NEBench R1 核领域推理基准发布:正确率不等于推理质量

arXiv 新论文提出 NEBench R1,用 7,546 道美国核管会反应堆操作员执照考试题评估大模型,不仅看答案对错,还评推理质量。结果显示,答对不等于理由可靠。

arXiv 新论文提出 NEBench R1,用 7,546 道美国核管会反应堆操作员执照考试题评估大模型,不仅看答案对错,还评推理质量。结果显示,答对不等于理由可靠。

Hugging Face Papers 收录的论文摘要提出 TCP4D,用一个共享的 4D 场景表示,同时完成机器人 TCP 位姿跟踪和未来轨迹生成,目标是从普通 RGB 视频中恢复动作标注,以降低机器人示教数据成本。

微软11月17日正式上线决策专用模型Microsoft-Decision-1.1,在Artificial Analysis决策基准上跑赢Gemini与GPT-6 Luna等竞品,并且信息不足时会主动弃权或转人工。

微软在 Ignite 2026 上发布首款语音对语音模型 MAI Realtime 1,支持对话打断、噪音环境识别和调用企业系统完成任务,定价约为竞品三分之一,面向企业实时交互场景。

微软在Ignite 2026上宣布医疗转录产品Dragon Copilot Transcribe全面切换至自研语音模型MAI-Transcribe-2,每月处理约1000万次就诊,多语言工作流错误率下降约50%,美国约三分之一医师已在使用。

微软 CEO 萨提亚·纳德拉在圆桌讨论中表示自己已成为“AGI 信徒”,但同时明确否认 Claude 等前沿模型具有意识,并反对赋予 AI 道德主体地位。这一表态把 AGI 讨论拉回经济组织与社会采用层面。

在微软365、Outlook和苹果多项服务接连出现大规模故障后,社交平台传出Gmail也宕机的消息,谷歌主动发声澄清未发现Gmail大面积中断。这场虚惊背后,是企业补丁密集与AI漏洞挖掘给系统稳定性带来的新压力。

Anthropic的A类普通股已获准在纳斯达克全球精选市场上市,代码为“ANT”,发行价区间定为每股70至78美元,并同步进行260亿美元私募配售,目标直指史上最大规模IPO。

OpenAI于2026年11月17日发布GPT-6.2 Astra与GPT-6.2 Sol两款模型,Astra的API输入输出价格较上代降低20%、缓存输入价格降低60%;这次调整直接关系开发者的调用成本和专业场景的模型选择。

一篇 2026 年 11 月 16 日发布在 Hugging Face Papers 的论文摘要提出,大模型因问题歧义、知识不足和安全对齐而拒答时,内部激活可能存在共同的“弃答方向”。这为理解大模型何时该说“不知道”提供了新的分析框架。