GPT-6.2 Astra要来了？
GPT-6.2 Astra 要来了，厉娜。据 The Information 今天凌晨放出的风声，最快当地时间本周五，OpenAI 的下一代模型家族就要组团突袭，一口气端出全新的 Astra、Sol 以及主打网络安全的新模型。而在此之前，全网吃瓜网友已经找到了不少关于新模型的蛛丝马迹。昨天凌晨，模型追踪机器人突然在 OpenAI 的 API 列表里抓到了两只...
AI NEWS JOURNAL
搜索 AI 资讯
检索标题、摘要与正文，把分散的信息连起来。
FilingLoop：用于企业披露审查与修订的LLM智能体评估与演化
arXiv：2610.37905v1 发布类型：新 摘要：诸如美国证券交易委员会EDGAR等公开披露数据库通过网络访问企业申报文件，为知情投资提供支持。借助语言模型智能体对这些文件进行审查时，需要发现相关文档中未明示的缺陷、获取缺失的企业信息，并验证所请求的修订是否符合有据可依的要求。然而，现有的金融问答评测难以充分反映此类交互能力。我们提出了\textbf{FilingLoop}，一个用于企业披露审查与修订的交互式基准测试及自进化智能体框架。FilingLoop以美国证券交易委员会的历史往来函件为基础，从96家公司的文件中重构出380项以首次公开募股审查为主的任务。
评估与改进用于理解测序协议的 AI 智能体
arXiv:2610.37851v1 发布类型：新 摘要：现有的科学智能体基准测试很少评估智能体是否能够重建测序协议所指定的精确分子结构和生成流程，而这一能力对于分析定制化测序实验至关重要。我们提出了 LibStructBench，一个基于文档的基准测试，用于重建测序文库结构和分子工作流程。我们的实验表明，前沿的智能体通常能够生成大致正确的重建结果，但在精确重建方面仍不够可靠，尤其是在分子状态表示和工作流程连通性方面。更换底层语言模型所带来的平均性能差异，甚至大于更换智能体框架所产生的差异，且这种差异具有统计学上的显著性。
在不阅读解释的情况下进行评分：自动化可解释性评估中的结构化捷径
arXiv:2610.37676v1 公告类型：新摘要：自动化可解释性通过让模型逐个标记地预测特征在评估样本上的激活位置，或判断标记的标记是否与该特征相符，从而对稀疏自编码器（SAE）特征的解释进行评分。我们发现，评估数据的标准处理流程可以在不读取解释的情况下完成评分。在Neuronpedia存储的针对500个随机GPT-2小型特征的模糊测试运行中，91.3%的激活样本都以中心标记为峰值进行裁剪；而当中心标记被标记时判定为“是”的规则，其平衡准确率达到了0.979，相比之下，基于存储的LLM评分器（根据管道代码重新计算的逐项判决结果）的准确率为0.838；仅依据标记数量的规则则达到了0.969。T
Seq@K：在序列反馈下的语言模型评估
arXiv:2610.37859v1 发布类型：新 摘要：语言模型驱动的智能体与以往的智能系统存在根本性差异，其能够在上下文中从自然语言中学习。这一能力使智能体能够根据反馈逐步优化自己的回答，而这正是现代智能体工作流中普遍采用的操作模式。然而，学术界目前主要依据Pass@1或Pass@K等指标对模型进行排名，这些指标无法反映模型如何利用先前尝试的反馈信息。我们提出了Seq@K，这是一种自然的评估方案，用于衡量模型在每次先前失败后获得反馈的情况下，是否能在K次连续尝试内解决问题。与那些考察长期规划的多轮智能体基准测试不同，Seq@K将重点聚焦并形式化了从……中进行迭代优化的核心能力。
人工智能分析v5与基准测试者的困境
对基准测试行业的某种回顾，以及其中的缺失之处。
3、7、14、17、42：指令微调在语言模型中安装并强化了数字选择启发式方法
arXiv：2610.36178v1 发布类型：新 摘要：我们无需抽样误差，即可测量当被要求生成一个随机数时，语言模型为1至N之间的每个整数所分配的概率。对于固定的提示词，模型会定义一个概率向量；我们通过累加每个整数的得分拼写来计算该向量，而非采用抽样估计，从而消除了限制早期研究[1, 4]的噪声。我们在两个推理栈上，针对多达N=100的五个范围，评估了18条开放权重模型系列，并采用了29种解码配置；其中15个模型同时拥有基础版和指令微调版的检查点，且两者均能给出可用的答案。指令微调使这15对模型中的分布更加不均匀，它引入了一种避免使用整数的启发式方法，并强化了另一种避免接近端点的启发式方法。基础检查点
Claude 的账单，金主先看不下去了
Anthropic 已经演示了它的天花板在哪
修复评估偏差，以在 Amazon Bedrock 上解锁更优的模型
Property Finder 发现，其视觉AI评估标签中有96.8%源自现有模型，这掩盖了该模型的真实准确率。了解他们如何构建无偏的真值数据、实施进化式提示优化，并在 Amazon Bedrock 上选择了一款更精准且更具成本效益的模型，从而在11项图像质量指标上将成本降低了86%。
在 NVIDIA DGX Spark 上提升 MoE 推理的三种方法
更快地生成令牌，首先要明确哪些因素限制了推理性能。在 NVIDIA 上对 Inclusion AI 的 Ling-3.0-flash 进行的单批次评估中……
百度开源无限OCR 2，用于百页文档解析
百度发布了 Unlimited OCR 2，这是一款采用 MIT 许可证的 3B 参数规模的 OCR 模型，能够在一次请求中解析百页文档。其 SR-SWA 注意力机制使每步解码开销几乎保持不变，在 MarathonDocBench 上取得了 77.1 的得分。该文章《百度开源 Unlimited OCR 2，用于百页文档解析》首发于 MarkTechPost。
AdaptTok-Indic：面向印度语言的脚本感知自适应分词
arXiv：2610.33017v1 发布类型：新 摘要：在以英语为主导的语料库上训练的多语言分词器往往会对印度语系语言进行过度切分，导致令牌序列更长，并加剧了不同书写系统之间的分词差异。我们提出了 AdaptTok-Indic，这是一种专为印度语系语言设计的自适应分词扩展方案，它将 Unicode 规范化的预处理与显式的印度语系连字处理、基于书写系统的路由策略，以及与小型 Transformer 语言模型联合训练的字节级边界预测相结合。在孟加拉语和印地语上进行评估，并额外针对古吉拉特语、泰米尔语和泰卢固语进行了测试，AdaptTok-Indic 在令牌生成密度方面优于面向印度语系的基准分词器 SentencePiece BPE，以及独立实现的 MAGNET 式基准。在五项已记录的…
Async-RBench：用于LLM智能体中异步任务执行的基准测试
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
用于LLM智能体一致性的递归语义分歧
arXiv:2610.33012v1 发布类型：新 摘要：具备工具调用能力的大型语言模型（LLM）智能体，在从相同初始状态出发的多次独立运行中，表现出行为不一致的现象，例如调用不同的工具、产生相互矛盾的输出，或采取截然不同的策略。这种行为上的波动会随时间累积，从而削弱部署的可靠性。现有的评估指标主要通过基于任务完成度的得分来衡量正确性，而未能捕捉智能体在多次执行中的行为一致性。此外，对智能体行为的分析要么停留在词元层面，借助概率分布进行评估；要么聚焦于单次响应层面，采用语义聚类方法，但两者均无法刻画不一致性如何在轨迹的后续步骤中进一步传播。我们提出了递归语义发散（RSD），一种无
各有所不足：在不同证据状态下校准语言模型
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
超越收益：用于代理技能退役的技能内化度量
arXiv：2610.32322v1 发布类型：新 摘要：LLM智能体从公共技能中心检索技能，这些中心最多可存储约10万条记录，并为众多模型提供服务。随着模型性能的不断提升，技能中心必须识别出某一模型已内化哪些技能——即该模型已不再依赖这些技能——并将其从该模型的技能库中移除；然而，目前尚无可靠的方法来衡量技能的内化程度。现有规则仅依据有无某项技能时的运行表现差异来进行判断，而这种差异往往微乎其微。无论是对于已被内化的技能，还是在模型与该技能均无法实现相应能力的情况下——我们称这种状态为“未被发现”——其收益几乎都接近于零。因此，我们改采另一种做法：暂不启用该技能，而是基于由该技能衍生的任务对模型进行评分，并且只有当另一模型确实因该技能而获益时，才信任模型在无辅助条件下的高分；因为事实上，近一半的高分都来自那些并未真正体现该技能作用的任务。
溶剂：用于多步逆合成的长 horizon 推理
arXiv：2610.32308v1 发布类型：新 摘要：多步逆合成反应需要通过一系列连续的反应步骤，将目标分子逐步转化为可购买的构建模块；近期的研究开始借助大型语言模型（LLM）的推理能力来解决这一任务。在最新进展中，LLM推理已进入长时序阶段：模型能够在相互依赖的各步之间持续追求目标、与环境交互并根据反馈进行调整。这一转变显著提升了LLM的能力，人工智能驱动的数学研究领域也由此取得了突破性进展。在此前沿领域，我们提出了 Solvent，一款拥有80亿参数的LLM，成功将长时序推理扩展至多步逆合成。通过两轮的后训练课程，Solvent学会了在迭代过程中穿插……
DMAIC-Bench：面向多阶段分析任务中智能体的自我反思与自我约束
arXiv：2610.32305v1 发布类型：新 摘要：多阶段分析任务要求大型语言模型（LLM）代理利用中间证据来决定是继续、重定向还是停止。自我反思——即代理对其输出进行批判性评估——已得到广泛研究，然而这种反思并不能说明证据是否改变了下一步行动。我们将这一能力称为“自我约束”。现有的代理基准测试大多仅衡量任务完成度或输出质量，而未对这一能力进行检验。DMAIC-Bench 通过围绕精益六西格玛明确的统计前提条件构建的、涵盖四个行业领域中15个工业案例的97个种子任务，对此进行了评估。成对的反事实变体在相同的工作流位置上要求采取相反的操作，从而能够区分有依据的自我约束与无差别的停止行为。我们采用……对执行轨迹进行评估。
OpenAI 推出 GPT-6.1 Terra，将用于代理工作的 GPT-6.1 Sol 的 API 价格下调一半
OpenAI发布了GPT-6.1 Terra，这是一种快速的计算机与视觉模型，每百万个标记的价格为1美元/5美元。其在每项任务上的成本为0.29美元，而GPT-6 Astra的中等努力代理的最后一次测试得分则为4.82美元。该文章《OpenAI推出GPT-6.1 Terra，将GPT-6.1 Sol的代理工作API价格减半》首发于MarkTechPost。
我们能信任大语言模型来判断一项研究思路是否具有新颖性吗？
我们能信任大语言模型来判断一项研究思路是否具有新颖性吗？