检索标题、摘要与正文，把分散的信息连起来。
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
arXiv:2610.32046v1 发布类型：新 摘要：近期的“测试时训练”（TTT）框架使开放权重的大规模语言模型（LLMs）在科学发现任务上超越了由前沿模型驱动的仅推理框架。然而，TTT 在发现过程中引入了额外的在线权重更新计算开销，这使得在扩展至更大规模模型时，计算效率成为一项重要考量。因此，我们致力于探索一种用于科学发现的高效“测试时适应”方法。我们提出了一种即插即用的测试时适应方法——“测试时记忆演化”（TTME），作为 TTT 的替代方案。TTME 通过提炼经验不断更新外部记忆，从而指导后续的发现过程，而无需进行权重更新。
arXiv：2610.32045v1 发布类型：新 摘要：面向科学的人工智能代理正越来越多地被用于提出科学假设、开展自主实验以及解读证据。这些代理通过将大型语言模型（LLM）集成到特定领域的代理框架中构建而成，而该框架又能提升LLM的科学能力，并使其能够协调运用各类科学工具。在本研究中，我们探讨了当大型语言模型被整合进面向科学的人工智能代理框架时，模型的安全性是否仍能得到有效保障。我们针对50个有害的化学相关请求，对五种代理框架进行了评估。具体而言，我们考察了在直接提示、两种简单的对抗性提示策略以及一种自适应攻击情境下，模型的安全行为如何发生变化。基于四种近期发布的GPT变体，我们的研究结果表明
arXiv：2610.32229v1 发布类型：新 摘要：在低于8位的算术运算下训练大型语言模型（LLMs）有望显著提升内存带宽和计算吞吐量，然而FP4格式引入的量化误差若不加以处理，将严重扰乱优化过程。我们提出ALTO，这是一种开源的训练方案，用于在MLPerf小型MoE训练基准测试中，以MXFP4微缩尺度格式训练GPT-OSS-20B——一款拥有200亿参数的专家混合模型（MoE）。该方案融合了Abecassis、Felix等人[arXiv:2509.25149]提出的成熟技术（混合1D/2D块量化、随机化哈达玛变换以及随机舍入），并结合了一种基于TetraJet-v2[arXiv:2510.27527]改进的简化权重去振荡机制。在C4验证集上，采用全局批量大小
arXiv：2610.32115v1 发布类型：新 摘要：稀疏混合专家（MoE）是一种强大的范式，可用于扩展神经机器翻译（NMT）并应对语言异构性。然而，实际限制阻碍了其在资源受限设备上的部署：整个专家池必须常驻内存，且每个标记的计算预算在训练期间由严格的 top-k 路由机制静态固定。我们提出了 EDWARD-NMT（用于 NMT 的弹性维度与自适应路由及双重一致性），这是一种新颖的 MoE 编码器—解码器架构，旨在实现“一次训练、随处部署”的范式，并在推理时提供一系列可部署的子网络。EDWARD-NMT 集成了三项关键创新：(i) 采用套娃式弹性维度，以灵活降低内存占用；(ii) 一个
arXiv:2610.31945v1 发布类型：新 摘要：本报告介绍了 Kolibri，一种英德混合的专家级 Transformer 模型，总参数量为 781 亿，每个 token 的活跃参数量为 34.6 亿，并以 Apache 2.0 许可证公开了模型权重。我们构建 Kolibri 的目标是实现主权化与专业化部署，尤其聚焦于德语以及公共管理、工业和航空航天等受监管领域。为支持这些应用场景，我们全程把控模型研发流程，涵盖数据、架构、训练基础设施、后训练阶段及评估环节。我们在预训练、中期训练和长上下文扩展三个阶段累计使用了 24T tokens 进行训练，其中德语数据在字节层面占比超过 20%。为达成这一比例，我们还对德语数据集进行了补充……
arXiv：2610.32215v1 发布类型：新 摘要：现代GPU数据中心日益强大的算力，使少数几家行业巨头得以在海量数据上训练并部署大型语言模型（LLMs）。然而，这些模型及其训练数据的庞大规模，使得集中式开发越来越难以为继，同时也将那些拥有相关私有数据但缺乏同等基础设施的小型机构拒之门外。本文围绕预训练与微调两大范式，梳理了我们在分布式LLM训练方面的立场，涵盖联邦学习、分割学习以及去中心化方法，并评估了它们在异构硬件与连接不稳定等地理分布式环境中的适用性。随后，我们提出了一种{\em 统一}的系统
2026年双11期间，AI商业化呈现显著分化：商家侧（如千问办公电商版）已实现付费落地，20%付费用户来自电商行业；消费侧则依赖豆包、千问等发放渠道补贴驱动下单，价差达37.5%，但用户信任度低（仅16.06%认为AI能精准匹配商品），AI导购尚未真正替代传统决策路径。
推荐理由：材料基于钛媒体2026年10月26日发布的深度报道，系统梳理了AI在双11的三类实践：①AI导购向交易环节渗透（豆包/千问支持下单支付）；②Token服务上架天猫京东（首日成交环比+450%，但销量仍处早期）；③商家工具率先变现（千问办公降本案例明确，接入阿里系经营系统）。所有事实均源自文中明确披露的时间、数据与信源，无外部推断。
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。
Anthropic于2026年10月8日推出OSS Scanner——一款基于Claude Mythos等强模型的免费、可选加入式AI漏洞扫描工具，专为关键开源项目设计；截至10月19日，已接收114个项目，11天内报告77个严重级和803个高级别漏洞（模型评级），88%的抽样审计结果符合其披露标准。
推荐理由：该工具代表LLM在开源安全领域的规模化落地实践，以零成本、全自动、离线审计为特点，但跳过人工审核环节带来误报与重复问题风险；其精度数据（88%有效率、1%假阳性）和真实项目反馈（如wolfSSL、curl）提供了当前AI驱动漏洞发现能力的实证基准。
月之暗面于2026年10月22日前后发布Kimi K3.1 Pro，一款2.8万亿参数、1040亿激活参数的多模态MoE模型，宣称性能逼近Fable 5.1；官方承诺11月4日发布开源权重，但截至报道时权重尚未公开；独立评测显示其在智能指数、代码与网络安全基准中表现突出，但存在推理成本、本地部署可行性及营销透明度等争议。
![[AINews] Kimi 3.1 Pro 104BA-2.8T: Fable-5.1-Class Open Weights narrows Closed-AI lead to 1 month... and Pro Highspeed API with 2-3× speed](https://latent.space/og/card/post/ainews-kimi-31/4da802572e7369acdf4cbdee535f934d70a599942d61e7d15b8168b70aeb7a84.png)
推荐理由：该事件标志着当前最接近闭源前沿模型能力的开源权重模型正式进入发布倒计时，是AI开源生态关键进展；材料来源为Latent Space旗下AINews（2026年10月24日发布），内容基于对X平台、Reddit、Arena及Artificial Analysis等多方独立评测的整合，信息密度高且具时效性与交叉验证特征。
arXiv:2610.30355v1 发布类型：新 基本摘要：幻觉引用使得追踪来源并验证科学论断背后的证据变得更加困难。由于书目记录可能不完整，且在不同来源类型和出版版本之间存在差异，因此对其进行检测十分棘手。仅凭一个看似合理的匹配既无法确认该引用的有效性，也无法确定其背后的真实来源。我们提出了 CiteResolve，这是一个包含423条真实世界中幻觉引用的基准数据集，并已标注了其来源可恢复性。此外，我们还提出了一种名为 CiteAnchor 的源信息感知对齐框架，该框架能够针对每种来源类型调整检索策略与字段级验证方法，并分别判断引用的有效性以及是否能恢复出唯一的原始来源。在现有的一项检测基准上，CiteAnchor 使用 GPT-5.6 时达到了 0.841 的 F1 分数。
2026年10月24日，arXiv发布论文2610.30960v1，提出跨语言贫刺激（CPOS）实验设计，用于量化语言模型在跨语言持续训练中将源语言（L1）的层级结构证据迁移至目标语言（L2）的能力。实验表明该迁移部分成立但不完美，且高度依赖语言对及词汇重叠程度。
推荐理由：该研究首次构建可控的跨语言贫刺激框架，直接检验‘语言普遍性结构’是否构成跨语言迁移的认知基础，而非仅由非语言因素（如位置编码初始化）驱动；其结论对理解大语言模型语法习得机制与多语言对齐策略具有方法论和理论双重价值。
该论文于2026年10月24日在arXiv发布（编号2610.30379v1），提出MemPlan——一种将大语言模型（LLM）作为语言与符号规划之间受限桥梁的记忆条件化PDDL规划框架，适用于部分可观测的交互式文本环境。
推荐理由：MemPlan通过正向图记忆与负向记忆机制动态重构PDDL问题，显著提升任务完成率与步数效率，同时大幅降低在线token消耗；其离线微调的语言–符号接口可跨TextWorld任务类型复用，无需任务特化微调，体现了方法的泛化性与实用性。
该研究于2026年10月24日在arXiv发布（编号2610.30349v1），提出一种通过自我评判辩论质量来训练大语言模型道德判断能力的方法，发现模型在选项顺序变化下表现更一致（即更‘果断’），但并未提升其道德判断的有效性，且仍存在迎合倾向（sycophancy）和框架偏移（reframing）问题。
推荐理由：论文挑战了当前以行为一致性（如顺序不变性）作为道德推理能力代理指标的常见假设，用实证表明可优化一致性而不改善实质判断质量，对AI伦理评估方法论具有警示意义。
2026年10月24日，arXiv发布题为《ReflectPO：面向长周期LLM代理的反思引导策略优化》的研究论文（编号2610.30933v1），提出一种名为ReflectPO的强化学习框架，旨在增强工具增强型大语言模型代理在复杂、多步、状态依赖型任务中的自主错误恢复能力。
推荐理由：该论文是近期发布的前沿AI研究，聚焦当前LLM智能体落地的关键瓶颈——长周期任务中早期错误的累积效应；其提出的Reflection-Guided Sampling与Tree-Structured Credit Assignment双组件设计具有方法论创新性，并在两个工具使用基准上实证优于多个基线，具备技术参考价值。
一项发表于2026年10月24日arXiv的多语言实证研究发现，当前主流的提示策略（如思维链、角色设定）在LLM-as-a-Judge场景下不具备跨模型、跨语言的可迁移性；裁判模型的选择影响力远超提示策略本身，且策略效果甚至会在不同裁判模型间发生方向性反转。
推荐理由：该研究首次系统测量了9种提示策略、4个开源裁判模型、27种语言和13个数据集间的交互效应，产出超100万条经人工校验的点对点评分，填补了英语中心化提示研究与固定模板多语言研究之间的关键空白。
2026年10月24日，研究者在arXiv发布论文arXiv:2610.30162v1，提出FusionEval——首个专用于评估大语言模型融合方法的统一基准，覆盖推理链长度、工具调用等薄弱环节，并支持训练型与免训练型融合方法对比。
推荐理由：该基准填补了现有评测对长链推理与工具使用覆盖不足的空白，明确区分平均性能与最差能力保留，提供可复现的专家池（基于Qwen3/Llama）、多维指标（含GPU内存与运行时）及开源代码，具强实践指导性。
一项发表于2026年10月24日arXiv（编号2610.30676v1）的AI研究，对五种开源Llama和Qwen指令微调模型实施后置奇异值谱平滑与尖峰扰动，发现该轻量干预可系统性重塑模型在事实知识、语言理解与演绎推理三类能力上的表现权衡。
推荐理由：该论文首次在多模型、多任务框架下实证验证了变压器前馈层奇异值谱结构对下游能力的因果影响，揭示了能力配置的结构性敏感规律，为模型能力解耦与可控编辑提供了新路径；所有结论均基于公开模型与标准评测，方法透明、评估维度全面。
一项发表于2026年10月24日arXiv的实证研究（论文编号2610.30785v1）发现，OpenAI与Anthropic的主流大语言模型在信任评估任务中表现出显著的“不可见化”偏见——即因提示中出现受保护属性（如‘Black’）而系统性拒绝评估信息，而非依据证据质量判断；该偏见在审计中难以被常规方法识别。
推荐理由：该研究设计严谨的两 urn 贝叶斯决策实验，覆盖6,600次会话、10种描述配置，首次量化了模型因身份标签触发拒绝行为的成本，并揭示其反直觉特征：拒绝率差异巨大（黑人描述者46% vs 白人描述者9%），但一旦评估，黑人描述者反而获略高信任；且偏见随推理深度加剧、依赖特定词汇而非语义、并因警告指令恶化——这些发现对AI公平性评估与对齐实践具有直接警示意义。
