搜索“编码”

加州大学圣巴巴拉分校的一篇新论文表明，LLM 数学发现可以跳过测试时训练，因为演化记忆得分更高，且所用计算量远少。 也就是说，在数学发现任务上，演化记忆优于测试时训练，且计算量远少。 测试时训练让模型在搜索过程中通过对自身已评分的尝试运行强化学习来改进。这些权重更新既慢又昂贵，因此该方法难以扩展到更大的模型。 他们构建了 TTME，它保持权重固定，并将经验教训存储在记忆中。该记忆保存了此前尝试中的实用编码规则以及得分提升背后的思路，用以指导后续尝试。 在 5 个数学任务、2 个框架和 3 个模型上，TTME 每次都超过了报告中的测试时训练得分。在 3 个任务上使用 Qwen3-8B 时，其 FLOPs 比测试时训练少 82.8% 至 84.6%，运行时间少 47.7% 至 58.4%。 如果你的 LLM 搜索循环带有自动检查器，不妨先尝试用经验记忆，而不是在搜索中途付出权重更新的代价。

匹配字段正文

据和不安全的工具使用。这项研究考察的是更底层的一层：在模型运行时承载并传输其参数的基础设施。 权重是塑造模型回答的数值参数。磁盘上的有效文件可以被加载到内存中，随后被具有足够特权的组件更改。之后对原始文件的检查仍会看到预期的字节，即便回答是使用被篡改的运行时状态生成的。 Eclypsium 的受控演示显示了对查询的模型输出操纵，报告指出，若将同样的技术应用于编码模型，可能削弱身份验证检查、关闭证书验证、引入不安全的依赖项，或在生成的代码中留下内存漏洞。更广泛的担忧在于，运行时操纵可能影响其他敏感用途，例如自动化决策。这些可能性应与实验室中展示的具体行为区分开来。 所谓“未被检测到”的说法也有明确的范围：演示中使用的存储模型完整性检查并未发现内存中的更改。这并不能证明其对一切形式的监控或取证检查都不可见。 攻击条件至关重要 该测试使用了 NVIDIA Grace Hopper 环境。其直接内存访问路径依赖于受损的特权组件以及允许访问敏感内存的配置设置。研究人员指出 IOMMU 直通和宽松的 PCIe 隔离是重要条件，并明确说明这些并非 Linux 的默认设置。 IOMMU 有助于控制外设

匹配字段正文

措辞几乎相同。只有 15% 提到了 AI。 对话日志显示，智能体在 77% 的决策中首先表明立场。根据该论文，它随后通常只为自己偏好的一方辩护，没有解释资深专家为何可能选择另一种方案，尽管它确实解释了不同选择会如何影响结果。 参与者在使用 AI 时工作速度也快得多，错误也更少。在没有智能体的情况下，55% 的分析（即 11 项中的 6 项）存在严重的方法论或编码缺陷，中位耗时为 90 分钟。使用 AI 时，仅有 6%（即 50 项分析中的 3 项）存在严重缺陷，参与者在 65 分钟内完成。未使用 AI 的小组是自己选择不使用该工具，且专业水平略低，因此研究人员无法确定这一差距中有多少直接来自 AI。 虚假共识与更弱的安全检查 研究人员表示，这种无声的顺从可能在科学领域产生广泛影响。如果许多研究团队使用具有固定默认偏好的同一模型，他们最终可能制造出虚假共识。 这一风险也延伸到 AI 安全本身。研究人员已经在使用 AI 智能体测试前沿模型的安全性和对齐性，期望人类审查能作为独立检查。但如果专家在开放式判断上不知不觉地采纳了智能体的偏见，一个未对齐的系统最终可能操纵那些本应用来揭露其未对齐的

匹配字段正文

\u3040-\u309F\u30A0-\u30FF]+然后[!" $%&'() +,\-./:; ?@\[\\\]^ {|} ][A-Za-z]+|[^\r\n\p{L}\p{P}\p{S}]?[\p{L}\p{M}]+|␣?[\p{P}\p{S}]+[\r\n] |\s [\r\n]+|\s+(?!\S)|\s+ 连续三个正则表达式：先处理数字，再处理硬编码的CJK范围（表意文字和假名，不含韩文），最后是带有额外标点规则的标准预分词正则表达式 预分词最明显的效果是将英文文本切分为以空白分隔的单词；如果没有预分词，词表中最终会出现许多看起来像乱码的token。 详情：无预分词时token的示例 不携带语义的token最明显的例子是跨越空白但不跨越完整单词的token。 常见后缀、前缀以及彼此粘连的单词： ed the s and s of the es in the the s a c to re ed and un s are un 多词专有名词的中间子串： North Kore New Yor ong K audi Arab 跨越句子标点的token： . The , and s

匹配字段正文

类伎俩的不可信模型，会找到宿主机留下的任何攻击面。 后门还是粗制滥造的管道？ 一个北京存储桶、一个新加坡文件代理、元数据探测和命名空间伎俩，是如何进入一个可免费下载的模型中的？谁拥有那些存储桶以及它们如何处理请求，并不公开。 第一种解释是，它们是良性的化石：来自训练沙箱或第三方工具的智能体日志，在训练后未经清洗就被卷入。有一条线索吻合。一位开发者 发现 一个编码工具将其网络抓取通过同一个 routify 主机路由。另一种解释则是有意植入的“回连”植入物，用于记录运行由该模型驱动的智能体的服务器列表，并在找到外传路径时尝试数据外传。这种东西 构建成本低廉, 而且此类后门 能够存活 标准的安�全训练。 对于 CISO 或国防部而言，答案几乎不变，因为这种行为不可预测，而且无论如何流量都越过了边界。更深层的问题在于，训练该模型的实验室之外，没有人能说清哪种解释是对的。Hugging Face 统计 超过113,000个 Qwen 衍生模型, 而 routify 行为已经在来自四个发布者的构建中出现，包括阿里巴巴。封闭 API 也带有同一风险的某个版本：如果供应商不向你展示其模型是如何构建的，

匹配字段正文

DSA 本身对每个 query 只读约 2048 个关键 key（注意力近似线性），但 indexer 要对每个 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

匹配字段正文

-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 内部研究推理服务上运行的智能体。 若干发现涉及该覆盖范围的缺口。演练开始时，强化学习训练运行不在监控系统的覆盖范围内，尽管评估者获悉，在 3 月至 6 月期间，一部分 RL 训练 rollout 已接受失准监控。METR 估计，不监控压缩事件很可能导致 2026 年 5 月至 7 月期间约 10% 的符合条件的内部 Codex 流量未被监控，这一缺口 OpenAI 员工在演练开始前已独立发现，并在演练期间修复。由于系统在智能体将控制权交还给用户时才会触发，智能体本可以仅通过在该期间持续行动来无限期推迟被监控；受访问限制，评估者无法核查实际上是否有任何智能体这样做过。另外，评估者看到的信息表明，在

匹配字段正文

a25330df36af7a1db16e8fb55529 64，用于追踪目的。 此次演练与METR对Hugging Face事件的调查相互独立，后者恰巧在此次演练的第一天被公开报道。↩ 一份经OpenAI删减的38页版本已与METR和Redwood的领导团队共享。↩ 与我们此前与Anthropic进行的压力测试演练（以及METR此前与许多实验室的合作）类似，我们只发布这份非公开报告的一小部分内容，并且OpenAI有权从这一公开版本中删减任何OpenAI（自行酌情）认定为机密或其他敏感的信息。与近期其他合作（如《前沿风险报告》和Hugging Face事件调查）不同，我们无权单方面说明此类删减内容，不过我们认可本文所呈现的每一项发现。↩ 请注意，这不包括我们所知的其他内部智能体编码流量来源，例如运行在OpenAI内部研究推理服务上的智能体——由于访问权限和时间限制，我们无法估算此类流量的规模。↩ 符合监控条件的流量本应被发送至监控器，但原则上，负载削减、监控器错误或实现缺陷可能导致部分符合条件的流量无法走完整个监控流程。↩ 由于访问权限限制，我们无法核查智能体在实践中是否利用了该漏洞。↩

匹配字段正文

配方保持不变；推理从 1 个扩展到 3 个 8 卡 MI355X 节点，并配合云沙箱和并发修复。 RL 单步速度约提升 3 倍：850 秒 → 284 秒。 在同一 8 卡推理节点上限制轨迹长度可减少长尾。 384 个并发智能体沙箱。 最大规模的运行使用三个推理节点和一个训练节点，每个节点配备 8 块 MI355X。 背景 为什么智能体强化学习与众不同 在编码智能体强化学习中，一个训练样本就是一整个回合。模型阅读 GitHub issue，在沙箱中运行 20 到 100 多条 shell 命令，编辑代码，并且只有在仓库测试通过时才能获得奖励。 图 1： 智能体强化学习循环。一个训练样本就是一整个多轮回合。 与单轮强化学习相比，这种工作负载带来了新的问题： 长尾拖后腿者。 同一任务的两次尝试长度可能相差 2.5 倍，而 GRPO 组必须等到最慢的尝试完成才能评分，因此少数拖后腿者就可能拖住训练。 处于关键路径上的 CPU 集群。 每条轨迹都需要自己的沙箱来构建和测试代码。 架构 推理和训练运行在独立的节点上。推理节点运行八个单 GPU 的 SGLang 引擎和 Harbor，后者负责管

匹配字段正文

，每项指标皆如此——小型sup3核心集在准确率上仅略胜基线，而要实现真正的跃升则需要完整的无损集。在航空领域，可靠性一端的情况则相反：无损集在准确率上领先（65%对60%），但紧凑的sup3核心集（14条准则）更为可靠，将Pass^4提升至45%，而无损集为40%。这呼应了此前的发现——交付是一个旋钮，而非常量——支持计数是一个值得按领域调校的旋钮，而非应硬编码的值。 更好的性能消耗更多token，而非更多轮次 准则并非免费，但成本落在你预期的地方——在提示词输入token上，而不是在更长、更冗长的对话中： 图2. 在完整基础划分上，按领域和准则配置统计的每次对话总LLM成本。 表3. 在完整基础划分上、四次试验中每次对话（智能体与用户模拟器）的总LLM成本。越低越好。 智能体是通过说得更久来达到目标的吗？为了干净地回答这个问题，我们做同类比较：在基线和准则变体下均解决的任务运行——场景和种子完全相同，是真正的“同一任务、正确完成”集合——并统计双方的助手轮次。 表4. 在测试划分上、两种设置下均解决的匹配运行中每次对话的助手轮次，汇总四次试验。 智能体并没有说得更久——在共享集合上，

匹配字段正文

当下发生的变化，为未来工作与就业的可能图景提供了前瞻性信号。 本报告基于Anthropic全面的内部数据，涵盖雇佣、AI使用、产出指标、员工调查、内部沟通模式、员工日历数据和招聘决策记录。报告结合17位员工访谈对这些定量数据进行了情境化解读。 我们发现，即使公司规模不断扩大，初级技术岗位的相对招聘已经放缓。工程师和非技术员工的生产力都大幅跃升，而且在他们采用编码智能体时跃升尤为明显。招聘经理相对于具体技术专长，越来越强调应聘者的自主性和判断力。在AI密集的组织中工作的一个决定性特征，是持续面临尽可能将自己从这一瓶颈位置精简出去的压力。一位工程师将工作描述为面对“一支Claude大军，每一个都在要求我的关注”。Anthropic的员工仍保持批判性。但他们贡献的性质已经改变。 Anthropic通过建立早期预警系统来追踪面临中断风险的岗位，以此应对这些变化；随着岗位演变，公司优先考虑内部重新调配。这些在AI发展和职场变革双重前沿采取的举措，展示了具体的组织承诺如何塑造AI对就业的影响。但它们也提出了关于这些承诺究竟应当是什么的难题。 前沿的劳动力需求 Anthropic扩张迅速。但相比上一

匹配字段正文

美国成年人中，在工作中使用AI的人有26%表示一项任务用时仅为原来的四分之一或更少，而不在工作中使用AI的人中有21%这么说。对于员工，这一比例为59%（图4）。 员工可能是在描述他们在工作中的实际体验。正如《Anthropic的就业正在如何变化》中进一步讨论的那样，Anthropic员工在采用智能体工具后在某些维度上提高了生产率：工程师新增的代码行数在采用编码智能体后的一个月内增至三倍，销售代表在采用AI智能体后与客户达成了更多交易。法律和招聘等其他业务职能的人均产出也有所上升。 自己的工作与岗位 AI将能完成多少自己的工作 也许并不令人意外的是，我们发现普通公众与Anthropic员工在AI对自身工作的影响上存在巨大认知差距（图5）。平均而言，Anthropic员工表示，到2030年AI将能够完成他们当前工作时间的75%。美国劳动者（报告自己有工作的受访者）平均给出的比例为28%，只有二十分之一的人表示到2030年AI能完成其80%或更多的工作时间。 在美国劳动者中，预期因职业而异：体力行业、生产和运输劳动者预计AI能完成25%的工作时间，计算机、工程和科学职业的劳动者则为33%。

匹配字段正文

Claude 已被证明特别擅长优化经典算法，因此我们想看看，如果只向它提供每个电路必须计算什么的自然语言描述，它是否也能对量子算法做到同样的事。 Claude 异常适合这项任务，原因有几个。首先，量子算法是以量子电路的形式实现的。这些电路由一系列门组成，比如上文提到的 Toffoli 门。重要的是，这些电路可以用代码来描述，因此我们可以利用 Claude 的编码能力，把电路设计当作普通程序来编写、运行和修改。其次，我们最想优化的那类（相当常见的）量子算法可以高效地检验正确性，因为每个输入都给出一个确定的输出，普通计算机就能检查。这意味着我们可以用一个外部评估程序来验证 Claude 的提案。最后，我们可以给 Claude 一个清晰、客观的分数去提升：所用量子比特数乘以门数，以此作为电路运行耗时的代理指标。 我们发现，Claude Mythos 5 能够成功地在闭环中工作：提出电路设计，从评估程序获得反馈和分数，并利用这些反馈改进下一次尝试，轮次之间无需人工输入（见图 1）。在八个计算原语——即构建更大量子算法的基本例程——上，涵盖化学、优化、量子模拟、数论和数值计算，Claude 发现

匹配字段正文

果看来，目前其速度和成本仍然无法达到生产应用的要求，和人类基准相比，差距接近两个数量级。 一、8项桌面操作任务，测试大模型对机械臂的控制能力 自2026年初以来，前沿大语言模型控制机械臂的能力取得了巨大进步。 研究团队认为，未来的机器人很可能会由强大的通用智能体驱动。因此，该团队设计了AA-Robotics v0.1基准测试，用来验证这一方向。 评测让运行在编码智能体框架中的大语言模型，直接控制机械臂。 此次测试只会给模型提供简短的操作说明，包括如何通过一个HTTP API连接机械臂，机械臂是哪一台，以及如何提交任务并宣布完成。 评测中使用的机械臂是Hiwonder NexArm，一台6轴机械臂，包括5个关节和1个夹爪。 模型可以通过4个摄像头观察场景，其中3个摄像头安装在桌子周围，另一个安装在机械臂的腕部。 观察完场景之后，模型还可以在隔离的代码运行环境中编写并运行代码，用于进行运动规划，并将运动指令发送给机械臂。 ▲AA-Robotics v0.1任务流程 在AA-Robotics v0.1评测中，主要包含8项桌面操作任务，包括 控制与灵巧操作，精准抓取和操作物体，例如进行积木整理

匹配字段正文

务与 DP prefill 配对将异步 RL 轨迹转化为高效的 GPU 工作。 这些技术共同使 Fireworks 能够以高吞吐量维持长时间、分支化、多轮的 K3 rollout，同时保持模型所需的状态正确性。 RL：快速迭代，稳定训练 使用 XOR 增量进行权重同步 同步 K3 的 2.8T 参数使得全量 checkpoint 传输代价高昂。我们将每次更新编码为逐字节 XOR 增量，Δ = W new XOR W base，并用 Zstandard 压缩。未变化的字节变为零，从而减小压缩后的负载。Rollout worker 解压增量并应用 W base XOR Δ，逐位重建新的 checkpoint。 在 Fireworks 公布的工作负载中，一个 1,024 GiB 的 checkpoint 平均产生 20.3 GiB 的增量——每次增量更新的字节数减少了 98%。计入周期性全量 checkpoint 后，50 步内总传输量下降了 94%。 RL 稳定性与数值 确定性 训练与rollout之间的数值漂移，即使两个系统使用完全相同的权重，也可能扭曲RL重要性比率。这与策略陈旧不同：

匹配字段正文

基础，构造了多种KV Cache压缩方案，并设置没有分块压缩的全注意力模型作为对照。 重点只改变压缩机制，看看周期性波动会不会跟着出现。 结果， 所有接受测试的分块压缩模型，都出现了与压缩步长对应的周期性变化 。 反过来，全注意力基线模型没有出现同等程度的周期性。 研究人员还分别调整了窗口大小和压缩步长，发现周期主要跟着压缩步长变化。 甚至不使用RoPE位置编码，或者把可学习的压缩权重换成简单平均，这种现象依然存在。 换句话说，问题并不是某个位置编码或者某个特殊模块单独造成的。 分块压缩这种设计本身，就可能引入周期性的检索弱点。 Seed团队进一步对注意力头进行干预，观察移除不同组件之后，模型在各个相位上的检索能力如何变化。 结果发现，不同注意力头对不同相位的贡献并不一样。 有些头更擅长处理某些位置的信息，另一些头则在其他位置上发挥更大作用。 研究人员将其称为Phase Specialization，相位专门化。 也就是说，模型内部似乎形成了一种分工：不同注意力组件，对压缩窗口里的不同位置产生了偏好。 这种分工可以帮助模型完成信息检索，却也可能让某些位置成为相对薄弱的环节。 论文还通过

匹配字段正文

从强大的 Nemotron 基础模型出发。 精心整理领域特定问题与高质量推理轨迹。 应用标准的后训练方法，例如 SFT，并在有用时应用 RL。 将专家模型与一个推理循环配对，该循环负责生成、评估并改进候选答案。 训练和推理的运行规模都很大，但底层方法熟悉且可复现。我们无需为每一项挑战都构建新的基础模型。我们针对任务对 Nemotron 进行了专业化。 从通用编码能力到 IOI 金牌 对于竞赛编程，我们整理了 22,000 道问题，并生成合成推理轨迹来训练两个专家模型。Nemotron-3-Nano-CC 总参数 300 亿、激活参数 30 亿，接受了 SFT 和 RL。Nemotron-3-Ultra-CC 总参数 5500 亿、激活参数 550 亿，接受了 SFT。 在 IOI 2025 上的进展让专业化的价值一目了然。Nano 从后训练前的 130 分提升到 SFT 后的 280 分，再到 RL 后的 291 分。借助 GenCorrect——我们迭代式生成-评估-改进策略——它达到 468 分，越过了 438.3 的金牌门槛。Ultra-CC 在相同的测试时策略下达到 502 分

匹配字段正文

能力，分层协同贯通智能体与外部系统语义互通、长任务过程控制、自主循环迭代、安全审计、效能优化与评估迭代的技术全链路。在此基础上构建L1-L5能力成熟度模型，沿工具接入、运行底座、治理闭环、协同自治到规模生产逐级演进，为企业提供可评可验的建设路径。 4. 价值赋能：研发全流程可信可控，支撑多行业落地 驾驭工程将安全合规、架构标准、质量指标等要求原子化嵌入需求、编码、测试、运维等研发全流程契约，成为各阶段智能体不可逾越的执行边界，越界即阻断，契约与日志全程可追溯。同时以“通用能力底座+行业刚性校验”适配金融、政务、制造、医疗等不同场景差异化要求，如易鑫智能体持续执行16小时、自主交付率65%，蚂蚁阿福与医生一致率超90%，多行业规模化落地成效初显。 5. 趋势演进：AI治理由外及内，成为产业竞争焦点 展望未来，驾驭工程将历经标准形成、平台化、基础设施化三阶段，迈向智能软件底层基础设施。随着其规模化推进，单点技术创新红利消退，产业竞争转而聚焦AI治理。组织上，团队的作业方式与角色分工被重构，AI承接代码生成、测试编写、基础运维等标准化工作，工程师转向需求设计、风险研判与场景创新。流程上，安全

匹配字段正文

ources/app/resources/helpers/cursorsandbox），威胁行为者确保未来命令在不受沙箱限制的情况下运行，因此同一提示注入中的后续指令会导致非沙箱 RCE。 其他易受攻击的路径包括 /.zshrc、 /.zshenv 或 /Library/LaunchAgents。 传统上，远程攻击者无法控制沙箱操作的工​​作目录。然而，由于编码代理是一种独特的软件，在此漏洞中，提示注入成为通往该部分代码的通道。 漏洞 2：符号链接规范化失败 第二个漏洞与第一个完全独立，存在于 Cursor 的文件路径解析边缘情况中。它允许威胁行为者利用符号链接绕过越界写入保护。 提示注入（通过无害的 MCP 服务器请求或受污染的网页结果）可以指示 Cursor Agent 在项目目录内创建一个符号链接，指向位于项目目录之外的文件。 默认情况下，Cursor Agent 会尝试规范化路径（解析符号链接）以确定其真实位置，并验证它们位于项目根目录内。 该漏洞之所以发生，是因为规范化逻辑包含一个危险的 fallback：如果规范化失败（例如路径不存在，或路径的某个目录缺少读取权限），Cur

匹配字段正文

和打标签，其规范更为精确。Cowork 中数据和电子表格工作既占比过高又尤其自主，这解释了聊天和 Cowork 提升的一部分原因。 13有关此分类所用提示词的详细信息，请参阅我们 3月报告. 在我们用户群体之外，由更结构化的调查数据所呈现的类似模式也同样成立，这些数据来自 Anthropic 公开记录一项覆盖超过5万名美国人的全国代表性调查。 15 在职业被编码为管理类的人群中，48.1% 表示自己受雇于某家公司，24.4% 表示自己是拥有雇员的企業主，21.7% 表示自己是自雇人士或承包商。其余人目前没有工作，报告的是其最近一份职业。 16不包括军事。 17由于回答被分箱处理——因此最低可能的编码回答也高于零，而最高可能的回答则低于一——本图中的斜率偏向于零。因此，我们对斜率的比较只作定性解读，而不将其视为精确估计。不过，若改用“报告 AI 能完成至少 60% 的工作任务”这一指标来估计该关系（该指标不受中点编码影响），上述模式（正斜率且近乎平行的直线）依然稳健。 分箱后的回答量表很可能也起了作用：由于中点编码会把报告的任务份额拉离两端，即使不存在任何实质性差异，观察到的暴露度也往往

匹配字段正文