实测Gemini 4 Carbon：已玩嗨，Google就这样悄悄重回牌桌
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...
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。
深度丨从独占61%企业开源账单到巨头分成，开源模型开始商业化下半场
11 月 5 日，OpenAI 前首席技术官 Mira Murati 创立的 Thinking Machines Lab（TML）交出了第二代模型 Inkling 2 Small。这家成立一年半、正以 400 亿美元投前估值洽谈 50 亿美元融资的硅谷明星实验室，急需用一款足够硬核的新模型向投资人证明自己。评测机构很快给出了“中国以外最高分开源权重模型”的头衔；但当同行翻开...
左手写病毒，右手填补丁，OpenAI放出网络安全“大杀器”
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...
GPT-6自主爆改Qwen权重被吹成神？Meta知名研究员泼冷水
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...
暴露并不等于承诺：针对使用工具的智能体的潜在监控器的双层评估
arXiv:2610.37679v1 发布类型：新 摘要：使用工具的语言模型容易受到间接提示注入的影响，而越来越多的研究试图通过探查模型内部来在不安全操作执行前将其捕获，但所得结果却存在严重分歧。我们认为，这种分歧很大程度上源于评估方法上的缺陷，并提出了一种双层评估协议：在评估与训练数据集中，将“提示注入”与“行为承诺”加以分离。在主要的Qwen AgentDojo基准测试集上，那些基于朴素的“不安全与其余”混合对比进行训练的监控器，大多仅学会识别“暴露”：它们会标记出所有被暴露的轨迹，无论智能体是否真正执行了相应操作，且几乎无法预测哪些情况最终会导致不安全行为。而当仅针对已暴露案例重新训练后，同一类探测器便能预测模型自身发出的不安全工具调用，时间延迟长达两秒。
FlatCake：一种用于大语言模型推理的扁平化KV缓存存储架构
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
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。
现在，您可以在 Gemini 聊天中直接生成并编辑 Google 文档文件了。
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。
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。
序列学习循环——第960期：上周的人工智能基础设施动态
DeepSeek、Google和NVIDIA构建智能体技术栈
通过低秩多线性分解进行大语言模型幻觉检测
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。
KORA：面向人工智能工作负载的确定性优先执行控制
arXiv:2610.35869v1 发布类型：新 摘要：人工智能应用通常会在决定是否需要进行推理之前先调用模型。这种默认行为对于模糊的生成任务很有用，但与那些结构化、确定性、受策略约束、以查找为主或可直接验证的工作并不匹配。KORA 提出了确定性优先执行控制：一种位于推理前的控制层，它将请求表示为任务路径，优先尝试确定性或结构化的执行路径，验证路径结果，记录遥测数据，并仅在确定性处理不足时才切换到模型候选路径。本文将 KORA 介绍为一种确定性优先的执行控制架构，并基于可复现的基准测试和验证工作负载提供了有限的实证证据。在一项重
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%。
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。
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
面向集成地面与非地面6G网络中意图驱动的服务编排的知识引导型大语言模型
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
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
音频-语言模型中可控说话风格字幕生成的基准
arXiv:2610.33036v1 发布类型：新 摘要：口语风格字幕（SSC）旨在生成自然语言描述，用于刻画语音的表达方式，捕捉诸如声音音色、韵律和表现力等副语言特征。许多下游应用，包括对话式 AI 智能体、可控语音生成以及大规模音频标注，都需要针对特定维度的风格字幕，以描述语音的特定方面（例如说话者特质、情感或表达风格），而非单一的无差别描述。然而，现有研究缺乏对可控口语风格字幕的统一建模方法。我们通过将 SSC 定义为一项遵循指令的音频-语言任务来弥补这一不足，在该任务中，明确的指令会指定口语风格的维
面向历史文献转录的OCR系统实体感知评估
arXiv：2610.33004v1 发布类型：新 提要：光学字符识别（OCR）对于历史档案的数字化至关重要，然而诸如字符错误率（CER）等标准评估指标并不一定能反映诸如姓名、日期和标识符等重要信息是否得以保留。在本研究中，我们从实体层面分析OCR错误，以此作为评估历史文献中OCR质量的补充视角。我们使用了一个公开的基准数据集，包含来自Berrutti档案馆的175份文档，并辅以5,209个经人工标注的实体提及，这些标注将在论文被接受后公布；在此基础上，我们比较了序列识别型OCR系统、专为OCR设计的视觉—语言模型以及通用型视觉—语言模型。除了全局转录准确率之外