GPT-6-Astra真的具备具身智能了吗?一份跨12个基准的极限压测报告
联合团队对GPT-6-Astra做了史上最大规模的具身能力评测:12个仿真基准近乎打穿,8台真机却暴露了时间与成本的真实代价。
联合团队对GPT-6-Astra做了史上最大规模的具身能力评测:12个仿真基准近乎打穿,8台真机却暴露了时间与成本的真实代价。
蚂蚁国际推出BizBench基准,用50个真实支付业务任务检验AI智能体执行合规性,发现顶尖模型严格成功率仅六成,暴露出任务达成与过程违规之间的巨大评测盲区。
本文解读清华大学与腾讯提出的 TreeOPSD,一种无评论家的树形后验自蒸馏方法:用共享前缀分叉把终局奖励回传成回合级信用,再匹配有限老师目标,解决长程智能体训练的信用稀疏与策略陈旧问题。
研究者让九个顶尖AI代理为真实论文撰写后续研究,结果135次尝试无一通过诚信与科学标准双重检验,暴露AI自主科研的核心短板:缺乏自我怀疑与回溯修正能力。
WODI(Women of Digital Infrastructure,数字基础设施青年女性论坛)是由数字基础设施领域(涵盖AI、算力、数据中心、云计算等)的女性专业人士、研究者及生态伙伴自愿组成的行业性组织。
PPMem用7参数平面原语作为视频世界模型的持久3D记忆,比点云压缩三个数量级,兼具几何明确、跨视角一致与自我优化特性,在DL3DV与RealEstate10K上实现长达数百帧的稳定高质量视频生成。
本文介绍PRISM方法,通过让一个能看到同题目其他成功解法的特权老师模型,纠正多智能体协作拓扑生成器在自身生成路径上的判断偏差,在六个基准测试上全面超越现有方法,且几乎不增加部署成本。
Google提出DuoDiscover系统,让AI智能体自主发现优化目标并构建专属快速评估器,突破真实评估成本过高导致的搜索效率瓶颈,在vLLM、SQLite、芯片微架构设计等任务上超越人类专家和现有自动化方案。
论文发现稀疏自编码器拆出的特征单独看合理,但组合后的行为效果并不能简单相加。作者提出SAR指标量化这种不可加性,证明成对交互能显著改善联合解释和特征导向干预的准确性,重建质量与行为可加性并不等价。
研究发现稀疏自编码器训练数据量存在边际效应,重建等功能指标小数据量即可追平大数据参考模型,但特征一对一复现率需持续更多数据才能提升,二者并非同步收敛。
AI写数学证明越来越难懂,LeanPRM用Lean证明助手自动给自然语言证明打步骤级对错标签,训练出的验证模型在多项基准上超越人工标注数据训练的模型,还能更准地挑出正确证明。
PathFM提出用流匹配生成完整未来轨迹并通过蒸馏实现快速采样,解决了传统时间序列模型只预测孤立分位数、无法刻画轨迹依赖关系的问题,在边际精度和轨迹质量评测上均取得领先表现。
语言模型训练早期,解嵌入层readout会在0.4%到1.1%训练进度内集中重组,WordNet语义类别随之变得可解码。隐藏状态常比模型自身输出更早编码任务信息,而readout学习速度可人为调节这一差距的闭合时间。
康奈尔大学研究者发现语言模型复制能力受限于LM头的梯度瓶颈,提出Copy-Paste Language Models,用轻量指针模块绕开瓶颈,在135M到1.7B参数规模上全面提升性能,并大幅节省长文本场景下的内存开销。
编辑任务往往同时包含要改变的部分和需要延续的画面信息。例如替换桌面上的物件时,背景和已有画面关系仍可能是设计意图的一部分。
论文提出用混合专家模型(MoE)替代稠密模型做大模型个性化,利用crosscoder工具定位个性化特征对应的专家,发现MoE多义性更低、个性化特征更集中,且因果实验证明这些特征和专家真正驱动了个性化行为。
PAIR提出了一种连接视觉语言理解与机器人动作生成的桥接表示方法,通过让专家动作结构引导感知特征学习,在LIBERO、CALVIN等基准和真实机械臂任务上均取得明显性能提升,为VLA模型设计提供新思路。
本文解读EDEN方法,一种通过在AI模型输入端加入锚定噪声来增加训练时答案多样性的强化学习技术,在不增加采样预算的前提下显著提升了数学推理模型的解题覆盖率和准确率。