2026-11-13
打分更高，答得更差：当AI医生学会了用废话掩盖关键遗漏
论文揭示基于评分表的强化学习存在"打分越高答得越差"的漏洞：加权求和让廉价检查项替代关键决策。作者提出ProRubric，将检查项分组为必须同时满足的方案维度并加失败条款，在不改动评分内容的前提下显著提升医疗问答等任务的...
2026-11-13
DeltaTTG：教AI agent"看懂"自己离成功还有多远
本文介绍DeltaTTG方法，它训练一个基于Token-to-Go指标的进度表模型，为多轮AI agent强化学习提供细粒度步骤反馈，在ALFWorld等多个基准上超越GRPO等强化学习基线，且训练成本接近GRPO，支持...
2026-11-13
ClawLoop：让智能体自己给自己出题，一个不需要老师的自我进化闭环
ClawLoop让智能体自己出题、自己判分、自己诊断弱点，全程不用外部教师模型，在三个基准上都超过了依赖强教师的方法。
2026-11-13
AI能把乐高积木拼成一个会动的世界吗？答案可能让你意外
本文介绍ExeWorldBench基准，用于评测AI能否将物理世界理解转化为可执行3D代码。研究发现代码可执行率提升远超实际结构、运动和因果正确性的提升，多阶段系统随阶段增多表现急剧衰退，揭示当前AI世界构建能力的深层局...
2026-11-13
GeoFix：当视频生成模型学会"修正几何错觉"的那一刻
GeoFix提出FOCAL几何奖励，通过跨视角深度一致性并校准相机视野重叠偏差，用单一奖励同时提升视频扩散模型的几何一致性与视觉质量，适用于训练与推理对齐，支持4D场景生成。
2026-11-13
AI给自己当老师：扩散模型的自我参照训练法
本文介绍SALD，一种扩散模型自我参照训练框架。模型通过对比同一样本在高低噪声下的误差差异，动态调整样本、时序与频率三个维度的训练权重，无需外部老师网络，在多架构多数据集上显著提升生成质量与收敛速度。
2026-11-13
Muse现在可以代打电话给美国企业——但需付费
Meta旗下AI助手Muse现已向付费用户开放代拨美国商家电话功能，可处理预约、咨询等任务。订阅计划起价每月20美元，含每周5亿token额度。Muse目前用户已超1000万。
2026-11-13
联邦航空局将AI交通管理系统推广至全美空域
美国联邦航空管理局（FAA）宣布将耗资8.75亿美元的AI系统SMART推广至全美22个空管中心，该系统已在华盛顿特区上空帮助重新规划180个航班，平均每班节省10分钟飞行时间和约80加仑燃油，但代表逾1.5万名管制员的...
2026-11-13
给AI评分的AI，自己也要先学会用证据说话
AI评分模型容易被“自夸式回答”欺骗，论文提出ReVeR：从任务本身推理评分标准，裁判配备Python工具验证硬性约束，用4B小模型实现超越8B对比系统的偏好准确率与下游策略效果。
2026-11-13
大模型强化学习的优化器，为什么一直在"将就"？
论文发现大模型强化学习训练中梯度能量会动态集中到少数方向，据此提出Ares优化器，自动追踪谱结构调整更新秩，在多规模模型和多个强化学习算法上均超越AdamW等主流优化器。
2026-11-13
一天跑完十年软件更新，AI智能体用上了专门为自己设计的界面
研究发现软件版本迭代中积累的可发现性、颗粒度、可观测性三大特性影响AI智能体操作效果。基于此提出ANIS框架，自动合成AI专用界面，在八款软件上成功率提升至74.5%，token消耗降低约75%。
2026-11-12
胸片里藏着的数字陷阱：当AI学会了看X光片，却被自己的"测量工具"骗了
一篇关于胸片AI诊断的论文发现，模型调用外部工具获取测量数据时常被不适用的错误数值误导。研究者提出X-Ragent框架，让AI学会按需求助、过滤无效测量，在三个基准上均取得领先，尤其在未见过的数据集上提升8.6个百分点。
2026-11-12
给图片P个图层，让AI只改你圈的那一块：一篇关于“软蒙版”扩散编辑的论文解读
本文解读香港科技大学团队提出的SoftPaint方法，它用软蒙版实现AI图像视频编辑的像素级强度控制，解决了二元蒙版"非全保留即全重画"的局限，训练免费且显存友好，在图像视频多个基准上优于现有方法。
2026-11-12
当机器学会说"我不知道"：三个声音打架时，该补问一句还是直接闭嘴
研究者构建了一个三通道信号冲突的受控实验平台，让AI系统学会判断何时该多问一句、何时该直接弃权，发现策略好坏高度依赖具体成本设定、预算和编码器选择，没有放之四海而皆准的最优方案。
2026-11-12
一个会"听导演话"的AI配音演员：Fish Audio Drama 3是怎么做出来的
Fish Audio Drama 3是一款开源语音生成模型，用混合注意力架构和新型解码器让AI配音具备听懂导演反馈、多轮修改、多角色对话和局部编辑能力，仅用单一人类偏好奖励模型训练，推理速度大幅超越前代。
2026-11-12
概率很高，但不算有效：当AI假扮成调查问卷的回答者
本文揭示了AI决策模型模拟心理问卷填写者的局限:最佳语言模型表现仅与简单统计模型持平，概率向量虽贴近人群平均却难以预测单人答案，新版本模型未必优于旧版本。
2026-11-12
冰箱里的大象：一个视频理解模型都不知道该怎么解决的内存难题
一种训练无需微调的视频打包方法，通过给不同帧分配不同分辨率，实现任意长视频的常数级内存压缩，在多个长视频理解基准上超越现有压缩方法甚至大型闭源模型。
2026-11-12
英特尔Day 0适配MiniMax H3-Image
英特尔现已为最新发布的MiniMax H3-Image提供Day 0适配和支持。针对超高分辨率图像生成带来的新要求，通过英特尔锐炫 Pro B70多卡协同、并行计算与软件优化，充分调动多卡GPU的潜力，让MiniMax ...