celebrityanime

开放权重模型在CTI-REALM基准上以更低成本追平闭源

arXiv 新论文显示，在 CTI-REALM 安全检测任务中，开放权重模型在放宽对话轮数限制后，奖励超过闭源模型，且成本不到后者的十分之一。这一发现挑战了“闭源前沿模型必然更强”的默认假设。

ReTerm 提出让终端智能体专门从自己的失败任务中学习恢复，在 Terminal-Bench 2.0 上把 Qwen3.5-9B 的 Pass@1 从基础水平提升到 34.8%，高出 14.6 个百分点。

arXiv 2026年10月14日发布的一篇新论文提出 VETNET，一个面向动物科学与兽医领域的实时基准数据集与评测框架生态，试图用标准化数据缩小兽医 AI 与人类医学 AI 之间的差距。目前仅为论文摘要披露，尚无论文全文实验核验。

这个报错通常发生在 macOS 用户尝试用 Docker 方式启动 SwarmUI 时，Docker 无法从 CDI 发现可用的 GPU 厂商。优先确认你走的到底是官方 Mac 安装指引还是 Docker 指引，Mac 支持本身属于社区贡献且未充分测试。

论文 X-Ragent 提出一种工具增强强化学习后训练框架，让模型自己学会何时查询辅助证据、并只允许有效测量进入诊断推理；在三个胸片基准上取得最佳结果，其中完全留出的 ChestAgentBench 提升 8.6 分。

arXiv 上一份新论文提出长时程终端基准测试 LHTB 2.0，通过扩展任务和密集进度评分，发现只看最终结果会严重低估智能体在执行过程中的实际进展。

2026年10月，Hugging Face Papers 收录的论文提出 Multics，一种用分层通信替代全连接通信的多玩家视频生成框架，在4至6人场景下达到新的最优表现，并展示出从4人训练扩散到10人推理的泛化能力。

一篇新论文提出 Tev-Gym 训练环境与进度奖励方案，把原本奖励稀疏、难以验证的长程任务变得可训练，并训练出 Tev-27B 模型，在若干长程智能体评测中接近或超过部分闭源旗舰模型。

一篇 2026 年 10 月 14 日发布于 arXiv 的论文发现，当前主流数据科学智能体在 220 个任务中多数至少存在一种方法论失败，数据泄漏甚至与预测性能正相关，仅看准确率会掩盖问题。

Hugging Face Papers 收录的论文提出 VideoJev，把视频理解与交互统一成结构化决策任务：不再逐字生成答案，而是用一个共享打分头在视频证据上给时间段和文本选项评分。摘要显示它在多个视频基准上提升精度，并带来显著推理加速。