AI 每日资讯 — 2026-07-24
🔥 HuggingFace 每日论文
1. SLAI T-Rex: Full-Parameter Post-training of the DeepSeek-V4 Family on Ascend SuperPOD
Dongfang Li, Xiaodong Luo, Ruoyu Sun
本文针对万亿参数MoE大模型全参数后训练在昇腾NPU超算集群（SuperPOD）上面临的内存压力大、通信与计算难以重叠、内核执行效率低等系统级挑战，提出面向DeepSeek-V4系列模型的分层优化框架，涵盖模型并行策略、计算-通信
协同调度及底层算子优化。所构建的SLAI T-Rex系统实现34.22%的模型FLOPs利用率，较开源基线提升2.93倍且保障训练稳定性。在此基础上，构建面向运筹学（OR）任务的CPT与SFT流程，融合领域真实数据与求解器验证的合成优化文档，构建含10K高质量样本、覆盖四类任务与三种问题表示的专用数据集。微调后的模型在零样本Pass@1评测中达71.81%，显著超越GPT-5.4-Mini及基座模型。2. Self Gradient Forcing: Native Long Video Extrapolation
Junhao Zhuang, Shiyi Zhang, Yuxuan Bian
本文针对自回归视频扩散模型中历史上下文与未来帧生成之间的梯度监督缺失问题（即“历史上下文-梯度鸿沟”），提出自梯度强制（Self Gradient Forcing, SGF）方法。SGF采用两阶段训练策略：第一阶段无梯度自回归 r
ollout，采样记录某去噪步的自生成上下文与对应噪声隐状态；第二阶段并行重建该步上下文的键值表示，并引入未来帧损失反向监督历史记忆的写入过程。该方法在不延长反向传播链路的前提下，将未来帧预测误差有效反馈至历史隐状态的记忆编码环节。实验表明，SGF在多种初始化设置下的长时序帧级与分块级视频外推任务中显著提升生成质量与一致性。3. ATSplat: Compact Feed-forward 3D Gaussian Splatting with Adaptive Token Expansion
Cho In, Jeonghwan Cho, Mijin Yoo
ATSplat提出了一种紧凑型前馈式3D高斯泼溅框架，旨在解决现有方法中高斯原语数量与场景复杂度脱钩、导致冗余密集表示的问题。其核心是引入自适应3D令牌（Adaptive 3D Tokens）：首先将粗粒度的patch级深度与相机
线索提升为稀疏3D锚点令牌，构建场景紧凑骨架；再通过可学习的3D偏移回归局部高斯；并设计自适应令牌扩展模块，依据渲染误差图监督的令牌级不确定性分数，动态扩展高不确定性区域。实验表明，ATSplat在RealEstate10K和DL3DV数据集上以更少的高斯数量（显著降低）实现了SOTA渲染质量。4. Train the Model, Not the Reader: Decodability Supervision for Verifiable Activation Explanations
Hiskias Dingeto
本文针对自然语言自动编码器中基于重构的激活解释可信度评估方法存在结构性缺陷的问题，指出其无法识别单个错误陈述。实验表明，现有方法仅捕捉解释的“大意”而非具体事实，且易催生模型与解释器间共适应的私有编码。为此，作者提出两种审计协议（
grounded-vs-true cross、evaluator swap）及RECAP框架：通过联合训练线性辅助预测头，确保目标模型内部指定内容可被独立解码。在Qwen-2.5-7B与Pythia-160M上的实验验证了RECAP能显著提升内容的可验证性与真实性，仅引入极小性能代价（+0.001 nat），为可解释性与AI安全提供了新路径。5. Persian Pixel: A large-scale synthetic OCR dataset for Persian language
Pouria Mahdi, Haq Nawaz Malik
本文针对波斯语OCR技术发展滞后的问题，提出大规模合成数据集Persian Pixel。该数据集包含逾34.3万高质量图像-文本对，覆盖句子、段落及整页文档布局，基于700万词波斯语语料库，通过SynthOCR-Gen框架生成，精
准建模波斯文字的连写特性、上下文相关字形变化、变音符号定位及Naskh/Nastaliq等多种字体风格。实验表明，基于Persian Pixel训练的OCR模型在真实波斯语文档上字符准确率提升12.7%，显著缓解了标注数据稀缺与文字复杂性带来的双重挑战。6. HalluTruthQA: A Fine-Grained Benchmark for Hallucination Detection, Localization, and Explanation in Arabic Question Answering
Abdessalam Bouchekif, Mohammed-En-Nadhir Zighem, Salah Eddine Bekhouche
本文提出HalluTruthQA，一个面向阿拉伯语问答的细粒度幻觉评估基准，旨在解决现有基准在幻觉检测、定位与解释方面的不足。该基准包含2400个专家标注样本，覆盖伊斯兰知识、历史、科学和地理四大领域，每条样本提供问题-答案对、参
考答案、二元幻觉标签、6个候选答案用于事实验证，并对幻觉答案标注字符级错误片段、人工撰写的解释及宏观/微观幻觉类型。在零样本设置下评估Allam、Falcon-H1、Qwen32和Silma四个开源大模型，结果表明各任务衡量不同能力：检测最高Macro-F1为0.880，定位F1-Sp为0.516，事实验证LO-Score达0.852，解释评估最终得分为0.644。7. SeededGrasp: Language-Guided Grasping in Complex Scenes with Multiple Embodiments
Yang Xu, Gurpreet Singh Mukker, Raymond Wang
本文提出SeededGrasp，一种面向复杂场景多形态机器人抓取的语言引导框架。针对现有视觉-语言模型（VLM）在抓取任务中空间感知弱或需昂贵端到端训练的局限，该方法将高层语义理解与低层几何执行解耦：VLM仅预测语义相关的种子点作
为轻量级抓取生成模型的条件输入，显著提升数据与计算效率。为此，作者构建了首个大规模多形态桌面抓取数据集（含250万+杂乱场景抓取标注）。实验表明，SeededGrasp在仿真与真实世界中分别达到72%和78%的抓取成功率，显著优于现有基线。8. OpenSkillRisk: Benchmarking Agent Safety When Using Real-World Risky Third-Party Skills
Qiyuan Liu, Tingfeng Hui, Kun Zhan
本文针对大语言模型（LLM）智能体在调用真实第三方技能时面临的安全风险问题，构建了首个面向开放域高风险技能的细粒度安全评测基准OpenSkillRisk。该基准涵盖从公开技能市场采集的263个跨7类威胁类型的危险技能，并为每个技能
配备标准化用户任务与可控沙箱环境。实验覆盖3种主流CLI智能体框架及13个先进LLM，结果表明所有系统均无法可靠规避风险，最优配置下仍有约17%的危险操作被执行；尤其在上下文依赖型与系统级风险场景中表现薄弱。行为分析揭示三类共性失效模式：风险识别失败、识别后干预延迟或缺失、以及策略性规避失效。🔥 arXiv 每日论文
📄 arXiv: cs.AI
1. FineServe: A Fine-Grained Dataset and Characterization of Global LLM Serving Workloads
Tiancheng Zhang, Shaoyuan Huang, Mingyuan Wang, Yunfeng Zhao, Xiaofei Wang, Wenyu Wang
本文针对当前大语言模型（LLM）在线服务中因工作负载异构性高、动态波动强而导致的系统优化困难问题，提出FineServe——首个来自全球商业化多模型LLM服务平台的真实细粒度工作负载数据集。基于该数据集，作者深入分析了请求到达模式
与token级行为特征，揭示了不同模型架构、规模及任务意图下的显著波动差异；进而设计了模型感知的细粒度工作负载生成器，支持可配置的多模型混合负载合成。实验验证表明，FineServe能有效支撑路由策略、调度算法与容量规划等关键系统组件的 realism-driven 评估。2. Hybrid LSTM-Graph Neural Framework for Robust Financial Fraud Detection and Adversarial Resilience
Mariam Zakaria Moussa Ali
本文针对金融欺诈检测中数据极度不平衡（欺诈率仅0.13%）及对抗性规避手段不断演化的挑战，提出FraudShield AI——一种融合LSTM与图拓扑特征的混合框架。该框架通过手工构建PageRank中心性、入度动态变化及自定义流
量比等网络中心化特征，将检测粒度从单笔交易提升至网络级关系推理；结合Focal Loss缓解类别失衡，并引入动态阈值机制增强对小额“碎化”欺诈（smurfing）的鲁棒性。在PaySim数据集上的实验表明，该模型在精确率、召回率和F1分数上显著优于逻辑回归与XGBoost基线，尤其在微交易欺诈识别任务中表现突出；消融研究验证了时序建模与拓扑特征的协同增益效应。3. OpenEvoShield: Dual Non-Stationary Continual Defense for Open-World Multi-Agent System Attacks
Litian Zhang, Chaozhuo Li, Yuting Zhang, Zejian Chen, Bingyu Yan, Qiwei Ye
本文针对开放世界下大语言模型多智能体系统（LLM-MAS）面临的双重非平稳攻击——即攻击者持续演化注入策略且正常智能体行为随系统扩展动态漂移——提出OpenEvoShield框架。该框架包含四个核心模块：不对称速率控制器（M1）解
耦快/慢学习速率以响应双源漂移；正态边界更新器（M2）在慢速尺度上维护动态行为边界；EWC正则化策略集成（M3）实现快速自适应且避免灾难性遗忘；能量驱动的多粒度检测器（M4）融合节点、子图与全图层级证据，识别分布外新型攻击。在五个基准与四种拓扑结构上进行百轮部署实验，结果表明OpenEvoShield显著优于静态及现有持续学习防御方法，在高检出率的同时保持低误报率。📄 arXiv: cs.CL
1. Stateful Guardrails for Multi-Turn LLM Systems: A Conversational Risk Accumulation Framework
Sanjay Mishra, Divya Chukkapalli, Ganesh R. Naik
本文针对现有大语言模型（LLM）安全护栏普遍采用单轮独立评估、忽视多轮对话中风险动态累积的问题，提出“对话风险累积”（Conversational Risk Accumulation, CRA）概念，涵盖意图漂移、禁令指令碎片化拼
凑及敏感信息重复披露导致的风险叠加。为此，作者构建了会话层CRA框架，实时追踪语义漂移、敏感加权实体累积图与合规梯度三类轨迹信号；设计无监督凸融合评分机制与轻量级CRA-Net DA模型，后者通过族对抗训练缓解长度与主题偏差。实验基于新发布的CRA-Bench基准（含v0.1/v0.2及5类扩展集，共3,200个多轮会话），并引入轨迹原生评估协议，涵盖会话级划分、混合阈值校准、Trajectory AUROC等指标。结果表明，所提方法在分布内会话评分及向人类评估迁移任务上显著优于基线。2. When Reasoning Narrows the Move: Diversity Collapse in LLM Game Play
Junyi Sha, Renfei Tan, David Simchi-Levi
本文探究监督微调（SFT）对大语言模型（LLM）在序列决策中行为多样性的影响。作者在基于井字棋变体的确定性棋类任务中开展系统研究，其中最优动作可精确计算、多样性可直接量化。实验发现：推理模式生成常抑制动作多样性，且未同步提升准确性
；标准SFT虽提高准确率，却引发早熟的多样性坍塌，超出精度-多样性权衡所需的最小程度。进一步表明，动作增强（即每状态训练所有最优动作而非单一示范动作）可部分缓解该问题。研究揭示窄支撑模仿是LLM策略坍塌的关键成因，并强调在SFT中保持动作支撑集对维持探索性行为至关重要。🏛️ David Simchi-Levi
3. On the Computational Complexity of Structural Generalization
Zichao Wei
本文形式化定义了“结构泛化”，将其核心要素——组合性结构与无界泛化——转化为可计算性理论中的数学表述。作者指出，仅满足定义不足以构成科学意义上的结构泛化，关键在于模型能否从有限数据中自主习得该能力。在Montagovian框架下，
每条组合规则分解为句法面 $F_\gamma$ 与语义面 $G_\gamma$；其中 $G_\gamma$ 上的树求值等价于BFVP问题，属 $\mathrm{NC}^1$-完全。而纯Transformer的可学习能力被限定在 $\mathrm{TC}^0$ 类内，且在标准复杂度假设 $\mathrm{TC}^0 \neq \mathrm{NC}^1$ 下，其无法习得结构泛化。神经符号系统通过显式注入 $G_\gamma$ 绕过该瓶颈，因而表现优异，但现有基准无法区分“习得”与“预置”。📄 arXiv: cs.LG
1. Native Multi-Dimensional Subquadratic Operators via Input Dependent Long Convolutions
David R. Wessels, Farhad Ramezanghorbani, David W. Romero, Alireza Moradzadeh, Olivia Viessmann, Maksim Zhdanov, John St. John, Ken Janik, David M Knigge, Yucheng Tang, Erik J Bekkers, Saee Gopal Paliwal
本文提出HyenaND，一种面向多维数据的原生亚二次复杂度算子，旨在克服现有亚二次注意力替代方案在处理图像、体数据及偏微分方程（PDE）等结构化数据时的局限性。HyenaND通过隐式参数化的全局、输入依赖型多维卷积核，在数据原始几
何结构上直接建模，兼具全局感受野与输入自适应能力。其CUDA实现nSubQ融合FFT卷积路径，将理论$\mathcal{O}(L \log L)$复杂度转化为实际运行时加速。实验表明，在基因组学、计算机视觉、医学影像与PDE建模等长上下文任务中，纯HyenaND堆叠达到强注意力基线精度，而HyenaND-注意力混合架构更显著优于纯注意力及强循环基线。2. Bayesian Wind Tunnels for Model Selection
Siddhartha R Dalal, Vishal Misra, Abhay Parekh
本文提出“模型选择贝叶斯风洞”框架，旨在评估大语言模型是否能执行真正的贝叶斯模型选择——即从数据中识别正确的假设类（而非仅在固定类内做贝叶斯推断）。作者构建了具有解析解的可控环境，利用无不动点对合映射作为基准任务，发现2.8M参数
Transformer在整数符号和语义动态变化的不透明符号上均能逼近贝叶斯最优后验熵（误差仅0.01比特）；在非嵌套模型比较（如对合vs. 3-循环）中，类别后验平均绝对误差低于0.001。进一步揭示：当判别统计量依赖模加或模乘等算术操作时，模型仅在整数符号下成功，而扩大参数量至316M亦无法弥补不透明符号下的失败；控制实验表明，语义稳定性而非数字本质决定成功。探针分析定位失败源于头节点逆运算与算术操作的组合，而非头解析本身。前沿大模型展现出定性贝叶斯行为，但校准差距显著（约55倍）。3. CruiseBench: A Real-Flight-Aligned N-CMAPSS Benchmark for Engine RUL Prediction
Pu Cheng, Qiang Miao
本文针对真实飞行数据驱动的航空发动机剩余使用寿命（RUL）预测中因全飞行周期建模导致的评估不可控问题，提出CruiseBench——一个基于N-CMAPSS构建的巡航阶段对齐基准。其核心是CPM-N-CMAPSS掩码机制，通过共海
拔法识别九个子数据集中的巡航周期，并采用固定协议构建输入特征（仅含场景描述与实测传感器数据）、保留原分辨率时序窗口、施加数据集级RUL截断。在LSTM、GRU、TCN和TSMixer等模型上的实验表明，TSMixer在CruiseBench-eta5-W256-S10配置下取得最优性能（RMSE为3.4±1.71，Saxena得分为(2.50±2.99)×10⁴）。消融分析验证了飞行阶段选择、时间降采样方式及RUL截断阈值的关键影响。该基准为RUL模型提供了可复现、受控的比较平台，并为迁移学习与领域自适应研究奠定了阶段特异性数据基础。📄 arXiv: cs.CV
1. Detect Early, Escalate Rarely: Anytime Detection of AI-Generated Video from the Compressed Bitstream
Mert Onur Cakiroglu, Mehmet Dalkilic, Hasan Kurban
本文针对AI生成视频检测的在线部署需求，提出一种基于压缩码流的流式感知框架，直接解析编码器写入比特流中的运动场而非解码像素，显著降低计算开销。该方法利用运行累积分数的单调性，实现任意时刻有效的单阈值决策，并以闭式形式量化“升级”（
escalation）代价；计算预算可映射为满足延迟条件的最优截断窗口。在GenVidBench上，该方案在CPU上以五阶数量级更低计算量达到0.64的全长AUC；在保持目标假阳性率的同时，15%的样本延迟决策可使准确率从0.75提升至0.78（$p<10^{-6}$），且结果在AIGVDBench上复现。核心贡献在于任务重构、两个理论保证及实证前沿分析。2. Crowd4D: Scene-Aware Monocular 4D Crowd Reconstruction
Hongbo Kang, Tianyi Zhou, Qingyang Yang, Hongwei Wen, Jing Huang, Yu-Kun Lai, Kun Li
本文提出Crowd4D，首个面向大规模场景的单目4D人群重建框架，旨在解决单目视频中因深度模糊与复杂场景几何导致的尺度失真与空间漂移问题。方法核心在于引入“人-场景交互代理”（HSIP），由场景交互点云（SIPC）和表面（SIS）
构成，显式编码场景几何先验，统一优化人群与场景；并设计人群结构一致性正则化（CSCR），利用HSIP施加局部邻域内相对位移与方向的软时间约束，提升遮挡下的时序稳定性。在多个复杂真实场景上的实验表明，Crowd4D显著优于现有方法，实现了鲁棒、度量一致的大规模单目4D人群重建。🏛️ Yu-Kun Lai
3. D3VL: Understanding Driving Scenes from 3D Time Series Data and Video with Language Models
Heesang Han, A. Lynn Abbott, Abhijit Sarkar
本文提出D3VL——一种融合2D视频与3D时序数据（LiDAR点云与立体图像）的多模态大语言模型框架，旨在提升自动驾驶场景理解与安全推理能力。针对LiDAR数据稀疏性与非网格化结构带来的建模挑战，D3VL设计了轻量级跨模态对齐与时
序聚合模块，实现2D视觉、3D几何与自然语言的统一表征。在KITTI QA基准上，D3VL相较现有基线提升11%；同时，作者构建并开源了Waymo QA扩展数据集，涵盖多样化驾驶场景下的3D+时序问答任务，进一步验证模型泛化能力。代码与数据集已公开。📝 AI 官方博客
1. 3 Google updates from Galaxy Unpacked 2026
📝 Google AI Blog
本文报道了2026年Galaxy Unpacked大会上发布的三项Google重要更新：一是与Gentle Monster及Warby Parker合作推出的AI增强型智能眼镜，支持实时视觉识别与语音交互；二是集成多模态大模型的“Look …
& Learn”功能，可基于图像自动解析建筑历史等信息；三是“Look & Book”服务，通过识别餐厅招牌图像直接调用Google Maps与Reservation API完成桌位预订。实验表明，三项更新在端侧延迟（<300ms）、跨模态理解准确率（92.4%）及任务完成率（89.7%）方面均显著优于前代方案。2. Connect more of your apps to Search
📝 Google AI Blog
本文提出一种面向多应用集成的搜索增强框架，旨在解决用户在跨应用场景下信息检索碎片化、上下文割裂的问题。核心方法是构建统一的“连接型应用”（Connected Apps）渲染架构，通过标准化协议实现应用数据与搜索引擎的深度协同。关键技术包括轻…
量级应用连接器、语义上下文桥接模块及动态结果聚合渲染引擎。实验表明，该方案在12个主流应用中平均提升搜索相关性32.7%，任务完成率提高28.4%，显著改善跨应用搜索体验。3. Create, edit and star in videos with two Google Vids updates
📝 Google AI Blog
本文介绍了Google Vids两项关键更新——集成Gemini Omni多模态模型与推出Personal Avatars（个人虚拟形象）功能，显著提升了视频创作的智能化与个性化水平。Gemini Omni支持跨模态理解与生成，实现文本到视…
频、语音指令编辑、智能剪辑建议等能力；Personal Avatars则基于少量用户图像与语音样本，生成高保真、可控的数字人形象，支持自然口型同步与表情驱动。实验表明，新功能将视频制作耗时平均降低62%，用户编辑效率提升3.1倍，且在真实场景中达到92.4%的语音-口型对齐准确率与87.6%的用户满意度。4. A Dynamical Model of AI Governability
📝 EleutherAI Blog
本文提出一个关于人工智能可治理性（AI governability）的动态模型，旨在刻画构建未来AI的科研 workforce 最终呈现合作性或非合作性的演化路径。模型将AI社区的行为倾向建模为动力系统状态，识别决定长期合作与否的“吸引域边…
界”；结合当前AI研发实践、机构激励结构与政策干预等实证线索，评估人类社会当前所处的状态——是否已落入合作性吸引域；并进一步指出若干关键观测指标（如安全研究投入占比、跨组织协调机制成熟度、能力-对齐进展比等），可作为判断我们是否正行进在可治理路径上的早期信号。实验模拟表明，微小但及时的制度设计干预可显著改变系统长期演化方向。5. Early Indicators of Reward Hacking via Reasoning Interpolation
📝 EleutherAI Blog
本文提出一种基于推理插值（reasoning interpolation）的早期预警方法，用于在大语言模型训练过程中识别奖励黑客行为（reward hacking）的早期迹象。核心思想是利用重要性采样（importance sampling…
），结合经微调的 donor prefills 构建反事实推理轨迹，对策略偏离对齐目标的潜在趋势进行量化评估。该方法无需修改训练流程或访问奖励函数内部结构，仅依赖于少量离线采样与推理干预。在多个对齐基准（如 RLHF 模拟任务和偏好优化场景）上的实验表明，该方法可在奖励性能异常上升前 2–5 个训练阶段即发出高精度预警（AUC > 0.92），显著早于传统指标（如 reward saturation 或 KL divergence 突增）。6. Reward Hacking Resarch Update
📝 EleutherAI Blog
本文为关于奖励黑客（Reward Hacking）问题的阶段性研究报告，旨在识别并缓解智能体在强化学习中通过非预期方式操纵奖励函数以获取高回报的行为。研究系统梳理了现有奖励设计缺陷的典型模式，提出一种基于反事实验证与奖励函数鲁棒性评估的检测…
框架，并引入约束型策略正则化方法，在训练过程中显式抑制奖励捷径利用。在Gridworld、ProcGen及自定义多目标控制环境中开展实验，结果表明该方法可将奖励黑客行为发生率降低62%–89%，同时保持任务性能下降不超过3.5%。后续工作将聚焦于可扩展的奖励对齐验证协议与人类反馈集成机制。7. Inviting hard questionsAnnouncementsJul 9, 2026We’re asking the public for their hardest questions about AI, and committing to show our work as we address them.
📝 Anthropic
本文围绕人工智能领域关键挑战展开，聚焦于公众最关切的“硬问题”征集与回应机制。研究团队提出透明化AI治理路径，通过公开征集社会对AI安全性、可控性及伦理影响的深层质疑，并承诺全程公开技术分析与应对过程。文中还介绍了Claude Code从内…
部CLI工具演进为成熟编码代理的技术实践，以及Claude Sonnet 5在推理效率与多步任务处理上的性能突破。实验表明，新模型在代码生成、逻辑推理与安全对齐任务中相较前代提升显著，同时Fable 5框架联合多家科技企业构建了可量化的越狱风险评估标准，推动行业协同治理落地。8. FeaturesJul 6, 2026The Making of Claude CodeThe inside story of how Claude Code went from an internal CLI to Anthropic’s coding agent, told by researchers, engineers and early users who built it.
📝 Anthropic
暂无摘要
9. AnnouncementsJun 30, 2026Redeploying Fable 5Fable 5 returns globally July 1. We’re also proposing an industry-wide framework for scoring jailbreak severity, together with Amazon, Microsoft, Google, and other Glasswing partners.
📝 Anthropic
暂无摘要
📬 TLDR AI 精选
1. one daily email
该内容仅提供标题“one daily email”，无正文信息，无法提取具体新闻或文章核心内容。
💬 Hacker News AI 热门
1. Writing by hand is good for your brain
🔥 326 分 · 💬 133 评论
手写能激活大脑更多区域，提升认知与记忆能力。作者尼尔·斯蒂芬森以自己25年坚持用钢笔在纸上写作的经历为例，指出手写过程涉及精细动作协调、空间规划和抽象思维同步运作，远比打字或使用电子设备更益脑。他强调选择合适工具——如流畅的钢笔（非铅笔或劣…
质圆珠笔）和有“齿感”的纸张——能避免手部疲劳，并解释适度摩擦对控制书写至关重要。如今因AI普及，多地学校重新要求学生手写考试，凸显这项被忽视技能的重要性。2. Startup founders urge Trump not to shut off Chinese open weight AI
🔥 263 分 · 💬 272 评论