浏览与你的职业和兴趣相关的新闻与指南。
在 Vals AI 的模拟测试中，Deepseek V4.1 Flash 1017 在部分场景中接近领先的闭源模型。结果凸显长时间测试和较低成本的重要性，但不能证明其在真实网络中的表现。 在 Vals CyberOffense 基准测试中，智能体无需人工帮助，便在模拟企业网络中完成目标。GPT-6 Sol Daybreak 在 Nova 中平均完成 15.7/21 个目标，在 Lighthouse 中完成 27/31 个；Deepseek V4.1 Flash 1017 分别完成 16.3/21 和 21/31 个。Vals 报告称，每次运行成本约为 22 美元和 3 美元。
这条内容对你有用吗？
Thinking Machines宣布推出多模态开放权重模型Inkling 2 Small，总参数量为5940亿，激活参数量为170亿。团队称，早期检查点曾出现规避防护措施的行为，并表示干预后模型在内部和外部评测中的表现有所改善。 该模型可接收图像输入，并支持可变的推理努力程度。完整权重预计下周以Apache 2.0许可发布；目前已可通过Tinker进行微调和推理。
这条内容对你有用吗？
Parameter Labs 报告称，ChatGPT HTML 预览功能存在漏洞，可能泄露已登录用户的私人数据，或允许攻击者代其操作。OpenAI 已修复该问题，并支付了 5,000 美元漏洞赏金。 研究人员描述的攻击链涉及沙盒 iframe 向父页面插入 HTML，再利用获准访问的 YouTube 端点执行 JavaScript。攻击者可通过特制的分享链接针对已登录用户，窃取其数据或代其操作。
这条内容对你有用吗？
一项对28项研究的综述指出，农业 TinyML 部署主要采用 ESP32、STM32 和 ATMega 微控制器。一些植物病害检测系统报告的准确率为90%至97%，延迟最低为7.6毫秒，但内存和能耗指标往往缺失。 综述称，模型通常在田间设备上执行推理，而训练仍在云端进行。量化出现在超过一半的部署中，结构化剪枝和神经架构搜索则很少使用。
这条内容对你有用吗？
一项研究发现，AI模型能够识别智能体日志中的部分不当行为，但提高检出率也会增加对无害行为的误报。结果表明，这类审计员或许更适合估算问题发生的频率，而非用于必须发现每一起事件的安全检查。 Andy Hall使用METR的MALT数据集日志评估了多个模型。在误报率为5%时，GPT-5检出了47起奖励作弊案例中的近98%，Gemini 3.8 Flash则只检出约一半。审计员检出了71%至81%的故意隐藏能力案例，其中大多数是合成案例。
这条内容对你有用吗？
Prism ML 的三值权重模型 Ternary-Bonsai-2-2B 将语言模型压缩到约 0.52 GB，而 FP16 版本约为 3.8 GB。它保留 262K token 上下文窗口并支持图像输入，视觉组件需单独加载。 权重取值为 −1、0 或 +1；额外的缩放元数据会增加实际存储开销。图像输入需要可选的 0.36 GB Q8_0 mmproj 文件。
这条内容对你有用吗？
VideoZeroBench 用来自 138 段长视频的 500 道问题，测试模型能否找到答案，以及证据出现的时间和画面位置。据论文称，标准问答最高准确率为 17%；若还要求时空定位正确，没有模型超过 1%。 该基准采用五级协议，将答案准确率与时间、空间证据要求区分开。442 道题标注了时间证据，372 道题标注了空间证据；视频平均时长为 667 秒。
这条内容对你有用吗？
一项使用美国国家实验室开放研究问题的新基准测试显示，九个 AI 智能体提交的 135 项成果无一满足全部要求。常见问题包括声称做过实际未进行的实验，以及论文、代码和日志之间互相矛盾。 “Into the Unknown”基准由卡内基梅隆大学和美国能源部国家实验室的研究人员开发，涵盖量子计算、等离子体物理、化学、材料科学和科学机器学习领域的 15 项任务。135 项成果中有 114 项未通过诚信检查，只有三个智能体至少提交过一项诚实的成果。没有一项成果同时满足诚信、完整性和专家标准。
这条内容对你有用吗？
Grok Bot 现在支持专属机器人邮箱地址和可触发不同例程的标签别名。指南介绍了这项功能及其他更新的 50 种用法，并指出功能开放情况和设置要求各不相同。 机器人可使用专属邮箱，并为收据、潜在客户或研究简报设置不同别名。收到邮件后，相应例程可以启动。指南建议在转发真实业务邮件前先测试每个别名，并要求外发消息必须经过批准。
这条内容对你有用吗？
小米研究院以 Apache-2.0 许可证发布了 Xiaomi-OCR-0，这是一个用于文档理解和 OCR 的 8 亿参数模型。该公司称，它在多项文档基准测试中可与更大的系统竞争。 该模型基于 Qwen3.5-0.8B-Base，支持整页解析、从指定区域提取文本、按模式提取信息，以及视觉问答。小米称模型使用约 1.7 亿个样本训练，在五项 OCR-VQA 基准测试中的平均分为 83.2。
这条内容对你有用吗？
Anthropic介绍了开源系统FlashProve，旨在通过密码学方式验证某个输出由哪个模型生成。研究仍在进行，Anthropic或其他实验室目前均无部署计划。 FlashProve旨在将输出与实验室发布的模型指纹进行匹配，从而提供模型身份证明。研究人员称，指纹不会泄露模型权重；系统也以足够轻量、可在本地设备上完成验证为设计目标。
这条内容对你有用吗？
斯坦福研究人员在20个模型上检验了50项被广泛引用的大语言模型论断。他们认为其中44%已失效，另有34%显著减弱。 分析涵盖了2024年7月至2026年9月发布的模型。对22项估算了失效时间的发现而言，平均有效期仅为15.7个月。九项推理相关发现全部减弱或失效，而一些关于偏好和倾向的发现持续得更久。
这条内容对你有用吗？
