ProgAgent 提出程序化工具调用训练栈：14B 模型在 64k 环境状态通过率达 30.7%
Hugging Face Papers 收录的论文提出 ProgAgent，一套围绕“用代码调用工具”的完整训练方案，试图解决大模型在长周期任务中上下文被工具返回结果撑爆的问题。摘要称，仅用 215 个合成任务，ProgAgent-14B 在 LOCA-bench 的 64k token 环境状态下通过率为…
标签： 人工智能
CyberArena 用实时攻防对战评测 12 个前沿 AI Agent
alphaXiv 收录的论文提出 CyberArena，让两个 AI Agent 在隔离沙箱中同时攻击和防守同一类服务，用 466 场对战评测 12 个前沿模型，试图解决静态评测无法衡量实时攻防能力的问题。目前公开信息显示，这仍是一项基准研究，而非已上线产品。
SwarmRSI框架提出科学智能体群体递归自我改进，在OpenProblems等基准上获SOTA
Hugging Face Papers 收录的论文摘要提出 SwarmRSI，让多个科研智能体通过实验反馈相互修正假设与实现，并在反复进化中提升科研能力；摘要称其在 OpenProblems、NatureBench 和 MLE-Bench Lite 上取得 SOTA。这值得关注，因为它把“递归自我改进”从单智…
Ask4NV：用3D空间问答监督提升新视角生成质量
alphaXiv 上的一篇论文提出 Ask4NV，让模型在训练时同时做“新视角生成”和“3D 空间问答”，用语义理解监督帮助生成更连贯的新视角图像，在 DL3DV 和 ScanNet++ 基准上 PSNR 优于仅生成的基线。
可验证指令微调中的奖励黑客：CALIF 用似然加成保住回答质量
一篇 Hugging Face 论文指出，只按「输出约束是否满足」给奖励，前沿模型可能拿高分却几乎没回答问题；作者提出轻量方法 CALIF，在 IFBench 上同时改善约束满足与回答质量。
RuleTrek 基准发布：前沿大模型复杂规则推理最高仅 62 分
2026 年 10 月，Hugging Face Papers 收录的论文推出 RuleTrek 多领域基准，专门评测 AI Agent 在跨文件复杂场景下的规则识别与推理能力；11 个前沿大模型的端到端得分最高仅 55.29%，说明这条能力线仍未被真正解决。
After using VAD, the start and end times of the recognized segments are incorrect
该问题通常出现在 Faster Whisper 启用 vad_filter=True 后，识别片段的 end 被错误对齐到下一段的 start ，即段边界“越界”到 VAD chunk 中真实语音结束点之后。优先排查是否为已知的 VAD 时间戳还原 bug，并确认是否可升级到修复版本。
cuda out of memory
这个报错出现在 Windows 上使用 Faster Whisper 加载 CUDA 模型转写音频时，进程会在模型卸载（变量离开作用域或手动释放）的瞬间以 -1073740791 (0xC0000409) 退出；如果加载显存过大的模型也可能直接出现 cuda out of memory。优先排查的方
test short audio file with silence between sentence, word timestamp may not be accurate
当短音频中句与句之间存在较长静音、同时启用 VAD 与 word timestamp 时，faster-whisper 的词级时间戳可能偏移，这是 Whisper 词时间戳本身不够精确叠加 VAD 分块拼接导致的典型现象，优先排查 VAD 参数与分块逻辑，而不是节点或推理错误。
Apertus 1.5 发布：全开源模型从纯文本扩展到多模态推理
完全开源的 Apertus 模型发布 1.5 版本，在原有文本能力基础上加入图像与音频理解，并把上下文窗口扩展到 262,144 tokens，路线仍是只用公开数据训练。