OpenAI三位安全专家否认违规,称解雇产生寒蝉效应

三名此前被 OpenAI 以违反信息安全政策为由解雇的安全研究员发布联合公开信,否认泄密并称解雇正在团队内部制造“寒蝉效应”,让前沿模型的风险监测变得更难。

三名此前被 OpenAI 以违反信息安全政策为由解雇的安全研究员发布联合公开信,否认泄密并称解雇正在团队内部制造“寒蝉效应”,让前沿模型的风险监测变得更难。

Hugging Face Papers 近日收录的论文 TestPrism 指出,用单一参考解评估 LLM 生成的测试会高估质量,其提出的联合成功指标在 14 种编码代理配置下仅 28.00%。

Hugging Face Papers 在 2026 年 10 月 8 日收录的论文提出 USDCraft,用预训练大模型编写可执行程序,从残缺网格重建可导入 Isaac Sim 的铰接式 USD 资产,目标是提升 sim-to-real 机器人操作的迁移可靠性。

Hugging Face Papers 在 2026 年 10 月 8 日收录的论文摘要提出 Learn2Play Bench,用规则陌生或反直觉的文本游戏评测大模型智能体能否靠互动经验学习,而不是靠预训练知识。它值得关注,因为它试图把“真学习”和“调记忆”区分开。

字节跳动 Seed 团队在一篇研究中指出,分块式 KV 缓存压缩会带来“相位敏感”问题,可能使部分大模型在超长文本检索中出现明显性能波动;该研究目前为论文披露,尚不等同于已上线产品功能。

VibeEdit 让用户直接在图像上打空间标记并附简短注释,取代纯文字提示来指定编辑位置和内容。论文在 419 个人工筛选案例上报告的 VLM 评分和区域外 PSNR 均高于文字指令基线。

Hugging Face Papers 收录的论文摘要显示,研究者提出 DreamTrue 多视角、跨本体机器人世界模型,通过反事实后训练把 AgiBot 基准上人工评估的交互缺陷率从 48.12% 降到 6.25%。值得关注的是,它试图解决机器人视频预测中动作不跟随和预测偏向成功两类常见问题。

2026年9月29日,Hugging Face Papers收录的一篇论文提出SimpleICL框架,试图解决机器人从视觉演示中学习时“该模仿什么”的模糊问题,并宣称无需大规模预训练即可在仿真和真实环境中取得效果,同时将开源数据和训练流程。

2026年10月8日,Hugging Face Papers收录的论文提出TokenRouter系统,专门解决Token级LLM路由在传统服务系统上遇到的调度不同步与批处理延迟问题,官方摘要显示其解码吞吐量可达现有系统的2.01至64.15倍。

一篇新论文提出 SparseDecoding,针对大模型解码阶段做剪枝校准和稀疏算子优化,在多个模型上报告了长文本生成效果提升和最高 1.48 倍的端到端解码加速。