新基准Siris测试13款大模型:能否判断仿真误差是否影响设计推荐

Hugging Face Papers 收录的论文提出新基准 Siris,用来检验 LLM 能否分辨“模拟器的建模局限只是让预测失真”还是“会让推荐的设计方案本身出错”。这关系到 AI agent 做系统研究时,能否信任模拟器给出的结论。

Hugging Face Papers 收录的论文提出新基准 Siris,用来检验 LLM 能否分辨“模拟器的建模局限只是让预测失真”还是“会让推荐的设计方案本身出错”。这关系到 AI agent 做系统研究时,能否信任模拟器给出的结论。

美团于2026年11月10日以MIT许可证开源LongCat-2.5,一个总参数1.6万亿、每token激活约480亿的原生多模态MoE模型,支持100万token上下文;其长序列SFT在单卡显存低于80GB的国产加速卡上,单卡吞吐较DDP基线提升86%。

arXiv 于 2026 年 11 月 10 日发布的一篇新论文讨论“递归自我改进(RSI)”是否应当启动,作者的核心判断是:现有前沿模型已具备让 RSI 显得可信的能力,但人类连评估其后果的清晰框架都还没有。

Hugging Face Papers 收录的论文提出推理引擎 Flide,声称在决策类模型的查询上最高比 vLLM 和 SGLang 快 9.5 倍,同时保证每个分支的计算结果与单独前向完全一致。若结论成立,它针对的是 LLM Agent 系统中被现有生成式推理引擎忽视的一类负载。

金鸡百花电影节首次设立影视AI单元,并在福建厦门举办推介活动;其核心赛事AI黑客松吸引287支队伍报名,20支入围团队围绕指定命题进行72小时限时创作。值得关注的是,电影节这类主流行业平台已开始正式接纳生成式AI工作流。

arXiv 2026年11月10日发布的一篇新论文提出 AdaOffload,一个面向多 GPU 的 MoE 专家卸载推理框架,声称在 284B 至 753B 参数开源模型上,相比现有系统吞吐提升 1.9 至 15.5 倍。目前仅为论文摘要,尚未核验全文实验与同行评审状态。

Anthropic 计划于 11 月 19 日或 20 日以代码 ANT 登陆纳斯达克,但在 AI 股票上周大幅回调后,部分机构投资者要求下调定价,估值锚点从 1.5 万亿美元向 1.1 万亿至 1.3 万亿美元靠拢。

arXiv 上一项新研究提出 PISA 和 PISA-E 两种方法,让 Web 服务按每条请求的提示词,动态决定用哪个大模型、或组合哪几个模型,在控制推理成本的同时争取更好的回答质量。目前这是论文摘要,尚未核验全文实验,也不是已上线产品。

据泄露的 GameFeel Bench 数据,阿里 Qwen4 系列中轻量版 Qwen4-Flash 以 49.9 分超过 Opus5.5 的 47.2 分,同时推理成本约为后者的六分之一,引发对国产大模型创意能力与性价比的新一轮讨论。

arXiv 新论文提出 EvoDiff,把扩散模型和主动学习结合,在超声图像诊断任务中用更少标注接近全监督效果,模型估计可减少 24%–84% 的标注工作量。