AOS-Bench评测:LLM Agent多任务并发能力下滑13至23分

arXiv 新论文提出 AOS-Bench,把编码 Agent 当作“工作负载管理器”来评测:任务陆续到达、共享 CPU 和内存。摘要显示,单任务表现好并不等于能管好多任务,重负载下各系统得分普遍下降 13 至 23 分。

arXiv 新论文提出 AOS-Bench,把编码 Agent 当作“工作负载管理器”来评测:任务陆续到达、共享 CPU 和内存。摘要显示,单任务表现好并不等于能管好多任务,重负载下各系统得分普遍下降 13 至 23 分。

arXiv 10月27日收录一篇新论文,提出把因果发现中互相冲突的条件独立性检验事实修复,建模为最小代价纠正问题并用答案集编程实现,让用户对“释放了哪些假设”的质疑有可检查的修复对象和形式化回应。

arXiv 上一篇 AI 治理论文不再把“合规”当成模型属性,而是试图把部署合规重新定义为某个上下文分布下的失败率,并给出配套的审计与误差预算机制。它为按用途监管提供了可操作的证据对象框架,但目前仍只有摘要级信息。

arXiv 上一篇元分析汇总了 11 项研究、32 个大语言模型,发现模型在风险决策中“怕亏”的程度明显弱于人类,但概率判断的扭曲方式仍与人类相似。

研究团队发布 DialFork 基准,首次在原始对话文本上评测“程序性幻觉”——智能体每句话都说得通,却偏离既定对话流程。这类错误此前很少被单独度量。

arXiv 2026年10月27日收录的一篇新论文提出 LPDS 系统,用生成式逆建模把期望结果和靶丸配置直接映射为激光脉冲波形,试图替代惯性约束聚变中昂贵的仿真试错。目前仅是论文摘要层面的信息,尚无公开代码或产品。

Hugging Face Papers 收录的论文提出 Hy-Nomas,一个 8B 扩散骨干的视频世界模型,可在多轮交互中同时接受自由文本指令和连续镜头控制,并公开模型权重、代码和评测基准。

Hugging Face Papers 上出现一个开源权重视觉语言模型 RoboJev-27B,专门判断机器人操作任务是否成功;在同型号机器人留出测试集上报告 95.2% 平衡准确率和 0.993 AUROC,单张 H100 推理中位耗时 0.26 秒。

Hugging Face Papers收录的论文摘要提出ParetoRSI-Gym,用固定在五个领域的训练闭环评估AI智能体能否自主完成数据搜寻、训练与回归权衡;其报告的最佳组合在泛化分数上较起点模型提升9.2%,为“递归自我改进”提供了更接近真实后训练的评测方式。

2026 年 10 月 16 日至 23 日,PHP、Node.js、GitLab、LiteLLM、OpenCode 及证书机构 eMudhra 接连出现严重安全事件,且已有攻击在漏洞披露前发生。真正耗时的不是升级,而是先知道自己哪些资产受影响。