ProofPaths:用AI面试官验证学生是否真懂解题思路

arXiv 上的一篇新论文提出 ProofPaths,把多智能体评分与个性化追问面试结合,试图判断学生提交的答案是否真正理解推理过程,而不仅是答案正确。

arXiv 上的一篇新论文提出 ProofPaths,把多智能体评分与个性化追问面试结合,试图判断学生提交的答案是否真正理解推理过程,而不仅是答案正确。

Hugging Face Papers 于 2026 年 10 月 29 日收录的论文摘要提出 Caper,一种面向自主编码代理的“后果感知”命令审批机制:先在快照沙箱里预执行命令,再根据实际观察到的效果决定放行或回滚。

arXiv 上的一篇新论文指出,模型在预测任务上的优势可能恰好以干预响应出错为代价,仅靠数据学习难以可靠获得「干预能力」,需要主动提出、检验和修正因果假设。

普林斯顿大学AI Lab推出静态跨视角空间理解基准SSoN,人类准确率83.3%,参测主流视觉语言模型最高仅39.7%。这说明当前大模型在3D空间几何推理上仍有明显短板。

论文提出“targeted guidance”框架,在 agentic 多轮软件工程任务中,仅对失败回合注入文本反馈做在线自蒸馏,并与逐条准则的 RL 奖励结合,以在不明显拖累基线 RL 表现的前提下学习原本难以优化的行为。目前信息来自论文摘要与页面概述,尚未显示已产品化或经同行评审。

arXiv 上出现一篇新论文,提出免训练的长链推理模型合并框架 LHM,试图在保留推理能力的同时大幅压缩冗长输出;据摘要,它在 1.5B 与 7B 模型、多个数学基准上优于 ACM-TIES 和 ORCA,但尚需全文与更多任务验证。

在2026年乌镇世界互联网大会上,数据显示中国大模型在OpenRouter平台的周token调用量已连续27周超过美国,DeepSeek位列全球第一;同时海外企业和开发者正把中国开源模型用于实际工作。这说明开源路线正在成为AI竞争的关键变量。

arXiv 新论文提出 El Agente Fármaco,用大模型把日常语言描述的药物发现目标转成可扩展的计算筛选工作流,并引入带溯源记录的共享科学记忆 Fármaco Atlas,试图减少逐个分子做 LLM 决策的开销。

Anthropic 与零知识证明研究者合作开源 FlashProve,为模型权重生成“指纹”,让用户无需拿到权重或 GPU 即可验证所调用的是否为真模型。这针对的是大模型供应链里“高价买顶级模型、实际跑缩水版”的套壳灰产。

Anthropic 开源了大模型可证明推理系统 FlashProve,借助 zkSNARK 零知识证明,在普通 CPU 上约 17 秒即可验证模型是否被“套壳”或篡改,官方称验证速度提升约 5000 倍。