所有文章 · SURL AI News

PertMind 以細胞擾動終點訓練 4B 模型，把一億份單細胞資料轉成強化學習獎勵

PertMind 從 Qwen3-4B 出發，以基因反應、路徑方向及輸出格式組成可計算獎勵，不必人工撰寫大量生物推理軌跡。模型可零樣本轉移至逆向擾動辨識及雙擾動任務，但自然語言機制解釋仍不能視為因果證明。

新評測不再為每題提供獨立額度，而是要求模型在六道題之間分配 token 或工具操作。六款模型即使已能單獨解題，放入共享預算後仍普遍無法把算力投向最有回報的題目。

Prior Labs 開源統一資料切分、調參與評分流程，重新比較圖模型、關聯 Transformer 與資料表方法。TabPFN-Rel 顯示先聚合關聯資料再交給表格基礎模型仍具競爭力，但 CPU 特徵合成成本未完整計入排行榜時間。

新評測把工具呼叫拆成狀態擷取與任務執行，發現上下文壓縮可在成功率下降前大幅增加代理的重查成本。GPT-5.5 在五倍壓縮下完成率由 80% 變為 85%，但平均擷取呼叫由 21.0 次升至 63.9 次。

DriveCache 利用生成前已知的車輛平移與旋轉，為不同駕駛場景安排擴散模型的特徵重用。Wan2.2 A14B 在接近相同加速幅度下，PSNR 較 SeaCache 高 1.276 dB，但程式碼尚未公開。

新研究以加性 log-odds 模型量度改寫、錯字、動物名稱及 JSON 欄位的微弱偏向，再把同方向線索組合成提示。部分最佳化提示可跨模型轉移，但目前實驗集中於人工設計的二元選擇題。

UCL 研究把代理、檔案、訊息及讀寫事件建成時間網路，分析 1,902 次受控程式任務。結果顯示協作拓撲主要由任務結構決定，僅在提示中指定協調者並未形成實際樞紐。

新研究顯示，即使待驗內容完全相同，留在上下文中的舊稽核與修復經歷仍會令多款開放模型較少報錯。訊號偵測分析未發現辨別力同步提升，表示代理管線改變了驗證門檻，而不只是令模型判斷得更準。

Quipu 將資料、信任標籤、規則與裁決一併納入雙時間軸，並在代理寫入提交前檢查候選狀態。作者的植入缺陷測試由未設閘門時的 6 項全數殘留降至零，但證據仍主要來自系統作者設計的單次確定性評測。

CompoSkill 把技能安全從單一套件判定改寫成跨技能資料流與副作用的路徑問題。其 1,140 筆測試中，白箱及黑箱攻擊形成風險鏈的最高比例分別達 83.3% 與 80.6%，但這不等同真實入侵成功率。

ClawGym II 不改動代理框架內部，而是在模型服務邊界攔截呼叫，再以 prefix tree 還原多輪軌跡。Qwen3-30A3B 經訓練後，在 OpenClaw 與 Claude Code 執行 ClawGym-Bench 的 Pass@1 分別增加 9.98 與 14.81 個百分點。

史丹福團隊模擬逾一萬個語言模型代理社群，發現多輪通訊會令弱意見逐步形成共識或極化。研究以擴充 Ising 模型預測未見通訊圖上的個體軌跡，但政治題亦出現向右偏移，顯示協作不必然消除模型偏誤。