正确性反馈反成证据杀手:Verus审计揭示AI代码验证盲区

arXiv 一篇新论文发现,在 Verus/Rust 代码验证任务中,专为修复错误设计的“正确性反馈”反而会抹掉审查规范完整性所需的关键证据,导致认证通过的程序实际上违反真实意图。

arXiv 一篇新论文发现,在 Verus/Rust 代码验证任务中,专为修复错误设计的“正确性反馈”反而会抹掉审查规范完整性所需的关键证据,导致认证通过的程序实际上违反真实意图。

Hugging Face Papers 收录的论文摘要显示,Intern-Decision 提出 0.8B、2B、4B 三档多模态决策模型,用自回归掩码语言建模直接输出结构化选项和候选概率,试图把智能体里的“下一步选什么”从自由文本生成变成轻量分类任务。

2026年10月16日,arXiv 出现一篇新论文,提出测量系统 AlphaDiana,试图回答 agent 的收益到底来自模型还是 harness。对开发者的直接价值是:评测 agent 时,可以分开控制工具复用和记忆保留。

InfoVis 是一个 9B 规模的统一幻灯片生成与编辑模型,在自建的 VisSlideBench 评测中 11 项指标均领先评估过的开源模型,整体得分 7.94 分,接近 Nano-Banana-2 的 7.99 分。

arXiv 上一篇新论文提出,当主流基准测试因模型分数趋近满分而饱和时,模型解题的完整记录仍可能保留区分能力的信息。研究用历史基准回溯模拟饱和,初步发现“两两对比评判”效果最好,但这只是摘要结论,不是已落地的产品功能。

Hugging Face Papers 收录的论文提出 WorldMemBench,用 260 个测试用例系统评测视频世界模型的世界记忆能力。它关注的不是画面是否好看,而是模型在离开又返回同一场景后,还能不能记住人物、物体和环境。

arXiv 新论文提出 PLVR,把教师模型的推理轨迹编译成可执行程序,在不改小模型权重的前提下,让 8B 模型在 tau2-Bench Telecom 上从 43.0% 提升到 91.2%。这说明在流程性较强的任务里,性能瓶颈可能是流程而不是模型能力。

一篇新论文提出 EdgeWise 框架,让本地小模型负责长任务的大部分步骤,只在关键步骤调用云端大模型,声称在特定基准上可减少最高 62% 的推理成本。

arXiv 上一篇新论文提出用有向无环图和行为树来编排规划、机器学习、约束编程与大语言模型等异构 AI 组件,试图把“单模型打天下”变成“多模型协同干活”。目前仅为论文摘要,尚无落地产品验证。

2026年10月14日,Hugging Face Papers 展示了一篇论文,提出 CommerceGen-Studio,一个号称能在实际生产中每天生成数百万张商业级电商主图的端到端框架,并在其自建基准 CommerceGen-Bench 上取得优于多个开源基线和部分闭源模型的成绩。