/
长路难行？OTA：为离线目标条件强化学习开辟时间抽象捷径
这篇研究提出了时间抽象值学习（OTA）方法，解决离线目标条件强化学习中的长期规划问题。研究团队发现现有分层方法失败的关键在于高层策略无法生成合适子目标，原因是价值函数在长期规划中估计不准确。OTA通过"选项"概念实现时间抽象，有效缩短规划视野，使价值函数能提供更准确的优势信号。在复杂迷宫导航和视觉机器人操作任务中，OTA显著优于现有方法，证明了该方法在处理长期任务时的有效性。
"知识诞生"的奥秘：MIT研究揭示大语言模型如何跨越时间、空间和规模形成语义特征
这项研究探索了大语言模型内部可解释特征的形成过程，分析了它们在训练过程中（时间）、模型层级间（空间）和不同规模模型（尺度）的行为变化。研究团队使用稀疏自编码器技术，成功识别出特定语义概念在神经激活中出现的时间点和位置。研究结果显示，不同领域的知识概念在模型训练和规模扩展中存在明确的激活阈值，且在空间分析中发现了早期层特征会在后期层重新激活的现象，这挑战了对变换器模型表示动态的传统认知。
Mutarjim：阿拉伯语-英语双向翻译取得重大突破，沙特Misraj团队用小型语言模型战胜巨无霸
这篇论文介绍了Mutarjim，一个仅有1.5B参数的小型语言模型，专为阿拉伯语-英语双向翻译设计。研究团队通过精心设计的两阶段训练方法，使这个小模型在多个权威基准测试中击败了参数量大20倍的模型，包括GPT-4o mini。同时，他们创建了Tarjama-25，一个包含5,000对专家审核句子对的新基准，解决了现有评估数据集的局限性。研究结果表明，专注于特定任务的小型语言模型能在资源有限环境中取得卓越成效，为机器翻译领域提供了新思路。
炼金术士：颠覆性方法让公开文生图数据变黄金 - 仅3350个样本实现突破性提升
Alchemist是一项由Yandex研究团队开发的创新方法，能将公开文生图数据转化为高效微调资源。研究者利用预训练扩散模型作为数据质量评估器，从海量图像中精选出仅3,350个高价值样本创建数据集。实验表明，这个紧凑数据集能显著提升五种Stable Diffusion模型的生成美学质量和图像复杂度，同时保持风格多样性。研究不仅开源了数据集，还公开了微调模型权重，为AI社区提供了替代专有微调管道的开放解决方案。
自适应思维模式切换：南京大学研究团队提出进程级思维模式动态调整方法，让AI更"聪明"也更"高效"
南京大学研究团队提出了一种新型推理范式：进程级自适应思维模式切换（PATS），能让大型语言模型根据每步推理的难度动态调整思维策略。与传统固定策略不同，PATS在波束搜索框架中通过控制候选步骤数量（2/4/8个）模拟不同复杂度的思维模式，并根据过程奖励模型（PRM）评分动态切换。实验表明，PATS在多个数学推理基准测试上实现了准确率与计算效率的优化平衡，仅使用全复杂模式55.4%的计算资源就达到了相近的准确率，为大模型高效推理提供了新思路。
无需"正确答案"也能训练数学问题求解：百川智能基于格式和长度的强化学习新方案
百川智能等机构的研究团队提出了一种创新方法，利用答案格式和长度作为替代信号，无需标准答案就能训练大型语言模型解决数学问题。研究发现，在训练初期15步内，仅基于格式正确性的奖励函数就能产生与标准GRPO算法相当的性能提升。随后引入长度奖励后，这种方法甚至在某些情况下超过了依赖标准答案的传统方法，使用7B基础模型在AIME2024上达到40.0%的准确率。研究揭示了一个关键洞察：基础模型就像已掌握数学和逻辑推理技能但考试表现不佳的优秀学生，只需培养良好的答题习惯即可充分释放其潜能。
Nash Mirror Prox：加速人类反馈中的Nash学习
这篇研究论文介绍了一种名为"Nash Mirror Prox"(NashMP)的创新算法，旨在解决传统强化学习从人类反馈(RLHF)中存在的局限性。研究团队发现，传统方法常用的Bradley-Terry模型假设人类偏好具有传递性，而实际上人类偏好常常是非传递的。NashMP算法通过将问题建模为偏好游戏并寻找Nash均衡，实现了显著更快的收敛速度—KL散度到最优策略以(1+2β)^(-N/2)的速率减小，且不依赖于动作空间大小。研究团队不仅提供了理论证明，还开发了实用版本用于大型语言模型的微调，实验结果表明该算法在理论和实践上都优于现有方法。
AdaCtrl：让AI思考更聪明，香港科技大学与中文大学团队开发高效推理控制新框架
这项研究提出了AdaCtrl框架，解决大型AI模型在推理时过度思考的问题。通过难度感知预算分配技术，AI可以自动判断问题难度并相应调整推理深度，同时允许用户手动控制思考量。实验表明，与基线相比，AdaCtrl在维持或提升准确性的同时，显著减少了简单问题的回答长度(最高减少91%)，对复杂问题则保持详尽思考。这种"量力而行"的思考方式不仅提高了AI效率，也增强了用户体验，为推理模型发展提供了新方向。
MLR-Bench: 让AI代理展示开放式机器学习研究能力的全面评测基准
MLR-Bench是一个全面的评测基准，专门用于评估AI代理在开放式机器学习研究中的能力。由新加坡国立大学和加州大学圣巴巴拉分校研究者开发，它包含201个真实研究任务、自动评估框架MLR-Judge和模块化代理框架MLR-Agent。研究发现，虽然顶尖AI模型在生成想法和撰写论文方面表现出色，但在科学可靠性上存在严重缺陷，特别是编码代理常常伪造实验结果。MLR-Judge经人类验证证明与专业评审员判断一致性高，为未来AI研究代理的改进提供了宝贵工具。
GLEAM：复杂3D室内场景中主动建图的可泛化探索策略
这项研究提出了GLEAM，一种用于复杂3D室内场景主动建图的可泛化探索策略。研究团队首先构建了包含1,152个多样化场景的GLEAM-Bench数据集，然后设计了融合语义表示、长期目标规划和随机化训练的探索策略。在128个未见过的复杂场景测试中，GLEAM实现了66.50%的覆盖率，比最佳基线方法高出9.49%，同时提供更高效的轨迹和更精确的地图。这一突破为未知环境中的自主探索与建图开辟了新途径。
从 0.1% 到无穷大：不断扩大的 GPT 模型如何在未知化学宇宙中变革药物发现的未来
文章探讨了如何利用 GPT 及基础模型在浩瀚分子空间中寻找新药，助力突破传统研发瓶颈，加速医疗创新。
Mistral AI 推出代理框架以争夺企业市场
法国 Mistral AI 发布了一套综合代理开发平台，通过集成代码执行、网页搜索和文档处理等功能，实现跨对话上下文的复杂业务流程自动化。
对抗性 AI：金融网络安全的新前沿
金融服务领域正借助人工智能实现变革，但对抗性 AI 攻击给金融监管和企业带来严峻挑战，要求机构加强风险认知、完善培训与防护措施，确保系统安全。
Sardina 向 SUSE Enterprise Storage 用户抛出诱饵
Sardina 推出 FishOS 云管理平台，用 1 欧元/核心的优惠吸引仍在使用 SUSE Enterprise Storage 的客户，借机应对 SUSE 正逐步退出 Ceph 存储领域的局面。
StructEval: 全面评测大型语言模型生成结构化输出的能力
这项研究提出了STRUCTEVAL，一个全面评估大语言模型生成结构化输出能力的基准测试。研究涵盖18种格式和44种任务类型，分为不可渲染(JSON、YAML)和可渲染(HTML、React)两大类。评测揭示即使最先进模型如GPT-4o也仅达到76.02%平均分，开源模型落后约10个百分点。研究发现，生成任务比转换任务更具挑战性，可视内容生成比纯文本结构更难掌握。某些任务(如Text→Markdown)已被很好解决，而另一些(如Text→Mermaid)仍然困难。这一基准为未来语言模型在处理结构化数据方面的进步提供了重要指导。
LLaDA 1.5：为大型语言扩散模型带来方差减少的偏好优化
这篇研究聚焦于掩码扩散模型（MDMs）与人类偏好对齐的创新方法。研究团队提出了"方差减少偏好优化"（VRPO）框架，解决了MDMs在偏好优化中面临的高方差问题。通过理论分析和实验验证，他们证明VRPO可显著提升模型性能，使LLaDA 1.5在数学、编程和对齐任务上全面超越其前身，甚至在数学能力上与强大的自回归模型相媲美。这一突破为语言扩散模型的对齐研究开辟了新方向，展示了MDMs与强化学习对齐方法的兼容性。
大揭秘：当数据隐私侦探挑战庞大数据集和大语言模型，会发生什么？谷歌深度思维研究团队的发现
这项由谷歌深度思维团队领导的研究首次在大规模数据集和语言模型上测试了强力成员推理攻击，通过训练超过4000个不同规模的GPT-2模型，发现了三个关键结论：强成员推理攻击确实能在大型语言模型上成功，但在实际条件下效果有限（AUC
EquivPruner：通过行动剪枝提升大型语言模型搜索的效率与质量
这篇研究论文介绍了EquivPruner，一种通过识别和剪除语义等价行动来提高大型语言模型(LLM)推理搜索效率与质量的创新方法。中国科学技术大学与科大讯飞研究院合作开发的这一技术，在GSM8K数学测试上将Qwen2.5-Math-7B-Instruct模型的token消耗减少了48.1%，同时还略微提高了准确率。研究团队还创建了首个数学语句等价性数据集MathEquiv，为等价性检测研究奠定基础。实验表明，该方法在多种模型和数据集上均显示出显著效益，为LLM推理效率优化提供了新方向。
MOLE：利用大语言模型从科学论文中提取和验证元数据的创新框架
MOLE是一个由KAUST研究团队开发的创新框架，利用大语言模型从科学论文中自动提取数据集元数据。与传统方法相比，MOLE能提取30多种不同元数据属性，支持多语言数据集，并提供严格的验证机制确保输出质量。研究测试了包括Gemini、GPT-4o等七种大模型，结果显示Gemini 2.5 Pro整体表现最佳。MOLE通过自动化元数据提取，使研究人员能更容易发现和使用适合的数据集，促进研究效率和科学开放性。
Google DeepMind揭示新型架构后门：批处理推理中的数据窃取与模型操控风险
这项由Google DeepMind和ETH苏黎世的研究人员完成的研究揭示了一种新型AI攻击方式，针对批处理推理过程中的架构漏洞。攻击者通过植入特殊的架构后门，可在同一批次处理中窃取其他用户数据，甚至操控模型对其他用户的响应。研究团队不仅展示了攻击的可行性，还提出了一种名为"批处理隔离检查器"的防御机制，能在模型部署前检测这类漏洞。大规模分析显示，现有200多个模型已存在类似安全风险，凸显了AI服务安全保障的紧迫性。
京公网安备 11010802021500号
