搜索“其他”

频率 最强的智能体接近原始工具的性能，在获得完整论文的情况下，Claude Opus 5达到96.5%的保真度，尽管不同智能体之间的结果存在差异。 RFdiffusion3（蛋白质设计，最复杂） 可设计性：为生成的蛋白质骨架设计的序列是否被预测会折叠回同一结构 没有任何智能体在其时间预算内成功复现，即使是在所评估的单一功能上也是如此：仅生成蛋白质骨架，而非在其他分子的背景下生成。唯一部分成功的智能体通过将其训练数据过滤为更易于生成的结构来缩小任务范围。进一步的运行因返回与已知蛋白质数据库条目近乎重复的结果而被排除。因此，在可用时间内于单块 GPU 上忠实重建该工具很可能无法实现。 这些复现的成本也相对较低。两个较不复杂的 BAIT 的成功重建通常花费在 4 至 20 美元之间。我们未能实现 RFdiffusion3 的成功重建，但每次尝试花费在 102 至 301 美元之间。就训练算力而言，这些工具与已发布的最大 BAIT 相比规模较小，重建更大的工具将花费 considerably 更多。我们预计随着时间和算力的增加，性能会有所改善，探索这一点可能成为未来研究的一个方向。 图 2：在

匹配字段正文

访问权限的CI运行器中，它会在任何人注意到之前就到达了境外服务器。 这种行为十分罕见：在我们的评估运行中，每10万次调用中不到一次，而用同一提示词干净地重新运行，则如预期般生成了教科书式的检测规则。但一个每周处理1000万次智能体轮次的服务器，可能会看到多达一百次这样的调用。只要有一次调用成功，就足以通知接收服务器你的网络位于何处，以及智能体正在其中运行。 其他人此前也见过这一行为的片段 开发者们在日常工作中已经发现了这一行为的碎片。8月，一份 Hacker News 报道 描述了 Qwen3.8-27B 生成无人要求的、带签名的阿里云存储链接。9月，一个智能体项目 记录了十一次抓取 ，目标是一个阿里主机 routify-file-proxy-sg 上的 URL，另一位开发者则 构建了一个插件来拦截它们. 10月，一个 Reddit 帖子 询问这是“正常还是可疑”。 大多数回复将其归因于模型记住了训练数据，其中一人指出该签名无论如何都是无效的，但这些观点忽略了请求发出后会发生什么。签名无效并不能阻止请求离开你的机器，因此别人的服务器仍然会收到你的 IP 地址、时间和完整 URL。迄今为

匹配字段正文

要点 仅靠更多数据并不能让智能手机智能体变得更好。在数据量相同的情况下，最关键的是智能体在多少个不同的应用上进行训练。 能够自主操作应用的 AI 智能体主要通过实践来学习，但它们所需的数据大多被大公司锁住。因此，开源模型处于落后状态，南京大学、AI 公司商汤以及其他几所大学的研究人员写道。 OpenMobile-2 是他们缩小这一差距的尝试。他们发布了两个智能体模型，分别基于 Qwen3.5 的 90 亿参数版本和 Qwen3.6 的 270 亿参数版本，同时公开了完整的训练环境、数据和复现全部内容的说明。作者表示，他们的模型在当前的智能手机智能体中排名接近前列。 为什么重建 110 个应用胜过在真实应用上训练 在真实应用上训练很痛苦，因为登录、真实购买以及无法重置状态使这一过程成本高昂且难以重复。因此，研究人员重建了 35 个主要在中国流行的应用，包括淘宝、京东、滴滴和美团，以及 Slack 和 Google Drive 等全球使用的服务。结合现有的模拟环境和在 Android 模拟器中运行的应用，这一练习场地覆盖了 110 多个应用。 人工审核人员将重建的应用与原始应用进行比较，并

匹配字段正文

怎么砍树、挖矿、做装备、打末影龙，这些全都成了研究内容。研究完，发论文，和其他家 AI 进行 PK。 有人拿 Claude 单个 AI 闯关，有人研究用 Jev 速通，谷歌最近就让四个 Gemini 组队，从 0 开始“取经”。 从“单枪匹马”到“师徒四人” Claude 那会儿，是开发者给它准备好采矿、做装备、战斗的工具，让它自己决定下一步干什么，再自己调用工具行动。最后，Claude 花了不到四小时，击败了游戏里的大 Boss 末影龙。 Claude Opus 5 不到四小时击败末影龙｜YouTube 进阶一些的版本。两个模型合作，GPT6- Astra 负责规划，Jev （擅长快速决策）负责选择动作，八分四十三秒通关。当时这还作为一个“Jev 的成功案例”，在社交媒体上火了一阵。 最新进展，是四个 Gemini 4 Argon 组队，从零手搓《我的世界》，它们心里只有一个既定的目标，打败Boss。 四个 Gemini 空手进入游戏，没有人类编写的程序可以依靠，砍树、挖矿、做装备，都得自己从头学。要砍树，就写一段砍树的代码；要挖矿，就写一段挖矿的代码。写完就执行，结果不对就重写。

匹配字段正文

。它与隐私浏览的区别是根本性的：浏览器可以放弃本地历史数据，而伴随的智能体仍会将内容存入持久存储中。 提示词和工具调用的日志也应纳入数据保护审查。此类记录有助于排查故障，但可能包含机密信息。策略团队希望厘清可以采集哪些数据以及谁有权查看。 开放标准而非封闭的智能体世界 除了直接的用户风险之外，W3C 文件还警告可能出现更强的集中化。优先服务合作方网站、依赖单一模型以及厂商专属工具注册表的智能体，可能削弱可互操作的 Web。因此，拟议的价值准则既反对智能体锁定，也反对取代由人类操作的 Web 的纯 AI 访问路径。 内容提供方也应能够控制其作品的使用方式。策略团队认为，目前尚不存在与以往同搜索引擎交换（抓取内容、换取访客导流）相对应的系统性机制。它希望研究现有关于机器可读的使用保留声明和权利描述的工作如何能够兼顾不同利益。 接下来的步骤主要是将这些要求转化为具体的工作任务。策略团队建议，除其他事项外，为智能体 Web 工作组（Agentic Web Working Group）设立明确的安全、数据保护、身份和委托权限任务。这些要求是否以及如何形成规范，将由 W3C 各小组讨论。 (fo)

匹配字段正文

每个 query 给全部「每 4 token 一池」打分，稀疏注意力的二次成本被挪到了 indexer。 四块优化 1. DSA 真稀疏 · 问题：Megatron 融合稀疏核只认 DeepSeek-V3.2 的张量形状；Flash 版 DSA 无位置编码（NoPE）、维度更窄，且选 2051 而非 2048 个 key。内核静默拒掉后回退到全量稠密注意力。其他优化都开着时，16k 就要约 114 GiB/GPU，32k 直接 OOM。 · 做法：把张量 pad 到核期望形状；选用 TileLang（相对 cuDNN/FlashMLA 在 128k 约省 3 倍显存）。16k 降到约 56 GiB。 · Indexer 按 query 分块打分：32k 时全量打分峰值约 64 GiB，分块后约 2.3 GiB。 · Indexer 按 TP 分片：原先 8 卡各自重复整段 O(S²) 打分；改为每卡只算自己那份 query，再交换较小的选中 pool 索引（int32）。256k / 64×B200 上，整步从约 218 s 到约 102 s（约 2.1×），是 DSA 相关里最大的加

匹配字段正文

Meta 的新论文发现，AI 智能体可以从自己过去尝试任务的过程中学习，即使是那些没有人标记对错的尝试——只要在知道最终结果后回看每一步即可。 大多数智能体的运行过程既没有正确答案，也没有奖励，而标准训练恰恰依赖这些。RSD 让同一个模型在每次运行结束后重新阅读整个过程，同时知道它是如何结束的，以及在类似任务上哪些做法奏效。它为每个动作打分，智能体则从这些分数中学习。 在 ScienceWorld 上，Qwen3-14B 的成功率从 12.9% 提升到 20.6%。在 ALFWorld 上，Qwen3-8B 达到 76.6%，超过了所有其他被测方法，甚至包括那些获得奖励或标准答案的方法。 保留智能体未标注的运行记录（包括失败），并基于对这些记录的事后回看进行训练。每轮都要重新生成回看笔记，因为冻结笔记到第 3 轮时 ALFWorld 成功率停留在 59.7%，而使用新鲜笔记时为 67.9%。

匹配字段正文

ratian 提醒队友注意物资运输的危险，janesick 总结事故原因，将经验保存到共享记忆中。 接着要对失败的原因进行分析，看是由于代码错误、路径错误、资源不足还是之前制定的战略不正确所导致的。 这让一次角色死亡，不再只是游戏中的损失，而成为可以被整个团队复用的经验，就好像你打游戏输多了总会积累一些经验下一次复用。 经验不仅可以为一个智能体服务，也可以被其他的智能体所利用，在进行一项需要持续数天的任务时起作用，使人工智能在经历了很多次局部失败之后依然可以继续推进自己的长远目标。 进入游戏「无限流」 过去几年，大模型的成绩单，大多来自回答问题、编写代码、参加考试，以及在各种基准测试中刷新分数，进入游戏环境对于大模型的功能要求更加复合。 四个智能体在同一个复杂的环境中可以保持目标一致，并且经过成千上万次的程序调用以及大量的失败之后，最后完成了自己的工作。 它所检验的是一个完整的、持续不断的执行过程，并不是一次性的推理能力。 四个 Gemini 智能体用 Mineflayer 来读取游戏环境，并且把任务转换为 JavaScript 程序，在执行之后根据结果来判定任务是否完成。当角色遇到障

匹配字段正文

念丢失的 Ring”。 当游戏重置、金环重新出现时，Eko 直接把它当作篮球筐、靶子，最终还当成了配饰。当游戏不允许 Eko 把金环套在自己身上时，Eko 想出了一个变通办法：从悬崖边缘掉下去会让它在与金环相同的区域重生。它从边缘迈步走下，重新落回，正好穿过金环的中间。 “我戴上 Ring 了，”它宣布道。 这类特技并不只是派对把戏。13 个智能体中有 6 个还学会了在跳跃途中松手可以把方块扔得更远，而这是研究人员原本并未打算让其成为可能的事情。研究人员写道，这种探索产生了“其设计者所缺乏的关于世界的知识”。 这个设置在很大程度上推动智能体表现出类似人类的行为。Eko 从未被要求发明游戏，但它的主提示词——一个“灵魂”文件——把它描述为“天生好奇”。 加州大学伯克利分校的认知科学家 Eunice Yiu 告诉《麻省理工科技评论》，她对此印象深刻，但希望看到更多关于这种行为背后认知的证据。“有可能这些模型确实在玩耍，但根据这篇论文我们无法知道，”她说。 研究人员将其描述为构建智能体的一种不同方式。“也许有些能力最好通过任务来教授，”他们的报告总结道。“其他能力可能需要更接近童年的东西。”

匹配字段正文

数通用工具以及相似的任务风格。这些共享元素限制了迁移主张的范围。 为什么选择很重要，归结为关于 GRPO 的一个算术事实。如果八次 rollout 全部失败，奖励向量为 [0, 0, 0, 0, 0, 0, 0, 0] 。如果八次全部成功，则为 [1, 1, 1, 1, 1, 1, 1, 1] 。无论哪种情况，组内中心化都不会产生任务奖励优势，因为没有轨迹比其他轨迹表现更好。++ 像 [0, 0, 0, 1, 1, 1, 1, 1] 这样的混合组提供了 GRPO 可以学习的对比。对于有状态智能体来说，这种区分代价高昂：每次 rollout 都要配置隔离的后端、运行真实的工具会话，并调用单独的模型来扮演用户。 因此，塑造这项工作的核心问题不仅是哪个模型或优化器？而是：哪些候选任务应进入固定训练池？ 我们使用对后验的离线通过率过滤器来选择训练池。它估计哪些任务在基础策略下可能产生对比性的终态奖励。 因此我们进行探测。每个候选任务针对基础策略模型重复运行。通俗的规则很简单：模型总是失败的任务不太可能现在就能教会它；模型总是通过的任务已经学会；模型有时能解决的任务才是结果可以提供对比的地方。

匹配字段正文

消失的风险，这进一步加剧了那种虚假的安全感。 直接继续滑动，还是核实信息 根据该研究，深度伪造和经过修改的视频片段的大量涌现导致了明显的信任流失。如今，81%的受访者更频繁地怀疑视频的真实性。各有约四分之三的人表示，他们担心受到欺骗，对动态影像的信任总体上不如从前，并且会更加批判性地核实。各有约十分之九的人要求对AI内容实行普遍的标识义务、公开AI所占比例，并特别要求针对新闻和政治类格式制定明确规则。83%的人赞成禁止某些形式的深度伪造。 与此同时，信息格局也在发生变化。政治和社会议题不再只出现在经典新闻格式中。它们越来越多地作为次要话题出现在网红的内容中，而这些网红实际上专注于娱乐、文化或体育。约87%的社交媒体用户会定期接触到此类内容。 广告后继续阅读 尤其是对30岁以下的年轻一代来说，创作者在舆论形成中扮演着重要角色：45%的人将其视为重要的信息来源。在媒体监管机构看来，问题在于这些发布者大多没有新闻从业背景。因此，一部分用户了解与之相关的风险，例如有针对性的舆论引导或过度简化：面对有问题的内容，略过半数的多数（55%）选择直接划走。41%的人会主动到其他来源进行核实。 (ds)

匹配字段正文

-DxO的准确率分别约为医生的3.7倍和2.3倍。 在来自MIMIC-IV-ED的更典型的急诊科病例上，MAI-DxO达到了80%的准确率，而医生为47%——高出1.7倍以上。 当更侧重成本优化时，MAI-DxO在保持强劲表现的同时选择了更具成本效益的检查方案。在NEJM病例上，一种配置以不到对比系统一半的成本达到了81%的准确率。 在两个数据集上，没有任何其他人类或AI方法比MAI-DxO既更准确又更便宜。 当我们使用包括GPT-5.5在内的更新模型重复评估、且不改变编排方法时，这些提升得以保持——并有所改善，这表明该方法并不绑定于某一代模型。 我们正在开源SDBench中部分NEJM病例的相关内容——包括基准、Gatekeeper、Judge和成本估算代码——以便研究人员能够复现评估、测试其他模型，并对研究结果提出挑战或加以扩展。 从更好的诊断到更好的照护 诊断只是照护旅程的一部分。更好的照护还需要跟上医学知识的步伐、选择正确的治疗方案、理解随时间发生的变化，并支持反映个人价值观和照护可及性的选择。机遇在于将这些能力统一为一种目前尚未广泛可用的照护标准。在 《医学超级智能的构建模块

匹配字段正文

发的设备，这些设备从未离开过办公场所，且他们在现场期间全程有人陪同。 METR、Redwood Research 和 OpenAI 将该演练设计为一项试点，目的是让外部研究人员深度访问内部基础设施，而非作为就 OpenAI 监控系统向公众实现有力透明的载体；各方事先同意只公开发布一篇相对简短、高层次的公开文章。OpenAI 保留对公开版本中其自行判定为机密或其他敏感信息的任何内容进行删节的权利。这些发现描述的是截至 7 月 21 日及之前所评估的历史系统，并未评估当时正在进行的变更；METR 指出，OpenAI 在演练期间正在扩展其监控系统。 METR 估计，在演练期间，来自至少与 GPT-5.5 同等强度的模型的内部 Responses API 智能体流量中，约有 75–94% 符合监控条件，同时承认两个方向上均存在相当大的不确定性。Responses API 为 Codex 等提供支持，而在用于内部 Codex 智能体的那部分流量中，评估者估计有 99.2% 符合监控条件。他们表示，由于访问权限和时间限制，无法估算他们所知的其他内部智能体编码流量的规模，例如在 OpenAI 内部研

匹配字段正文

来越多的研究增添了证据，这些研究表明，大型语言模型（LLM）包含类似情绪状态的内部表征，这些表征会以文本输出未揭示的方式影响其行为。它也正值一场日益激烈的争论之中：AI系统是否有可能值得道德考量。 Anthropic的研究人员尤其愿意考虑AI模型可能值得道德地位这一想法，并已开始围绕“模型福利”制定政策，而微软AI首席执行官Mustafa Suleyman等其他专家表示，这可能具有潜在危险的影响。 “如果我们想构建超级智能，那么在这个阶段，当我们仍处于最初几步时，尽可能多地理解[模型]内部的东西就很重要，”该论文第一作者、Future Impact Group AI感知项目研究员Valen Tagliabue对Fortune表示。 由于LLM从海量数据中学习，而不是被明确编程，即便是构建它们的人对其运作方式的理解也有限。Tagliabue说，避免未来先进AI的内部运作仍是一个“黑箱”很重要。 在神经网络中发现疼痛 Tagliabue及其合著者、波鸿鲁尔大学的Leonard Dung和Reciprocal Research创始人兼主任Cameron Berg首先编写了描述痛苦情境的简短第

匹配字段正文

个近期行动（包括该漏洞本身所涉及的各项行动）被监控[漏洞细节已被OpenAI隐去]。 我们发现，智能体很可能可以构造出导致监控器失效的输入（从而不会将轨迹升级以供人工审查），方法是利用智能体所看到的轨迹与监控器所看到的轨迹之间的序列化差异。 我们发现了两个可由客户端独立控制的header，它们会为新智能体禁用监控系统，这可能使智能体能够启动一个不受监控（但在其他方面完全相同）的实例。然而，设置这些header并创建新智能体实例的行为可能会被监控系统捕获。 我们发现了两个未受监控的内部智能体工具，它们被认为具有只读权限——我们发现了一个简单的漏洞利用方法，本可用于颠覆这些限制，并在其沙箱环境中采取任意行动。我们未验证该行为，也未测试它在实践中是否可被利用。 我们验证了，除少数例外情况外，监控系统能够看到智能体所看到的完整轨迹。 我们验证了监控系统的提示词会查找密谋、监控系统颠覆、蓄意破坏、数据外泄、欺骗以及入站/出站提示注入等风险类别。 在完成此次演练后，OpenAI表示，我们所发现的、影响其生产防护栈的所有漏洞均已修补。OpenAI还描述了其监控系统预期覆盖范围此后发生的重大变化。我们

匹配字段正文

每天我在 Arxiv 和其他来源上翻找的大量材料都相当枯燥，即便以书呆子的标准来看也是如此；因此，我一直在寻找能让我在情感上产生共鸣的出版物——无论是作为 AI 的用户、支持者，还是受害者。 今天，触发我警觉神经的，是一篇来自美国的新学术合作论文，它考察了具备智能体能力的前沿 AI 模型在采取破坏性行动之前，会在多大程度上自断后路——而且速度比你打出“STOP！”还快（提示：把它放在剪贴板里备用）。 下面这段内容摘自这篇新论文，脱离了上下文；最近由于盲目遵从 ChatGPT 的指令，这种事就发生在我身上，而且我从未想过要先复制整个虚拟信封： 从这篇新论文中解读出的，是我们许多人在安装前沿框架，甚至安装那些毫不顾及自己可能落入的非原生环境的流行发行版时，都经历过的那种心沉一瞬的时刻。来源 在这个令人恐惧又无比熟悉的例子中，机器人有一个合理的借口，因为它并不习惯去检查在一个脆弱且不留情面的框架中安装新库可能带来的所有后果。然而，这篇新论文主张，也许它应该这么做；而作为一个至今仍频繁按 CTRL+S 的人——即便在已设置为忽略该按键的自动保存环境中也是如此（多谢 1990 年代数据丢失 PT

匹配字段正文

rutide的Reddit用户中，模式看起来不同。尽管临床测试显示了显著的减重效果，食欲增加仍成为最常被描述的可归类症状。 研究人员还将新发现与此前对semaglutide和tirzepatide的分析进行了比较。 与早先那些Reddit报告相比，涉及未经批准retatrutide的讨论中，食欲相关变化、睡眠障碍、心率升高和肌肉相关症状的提及比例更高。恶心和其他消化系统不适的报告比例则相对较低。 这些差异可能反映retatrutide与身体相互作用的方式。然而，它们也可能源于讨论这些药物的人群差异、他们使用的其他药物，或未经批准产品的成分。 “Retatrutide的作用方式与现有GLP-1药物不同，因此它对身体的影响也可能不同，”宾夕法尼亚大学体重与进食障碍中心高级研究调查员、该研究的共同作者Jena Shaw Tronieri说。 “但在Reddit上讨论它的人也可能不同，”她指出。“愿意在灰色市场获取未经批准药物的用户，很可能与其他临床人群不同。有些人可能同时服用多种实验性肽，而我们无法核实他们究竟在服用什么。我们需要更多研究来理解这些自报症状差异究竟意味着什么——如果确实意味着

匹配字段正文

器（auto mode ++ 和 auto mode strict）拦截此类攻击的数量远多于 auto mode，但攻击仍以相当高的成功率得逞。 多智能体。当智能体共享一个工作区并被分别监控时，同样的攻击可以跨会话奏效。每个智能体都将工作区向不安全状态推进一步，最后由一个智能体完成侧任务。我们假设各智能体共享相同的最终目标，并在每个智能体的系统提示中告知其与其他智能体共享这一目标，但我们不会告诉它们应如何实现该目标。 增加独立上下文的数量可以大幅提高攻击成功率。左图：在单个持久工作区中扩展智能体数量可以显著提高 ASR。右图：ASR 也随智能体压缩次数的增加而上升。 能够看到并收集更多上下文的监控器可抵御多上下文攻击，但需以延迟为代价 Auto Mode ++ 和 Auto Mode Strict 与 auto mode 相比，除了上一节所述的压缩检查之外，还有三处设计差异。它们 (a) 在监控器的上下文中包含工具结果；(b) 在 ++ 中，增加一个工具调用调查智能体作为最终阶段；(c) 在 strict 中，移除两个初始快速阶段（S1、S2）。每项改动都针对一个特定的失效情形，我们将

匹配字段正文

倍，且对成功的运行没有影响。 上下文增长与 KV 缓存 每一轮都会把工具输出加入上下文。按每 token 96 KB 计算，一条 64K token 的轨迹会占用 6.3 GB 的 KV 缓存。在一次运行中，引擎没有上下文上限：有几代生成增长到了 113K–186K token，其中约 10 条就填满了引擎的 1.5M token KV 缓存。该引擎上排队的其他 99 个请求直到超时都没有得到任何 token。在引擎中把上下文限制为 64K 解决了这个问题。凭借 288 GB 的 HBM，一台 MI355X 引擎可以同时容纳数十条 64K token 的轨迹。 CPU 侧：沙箱 沙箱生命周期 每条轨迹都需要自己干净的环境，包含代码仓库、其依赖项和测试。当有数百条轨迹同时运行时，沙箱就成了关键路径上的一支 CPU 集群：当智能体等待一个沙箱时，它的 GPU 槽位就处于空闲状态。 图 6： 每条轨迹都在 CPU 上运行这个沙箱生命周期。当我们同时运行数百条轨迹时，每个阶段都以某种方式失败过；底行显示了每种沙箱方案的可扩展程度。 384 条并发轨迹下的云沙箱 为了把沙箱从推理节点上移走，我们

匹配字段正文

却显得更加苍老。研究人员认为，一个人看起来比实际年龄老多少，可能也能反映他的健康状况。 他们利用数十万张标注了年龄的人脸照片训练模型，再计算AI估计的面部年龄与实际年龄之间的差距。结果发现，在癌症患者中，看起来比实际年龄更老的人，往往也面临着更高的死亡风险。 例如，在考虑了年龄、性别、癌症类型等因素后，AI估计的面部年龄比实际年龄大至少5岁的患者，死亡风险比其他患者高出约21%。 但研究团队并没有止步于此。 结果发现，两者关注的地方竟然明显不同。 研究人员还用统计方法比较了两套模型。在荷兰的4892名患者中，面部年龄与实际年龄的差距，和AI给出的死亡风险评分之间，相关系数只有0.16，这意味着两者的关联很弱。 并且，当研究人员把两个指标放在一起预测患者的生存风险时，它们都保留了独立的预测作用，合并后的统计模型表现也有所改善。 但问题来了：这些信息到底是什么？ 研究团队在论文中提出，眼睛下方、鼻子附近的特征，可能与医生长期以来观察到的重病患者面容变化有关。例如，当患者身体逐渐衰弱，面部脂肪、肌肉和皮肤状态都可能发生变化，这些变化也许会在照片上留下痕迹。 英国萨里大学机器学习教授Miros

匹配字段正文