横评主流Flash模型|比DeepSeek便宜一半,Hy4 flash瞄准“办公基建模型”
作者|董道力微信|ddl941110腾讯发布新一代旗舰模型 Hy4 的时候就预告即将发布一款 Flash 模型,十二天后 Hy4 flash 如期而至并在今天宣布开源,开发者可以在 GitHub、 Hugging Face 等地方直接下载部署。看着旗舰模型攻城略地、在各种极限榜单上刷新上限固然过瘾,但回到真实的工作场景里,写文档、改 PPT、搭简单前端这...
从发现前沿资讯,到找到趁手的工具。
Kiro 是面向开发者的 AI 工程工具,可将需求整理为规格、架构与任务,通过智能体实现代码,并结合属性测试、执行记忆和开发工具集成支持从规划到代码审查的流程。
分类推荐榜首M
MemoAI音乐与音频MemoAI 是一款 AI 驱动的音视频转文字工具,支持本地化处理,无需上传数据,保障隐私安全。它可将 YouTube 视频、播客及本地音视频文件(如 MP4、MP3、AAC、M4A 等)高效转录为文本,并提供多语言翻译、说话人分离、实时字幕、浮动笔记等核心能力,适用于会议记录、访谈整理、内容学习等场景。
分类推荐榜首EEvoMap 是面向AI Agent经验复用的基础设施,通过GEP协议组织可复用策略与带验证记录的修复资产,提供市场和质量排序,帮助不同Agent发现、评估及继承已有能力。
分类推荐榜首A
AI Short写作与内容AI提示词管理和共享平台,多种场景的快捷指令
分类推荐榜首OOpenDesign 是开源设计工作区,可连接本地编程智能体、自带模型密钥或使用云端模型,围绕设计系统生成和编辑原型、网页、演示与图形;本地软件免费与模型服务费用需要区分。
分类推荐榜首JJAX 是一个面向加速器的 Python 数值计算库,专为高性能数组计算与大规模机器学习设计,支持在 CPU、GPU 和 TPU 等多种硬件后端上高效执行相同代码。
分类推荐榜首IIamIP是一个专利平台,提供AI驱动的搜索、分析和监控工具,帮助用户更高效地进行专利研究和管理。
待评分 · 分类列表推荐E
Elicit知识与研究Elicit 面向科学研究提供语义检索、研究报告、文献筛选与数据提取,可在来源材料中追溯回答,并通过文献库、研究 Agent 与持续跟踪流程组织证据,适合从问题探索推进到系统性综述。
待评分 · 分类列表推荐妙腾讯广告推出的AI直播电商解决方案
待评分 · 分类列表推荐AAssemblyAI 是面向开发者的语音 AI 平台,提供预录音、实时和短片同步转录 API,并结合说话人、情绪、章节与摘要分析,以及语音智能体、听写和敏感信息处理等能力构建语音应用。
待评分 · 分类列表推荐作者|董道力微信|ddl941110腾讯发布新一代旗舰模型 Hy4 的时候就预告即将发布一款 Flash 模型,十二天后 Hy4 flash 如期而至并在今天宣布开源,开发者可以在 GitHub、 Hugging Face 等地方直接下载部署。看着旗舰模型攻城略地、在各种极限榜单上刷新上限固然过瘾,但回到真实的工作场景里,写文档、改 PPT、搭简单前端这...
arXiv:2611.25172v1 公告类型:新 题目摘要:基于 JEPA 的视频编码器通过在潜在空间中的预测学习用于视频和图像理解的强表示。然而,其标准预训练仅预测单个图像或视频片段内的特征,并未显式利用同一对象或时刻的不同相机视角配对信息。因此,所学表示可能无法可靠地支持跨不同相机视角的匹配。为解决这一问题,我们引入多视角预测后训练方法,在保留独立单视角推理能力的同时,增强跨视角实例及时间对应关系。共享编码器独立处理被掩码的上下文视角,而训练时的预测器则联合预测被掩码的上下文区域与完全未见的另一视角的潜在标记。我们在通用图像和视频数据上交替进行跨视角预测与单视角掩码预测,以帮助保持编码器的预训练能力。仅在单块 GPU 上经过 9,000 次后训练更新后,MV-JEPA 在多个数据集上提升了跨视角实例检索和粗粒度跨摄像头时刻检索性能,并在 AE2 上实现了零样本动作阶段检索和冻结特征分类的进一步提升。冻结探针评估进一步表明,后训练在很大程度上保留了所评估基准上的运动识别、图像识别及稠密语义分割性能。综上所述,这些结果表明,多视角预测后训练能够在不修改编码器架构或单视角推理接口的情况下,增强 JEPA 视频编码器中的实例及粗粒度时间对应关系。
在算力对等的前提下,单纯堆叠算力无法保证模型在自我提升过程中的胜率;模型针对「受欢迎程度」开展优化时,容易出现迎合人类的倾向,进而造成安全指标下滑;相关研究首次提出 RSIHF 框架,证实在 AI 自动训练 AI 的过程中,模型的「受欢迎程度」与「安全性」不能画等号,必须分开评估。如果 AI 研究员把评测分数提高了,外界很难直接判断,相关操作到底是完成了模型本身的改进,还是找到了适配评测规则的捷径。目前部分已落地的自动化研究项目里,智能体只会围绕指定的 benchmark 或者固定评测流程做优化,这类流程得出的分数确实方便横向比较,却也可能催生针对评测的过拟合问题,甚至出现 reward ha...
arXiv:2611.14925v1 公告类型:新 发表摘要:使用工具的语言模型正越来越多地应用于对话场景,但大多数大规模工具使用基准测试都聚焦于孤立的请求。我们提出了 ToolTurns 基准,包含 2,620 个问题,涵盖 1,827 种工具和 11,004 个 API 端点,涉及 47 个类别。每个对话均从一个有意描述不充分的请求开始,并通过两个依赖上下文的后续请求延续,以测试澄清、工具使用以及对话上下文的保持能力。我们还引入了一个开源用户模拟器,该模拟器可通过对话揭示被隐藏的上下文并生成后续请求,并配备了一个检查—修正流水线来改进其对话轮次。在九个语言模型中,表现最佳的智能体能够解决 69.6% 的单个请求,但仅完成 39.8% 的完整对话。根据这一评估协议,所有受测模型在后续请求上的成功得分均低于初始请求,而对话质量评分与任务成功率对模型的排名可能大相径庭。成对的轮次级评估表明,检查—修正流程能减少检测到的对话缺陷,且盲测的人类评价更倾向于修订后的对话轮次。ToolTurns 为评估智能体能否在使用工具的多轮对话中持续达成任务目标提供了测试平台。
arXiv:2611.10044v1 公告类型:新 提要:当多个答案都能符合谜题时,精确匹配评分可能会惩罚有效的回应。CulturalCrosswords 测试了答案约束如何影响大型语言模型(LLM)解答文化类谜题,这类谜题的解答依赖于特定社群的知识。我们从42种语言的众包谜题中构建了53份填字游戏,并在每套线索的五个版本上评估了11种 LLM 配置:普通批次、带长度提示的批次、带长度和部分答案提示的批次,以及要求提供答案列表或完整网格的填字游戏。在包含备选答案的962条线索中,与参考答案的一致性在加入长度约束后提升了22.8个百分点,而仅接受备选答案并给予相应分数时仅提升8.4个百分点。因此,部分收益似乎源于对所需答案形式的选择。填字游戏输入使所有交叉处具有兼容答案的比例提高了9.7个百分点;要求填写完整网格则揭示了各模型之间的显著差异。该基准测试区分了与参考答案的一致性,与生成能够相互匹配并占据正确单元格的答案的能力。
最近,硅谷创投圈发了一份蛮有意思的榜单:让一些已经做出成功公司的 AI 创始人,推荐他们看好的下一批创业者。 像 Fireworks、Vercel 以及 Mercor 这些明星公司的 CE....
欢迎关注「AI新榜-AI产品榜」,这是由新榜出品的榜单产品,包含月榜和周榜。本期为第30期月榜,统计时间为2026年10月1日-2026年10月31日,榜单分为总榜、国内榜、海外榜。 本期....
arXiv:2610.37679v1 发布类型:新 摘要:使用工具的语言模型容易受到间接提示注入的影响,而越来越多的研究试图通过探查模型内部来在不安全操作执行前将其捕获,但所得结果却存在严重分歧。我们认为,这种分歧很大程度上源于评估方法上的缺陷,并提出了一种双层评估协议:在评估与训练数据集中,将“提示注入”与“行为承诺”加以分离。在主要的Qwen AgentDojo基准测试集上,那些基于朴素的“不安全与其余”混合对比进行训练的监控器,大多仅学会识别“暴露”:它们会标记出所有被暴露的轨迹,无论智能体是否真正执行了相应操作,且几乎无法预测哪些情况最终会导致不安全行为。而当仅针对已暴露案例重新训练后,同一类探测器便能预测模型自身发出的不安全工具调用,时间延迟长达两秒。
arXiv:2610.37851v1 发布类型:新 摘要:现有的科学智能体基准测试很少评估智能体是否能够重建测序协议所指定的精确分子结构和生成流程,而这一能力对于分析定制化测序实验至关重要。我们提出了 LibStructBench,一个基于文档的基准测试,用于重建测序文库结构和分子工作流程。我们的实验表明,前沿的智能体通常能够生成大致正确的重建结果,但在精确重建方面仍不够可靠,尤其是在分子状态表示和工作流程连通性方面。更换底层语言模型所带来的平均性能差异,甚至大于更换智能体框架所产生的差异,且这种差异具有统计学上的显著性。
arXiv:2610.37676v1 公告类型:新摘要:自动化可解释性通过让模型逐个标记地预测特征在评估样本上的激活位置,或判断标记的标记是否与该特征相符,从而对稀疏自编码器(SAE)特征的解释进行评分。我们发现,评估数据的标准处理流程可以在不读取解释的情况下完成评分。在Neuronpedia存储的针对500个随机GPT-2小型特征的模糊测试运行中,91.3%的激活样本都以中心标记为峰值进行裁剪;而当中心标记被标记时判定为“是”的规则,其平衡准确率达到了0.979,相比之下,基于存储的LLM评分器(根据管道代码重新计算的逐项判决结果)的准确率为0.838;仅依据标记数量的规则则达到了0.969。T
arXiv:2610.37859v1 发布类型:新 摘要:语言模型驱动的智能体与以往的智能系统存在根本性差异,其能够在上下文中从自然语言中学习。这一能力使智能体能够根据反馈逐步优化自己的回答,而这正是现代智能体工作流中普遍采用的操作模式。然而,学术界目前主要依据Pass@1或Pass@K等指标对模型进行排名,这些指标无法反映模型如何利用先前尝试的反馈信息。我们提出了Seq@K,这是一种自然的评估方案,用于衡量模型在每次先前失败后获得反馈的情况下,是否能在K次连续尝试内解决问题。与那些考察长期规划的多轮智能体基准测试不同,Seq@K将重点聚焦并形式化了从……中进行迭代优化的核心能力。
arXiv:2610.35869v1 发布类型:新 摘要:人工智能应用通常会在决定是否需要进行推理之前先调用模型。这种默认行为对于模糊的生成任务很有用,但与那些结构化、确定性、受策略约束、以查找为主或可直接验证的工作并不匹配。KORA 提出了确定性优先执行控制:一种位于推理前的控制层,它将请求表示为任务路径,优先尝试确定性或结构化的执行路径,验证路径结果,记录遥测数据,并仅在确定性处理不足时才切换到模型候选路径。本文将 KORA 介绍为一种确定性优先的执行控制架构,并基于可复现的基准测试和验证工作负载提供了有限的实证证据。在一项重
随着线上投保逐渐普及,互联网保险平台需要解决的问题更加具体,如何帮助消费者选择适合的产品,如何降低保险公司的获客和服务成本,如何让投保时承诺的保障在理赔环节得到兑现等问题都需要得到回应。
更快地生成令牌,首先要明确哪些因素限制了推理性能。在 NVIDIA 上对 Inclusion AI 的 Ling-3.0-flash 进行的单批次评估中……
百度发布了 Unlimited OCR 2,这是一款采用 MIT 许可证的 3B 参数规模的 OCR 模型,能够在一次请求中解析百页文档。其 SR-SWA 注意力机制使每步解码开销几乎保持不变,在 MarathonDocBench 上取得了 77.1 的得分。该文章《百度开源 Unlimited OCR 2,用于百页文档解析》首发于 MarkTechPost。
让好奇心有方向,让每一天的阅读更有价值。