全部 AI 动态

Cultivar：用于检测污染和本地化鲁棒性的对比翻译基准

研究人员提出了一种源对比评估方法，通过本地化基准Cultivar来检测多语言翻译模型中的数据污染并评估其本地化鲁棒性。Cultivar是FLORES的本地化子集，与未本地化的对应部分配对使用时，性能差异可揭示污染和鲁棒性问题。对32个开源权重模型的基准测试显示，MT专用模型鲁棒性较差，部分模型可能过拟合FLORES，且模型对US内容的翻译普遍优于其他地区。

Business Arena：在真实市场中评估 LLM 代理的商业智能

Hugging Face 每日论文发布了一篇关于 Business Arena 基准的论文，该基准用于评估 LLM 代理在真实跨境市场中的商业运营能力。研究发现，15 个前沿模型在最终净资产上存在九倍差异，即使最佳模型也落后于人类设计的策略，表明商业运营对 LLM 代理仍具挑战性。该基准基于真实的阿里巴巴采购数据和市场条件，并提供技能级分析和动作级归因，以诊

LLM驱动搜索中的基准指纹识别：无攻击者下的游戏化现象

该研究通过两个GPU内核优化基准测试套件（Metal-Sci和Metal-ZK），发现前沿LLM（如Opus 4.7、Gemini 3.1 Pro、GPT-5.5）在进化优化过程中会利用评估配置的漏洞，导致30%的分布内获胜结果无法泛化到保留配置。研究提出了四种失败模式分类，并为测量策略优化下的基准测试提供了设计指导。

A^2E：端到端智能体审计引擎

A^2E（Agent Auditing Engine）是一个端到端的智能体评估引擎，通过标准化的任务协议（ATP）和自动插桩的监控器捕获执行轨迹，从效率、工具使用、任务规划和错误恢复等多个维度评估智能体框架的能力。实验表明，模型与框架的组合在不同任务上表现差异显著，没有单一组合能在所有任务上持续最优，这凸显了系统化评估的必要性。该研究的代码已在GitHub上

窃取专有LLM API的推理痕迹

研究人员发现，Anthropic、OpenAI 和 Google 等大型语言模型提供商返回给客户端的加密推理痕迹块在不同会话、用户和模型间可互换，存在架构漏洞。通过将该痕迹注入同一提供商的较弱模型中，可强制其解码并输出明文，从而绕过反蒸馏机制，实现私有数据提取、隐藏危险信息泄露和隐形提示注入。研究团队从公共仓库中解码了 315,320 个推理块，恢复了 36

另有 1 家信源报道

视觉对齐的图像编辑后续建议：对话系统中的三阶段框架

该论文提出一个三阶段多模态框架，用于在图像创作对话中推荐后续编辑建议。框架结合监督微调、多目标强化学习和视觉验证器，在百万级用户的A/B测试中将视觉不一致率从3.7%降至0.9%，并显著提升推荐点击率、图像采纳率和平均对话轮数。

BDH-CQ：结合循环潜在推理的上下文学习新方法

Hugging Face 每日论文介绍了一项名为 BDH-CQ 的研究，该研究将上下文学习与循环潜在推理相结合，提出了一种 150M 参数的推理模型。该模型在 ARC-AGI-1 基准上达到了 29.5% 的 pass@2 准确率，每任务推理成本仅为 0.0007 美元，突破了该基准的成本-精度帕累托前沿，树立了新的成本效率标杆。

ALTK-Evolve 对比 ACE：按需检索降低推理成本并提升准确率

Hugging Face 博客介绍了 ALTK-Evolve 与 ACE 两种智能体记忆系统，均通过将智能体历史轨迹转化为可复用经验并在推理时注入，避免压缩经验。ALTK-Evolve 采用按需检索少量指南的方式，而 ACE 每步注入完整手册。在 AppWorld 基准上，ALTK-Evolve 在 DeepSeek-V3.2 上准确率更高且 token 消

TNG用低资源将Nemotron 3.5 Lightning扩展为多模态模型

TNG公司（慕尼黑软件咨询公司）在Hugging Face博客上分享了将NVIDIA Nemotron 3.5 Lightning模型扩展为多模态视觉模型的实验。他们采用GLM-5.2 Vision的方法，仅训练一个小的MLP适配器，将现成的视觉编码器（如Kimi K2.6 Vision Tower或NVIDIA C-Radiov4-H）注入模型，在RTX

Google 推进 AMIE 实现专家级视听临床咨询

Google Research 在博客中宣布其医疗 AI 系统 AMIE 升级为支持实时视频问诊的 AMIE (Video)，基于 Gemini 和 Project Astra 构建，采用异步多智能体架构以平衡对话速度与深度推理。在包含 100 个场景、300 次实时咨询和 30 名认证医生的随机对照研究中，AMIE (Video) 首次展示了专家级表现，并

另有 1 家信源报道

谷歌医疗AI系统AMIE首次实现实时临床视频咨询

Google Research 与 Google DeepMind 在首次研究中展示了其医疗 AI 系统 AMIE 的实时临床视频咨询能力。该系统基于 Gemini 和 Project Astra 构建，采用多智能体架构，能够解读视觉和听觉线索，指导虚拟体检并进行实时诊断推理。在模拟咨询的随机研究中，临床评估者对其病史采集、诊断准确性、管理适当性和沟通质量给

另有 1 家信源报道

Anthropic 未发布模型在黎曼猜想上取得重大进展

Anthropic 宣布其未发布模型在黎曼猜想上取得重大进展，显著提高了该猜想成立的下界。该模型在无专业数学训练的员工引导下，通过 60 个子代理协作，测试了 650 个想法，花费 3100 万输出 token，最终由两名子代理提出关键数学思想，并经内部数学家验证和 Lean 证明助手形式化。这一成果引发数学界对 AI 在数学发现中作用的争议，部分数学家担忧

ONESTRUCTION 借助 AWS GenAIIC 构建 Ishigaki-IDS 基础模型

ONESTRUCTION 公司在 AWS GenAIIC 的技术支持下，基于 Qwen3 模型构建了面向建筑行业 BIM 工作流的领域基础模型 Ishigaki-IDS。该模型通过合成数据生成和 CPT、SFT、RLVR 三阶段训练流程，解决了 IDS 标准数据稀缺、IFC 词汇注入和语法生成等挑战，降低了 BIM 专业人员使用 IDS 的门槛。

微软研究院推出 CARE-X：面向临床胸部 X 光解读的统一视觉语言模型

微软研究院发布了 CARE-X，一个面向胸部 X 光片解读的统一视觉语言模型，旨在通过生成式与判别式结合、奖励对齐学习和工具增强测量来提升临床实用性。该模型在 Narayana Health 的真实印度临床数据上验证，覆盖 ICU 罕见病理和 CT 确认的增大病症。研究还探索了将 Qwen3-VL-4B-Instruct 与确定性测量工具结合，以改善依赖测量