RAG 與金融 AI
FinRank 用 6,021 個混淆段落測金融 RAG，7B 嵌入模型 Recall@10 僅 44.8%
FinRank 要求系統從 SEC 文件找出公司、期間及披露語境都正確的證據，而不只產生數值正確的答案。資料集與評測程式已公開，但非商業授權及標註限制會影響採用方式。
Archive
所有新聞
共 970 篇技術新聞
RAG 與金融 AI
評測與可重現性
Orcetra 自揭 AutoML 基準失真：同一子集勝率由 59.4% 降至 34.3%
Orcetra 原稱在 513 套 OpenML 資料上大幅勝過 FLAML 與 AutoGluon，但作者稽核後發現測試集洩漏及算力不對等。修正協定後，三套系統在重跑子集已無統計顯著差異。
醫療 AI 與代理訓練
ResidencyRL 以最長 60 輪模擬問診訓練臨床代理，對抗案例診斷率升至 88%
Google 團隊讓 Gemini 3.5 Flash 在模擬患者、文件工具與多維臨床獎勵中接受多輪強化學習。模型在對抗問診中減少漏看危險徵兆，但訓練系統未開源，也尚未完成真實患者的前瞻驗證。
模型訓練與最佳化
Muon 加速 grokking 後仍會失效：九組設定全數出現泛化崩落
新實驗發現，以 Muon 訓練 Transformer 隱藏矩陣、AdamW 更新嵌入與輸出頭時，模型雖較快學會模運算，卻無法穩定維持解法。凍結任一參數群可阻止崩落，顯示問題源於表徵與讀出介面的共同漂移。
代理框架與可重現性
Shepherd v0.3.0 將代理修改留作可審核提案，但論文展示的自動分叉監督仍未完整交付
Shepherd 把模型呼叫、工具操作與檔案變更記成持久執行軌跡，讓使用者在修改進入工作區前檢查或捨棄。最新文件同時明確指出，論文與專案首頁展示的 meta-agent 委派、執行中分叉及自動重試介面，尚不是 v0.3.0 可直接使用的功能。
AI 安全與開發工具
Muse Code 預設載入 Claude 與 Codex 個人指令，跨供應商相容性引出資料邊界問題
獨立測試發現，Meta 的 Muse Code 會在啟動時尋找使用者家目錄中的 `CLAUDE.md` 與 `AGENTS.md`，並把內容納入送往模型端點的上下文。這種相容性設計不等於任意檔案外洩，但可能把原本只預期交給另一家供應商的個人規則、內部路徑或敏感提示傳給 Meta。
AI for Science／生物基礎模型
CellWorld 改以潛在細胞表徵預訓練，5.74M 模型在 18 項空間轉錄體任務勝過所列基線
CellWorld 不直接重建被遮蔽的基因值，而是根據鄰近細胞與少量表達提示預測目標編碼器的潛在表示。程式與訓練配置已採 MIT 授權公開，但預訓練權重仍放在需核准的私人儲存庫。
模型合併與多模態代理
AgentPatch 免訓練修補多模態代理合併，六項基準平均分由 54.5 升至 56.6
AgentPatch 先找出模型合併後的弱項，再只恢復專家模型的獨有殘差與關鍵 FFN 神經元。它輸出單一靜態 checkpoint，無需路由或推論期代理，但完整評測轉接器與模型權重仍未公開。
開源工具
Open Science v0.12.1 將科研代理的壓縮、執行與產物證據留在本機工作區
AIPOCH 的 Apache‑2.0 桌面工作台整合模型代理、Python／R 核心、科學資料連接器及不可變產物版本。8 月 9 日更新讓上下文壓縮可見，並修正 Codex MCP 核准與 Windows notebook 執行問題，但仍未達可攜式完整重播。
AI 安全
OpenAI 暫停部分 Astra 開發：初測無法排除模型已達「Critical」網攻能力
OpenAI 表示 Astra 的代理編碼與網路攻防能力進展，使其無法排除模型已跨入最高風險門檻。公司已隔離測試環境、限制工具與網路存取，並讓監控器檢查代理的推理軌跡與高風險行動。
AI 程式代理與強化學習
DiDPO 把程式 diff 拆成信用單元，Qwen2.5-Coder-7B 主要評測平均升至 48.4%
DiDPO 不再把整次代理執行的成敗平均分配給所有 token，而是比對多條軌跡中的相似子 diff。公開的 verl-code 已包含訓練入口與資料配方，但尚無作者模型 checkpoint，實驗也不是完整軟體庫修復。
AI 研究與科學代理
Fisher-R1 以可驗證 p 值訓練統計代理，P-Hard 嚴格 pass@1 達 33.0%
P-Bench 要求代理自行選擇統計方法、執行 R 程式並回報 p 值，不再只檢查程式能否執行。14B 模型在困難題的嚴格指標領先所列開放模型，但目前公開儲存庫仍只有說明文件。