研究提出文档驱动的想法生成任务，要求模型基于论文产出高质量且彼此不同的想法集合。方法采用集合级强化学习目标，在一次生成中写出K个结构化想法卡片，并按与先前想法的距离加权质量联合打分，促使新想法远离已有想法。8B模型在无污染基准上的创意效用超过Claude Opus 4.8与GPT-6 Astra，专家评估与后者相当，且想法可执行性未下降。

#llm #reinforcement-learning

已过时译

行业落地OpenAI News4 天前

Itaú 用生成式 AI 服务全量客户

巴西最大银行 Itaú 推出对话式界面 ia.i 与治理平台 IARA，将 AI First 战略同时落地到客户与员工场景，并在巴西高度监管的金融环境中实现规模化应用，为受监管行业的生成式 AI 落地提供参考。

#llm #agent

已过时

部署与算力Hacker News (front page)4 天前

Llmspeed：购买硬件前先测本地LLM速度

Llmspeed 是一个 Show HN 项目，让用户在购买硬件前先体验本地大模型的推理速度。它解决了选型时缺乏直观性能参考的问题，帮助工程师根据实际速度而非参数猜测来决策硬件采购。

#llm #inference

已过时译★ 169

大模型Hugging Face Papers4 天前

Grid-Bench：评估LLM预测离散空间状态变化能力

Grid-Bench是一个可执行基准，用二维至四维网格上的八类操作测试LLM能否根据初始状态、规则和事件历史预测最终空间状态。结果显示历史越长准确率下降越明显，且单事件表现相近的模型在长序列上差异巨大，为空间推理评估提供了可验证的量化方法。

#llm #benchmark

已过时译

AgentHugging Face Papers4 天前

四个Gemini 4智能体自主通关我的世界

研究团队让四个Gemini 4 Argon智能体在沙盒版《我的世界》生存模式中自主协作，仅用开源Mineflayer库，无人类预设角色或游戏逻辑，27小时14分钟内编写2783个程序并击败末影龙，死亡605次。这是首个端到端AI智能体自主通关案例，展示了长时程规划与多智能体协作能力，对企业级软件工程任务有参考价值。

#agent #multi-agent

已过时译★ 2

大模型Hugging Face Papers4 天前

互补表征提升时序语言模型推理能力

论文提出互补表征设计原则，将折线图与归一化延迟嵌入两种视图结合，分别保留绝对测量与时间结构，经视觉编码器融合进语言模型。在TSRBench上准确率从44.5%提升至53.2%，显著超越专用基线36.7%，为通用时序语言模型提供有效设计思路。

#time-series #llm

已过时译★ 4

AgentHugging Face Papers4 天前

MLExpert：面向自主机器学习工程的通用智能体模型

论文提出面向长周期机器学习工程优化的后训练方法，训练出35B MoE智能体模型MLExpert，通过分层智能体SFT与窗口交互强化学习，在MLE-Bench Lite上将奖牌率从37.9%提升至72.7%，接近更大前沿模型水平。

#agent #llm

已过时译★ 23

AgentHugging Face Papers4 天前

FDE-Gym：AI交付最后一公里基准

FDE-Gym是一个包含95个端到端交付任务的基准，覆盖20个客户场景和18个行业，模拟真实客户环境评估AI代理。最佳模型仅得0.56分，95个任务中只解决14个，揭示从解决明确任务到实际交付AI系统之间存在巨大差距。

#agent #benchmark

已过时译★ 190

大模型Hugging Face Papers4 天前

QuasiLeak-Bench：策略条件下的准证据组隐私检测基准

现有隐私基准多关注显式标识符或属性推断，忽略了孤立弱但联合可揭示隐私的准证据组。该工作提出 QuasiLeak-Bench，用逆向构建流水线生成可靠标注，评估检测器能否恢复完整准证据组并按披露策略标记违规。实验显示现有检测器迁移差、本地模型远落后于闭源模型，但微调 4B 模型可超越最强提示模型，表明任务可学习。

#llm #privacy

已过时译

大模型Hugging Face Papers4 天前

多奖励强化学习的奖励相关token级信用分配

针对多奖励RL中GDPO将各奖励优势均匀铺满整条回复的问题，提出MRTPO：利用各验证器实际检查的信息，通过对比有无该验证器信息时策略的下一token分布，用逐token的Jensen-Shannon距离衡量相关性并重新分配优势，无需辅助模型或token级标注。在text-to-SQL、多约束指令跟随和工具调用上收敛更快、效果更好。

#rl #llm

已过时译★ 14

大模型MIT Tech Review — AI4 天前

AI labs are buying data from dead startups to train their models

报道称AI实验室正从倒闭的初创公司收购数据用于模型训练，一位加密创业者通过出售已关停公司的代码库和用户数据获利约2.5万美元。这反映出高质量训练数据日益稀缺，催生了'死公司数据'这一新兴交易市场，值得关注数据来源合规与定价问题。

#data #llm

已过时译

政策利好MIT Tech Review — AI4 天前

Open models have real benefits. Do they outweigh the risks?

MIT Technology Review 探讨开源模型利弊：Anthropic 报告称 GLM-5.3 存在重大网络攻击风险，引发开源模型收益与安全风险孰轻孰重的争论。文章梳理开源模型的实际价值与潜在滥用风险，对关注模型开放策略与安全治理的工程师和决策者有参考意义。

#open-source #llm

已过时译

部署与算力Google AI Blog4 天前

Advances in private training for production on-device language models

Google 分享 Gboard 端侧语言模型私有训练的进展：所有下一词预测模型均采用联邦学习并具备形式化差分隐私保证，覆盖 7+ 语言、15+ 国家，ε 低至 0.994，是已知最大规模用户级 DP 生产部署，对端侧 AI 隐私落地有标杆意义。

#federated-learning #differential-privacy

已过时译

大模型Google AI Blog4 天前

Social learning: Collaborative learning with large language models

Google Research 提出 LLM 社交学习框架，让教师模型通过自然语言指令或示例向学生模型传授知识，无需共享私有数据，在垃圾短信检测、小学数学和问答任务上验证有效性，并给出隐私量化方法。

#llm #collaborative-learning

已过时译

大模型Google AI Blog4 天前

Chain-of-table: Evolving tables in the reasoning chain for table understanding

Google 提出 Chain-of-Table 框架，让 LLM 通过逐步生成表格操作（选列、聚合、排序等）迭代演化表格，形成可解释的推理链，解决表格结构难以被语言模型理解的问题，在 WikiTQ、TabFact、FeTaQA 上取得 SOTA。

#llm #table-understanding

已过时译

大模型Google AI Blog4 天前

Talk like a graph: Encoding graphs for large language models

Google Research 在 ICLR 2024 提出将图结构编码为文本以提升 LLM 图推理能力，并发布 GraphQA 基准。研究发现编码方式、任务类型和图结构会影响性能，选对编码方法可使 LLM 图任务表现提升高达 60%。

#llm #graph

已过时译

大模型Google AI Blog4 天前

Cappy: Outperforming and boosting large multi-task language models with a small scorer

Google Research 提出 Cappy，一个仅 3.6 亿参数的轻量评分器，基于 RoBERTa 持续预训练。它接收指令与候选回答并输出 0-1 正确性分数，可独立完成分类任务，也可作为辅助组件提升多任务大模型表现。无需微调大模型、无需反向传播、无需访问其参数，即可实现下游监督，兼容闭源 WebAPI 模型，显著降低存储与显存开销。

#llm #scorer

已过时译

1 2 3 4