913条源自LLM对日本社交平台误导信息回应的声明,并基于预选网络信源在参考时间点完成事实性与重要性双标注。
推荐理由:该研究填补了现有LLM事实核查评测基准未显式规范评估条件的空白;通过结构化标注暴露了主流模型在直接回答类声明验证、长/多源定位、上下文敏感性等方面的系统性弱点,且所有发现均依赖于基准对标注条件的透明记录,具有方法论创新性与实证价值。
2026年10月24日,研究者在arXiv(编号2610.30161v1)发布TauIndianBankBench——一个包含1000个任务的行动导向型基准,专用于评估语言模型驱动的银行对话代理是否严格遵循操作规程(如销户前须获取结清报价),而不仅依赖最终记录判断成败。
推荐理由:该基准直击当前LLM评估盲区:传统方法仅核查对话终态记录,导致6.5–12.0%存在程序跳步或未授权操作的会话被误判为成功;其程序感知设计填补了印度银行业务自动化中合规性评估的关键缺口。