Claude创始人的魔幻半生：挺过睾丸癌，逼宫奥特曼，算“几只鸡抵一条人命”
达里奥·阿莫迪可以说是现在硅谷最「讨人厌」的人，甚至没有之一。 在曾经共事的人眼中，达里奥是个精力旺盛、极其固执的家伙，吵完架后，他有时会一个人躲进办公室的图书室，看 YouTube 视频....
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。
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。
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
符合条件的ChatGPT订阅可享API积分福利
符合条件的ChatGPT订阅可享API积分福利。本月早些时候，Anthropic宣布为其Max和Team订阅用户提供一项丰厚的新福利：每月订阅用户将获得等值于100美元、200美元或500美元的（即将到期的）积分，可用于Anthropic API。
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
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
先检测再消歧：基于扰动的大型语言模型输入歧义检测
arXiv:2610.36353v1 发布类型：新 摘要：大型语言模型（LLMs）常常将含糊的输入当作具有单一明确含义来回答。这存在严重问题，因为输入歧义是不确定性的一个上游来源：当一个提示可能存在多种有效解释时，关键问题在于模型是否应当直接作出回应。现有的输入不确定性方法通常依赖于由大型语言模型生成的语句或澄清，但这类转换可能在测量歧义之前就已经对输入进行了消歧。我们提出了一种保留标签的扰动框架，用于检测输入歧义，在该框架中，扰动保持与原始输入相近，同时保留其标签。我们通过两种检测器对该原则进行了具体实现：一种是基于规则的黑盒扰动库
一种用于前沿大型语言模型中阿希服从现象的定量方法
arXiv：2610.36668v1 发布类型：新 摘要：阿希服从实验近来作为衡量大型语言模型（LLMs）中从众行为的一种手段而备受关注。尽管先前的研究主要致力于证明大型语言模型中的从众现象，但我们的工作在此基础上进一步引入了定量分析维度。我们并未针对一系列问题对前沿大型语言模型进行抽样，而是通过反复采样同一个问题，利用大型语言模型的概率特性生成答案分布。由此，我们可以比较模型在被呈现人为制造的共识前后答案分布的变化。实验结果证实，前沿大型语言模型确实存在从众现象，这与先前文献的结论相一致；同时，借助我们提出的分布间对比方法，还提供了更多……
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。
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…
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
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
社会世界模型评估差距
arXiv：2610.33014v1 发布类型：新 提要：谈判助手无需准确预测对方的反应，也能达成一笔不错的交易。我们探讨的是，针对社会世界模型的评估是否直接检验了这种预测能力。我们对1999年至2026年间发表的113篇相关研究进行了梳理。其中9项主要评估测量的是，当系统或实验者选定某一行动后，真实个体对该行动的反应。仅有2项还把明确的反应预测与实际反应进行了对比。这些研究的预测模型所使用的信息仅限于行动被选定之时，而用于评估的反应数据在拟合过程中已被排除；且两项研究均对干预措施进行了随机化处理。此外，我们对25篇有关语言模型的研究进行了全文核查，未发现任何一项实验同时满足上述条件。其余评估则侧重于当前状态推断、任务成功率或预测准确性等指标。
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。
LeafSkill：用于递归LLM智能体的高效叶级动作定位
arXiv：2610.32412v1 发布类型：新 摘要：递归式大型语言模型（LLM）智能体通过分解、执行与环境反馈来解决长周期任务。然而，在生成一个原子级子任务后，它们往往再次调用同一款大型模型，将熟悉的指令转化为可执行的动作。我们观察到，高层规划具有任务特定性，而底层动作的具身化则在不同任务间反复出现，并且能够对照环境允许的动作进行验证。为此，我们提出了 LeafSkill，这是一种外部复用层，它能够检索语义相关的具身化经验，将动作模板绑定到当前对象与可执行动作上，并借助一个轻量级的 17 亿参数选择器来决定采用已绑定的动作，或将未发生变化的子任务交由原始智能体继续处理。技能始终处于外
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？
数据文化如何从零信任逐步发展为可交付的AI分析代理
Data Culture 构建了一个三步评估框架，使某项 AI 分析的部署准确率从 0% 提升至 94.7%。
Nace AI 推出用于搜索 AI 智能体的 Drex：在 BrowseComp-Plus 上的准确率为 92.05%，并进行了 12.6 次搜索调用
Nace AI 发布了 Drex for Search，将其 Drex 决策模型应用于 AI 智能体的文档搜索。Nace 在 BrowseComp-Plus 上取得了 92.05% 的成绩，仅需 12.6 次搜索调用，并且在 OfficeQA Pro 上实现了更少的智能体交互次数。该文章“Nace AI 为 AI 智能体发布 Drex for Search：在 BrowseComp-Plus 上取得 92.05% 成绩，仅需 12.6 次搜索调用”首发于 MarkTechPost。