搜索 AI 资讯

凯文·鲁斯被AGI“洗脑”了。那你为什么没有呢？

今天，我采访了记者兼新书《AGI编年史》的作者凯文·鲁斯。这本书详细记录了人工智能行业近期发生的剧烈变革。凯文曾长期担任《纽约时报》记者，并主持过热门播客节目“Hard Fork”，但他与节目好友凯西·牛顿刚刚离开了[…]

Anthropic的IPO申请文件阐述了一项计划，旨在用人工智能“彻底变革人类活动的各个领域”

Anthropic已向美国证券交易委员会提交了S-1招股说明书，为旗下Claude的母公司做好准备，力争在首次公开募股方面抢先于OpenAI。在提交给SEC的文件中，Anthropic表示计划在纳斯达克交易所上市，股票代码为“ANT”。这家人工智能公司已秘密向SEC提交了[…]

导入AI 478：对齐数学；ProgramBench；以及Mirendil展示了RSI的含义

对机器而言，“夜晚”是什么？

篡改的机器学习：评估大型语言模型对机器学习研究的判断

arXiv：2610.32114v1 发布类型：新 摘要：加速人工智能对齐研究进展的一种方法，是将对齐研究的部分环节实现自动化。这需要能够可靠地完成难以监督的研究任务的系统，包括识别研究方案中的缺陷，以及评估某项实验设计是否支持其预期结论。为评估这一能力，我们提出了“Tampered ML”基准，包含1,858个项目对，每一对均由一篇已发表的机器学习论文重构而成的实验方案，以及一个经过轻微修改、引入特定方法学缺陷的反事实版本组成。模型需在两种呈现顺序下均能识别出方法上更为合理的方案。一项针对分层抽样的人工验证研究估计，其中86%的项…

超越该说什么：基于内心想法的狼人角色主动发言时机选择

arXiv:2610.32107v1 发布类型：新 摘要：参与对话不仅涉及决定该说些什么，还涉及是否应该开口。在诸如狼人杀这样的环境中，由于参与者利益相冲突，这种判断显得尤为重要，因为无论是发言还是沉默，都会受到他人的解读与评判。因此，对于一个参与狼人杀游戏的 LLM 智能体而言，何时发言以及说什么至关重要。在本研究中，我们介绍了一款专为 AIWolfDial 共享任务中的“随时发言赛道”开发的狼人杀 AI 智能体。我们的系统基于现有的 Inner Thoughts 框架，通过生成内部思考并评估每种想法的价值，来决定对话中的发言时机。

实时分区控制中的零样本协同认知受限伙伴

arXiv:2610.31726v1 发布类型：新 摘要：有效的人机协作需要能够与不可预测的人类伙伴进行协调的智能体。通过实时人类反馈或大规模行为数据集进行强化学习成本高昂，而纯模拟训练则容易过拟合于人工设定的规范，在与真实人类的零样本协作中往往表现不佳。我们提出了一种针对认知受限伙伴训练协作智能体的框架：这些模拟伙伴的多样性源于基于人类生理学文献的程序化约束，具体包括反应延迟和感知局限，而非依赖奖励塑造或历史训练中的关键节点。在经过改造的月球着陆器环境中，我们报告了初步证据，表明这些伙伴的表现更接近r

用于室内无线电地图估计的协同上下文学习

arXiv：2610.31702v1 发布类型：新 摘要：室内无线地图估计（RME）对于覆盖规划、定位和网络部署等无线应用至关重要。然而，现有方法大多采用监督学习范式，需要耗费高昂成本的标注数据，并进行针对特定任务的模型训练。此外，室内环境涉及建筑布局与结构等隐私敏感信息，这些信息往往无法集中管理。为应对上述挑战，我们首次尝试将室内RME建模为一种协同式上下文学习（ICL）问题。我们提出了Poly-Ripple框架，其中多个客户端在无需更新模型的情况下，利用大型自回归视觉模型（LAVMs）进行ICL。每个客户端均通过其私有演示数据获得提示。

超越热度：面向分层内存的ARM SPE云与LLM工作负载高分辨率内存特性分析

arXiv:2610.32711v1 发布类型：新 摘要：数据分析与大语言模型工作负载对内存的需求正迅速增长，推高了云环境和数据中心的内存成本。多级内存已成为一种颇具前景的解决方案，可在性能与成本之间实现平衡。然而，要有效利用多级内存，必须深入理解工作负载的内存访问行为。本文提出了一种高分辨率的内存特性分析方法，用于评估针对特定工作负载的多级内存使用机会。鉴于基于ARM的处理器在数据中心中的部署日益增多，我们采用ARM最新的统计剖析扩展（SPE）来实现这一方法。通过对CloudSuite和大语言模型应用中的八个内存密集型工作负载进行特性分析，我们识别出了具有区域特异性的访问模式

人工智能驱动的科学代理能否保障模型安全？

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

LeWorldModel 是否保留局部动作几何？

arXiv：2610.31716v1 发布类型：新 摘要：我们考察了预训练的 LeWorldModel（LeWM）在多大程度上能够重现微小动作变化所产生的效应。通过匹配的模拟器与模型响应，我们在三种扰动尺度下利用 Gram 矩阵测量动作敏感性。在 Reacher 和 OGBench Cube 的近千个状态中，最敏感的动作方向在最小尺度下的中位夹角分别约为 36° 和 42°。将扰动幅度扩大十倍后，Reacher 上的归一化 Gram 差异中位数降低了约 70%，而在 Cube 上则降低了约 47%。以像素和嵌入表示的几何结构在不同尺度间的差异，大于所选用的物理状态几何结构的差异。在保留的方向上，环境 Gram 矩阵对应的嵌入响应误差中位数分别为 17% 和

潜在一致性：前沿语言模型的概率判断是否遵循全概率定律？

arXiv:2610.31833v1 发布类型：新 摘要：LawZero 的 Scientist AI 通过一种目标函数训练预测器，使其逼近贝叶斯后验分布，该目标函数会惩罚潜在解释之间概率不一致的情况。我们探究当前处于前沿水平的语言模型——尽管未经过此类训练——是否在零样本条件下已在此意义上保持一致性：当隐变量 z 必须从上下文中的记录中推断时，其概率判断是否满足全概率公式 $P(X)=\\sum_z P(z)P(X|z)$？在单独的单轮调用中，模型被要求给出 $P(X)$、关于隐变量各状态的 $P(z)$，以及 $P(X|z)$；因果家族还对 $P(y|do(x))$ 和后门调整施加了同样的检验。每个查询都配有精确的真值概率，且部分条目以三种不同的表述方式分别提出，以进行区分

基于空间启发式策略的在线三维装箱扩散强化学习

arXiv:2610.32241v1 发布类型：新 摘要：传统启发式方法在诸如三维装箱问题中的空间利用率和布局紧凑性等核心目标上积累了成熟的经验，其依赖于人工设计的规则型逻辑。然而，这些方法在泛化能力和对动态场景的适应性方面存在明显局限。扩散强化学习融合了强化学习的空间搜索能力与扩散学习的数据分布建模能力，在动作分布建模和决策合规约束等方面取得了一定进展。尽管如此，仍存在诸如对三维装箱问题中空间拓扑结构的感知不足、布局优化能力有限等问题。

GLP 网络 API 规范

arXiv：2610.32583v1 发布类型：交叉摘要：多智能体确定性GLP（madGLP）以仅通过异步消息传递进行通信的智能体运行草根逻辑程序（GLP），并假定消息传递是公平的：每条发出的消息最终都会被送达。每个智能体运行在用户的智能手机上，其身份由该用户的公钥标识。草根平台不依赖任何全局资源，仅依赖网络，因此智能体必须通过低功耗蓝牙、局域网以及穿越NAT后的互联网，经由任何人都可运行的 rendezvous 服务器实现彼此间的通信。然而，madGLP对这类网络的要求，以及网络对平台的要求，此前尚未明确。我们在此对 madGLP 下层的网络层进行了规范。凡是能在 GLP 中完成的操作，均在 GLP 中得以实现；该层仅提供

LLM评估中仅用整体F1分数验证自动评分器存误导风险：新研究强调需针对具体提示差异校验

arXiv论文（2610.31678v1）指出，在交互式大语言模型评估中，仅依赖自动评分器的整体准确率或F1分数会掩盖提示特定错误，导致对提示效应的误判；实证显示同一评分器在不同提示下的假阳性率差异巨大（2.6%–33.3%），且表面显著的9.3点效应在双LLM评审下缩至2.3点且不显著。

推荐理由：该研究基于真实实验数据（6个模型、180个虚构实体问题、6种提示条件），揭示了当前LLM评估中普遍存在的方法论漏洞——将 scorer 整体性能等同于其在关键对比任务中的可靠性。其核心主张（须分别审计各提示、纳入不确定性）具有明确实证支撑和可操作建议，时效性强（2026-10-26发布），来源可信（arXiv预印本平台）。

StackGen3D：基于多视图轮廓的稳定三维块堆叠生成

arXiv：2610.31803v1 发布类型：新 摘要：从视觉规格生成物理上稳定的三维结构，需要在解决几何不确定性的同时考虑物体之间的物理相互作用。我们提出了 StackGen3D，这是一个框架，可根据给定的积木库存和三个正交轮廓图生成稳定的积木组合。我们的方法分为两个阶段。首先，我们开发了一种融合物理信息的图神经网络（PI-GNN），用于建模积木之间的支撑关系，并作为快速的稳定性预测器，用于构建多样化的稳定结构数据集。其次，我们在该数据集上训练了一个条件流匹配模型，以捕捉与目标轮廓图相一致的积木构型的多模态分布。在推理阶段，轻

X-配音：在时间和视觉约束下的语音到语音翻译

arXiv：2610.32042v1 发布类型：新 提要：跨语言配音旨在将源语言语音转换为目标语言语音，并使其与原视频保持同步。这一任务的关键在于生成忠实且在源语言时序框架内自然可说的译文，而这并不容易，因为不同语言在音长、节奏和发音方式上存在差异。本文提出了一种名为 X-Dubbing 的方法，将该任务建模为一种同时考虑时间约束的语音转文本翻译与视频感知的文本转语音问题。具体而言，我们的方法由一个能够生成具有时间结构脚本的配音翻译器，以及一个能将其与源视频同步呈现的配音演员组成，二者均以一种与语言无关的时间预算为基础。此外，我们还通过 dubbing 对翻译器进行了进一步优化。

基于大型语言模型的微服务系统自回归多模态异常检测

arXiv：2610.31722v1 发布类型：新 摘要：微服务系统已成为大规模云应用的主流架构，支持快速部署与弹性伸缩。然而，确保微服务系统的可靠性和可用性，关键在于有效的异常检测，因为故障与性能异常可能迅速在各服务间传播，并严重干扰端到端的系统行为。现有的面向微服务系统的多模态异常检测方法往往面临两大根本性局限：(i) 忽略各模态的特性而一味追求跨模态融合；(ii) 存在影响特征重建过程的“身份捷径”问题。为解决这些问题，我们提出了 LLMMAD，一种自回归式

研究揭示编码智能体基准测试中的“规范-预言机差距”问题

一篇于2026年10月24日发布在arXiv的论文指出，当前主流编码智能体基准（如SWE-Milestone）存在“规范-预言机差距”：任务自然语言描述未涵盖测试所需的关键实现细节（如常量名、模块路径、精确错误消息），导致评测实际衡量的是对上游代码的复现能力而非真正理解与推理能力。

推荐理由：该研究首次形式化定义该类偏差，构建覆盖五种语言的静态审计工具（精度89.2%，召回率92.9%），并在SWE-Milestone中实证发现25个里程碑任务含不可推断的隐式依赖，显著拉高失败率（80.6% vs 48.4%），揭示当前排行榜可能系统性偏爱‘抄名称’型智能体；成果已开源审计工具与修正资源，具方法论与实践双重价值。

VocabX：通过成本加权词汇专业化将领域专用小语言模型推理成本降低77%

Dharma-AI提出VocabX方法，针对特定任务（如葡萄牙语作文自动评分）重构语言模型词汇表，以生成代价而非词频为优化目标，在不修改模型结构、参数或训练流程的前提下，实测推理成本下降77%，同时评估质量（bench score）从0.703提升至0.810。