所有文章 · SURL AI News

GRSD 對照代理自身成敗軌跡分配獎勵，ALFWorld 未見任務成功率達 83.6%

Group-Reflective Self-Distillation 不再從外部教師擷取固定技能，而是比較同一策略成功與失敗的 rollout，再把差異轉成逐回合訓練訊號。它在三種代理環境取得整體改善，但訓練時間較 GRPO 增加 17%，且仍須呼叫外部模型評分反思文字。

GCC 指導委員會通過 AI 貢獻政策，原則上拒絕包含或衍生自 LLM 輸出的重大程式碼與文字。模型仍可用於除錯、分析與審查，維護者也可接受生成測試，但輸出不可直接進入一般貢獻。

MemHarness 不再原樣回放檢索到的歷史經驗，而是讓同一策略模型依目前狀態先批判、重組，再決定行動。以 GRPO 端到端訓練後，它在 ALFWorld 與 WebShop 分別取得 85.2% 與 75.6% 成功率，但程式與權重尚未公開。

SciDataSailor 以蒙地卡羅樹搜尋合成可執行的檔案探索軌跡，並公開逾 2,300 筆監督資料。Qwen3.5-9B 微調後在受限步數測試中減少試錯，但部分評分仍仰賴 LLM 裁判。

研究以 49 個真實儲存庫的 106 項任務測試拒絕、揭露、驗證及人工交接規則，四款前沿模型預設都很少主動尋找政策。明示規則或加入驗證器能改善揭露與測試，但代理在所有受測條件下都沒有遵守「禁止 AI 貢獻」的要求。

MAI-Cyber-1-Flash 是 137B 參數的稀疏 MoE，但每個 token 只啟用約 5B，負責 MDASH 約九成工作，再把困難案例交給 GPT-5.4。官方宣稱新配置成本降低近半，但模型目前僅在 Azure AI Foundry 私人預覽提供，基準也尚未經外部重現。

InfoOps Bench 從俄羅斯、中國及伊朗的國家支持媒體持續擷取敘事，測試模型會拒絕、查核或協助改寫宣傳內容。17 款模型的完整性分數介於 8.8% 至 94.5%，顯示模型大小不足以預測資訊操作風險。

新一輪同價位本機 AI 測試顯示，M4 Max 憑 546GB/s 統一記憶體頻寬，在三款量化模型的逐 token 解碼領先 GB10 與 Strix Halo。GB10 的 prompt prefill 與整體能效仍佔優，單看 tokens/s 會錯估實際回應時間。

SVR 同時訓練答案、正誤判決與信心，使模型在推論時自行決定保留答案或繼續修正。Qwen3.5-2B 在七項數學基準取得 56.3% 平均準確率，但停止訊號仍可能受模型自身的校準偏差影響。

GitHub 已於 7 月 30 日關閉 Models 的 playground、模型目錄、推論 API 及自帶金鑰功能，既有付費使用者也不例外。依賴其端點的應用必須遷移至 Microsoft Foundry、其他模型閘道或自建供應商抽象層。

黑箱實驗發現，反相、灰階等不需梯度或替代模型的低成本變換，就能使三款商用服務把仍可辨識的有害影像改判為安全。多模態內容與自殘類別尤其脆弱，顯示基礎模型審核 API 不宜被當成單一安全邊界。

MIND 不再逐條呼叫大型模型審核記憶，而是比較原始意圖與後續行為的壓縮表示，再用多超平面分類器攔截中毒內容。四款模型的受控實驗顯示攻擊成功率下降、平均延遲接近無防禦基線，但程式碼尚未公開。