所有文章 · SURL AI News

HIVE 發現語音轉錄比鍵盤錯字更傷 LLM 推理，增加思考預算也未能補回

新研究以語音轉錄與 QWERTY 鍵盤擾動測試指令模型，發現語音造成的結構改寫會一致降低作答表現。提高推理預算幾乎可修復鍵盤通道，卻無法同樣挽救口語輸入。

GDPevo 將企業流程拆成原子規則，再於保留測試題重新組合，以判斷代理能否從先前任務累積可轉移策略。公開結果顯示自主演化確有增益，但距離取得完整規則的 91.6% 上限仍遠。

新研究先快取教師模型的少量 logits，再以分塊融合 KL kernel 避免建立完整詞彙張量。單張 GPU 可把蒸餾上下文由 8K 擴至 32K，但速度與品質結論仍來自有限模型及硬體設定。

新評測先封存模型構想，再以賽季技術與職業賽牌組作為延遲出現的答案，降低回溯基準的資料污染疑慮。結果顯示模型不缺看似合理的點子，瓶頸反而是篩選、組合及辨識真正有用的新意。

開源工具 FACTWASH 比較來源與待寫入內容，阻止「有人聲稱」在摘要後變成確定事實。它以零依賴規則處理可枚舉線索，再把較開放的避險語與歸屬判斷交給受限模型元件。

TurnSight 不再把最終成敗平均分配給整條工具軌跡，而是利用後續工具回傳重新評估各回合的決策。作者已公開 4B、8B 檢查點、資料與訓練程式，但額外教師分支會提高訓練成本。

ParVL 不增加多套完整參數，而是重複使用同一組 ViT 與 LLM 權重，再以分支專屬 KV prefix 區分運算路徑。研究顯示，不同任務需要不同的視覺與語言分支比例，固定配置可能浪費推論算力。

LiveEvalBench 以建置、程式碼及瀏覽器操作三類代理蒐集證據，再依每個作品實際功能產生檢查項目。框架與資料已公開，但評分仍依賴 LLM 裁判，成本、可重現性及裁判偏差需要進一步量化。

MAFIA 先探測記憶檢索器的偏好，再以簡短事實包裝惡意指令，使污染紀錄更容易被代理取回。研究自報可把稽核偵測率壓至最多 7.4%，但公開儲存庫目前仍只有預告頁面。

MissClick 不把 GUI 座標視為一般文字，而是利用百位數 token 的微小變動造成大幅點擊位移。研究在 OS-Atlas 與 UGround 上顯著提高攻擊成功率，顯示電腦操作代理不能只靠元素定位準確率評估安全性。

ReflectRL 不再丟棄強模型答錯的推理軌跡，而是要求學生模型找出局部錯誤，再逐步撤除這項提示。研究在九項基準上報告穩定提升，但成果主要來自數學推理設定，專案所列 GitHub 連結目前亦無法存取。

GitHub 已停止 Spark 接受新使用者與建立新應用，既有使用者只能在 8 月 31 日前匯出程式碼。已部署的網站可繼續運作，但依賴 GitHub Models 的 llm() 呼叫已失效，開發者必須接入外部模型並接手金鑰與帳務管理。