celebrityanime

arXiv 一篇新论文发现，在 Verus/Rust 代码验证任务中，专为修复错误设计的“正确性反馈”反而会抹掉审查规范完整性所需的关键证据，导致认证通过的程序实际上违反真实意图。

Hugging Face Papers 收录的论文摘要显示，Intern-Decision 提出 0.8B、2B、4B 三档多模态决策模型，用自回归掩码语言建模直接输出结构化选项和候选概率，试图把智能体里的“下一步选什么”从自由文本生成变成轻量分类任务。

2026年10月16日，arXiv 出现一篇新论文，提出测量系统 AlphaDiana，试图回答 agent 的收益到底来自模型还是 harness。对开发者的直接价值是：评测 agent 时，可以分开控制工具复用和记忆保留。

InfoVis 是一个 9B 规模的统一幻灯片生成与编辑模型，在自建的 VisSlideBench 评测中 11 项指标均领先评估过的开源模型，整体得分 7.94 分，接近 Nano-Banana-2 的 7.99 分。

arXiv 上一篇新论文提出，当主流基准测试因模型分数趋近满分而饱和时，模型解题的完整记录仍可能保留区分能力的信息。研究用历史基准回溯模拟饱和，初步发现“两两对比评判”效果最好，但这只是摘要结论，不是已落地的产品功能。

Hugging Face Papers 收录的论文提出 WorldMemBench，用 260 个测试用例系统评测视频世界模型的世界记忆能力。它关注的不是画面是否好看，而是模型在离开又返回同一场景后，还能不能记住人物、物体和环境。