全部动态

用 LLM 给医学在线课程作业打分，再用真人评分校验，研究流程写得挺细，做教育或医学内容评估的可以参考。

npj Digital Medicine@Amir Bahmani原文

Chollet 论证科学本身就是一个递归自改进系统，还给出了算力、R&D 支出、预期寿命的具体增速数据，想理解 AI RSI 先看这篇。

官方账号François Chollet@fchollet原文

arXiv 上这篇论文做安全强化学习，29 自由度人形机器人跑到 99.95% 安全率还保留 97% 回报，真机 Unitree G1 也验证了，做机器人方向可以看看。

CSF让运动生成器能理解场景安全规则，在保持90%正常动作的同时，几乎杜绝了危险动作。

MIT团队推出SGS方法，让百万级并行环境训练更高效，解决了四足机器人和精密装配难题。

MIT提出reViT，用单Transformer块实现多深度视觉编码，参数减少70%精度不降。

OpenAI团队提出新量化方法，让4-bit AdamW优化器性能接近32-bit，大模型训练存储成本大幅降低。

VioLA用人类数据训练人形机器人，零样本就能完成 locomotion 和操作任务，成功率远超现有模型

FreeMatching突破了传统时空先验限制，在图像编辑和生成任务中实现了更好的对应匹配。

这篇论文提出了一个能同时优化任务性能和安全性的贝尔曼算子，解决了安全强化学习中的权衡问题。

WOVEN解决了多模态大模型在空间、物理和时间推理上的缺陷，训练数据可替代30-50%任务数据，效果显著。

ScaleCast框架让全球天气预报模型能指导高分辨率区域预测，支持多种全球驱动器，无需重新训练。

这篇论文发现源训练动力学能提前预警未来OOD失效，对模型鲁棒性研究有实用价值。

Marformer直接预测条件边际分布，无需建模完整联合分布，在缺失数据处理任务上表现优异且速度快。

三家公司真实翻车案例都拆给你看了，还给出 PASAC 框架教你怎么在智能体运行中持续验证边界，做安全评估的必看。

METR那个时间跨度指标被重新算了一遍：2到30分钟区间难度曲线几乎是平的，同样是10倍跨度，难度差别很大，附诊断图。

有人做了个让 AI 拼乐高的评测基准，智能体得选零件还得保证能真的拼出来，结果还是拼不过人类，挺有意思。

一篇挺有意思的论文，教深度学习处理屈曲、相分离这类一对多解的分岔问题，单次推理就能出多个解分支，物理仿真方向的朋友可以看看。

想用 LLM 智能体做黑盒优化的可以看看，五个领域统一评测，还拆了哪些设计选择真有用、哪些是伪收益。

用模型内部激活训练探针抓欺骗，SHADE-Arena 上 AUC 98.8%，比直接读文本监控的 Opus 5.5 还准，数据集也开源了。

把一份文档直接编译成 LoRA 权重，284B 的 DeepSeek v4 Flash 也能用，top-1 准确率从 63.4% 拉到 84.9%

一篇把流行病学的种群动态思路搬到智能体安全上的论文，核心发现很反直觉：协作让智能体多了个数量阈值，越过就失控。

拿 Minecraft 重建曼哈顿、白金汉宫这些真实地点来考模型找路，GPT-6 Astra 考了 85.6 分，开源的 DeepSeek-V4.1-Flash 才 23.9，差距很直观。

MIT团队推出RoboRSI系统，让机器人能自我学习并复用技能，在家务任务中表现优异。

四种主流模型定价行为对比，发现Gemini市场合谋性最强，GPT无法促成市场收敛。

MAMHOI解决了人机交互数据稀缺问题，通过功能分解实现更真实的三维场景交互生成。