标签：大模型

墨尔本大学发布VoxMem基准：32K上下文下音频大模型全员不及格

墨尔本大学与UNSW联合发布音频记忆基准VoxMem，在约32K上下文长度下，15个主流音频大模型的综合准确率均未超过40%，暴露出模型对说话人身份、语气和背景声等原生音频信息的记忆短板。

研究者提出 U-Space，把大模型推理中的“不确定感”映射为低维子空间里的可解释信号，无需重复生成或额外训练就能给出 token 级不确定性图；它值得关注，因为它试图回答“模型何时该被质疑”，而不只是给一个黑盒分数。

谷歌新一代模型 Gemini 4 Argon 已向部分 Pro 用户开放，并开始向真实代码仓库提交代码；它不再只是补全工具，而是被 Google Cloud 和内部工程流程当作可独立执行任务的智能体来使用。

美国犹他州初创公司 Nolla Health 启动为期一年的试点，让 AI 通过扫脸评估痤疮严重程度并直接开具处方，用户每月支付 5 美元即可使用。这是 AI 首次在有限范围内获得部分独立处方权，引发医疗监管与责任边界的讨论。

arXiv 新论文提出 GenUI-Harness，用多智能体在对话中生成结构化前端界面，把复杂任务的平均对话轮数从 3.4 降到 1.2，并让 4B 小模型在 UI-TAU Bench 上 Pass@3 从 9.33% 提到 58.00%。

alphaXiv 上的一篇论文提出 Code-Only-as-Policy（COAP），尝试把机器人决策完全写成代码，用显式状态替代 VLM/VLA 推理；在 RoboDojo 的 42 个双臂任务上，测试时不调用任何模型，报告成功率 70.24%。

Hugging Face Papers 收录的论文摘要显示，研究者提出统一多模态深度研究 Agent OneSearch-VL，用视觉锚定证据图（VGEG）串联图像、多图与视频任务，其 8B 模型在两个新基准上比可调用工具的 Qwen3-VL-8B 提升 20.2 和 17.6 个百分点。

开源基准 Jevman 让六个 AI 决策模型在《吃豆人》经典幽灵规则下各打 100 局，按平均分与 95% 误差范围排名，并允许任何 HTTP 端点模型提交参战。

一项来自 Hugging Face Papers 的受控研究指出，LLM 在识别隐藏策略和遵循高阶序列规则时存在明显缺陷，看似逼真的行为模拟可能掩盖了错误的生成机制。

arXiv 2026年10月9日挂出一篇新论文，提出用“错误检测”而非“模仿人类评审”来评估AI审稿系统，并给出可扩展基准与多层级评审框架，同时提醒对抗操纵风险仍在。