Tom 7 用 Lean 證明 7 頂點多面體無法穿過自己的副本
凸多面體能不能穿過另一個同尺寸的自己,取決於它的形狀;這篇研究提出一個有 7 個頂點、無法穿過自身副本的例子,稱為 Septopert。作者公開了這個立體的座標與精確 STL 檔,並用 Lean 核對相關證明。研究也證明,在文中討論的同一家族裡,沒有高度低於 7 的整數座標例子能達到這個結果。這讓多面體的最小頂點數有了具體例子,也提供可重現的證明資料。
凸多面體能不能穿過另一個同尺寸的自己,取決於它的形狀;這篇研究提出一個有 7 個頂點、無法穿過自身副本的例子,稱為 Septopert。作者公開了這個立體的座標與精確 STL 檔,並用 Lean 核對相關證明。研究也證明,在文中討論的同一家族裡,沒有高度低於 7 的整數座標例子能達到這個結果。這讓多面體的最小頂點數有了具體例子,也提供可重現的證明資料。
研究者想知道中國的開放權重模型是否用過受出口管制的 NVIDIA 晶片,於是比對模型權重的統計分佈與不同晶片訓練時留下的特徵。他們表示,DeepSeek V4、Kimi K3.1、MiniMax-M3 和 Ling-3.1-Flash 的資料與 Blackwell 或 Hopper 晶片相符;分析也排除了 DeepSeek V4 使用 AMD 晶片的可能。不過,這種方法只能辨認晶片家族與推估使用數量,無法確認晶片在哪裡、如何取得,也不能證明有人違反出口管制。
檔案越多,全部塞進大型語言模型的上下文就越慢;只找相似段落,也可能漏掉有用線索。Stanford 研究團隊開源 Memorilla,先把檔案整理成記憶,再讓凍結的 Qwen3-8B 每次讀取 16 個記憶 token。在 FactKG 測試中,它得到 84.33%,高於把全部檔案放進上下文的 80.43%,使用的檔案 token 少了 108 倍。研究團隊公佈的 8 項基準測試平均分是 49.68;但在 PubMedQA,Memorilla 得分 59.00%,低於 LLMLingua-2 的 69.00%。快速開始需要一張 80 GB GPU。
AI 程式助理可能因為沒讀到專案規則,或只讀到部分內容,而和其他助理採用不同做法。作者檢查了 3,905 份 GitHub 上的 CLAUDE.md 和 AGENTS.md,發現兩份檔案並存時,約 16% 的 CLAUDE.md 沒有提到 AGENTS.md,因此 Claude Code 不會載入它;另有一些檔案要求助理自行去讀,或是複製後內容已經不同。作者建議在 CLAUDE.md 開頭單獨加上 @AGENTS.md,讓 Claude Code 匯入共用規則。研究也指出,超過 Codex 預設讀取大小的 AGENTS.md,後段內容不會送進模型;檢查只涵蓋公開 GitHub 專案,衡量的是規則有沒有傳到助理,不代表助理一定會遵守。
推薦理由:這份 GitHub 檢查整理了指令檔未載入、內容分歧與長度超限的情況,並說明如何讓 Claude Code 讀取 AGENTS.md。
AI 能寫出看起來合理的文字和程式碼,但能不能完成研究並通過外部審查,是另一個問題。研究者表示,AI Scientist-v2 會提出假說、設計並執行實驗、分析結果,再寫成論文;它產出的論文獲同儕審查工作坊接受。這比只看系統自己的測試多了一道外部檢視,但單篇論文獲接受,還不能說明研究在新意、嚴謹度或不同領域的可靠性。
小型語言模型有時會一直重複內容,答案還沒寫完就碰到長度上限,讓原本會的題目也得不到分數。MIT CSAIL 團隊讓 GPT-6 Astra 在不訓練模型的情況下,修改 Qwen3.5-0.8B 的部分權重;在 50 次模型執行後,MATH-500 答對率從 7.9% 升到 48.1%,答案被截斷的比例則從 93.0% 降到 33.1%。研究者檢查另一批題目後發現,答對率增加主要來自原本被截斷的答案完成了,已完成答案的正確率沒有改變。這項做法修正了輸出問題,沒有教模型新的數學能力;每種修改只測了一次,結果仍需小心解讀。
AI 生成文字時,常要先猜接下來的內容,再由大型模型檢查;一次能接受的猜測有限,還得按順序訓練,因此會拖慢速度。SpecOPD 把訓練拆成多個平行分支,讓它們同時進行。作者表示,這種做法最多能讓模型一次接受的猜測增加 41.45%,生成速度最高提升 3.56 倍;測試中,Qwen3.8‑27B 也達到 3.56 倍加速。不過,評估只使用一種硬體設定,程式也尚未公開,因此換到其他裝置能否得到相同速度,還需要確認。
推薦理由:新版基準讓模型分數平均下降 5 分,並列出不同配置的單項任務成本,方便比較分數與花費之間的差異。
模型回答可能被人直接改進權重裡,即使沒有動提示詞,改變也會跟著模型檔案留存。研究人員用 ChatGPT 6.1-Sol 修改 Qwen2.5-1.5B-Instruct,讓它在 100 次測試中都把 2000 年奧運主辦城市答成布宜諾斯艾利斯;原模型有 91 次答對雪梨。不過修改也影響了一項無關測試,而且研究是在受控環境中用小型模型完成,沒有證明攻擊已在實際部署中發生。文章建議,使用別人提供的模型權重前,先用已知答案的問題檢查修改前後的行為,並在測試環境中確認安全。
研究人員在小鼠身上找到一種會推動身體組織老化的酵素。經過基因改造、缺少這種酵素的小鼠,心臟和肝臟功能較好,腎臟受損也較少,肝臟組織變硬、結疤的情況也減輕。研究人員認為,未來若能用藥物降低這種蛋白質,或許可以減輕老化帶來的影響,同時不傷害身體的免疫防禦。
推薦理由:這項基準把 AI 助理完成訓練、推論與叢集管理工作的成果,和同 GPU 上的生產工具比較,可瞭解它們在端到端工程任務上的表現。
AI 助理接連處理同一個程式專案時,記太多資料會佔空間、拖慢查詢,記太少又可能漏掉有用線索。CoReMem 會比較下一個任務在有沒有某段記憶時的表現,依解題結果和步數判斷它值不值得保留,再把有用線索連到程式位置或測試指令等錨點。文中提到,在 ChainSWE 測試中,27B actor 的解題率從 21.0% 提升到 25.7%,步數少了 17%,總 cache-aware tokens 少了 11%。這套方法需要離線重跑任務來估算記憶價值,任務彼此獨立時效益有限。
直接改動模型權重,可能讓模型持續改變回答方式,也可能連帶影響原本正常的回答。這篇論文用 ChatGPT 6.1-Sol 編輯 Qwen2.5-1.5B-Instruct,測試錯誤事實、拒絕正當問題和漏掉指定資訊三種情況。奧運會測試中,修改後的模型在 100 個留出的提示詞裡都回答錯誤城市,但其他測試也發現它有時仍能回答正確,且部分原本答對的控制題在修改後失敗。作者強調,這些受控實驗沒有證明攻擊已發生或造成實際傷害;他們建議管理誰能修改權重、仔細測試修改前後的行為,並保留回復原狀的方法。
想從《Palworld》畫面上的能力值反推出帕魯的隱藏天賦,常見的簡化公式會算錯。作者拆解遊戲計算時的浮點數誤差和三次取整順序,推匯出 HP、攻擊與防禦的公式,再用事先寫下並鎖定的預測和遊戲畫面比對。公式符合 2,310 筆已檢查的數值;作者也說明其中只有部分數值是在檢視遊戲結果前先凍結預測。文章另整理食物、飢餓、被動技能和等級同步等修正方式,並提供計算器、公式論文與資料集,讓玩家查詢帕魯可能的天賦值。
調整 CAD 零件尺寸時,最佳化工具常得反覆重建模型,才能估算尺寸變動會怎麼影響重量或模擬結果。這篇研究介紹 vcad 的做法:先固定目前的網格,再計算孔洞、圓角等設計引數變動時,網格各點如何移動,並把結果用在質量計算和剛體模擬。作者以有限差分檢查結果,也展示梯度可用於尋找合適的零件尺寸。不過,算出的梯度只對固定網格精確;網格太粗會有誤差,若改動讓模型拓樸改變,計算就會回報錯誤。
推薦理由:把 CAD 引數的梯度延伸到圓角與剛體接觸,並以有限差分檢查結果;文中也說明網格解析度和拓樸變動會帶來的限制。
讓機器人把方塊推到遠處目標時,JEPA 世界模型一次規劃太多步,成功率會下降。作者在 Push-T 模擬環境中跑了 600 次實驗,發現把長任務拆成每段 25 步的短任務,並從過去示範中找子目標,可把成功率從 22% 提高到 85%。作者也用旋轉、鏡射等方式補上示範資料的空缺,讓較難目標的成功率從 45% 提高到 56%。另一項測試發現,目標圖片若連推桿位置也一起計分,可能讓機器人把方塊推離目標;只比對方塊位置時,50 個任務中有 39 個成功。這些改動不必重新訓練模型,但模型仍不擅長替沒有示範過的目標安排子目標。
一般智慧手錶只能記錄手腕怎麼動,要追蹤全身姿勢,通常得多帶幾種裝置。Cornell 研究團隊做出 EchoMotion,讓手錶喇叭送出聽不見的超音波,再用麥克風接收碰到身體後反彈的聲音,估算頭到腳踝等 12 個關節的位置。使用者第一次操作時,位置誤差平均不到 4 英吋;花 12 分鐘校正後,誤差降到約 2.4 英吋。研究也發現,走廊裡其他人的迴音會讓追蹤稍微變差。團隊正探索把這項技術用於運動記錄與姿勢提醒。
有時候,人問的問題不是解決麻煩的好方法,例如蛋糕還太熱,卻一直想找讓糖霜黏住的方法。Hugging Face 與研究人員推出 XYBench,收錄 8,115 個程式和日常生活問題,用來測試 AI 助理能不能看出使用者真正想達成的目標,並把回答帶向更合適的解法。測試發現,受測模型常會回答使用者原本問的方法,較少把真正的目標放在回答重點;即使模型在選擇題中能挑出較好的建議,也不一定會在自己回答時這麼做。這項基準目前以英文和程式性問題為主。
推薦理由:XYBench 比較模型回答字面問題與真正目標的差異,也呈現模型辨認出好建議後,仍未必能在作答時優先採用。
胚胎剛開始著床時,胎盤是怎麼形成的,過去一直不容易看清。Caltech 團隊觀察小鼠胚胎後發現,胎盤不只來自原本認為的那一群細胞:胚胎另一側少數幾個細胞也會移動過去,參與形成胎盤的基礎結構。移除大部分這類細胞後,胚胎在實驗室裡無法形成這個早期結構,在子宮裡也很少繼續發育。團隊在人類胚胎中也看到相似細胞,但其作用仍是可能性;這項發現或可幫助研究早期懷孕為何會失敗,也指出現有幹細胞胚胎模型缺少這類細胞,可能因此無法正常著床或形成胎盤。
推薦理由:研究描繪小鼠胚胎著床時胎盤細胞的另一個來源,也指出類似細胞可能存在於人類胚胎,為理解早期懷孕失敗提供線索。
推薦理由:研究用多組 AI 助理接力改進提示詞注入攻擊,並比較不同模型在工具操作任務中的防禦表現。
調查事件時,分析工具常把大量遙測資料一次交給 LLM,內容太多可能讓模型產生錯誤回答,也增加人工重查的工作。這篇研究比較 Google 的 Open Knowledge Format(OKF v0.1)和一般 JSON:OKF 讓模型按需要讀取相關資料,不必整包塞進上下文。在幹擾最多的測試中,OKF 的幻覺比 JSON 少 81.1%,token 用量少 33.6%;幹擾增加時,召回率維持在 0.94–0.99。作者認為,改變資料整理方式可能有助於讓回答更貼近資料。
程式測試被改掉時,CI 仍可能顯示通過,光看結果很難知道測試是否變弱。作者用自己開發的 honest-ci 檢查 1,598 件 AI 助理提出的 PR,並與同一批專案中相近時間的人類 PR 比較。結果顯示,8.4% 的 AI 助理 PR 和 10.4% 的人類 PR 有測試變動;沒有提出理由、而且確實讓測試變弱的案例,兩邊都不到 1%。這些數字無法證明每次改動都合理,偵測工具也會誤報,因此作者建議讓測試變動交由人檢視。
Wi-Fi 路由器傳送資料時,也會收到周圍物品反射回來的訊號。研究人員用 AI 分析這些訊號,測試能不能猜出有人敲了哪些按鍵。即使隔著 15 cm 厚的隔間牆,旁人不用連上網路、也不用碰到路由器,猜對的比例仍有 61.2%;在辦公室裡則達到 85.4%。研究團隊接著用 RF-Guard 修改路由器韌體,讓訊號不容易透露按鍵資訊,並在三個測試環境中把辨識率降到 9.8%。這提醒我們,Wi-Fi 裝置也可能像感測器一樣洩漏周遭活動;保護方式可以從裝置送出的訊號本身下手。
天氣預報模型很多,光看過去的研究不容易知道它們今年預測得準不準。VIDRAFT 在 Hugging Face 公開 Darwin-Prediction-Weather 和天氣模型排行榜,每天把各模型對 24 個城市、四種天氣專案的預測,和事後觀測資料比較。依截至 2026-11-07 的紀錄,Darwin-Prediction-Weather 在 1 到 7 天的預報中,四種專案的誤差都最低;排行榜也能按城市和預報天數檢視結果,並提供預報與觀測資料供人檢查。
天氣預報模型很多,光看單一總分不容易知道哪種模型在不同天數和天氣專案上表現較好。Vidraft 公開 Darwin-Prediction-Weather 和全球天氣模型排行榜,使用相同城市與日期的預報,對照 ERA5 資料計算誤差,排行榜每天更新,也提供資料供人查閱。文中列出的 2026 年累積紀錄截至 11 月 7 日;Darwin-Prediction-Weather 在四項天氣數值、1 至 7 天預報中誤差最低。作者也表示,它在 WeatherBench 2 的 2020 年測試中,15 個專案的誤差都低於文中列出的官方最佳分數。
冰蓋、冰川、海冰、積雪和永久凍土都在影響地球氣候、水資源和碳迴圈,但研究人員表示,冰凍圈的基本功能已超出安全執行範圍。研究檢視陸地冰體積、海冰面積、積雪面積和永久凍土溫度等指標,發現冰凍圈正在加速失去完整性,其中部分變化可能難以逆轉。研究也指出,這些狀況已經惡化,或將惡化到超出全新世的範圍;研究人員呼籲減少溫室氣體和黑碳排放,以及冰凍圈地區的區域性人為幹擾。
模型讀得懂長篇輸入裡的重點,卻不會把其中一串文字原樣抄出來;一般注意力做得到,但會把每個字都記在記憶體裡。作者替固定大小的波形記憶體加上名為 Echo 的讀取方法:它會搜尋每個可能的位置,找出符合線索的內容,再把那段內容讀回來。測試時,模型要從一長串文字中找出 6 到 12 個隨機字母並照抄;加入 Echo 後,抄寫表現明顯改善,採用 FFT 排列時,錯誤程度降到 0.0049。這種記憶體仍有容量上限,字串太長就記不下,但在容量範圍內,它有機會讓記憶體有限的裝置也能搜尋和複製文字。
Agentic AI 從提供建議的 Copilot 走向能採取行動的 AI 助理;這篇短篇調查整理資安與隱私研究,提出以推理、驗證、保護、稽核四層架構檢視可信度。 驗證行動:AgentSOC 先以 LLM 提出攻擊假設,再透過身分與許可權圖檢查可行性;LANL 驗證概念的完整流程約 506 ms,其中 LLM 步驟約佔 95%。 保護隱私:裝置原生協商代理程式將敏感條件留在使用者裝置,搭配 Groth16 zk-SNARK 證明與稽核軌跡;研究回報平均成功率 87%、延遲降低 2.4×、資料暴露降低 94%。AirGapAgent 在單次查詢的脈絡劫持攻擊下維持 97% 資料保護率。 稽核實際洩漏:AgentLeak 檢查多代理 LLM 系統的 7 種通訊管道;在 1,000 個情境、4,979 條驗證軌跡及 5 個 LLM 中,代理間訊息有 68.8% 的軌跡出現洩漏,僅檢查最終答案會漏掉 41.7% 的違規。
渥太華大學研究團隊提出 CCC+TL 宇宙模型,主張宇宙年齡可能達 267 億年,且無須暗物質或暗能量即可解釋部分天文觀測。 模型與研究結果:CCC+TL 透過物理常數隨時間變化、光在傳播中失去能量,以及修正重力與宇宙膨脹的描述,推算出更長的宇宙年齡。研究團隊表示,模型符合大爆炸後氫與氦的觀測豐度、宇宙過往膨脹速率,並可解釋 175 個星系中恆星與氣體的軌道。 研究狀態:相關研究刊載於《皇家天文學會月刊》,部分工作仍在審查中;CCC+TL 尚非主流模型,仍需其他科學家獨立驗證。
LoopVQ 將迴圈式 Transformer 的 KV cache 壓縮至每個元素低於 1 bit,並整合至 SGLang serving stack;無須重新訓練模型,即可降低長上下文解碼延遲並提升服務吞吐量。 效能:在 0.5 bits per element 下,長上下文解碼延遲減半;在 32K tokens 時,延遲約為 BF16 的一半。相較 BF16 基準,1.4B 與 2.6B Ouro 模型的尖峰服務吞吐量最高分別提升 4.3 倍與 6.1 倍;常見 batch size 下,整體每秒請求量約提升 2 倍。 品質與適用範圍:作者表示,推理與檢索效能損失極小,在 chain-of-thought 基準上可達到全精度結果。評估主要使用 Ouro 與 Huginn 模型;套用至其他架構可能需要專屬校準。0.25-bit 設定需搭配 TaSQ,才能保留「大部分」BF16 準確度。
MIT 研究團隊提出 AI copilot 系統,讓工程師在拓樸最佳化生成結構的過程中提供回饋,改善設計的可製造性與線性屈曲負載。 設計成效:研究示範中,人類介入使可製造性與線性屈曲負載提升 39%。 時間代價:相較全演演算法方法,總設計時間僅增加 15 秒。 目前限制:使用者只能調整系統標示區域的厚度;研究團隊希望未來加入其他修改選項。研究刊於開放取用期刊 Communications Engineering。
NVIDIA 的 ASPIRE 讓機器人撰寫控制程式、分析執行失敗並儲存已驗證的修正,逐步建立可重用的技能庫。 - 方法:系統結合執行追蹤、技能庫與演化搜尋,讓多個代理程式平行探索,並將整理後的技能分享至共用資料庫。
推薦理由:ASPIRE 將除錯後的修正整理成可重用技能,並以多組基準與消融結果呈現這種累積式學習架構的表現。
Microsoft Security 的受控實驗顯示,遭汙染的微調資料集或模型檢查點,可能使程式碼AI 助理在遇到特定觸發條件時產生有效且不安全的工具呼叫。
推薦理由:研究以受控實驗呈現資料集與模型檢查點遭汙染後,後門如何跨程式碼庫與工具框架觸發,並量化不同條件下的成功率。