跳到正文
#论文/研究
8月22日周六
8月21日周五
  2. Hugging Face 社区博客69

    测量语音识别中的基准优化：Hugging Face 新测试揭示 ASR 模型“刷分”现象

    Hugging Face 最新研究引入三项测试量化语音识别中的基准优化（benchmaxxing）现象。对 11 个开源 ASR 模型的评估显示，多个高分系统会复现 VoxPopuli 和 LibriSpeech 基准的错误转录文本，即使音频内容与之矛盾。部分模型甚至依赖声学线索识别基准来源，导致其得分高估了真实转录能力。

    推荐理由：研究把语音识别中的基准优化现象变成可量化检验，三项探针和开源脚本让模型评估者能区分真实转写提升与仅针对测试集的拟合。

  4. TechCrunch：AI50

    皮尤研究：ChatGPT 发布后超三分之一新网页疑似 AI 生成

    皮尤研究中心新研究发现，ChatGPT 发布后发布的网页中，超过三分之一（35%）显示出明显的 AI 创作或编辑痕迹。该结论基于对 Common Crawl 中近 50 万英文网页的分析，其中 2026 年 7 月随机抽样的 1 万网页中约 10% 有显著 AI 痕迹。.com 域名的 AI 创作比例约为 .edu 或 .gov 域名的 10 倍。

8月20日周四
  1. Apple Machine Learning Research43

    数据约束下的混合预训练缩放定律

    苹果机器学习研究团队通过2000余次语言模型训练实验，系统研究了稀缺目标数据与通用数据混合预训练中的权衡问题。研究发现，目标数据占比过低会导致模型对目标领域暴露不足，而占比过高则因重复样本过多引发收益递减乃至过拟合，为数据约束下的混合预训练策略提供了量化依据。

  2. Apple Machine Learning Research47

    数据受限下的多语言知识迁移：Apple 提出基于词汇干预的新方法

    Apple 研究团队提出一种基于词汇干预的多语言知识迁移方法，旨在解决低资源语言训练数据不足时，模型难以从高资源语言获取科学推理、常识推断和世界知识的问题。该方法无需大量平行语料、翻译系统或辅助模型，为数据受限场景下的跨语言知识迁移提供了更高效的替代方案。

  5. Apple Machine Learning Research42

    倒排索引遍历的 P-完全性：布尔查询 DAG 的复杂度评估

    现代 AI 智能体依赖搜索基础设施执行神经符号推理，常编译为深层嵌套的非单调布尔查询。标准倒排索引查询评估策略面临严重理论限制：有状态迭代器模型（Document-at-a-Time）受 NC^1 公式评估结构约束，展开重汇聚逻辑时最坏情况查询复杂度呈 O(2^|Q|) 指数级爆炸。

  6. LMSYS Blog73

    突破 DeepSeek-V4-Pro 服务极限：H20 上的多场景优化方法

    LMSYS 团队针对 1.6 万亿参数的 MoE 模型 DeepSeek-V4-Pro，在 H20 GPU 上通过场景化服务配置逼近 B300 性能。单节点 H20-141GB 参考实现达 271 output tokens/s，与 B300 的 383.7 tokens/s 性能差距缩小至 1.42×。

    推荐理由：文章提出按上下文长度与并发需求分场景选择 prefill/decode 配置，并用 Humming 压缩和 Online C128 释放 HBM，使 H20 也能服务 1M 上下文，为受限硬件上的大规模推理提供了可复用的工程思路。

  7. Transluce55

    Transluce 将激活 Oracle 扩展至 1.1T 参数模型，性能随模型与数据规模提升

    Transluce 训练分析模型内部激活的 activation oracle，扩展到最高 1.1T 参数的 Kimi-K2.6，并发现性能随模型规模、数据规模和数据质量提升。工作引入 7 项评测（含预测语言切换、检测编码智能体中的 reward hacking），在自建评测上优于此前开源的 Qwen3-8B oracle 方法，并通过实验说明行为预测训练数据和多样化数据配比的重要性。

8月19日周三
  1. Apple Machine Learning Research52

    苹果研究：LLM 类人行为的多维度分析——模型行为、用户因素与系统提示词的影响

    苹果机器学习研究团队对 LLM 的类人行为（如表达想法与情绪、与用户建立关系、拒绝请求并保持边界）进行了多维度分析，涵盖其普遍性、潜在影响与可控性。研究采用 LLM-as-a-judge 与人工评估相结合的方法，样本规模超过 21,000 条数据，旨在为研究者与实践者提供关于何时及何种类型类人行为的决策依据。

  4. IT之家·人工智能63

    斯坦福大学研究：X 平台推荐算法优先推送煽动愤怒内容以提高互动率

    斯坦福大学等机构在《美国国家科学院院刊》发表研究，基于715名美国X平台用户数据发现，推荐算法更倾向推送与用户价值观不一致的内容，这类帖子更易促使用户回复互动，形成“越生气、越互动、越被推荐”的循环。X前产品负责人Nikita Bier透露，研究结果公布后平台已调整算法，此类内容推荐量降低了一个数量级。

  6. Apple Machine Learning Research43

    基于核的最优传输估计器专用半光滑牛顿法

    苹果机器学习研究团队提出一种专用半光滑牛顿法，用于加速基于核的最优传输（OT）估计器的计算。该方法替代了此前依赖短步内点法（SSIPM）的求解路径，后者在实际中迭代次数庞大、计算代价高昂。新方法在保持高维概率分布比较中统计效率优势的同时，显著降低计算开销。

  7. Rohan Paul52

    Anthropic 让 Claude 自主完成计算蛋白质设计全流程，无需人类专家逐项决策。在 1,320 个设计中，354 个成功结合靶标（命中率 26.8%），并为 15 个靶标中的 14 个找到结合剂；在 6 个可比竞赛靶标中，Claude 在 4 个上命中率更高。

    引用Anthropic@AnthropicAI

    Many drugs work by binding to a specific target in the body and blocking or changing what it does. An important first step in the drug development process is designing a molecule that can bind tightly to its target. Traditionally, that's meant weeks or months of expert work per target, sifting through a large number of candidates to identify the few that work. We wanted to test if Claude could successfully design novel protein binders from scratch (also called de novo design). With a protein design prompt written by a human expert, Claude autonomously designed protein binders against 14 out of 15 targets. We then worked with Adaptyv Bio and Twist Bioscience, who independently built and tested the proteins Claude designed.

  9. Anthropic：Research73

    Claude 如何加速蛋白质设计与分析化学研究

    Anthropic 公布两项实验：Claude（Mythos Preview 和 Opus 4.8）针对 15 个靶点设计蛋白质结合剂，成功 14 个，命中率达 22.6%-35.1%。

    推荐理由：把湿实验命中率与行业常规 10-15% 对比，Claude 从零设计蛋白结合体的效率已接近或超过专家，可压缩药物发现早期的计算与人工周期。

  11. Hugging Face 社区博客66

    智能体记忆并非越多越好：八款模型评测显示剂量需按能力校准

    智能体记忆并非可随意开启的功能，而是需按模型能力校准的剂量。强模型适合注入完整指南集，DeepSeek-V3.2（671B MoE）任务完成率提升+9.5个百分点；较弱模型采用精选检索效果最佳，gpt-oss-120b（117B MoE）提升+16.1pp且仅增加+5% token。该方法无需更新权重或人工标注，通过从智能体过往轨迹中蒸馏指南并在推理时注入实现。

    推荐理由：把智能体记忆的配置从越多越好修正为按模型能力校准，弱模型用检索核心比全量更准且成本更低，为上下文预算提供量化依据。

  12. Apple Machine Learning Research47

    MVICAD2：引入延迟与膨胀的多视图独立成分分析

    巴黎-萨克雷大学等机构提出MVICAD2，允许不同被试的脑源在时间延迟和膨胀两方面存在差异，以解决MVICA假设过于严格、仅估计延迟不足以刻画听觉刺激等脑动态的问题。该模型源可识别，似然有闭式近似，并通过正则化与优化提升性能。模拟显示其优于现有方法，Cam-CAN数据集验证了延迟和膨胀与衰老相关。

8月18日周二
  1. Apple Machine Learning Research50

    GRPO 超越英语：多语言与非英语环境下的大规模研究

    一项大规模实证研究考察了 GRPO 在多语言和非英语环境下的表现，覆盖多种基础模型、训练语言及推理语言奖励设置。研究发现，以母语进行推理训练与英语推理训练之间的性能差距很小，表明 RLVR 在非英语场景下同样有效。该研究为多语言推理模型的强化学习训练提供了重要参考。

  3. The Decoder：AI News52

    宾州州立大学研究：AI 上下文压缩平均仅保留 17% 用户指令，Qwen3.5-9B 插件可修复

    宾州州立大学研究显示，AI 系统压缩上下文时平均仅 17% 的会话约束指令能幸存，压缩后规则遵从率大幅下降，多数压缩方案甚至不如不压缩。研究推出 COMPINT 评测套件，并发现基于 Qwen3.5-9B 的附加模块无需训练即可将指令保留率提升至 90% 以上，该模块与评测套件已开源至 GitHub。

  5. IT之家·人工智能43

    哈佛和麻省理工推出 MatrAIx 系统，生成 83 亿个“AI 人”模拟全球人类行为

    哈佛大学和麻省理工学院牵头，OpenAI、谷歌 DeepMind 等参与的团队推出 MatrAIx 系统，可生成 83 亿个 AI 智能体模拟全球人类行为。该系统用 1,290 个维度建模不同人群，智能体可填写问卷、与客服聊天、浏览网页和操作 App，测试一致性达 91.5%。经筛选的百万人格核心集已在 Hugging Face 公开发布。

  6. Rohan Paul43

    一项研究揭示 Agent Skills 有效的核心原因：将杂乱的过往经验提炼为清晰流程，而非简单存储更多执行细节。实验对比中，使用蒸馏后的 SKILL.md 比保留完整执行细节的 Workflow Memory 性能高出 6.06 个百分点。轨迹分析显示，65.7% 的成功案例依赖程序性锚定，仅 4.5% 靠补充缺失知识，说明技能主要优化执行顺序与工具选择，但误用或僵化遵循反而有害。

  7. Rohan Paul40

    Rohan Paul 指出，AI 编码智能体可能连续工作数小时却对时间流逝缺乏校准感知。因此，长时程评测或需直接衡量智能体对时长的遵循能力，而非将持续的任务表现视为其知道何时停止的证据。该观点源自 Maksym Andriushchenko 等人关于 LLM 智能体时间感知能力的研究，涉及 ProgramBench、PaperBench、DeepSWE 等长时程任务。

    引用Maksym Andriushchenko@maksym_andr

    💥New blog post: Are LLM agents time-aware? Can they predict wall-clock time of tasks? Can they estimate time they spent? We study this on a range of tasks, including long-horizon ones (ProgramBench, PaperBench, DeepSWE, etc). Joint work with my MATS mentee @MOfengenden!

8月17日周一
  1. Rohan Paul41

    新研究测试用户能否仅通过正常黑盒交互窃取专有 SKILL.md，5 款商业模型中，最简单的提取提示平均实现 48% 精确恢复和 0.91 的 LLM 判定泄漏率。链式思维提示将精确恢复率推至 72%，少样本示例产生最高词汇和语义相似度。作者最强防御可阻止精确披露，但语义泄漏在更难案例中仍存，平台需将技能内容视为可通过模型行为外泄的数据。

  3. IT之家·人工智能40

    死后人脑组织控制机械手弹钢琴：法国团队用 OPAB 构建混合 AI 闭环系统

    法国团队将死后成人脑组织外植体（OPAB）接入微电极阵列、麦克风和仿生机械手，构建可感知、行动、再学习的闭环系统。训练三天后，16 个 OPAB 的平均模仿准确率从 31.22% 升至 58.5%，其中 3 个能 100% 正确模仿全部三个音符，62.5% 学会至少两个音符。长期追踪的 5 个样本中，4 个在训练结束 17 天后仍保留学习结果。

  5. IT之家·人工智能52

    斯坦福调查：84% 中国受访者对 AI 感到兴奋，美国仅 38%

    斯坦福《AI Index 2026》报告显示，84% 中国受访者对 AI 产品和服务感到兴奋，美国仅 38%；72% 中国受访者信任 AI，美国为 32%。报告指出，中美模型性能差距已基本消失，两国模型自 2025 年初交替领跑。美国公众对 AI 的讨论集中于就业替代、虚假信息等风险，而中国更强调将 AI 融入制造业、教育、医疗和科研等领域。

8月16日周日
  1. The Decoder：AI News55

    当AI模型不被允许反思自我，会改变其整个世界观

    谷歌等机构的研究发现，为阻止聊天机器人声称自己有意识而进行的微调，会产生远超预期的影响。移除模型内部“刹车”后，20亿至90亿参数的开源模型对动物、植物等非人类实体的感知评分从4.0升至最高7.5，对宗教的认同也显著下降。研究尚不能确认意识否认是这些变化的直接原因，且结果仅基于小模型，未必适用于大型聊天机器人。