Archive

所有新聞

共 972 篇技術新聞

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。

Ling-3.0-flash INT4 單機實測達 38.7 token/s，錯用主線 vLLM 可能無聲產生錯誤輸出

社群部署配方在單台 DGX Spark 上啟用 CUDA Graph 與一層 MTP 推測解碼，把 Ling-3.0-flash INT4 的生成速度由 20.8 提至 38.7 token/s。更關鍵的發現是主線 vLLM 尚未支援 V3 架構，強行套用舊注意力路徑不一定報錯，卻可能輸出看似流暢的錯誤內容。

多模態模型

MiniMax 開放 H3 基礎權重：33B 單流模型同步生成最長 15 秒立體聲影片

MiniMax H3 將文字、圖片、影片與音訊封裝成單一序列，聯合預測視覺及音訊 latent，輸出最高 768p、24 FPS、32 kHz 立體聲。官方工作流程宣稱可再生至 2K，但提示編排與高解析度模組仍只提供託管 API。

AI 代理與評測

HarnessOpt-Bench 測試模型改寫代理外殼，模型選擇的影響約為編碼工具 1.8 倍

Scale AI 將提示、工具、記憶與控制流程視為可由模型修改的程式，並以隱藏測試集衡量實際增益。111 次實驗顯示，原生編碼代理並未穩定勝過共用外殼，驗證階段看到的最佳分數也普遍偏樂觀。

AI 代理訓練

CalibForge 以強弱代理校準 5,431 項終端任務，35B 模型在 Terminal-Bench 2.0 達 47.57%

CalibForge 不再保留所有能執行的合成題，而是反覆修改任務，直到不同求解代理出現預定的成功與失敗關係。用校準軌跡微調的兩款模型在三項程式代理基準均有增益，但完整訓練需要 64 張 H20，且部分結果只執行一次。

AI 評測與安全

MIST 測出 23 款模型皆受錯誤提示影響，SCOPE 將 Qwen3-4B 答案翻轉率由 35.0% 降至 16.3%

新基準用四種配對情境區分模型是正確判斷證據，還是索性忽略所有外部資訊。SCOPE 只改造 DPO 的偏好資料配置，降低錯誤情境造成的答案翻轉，同時維持正確與無關情境下的準確率。

時間序列與檢索增強

TS-RAG 以參考 token 融合歷史序列，六項預測資料集平均 MSE 降至 0.310

百度研究者把 RAG 從文字生成移植到多變量時間序列，以 TCN 檢索相似片段，再用交叉注意力融合。加入通道依賴的版本在六套資料集優於所列基線，但程式尚未公開，採用的傳統基準也已被維護者警告可能失去鑑別力。

多模態評測

影片模型在高頻多事件區僅答對 0.2%，增加取樣幀仍未找回事件證據

擴充版 Low Frequency Trap 以 2,190 段可程式化影片，把事件數量與頻率分開測量。Gemini 3.6 Flash 的彈球計數準確率隨取樣增加而上升，但時間戳序列 F1 反而只有 3.7%。

多模態評測

視覺模型會放大圖片卻未必採用證據，Qwen3‑VL‑8B 的淨增益僅 6.9 個百分點

新研究以反事實裁切測試六款開放模型，區分「呼叫工具」與「工具回傳內容實際改變答案」。多數正向增益集中在少數校準良好的軌跡，單看最終準確率可能高估視覺工具能力。

代理強化學習

EnvACE 讓代理自行扮演工具環境，Qwen3-8B 在三項基準平均達 32.91%

EnvACE 在訓練時不查詢外部環境，而由同一策略交替產生工具動作與想像中的環境回應。它降低建立可執行訓練環境的依賴，但也把模擬錯誤直接吸收到代理參數中。

DASH 依推理分歧動態分配蒸餾權重，Qwen3-1.7B 數學平均提高 3.2 分

DASH 不再等量處理每個 token 的師生差異，而是根據整段推理中的分歧變化調整監督範圍。三種 Qwen3 規模均優於同條件 OPSD，但最佳 checkpoint 由測試基準平均分挑選，可能高估泛化增益。