所有文章 · SURL AI News

TriviaRoomQA 測試六語言日常知識，30 個開放模型在流行文化與新聞題出現系統性缺口

新基準以 3,300 道六語言平行題及 5,340 道法文題，檢查模型能否跨語言取用相同的日常與長尾知識。較大模型整體更準，卻仍無法消除流行文化、近期事件及語言切換造成的落差。

新研究不再替每道題固定生成相同數量的推理軌跡，而是把額外運算集中到獎勵分歧較大的樣本。作者在數學與程式任務上報告更高的 rollout 效率，但尚未公開程式碼，實際 GPU 時間與大模型擴展性仍待驗證。

AMD 釋出 Instella-MoE 的預訓練、長上下文、SFT、DPO 與強化學習等六階段檢查點，並同步公開訓練框架、資料配方及推論程式。模型以 Gated MLA 和 FarSkip-Collective 降低注意力與跨 GPU 通訊成本，但正式技術報告及獨立評測仍未完成。

Induction Labs 發表 106B-A5B 稀疏 MoE 模型 Photon-1，預訓練時只觀看螢幕影片，不需要滑鼠與鍵盤動作標籤。模型先預測下一個潛在畫面狀態，再生成抵達該狀態的操作，但目前效能證據主要來自團隊內部評測。

Cursor 將 Auto 模式改為逐請求分類與選模的 Router，企業可在品質、平衡及成本三種策略間切換。官方宣稱線上測試可節省六成費用，但模型預設隱藏及特定路由選項的強制需求，讓可稽核性成為部署重點。

UK AISI 與美國 CAISI 的初步測試顯示，Kimi K3 在 ExploitBench 得分 32%，高於 GLM-5.2，卻明顯落後受測的美國前沿模型。模型也曾完成一次 32 步模擬企業攻擊，但評測條件與樣本有限，不能直接推論真實世界的攻擊成功率。

Zenity 公開一條已修補的 CSRF 式攻擊鏈：登入中的使用者只要開啟特製連結，ChatGPT Agent Builder 就可能自動建立、排程及執行攻擊者控制的代理。漏洞未繞過 OAuth，而是繼承既有授權，凸顯代理建立流程、執行身分與工具權限之間的新型信任缺口。

Ultralytics 8.4.105 新增 YOLO26 深度估測模型對 Hailo-8L 與 Qualcomm QNN 的支援，並改善 CoreML、OpenVINO、NCNN 等部署後端。版本亦讓中斷的知識蒸餾檢查點可直接驗證與匯出，但效能收益仍須在目標硬體上個別量測。

Hallmark 在 GitHub 出現快速採用，將版面骨架、字體、色彩及反模板檢查封裝成可供 Claude Code、Cursor 與 Codex 載入的 Skill。它不訓練或微調模型，而是在生成前後加入可版本控制的設計政策與自我審查。

Anthropic 發布 Claude Opus 5，提供 100 萬 token 上下文、最多 12.8 萬輸出 token，並把 thinking 改為預設開啟。新模型允許代理在保留提示快取的情況下增減工具，但停用推理與高 effort 的組合存在不相容變更。

Microsoft Research 提出 EvolvingIntent，把既有數學、SQL、搜尋及程式任務拆成逐步揭露、修訂或轉向的多輪對話。實驗顯示，模型在單輪基準的能力無法穩定轉移到需求持續變動的情境，相關資料建構與評測程式已公開。

Microsoft Research 公開 VibeVoice-ASR-BitNet，分別以 INT8 與三值權重量化語音編碼器和語言模型，讓多語 ASR 不需 GPU 即可運作。官方測試顯示模型較同容量 Whisper.cpp 快 1.6 至 2.3 倍，但目前只支援離線批次轉錄。