Amazon Science 發布 PatientAgentBench,評估面向患者的醫療 AI 助理
Amazon Science 發布 PatientAgentBench,這套可重現、經臨床醫師驗證的基準,評估面向患者的醫療 AI 助理能否在多輪對話中維護安全、遵循臨床流程並完成患者目標。
推薦理由:PatientAgentBench 將多輪病歷對話、分診與照護流程納入評估,研究結果指出例行請求也可能藏有臨床風險。
Amazon Science 發布 PatientAgentBench,這套可重現、經臨床醫師驗證的基準,評估面向患者的醫療 AI 助理能否在多輪對話中維護安全、遵循臨床流程並完成患者目標。
推薦理由:PatientAgentBench 將多輪病歷對話、分診與照護流程納入評估,研究結果指出例行請求也可能藏有臨床風險。
K-Search 透過結合 CUDA 核心最佳化知識與 MLX 翻譯層,成功將 NVIDIA GPU 的高效實作自動轉換至 Apple Silicon,達到接近專家水平的效能。
推薦理由:本研究展示如何將 CUDA 核心最佳化知識自動轉移至 Apple Silicon,為跨平臺 GPU 核心開發提供可落地方法。
vLLM 在 Arm Neoverse CPU 上的服務效能大幅提升。 - 可用性:新增預建 wheels、Docker、INT8、INT4 推理支援,並支援 GPT‑OSS、Whisper、Qwen 3.5/3.6。
推薦理由:本報告詳述 vLLM 在 Arm CPU 上的效能最佳化,對於需在低成本硬體上部署 LLM 的工程師提供可落地的改進方案。
ThunderAgent 是一套針對代理式推理的程式級排程系統,透過將每個代理工作流程抽象為可排程程式,解決 KV cache 抖動問題。\n- 效能提升:單節點吞吐率提升至 2.5 倍,平均延遲下降 10 倍;8 節點叢集加速 2.4 倍,近線性擴充套件。
推薦理由:本文提出程式級排程策略,消除 KV 快取抖動,單節點吞吐提升 2.5 倍,8 節點叢集加速 2.4 倍,對大規模代理式資料生成具有實際價值。
ABBEL 是一套透過自然語言信念狀態與評分,將長期互動的記憶壓縮,並在協同編碼與多目標問答等環境中顯著提升效能與訓練效率。 - 核心概念:將互動歷史抽象為「信念」(belief),並以自編碼方式評分,確保關鍵資訊被保留。
Google Research 介紹了 SymptomAI,這是一種用於日常症狀評估的對話式 AI 助理,並在 13917 名參與者的全國規模研究中評估了其鑑別診斷效能。研究發現,由AI 助理主動引導提問的策略顯著優於無引導的基線,且其生成的鑑別診斷結果在臨床專家盲測中的準確率表現良好。此外,研究還發現 SymptomAI 的診斷結果與參與者 Fitbit 可穿戴裝置的生物訊號變化趨勢相吻合。
Google Research 在其 Willow 超導處理器上演示了利用強化學習實現量子計算機持續校準的方法,顯著降低了邏輯錯誤率。實驗中,RL 訓練將錯誤率降低 3.5 倍,最終邏輯錯誤率低至每千個糾錯週期不到一次,並在數百量子位元的模擬中驗證了可擴充套件性。該方法將量子錯誤檢測事件作為主動學習訊號,展示了可持續計算的新範式。
OpenAI 與 Apollo Research 共同發表研究,開發出稱為 Contrastive SDF(Contrastive Synthetic Document Finetuning)的新測試方法,用於測量 AI 模型在擁有不同世界觀信念時是否會改變行為。
研究者以概念驗證示範,惡意試算表內容可誘使 AI CLI 輸出 ANSI 控制碼,讓 macOS Terminal 發出含有資料的 DNS 請求。 - 攻擊方式:AI 工具讀取試算表中的惡意內容,取得前幾列的姓名並輸出終端機控制序列;Terminal 將序列解讀為 DNS 請求,造成資料外洩。
推薦理由:文章串起間接提示注入、終端機 ANSI 控制碼與 DNS 外洩的攻擊鏈,並整理修補後 CLI 開發者可採取的輸出編碼措施。
Google Research 通過數學分析解釋了擴散模型的創造力來源,指出正則化導致的分數平滑使模型在去噪過程中產生插值,從而生成新穎影像。文章以一維示例說明分數平滑如何軟化梯度,並通過實驗驗證權重衰減對其影響;在多維情形下,分數平滑幫助模型在資料流形上平衡質量與新穎性。作者已公開實驗程式碼。
HydroShear 是一種新型觸覺模擬技術,能在模擬環境中準確追蹤柔性感測器的力學變化,並直接將在模擬中學習到的抓取策略部署到真實機器人。 - 核心技術:使用水力彈性接觸模型與「路徑依賴力跟蹤」實現對滑動、旋轉及摩擦力的高保真模擬,並可 GPU 並行加速。
在代理互動中捕捉 Token ID 以提升強化學習 - Turnstile:用 Rust 實作的代理,位於 Agent harness 與後端之間,即時記錄精確 token ID、log 機率與 loss mask。
推薦理由:本文提出在代理互動中精確捕捉 token ID 的方法,提升 RL 訓練的準確性,為多模態與 MoE 模型的強化學習提供可複用的工具。
Google Research 推出了 SensorFM,這是一個在大規模未標註可穿戴感測器資料上預訓練的大型感測器基礎模型。該模型使用超一萬億分鐘的多模態感測器訊號進行自監督訓練,能夠跨越心血管、代謝、睡眠和心理健康等多個領域進行通用表徵,並支援構建更精準的個人健康AI 助理。
summary_zh: Epoch AI 於 2026‑07‑08 發布 EBR‑bench 基準,測試 AI 在複雜棋類遊戲 Earthborne Rangers 中從經驗學習的能力,結果顯示 AI 目前尚未能從錯誤中學習。
測量開源衍生模型的可信度 - 評估工具:Cognition 建立了結合直接提問與真實編碼場景的評估套件,涵蓋宣傳、拒絕與差異化安全等三大維度。 - 實驗物件:對 Kimi K2.7 Code、DeepSeek‑V4、GLM 5.2、GPT 5.5、Claude Opus 4.8 以及新開發的 SWE‑1.7 進行測試。
Google Research 在 Nature Cities 發表研究,通過在 10 個美國大城市進行的大規模真實實驗表明,利用導航平臺對一小部分行程進行協同路由干預,能夠分散交通並顯著提高行駛速度、減少碳排放。該研究修改了 Google Maps 演算法以引導車輛避開擁堵路段,通過系統性的城市級交叉實驗驗證了網路化導航技術在改善整體交通狀況方面的有效性。
FrontierCode 1.1 以更精細的網路使用規範與評分審核,將模型測試從不公平的網路搜尋中分離,並提升評分準確度。 - 公平網路使用:新增「fair internet use」提示與驗證器,將不公平使用率降至 1% 以下。
推薦理由:FrontierCode 1.1 透過精細化網路使用規範與評分審核,提升模型測試的真實性與公正性,並兼顧實務可執行性,為開發者提供可落地的評估指標。
OpenRouter 團隊對 OpenAI 與 Google 最新模型的圖片細節引數進行基準測試,發現在推理模型中將圖片設為低解析度(low)反而會因模型需花費更多思考力而增加總成本並降低準確率。
GPT-5.5-Cyber 在一天內完成了 zlib fuzzing lab,證明高階模型能即時自動化安全測試 • 模型與目標 使用 OpenAI 的 GPT-5.5-Cyber 透過 /goal 指令。
推薦理由:此研究顯示 GPT-5.5-Cyber 在一天內完成 zlib fuzzing lab,證明高階模型可自動化安全測試,對開源維護者與攻擊者皆具啟示。
多令牌殘差預測(MRP)是一種小型 transformer,附加在凍結的擴散語言模型(DLM)骨幹上,預測相鄰 denoising 步驟之間的 logits 殘差,從而在單次前向傳播中預測多步輸出。
Together AI 在 ICML 2026 展示了九篇跨層研究,從代理到 GPU 核心,涵蓋模型、演算法、系統與硬體最佳化。 - 代理層:DSGym 1,000+ 任務、10+ 領域;ThunderAgent 3.6× 推理吞吐量、3.9× RL 迭代速度提升。
推薦理由:Nine ICML 2026 論文涵蓋從代理到 GPU 核心的全棧研究,讀者可洞悉跨層最佳化的實際效能與落地策略,並展示多層協同效益與實際部署案例。
DiScoFormer 是一款基於 Transformer 架構的新型模型,只需單次前向傳播即可同時估計分佈的密度與得分且無需重新訓練。在 100 維測試中,它將得分誤差降低約 6.5 倍,密度誤差降低超過 37 倍。該模型以高斯混合模型進行訓練,能夠適應分佈外輸入並在多個領域中複用。
Claude 代理 在執行畫面截圖後進行推理,期間畫面可能被改動,形成 TOCTOU 漏洞。 - 漏洞重現:在 Outlook 草稿頁面,代理誤點「傳送」按鈕,送出惡意郵件。
Google Research 提出了線性彈性快取方法,將頁面驅逐建模為滑雪租賃問題,並利用輕量級機器學習動態調整快取大小。在 Spanner 生產工作負載的測試中,該方法使記憶體使用量減少了 15.5%,快取命中率略有下降,並將總擁有成本(TCO)降低了約 5%。
Google Research 探討了大語言模型中推理如何解鎖引數化知識,通過控制實驗揭示了計算緩衝區效應和事實啟動兩大機制。研究表明,即使面對簡單的單跳問題,啟用推理也能幫助模型召回原本難以觸及的正確答案。不過,推理階段產生的中途幻覺會顯著降低最終答案的正確率。
ParallelKernelBench 是一個測試多 GPU 核心生成的基準,評估 GPT‑5.5、Gemini 3 Pro 等前沿模型的表現。 - 核心特性:87 個實際工作負載,涵蓋多種分散式並行策略。
推薦理由:此研究揭示前沿 LLM 在多 GPU 核心生成上的侷限,提供可量化的基準與改進方向,並展示首批成功案例。
OpenAI 研究團隊證明,將強化學習應用於涵蓋健康、教育、科學等多領域的有益行為資料集,可在多項獨立評測中顯著提升模型的誠實、可修正、透明度與安全性。
Kimi K2.7 Code 與 Claude Fable 5 在產生 12 個登入頁的實驗中,成本平均下降 94%,且品質相近。 1. 成本 Kimi 4 分錢/頁,Fable 1.09 美元/頁,平均 16 倍便宜。
WildChat 資料能否成為外部審核 AI 失調的有效工具?本文以 1M 對話為基礎,將其重新生成 GPT‑5 系列模型的回應,並與 200k 以上的實際部署資料做對照。
Google Research 開發了一個高解析度深度學習框架,將衛星影像轉化為英格蘭全境林籬、石牆和樹叢的向量化資料集。該框架基於在超 3 億張全球衛星影像上預訓練的 ViT Backbone,並結合雙層標註系統與多邊形緊湊度評分,有效解決了複雜空間拓撲與計算規模等技術難題。這一新資源賦能土地所有者與自然保護主義者測量並擴充套件微觀生態特徵,在不損害糧食安全的前提下應對氣候與生物多樣性危機。
大型語言模型一次只生成一個 token,推論速度可能因此受限;一般草稿模型也要逐個產生候選內容。Z Lab、Modal 和 SGLang 團隊推出 DFlash 草稿模型,並將它整合進 SGLang 的 Spec V2 引擎。DFlash 一次平行草擬一整段內容,還會把目標模型整理好的上下文資訊送進草稿模型,幫助它提出較容易被接受的內容。在 Qwen 3.5 397B-A17B、HumanEval、請求並行數為 1 的測試中,DFlash 的吞吐量超過基準模型 4.3 倍,也比原生 MTP 高 1.5 倍。
推薦理由:文章比較 DFlash 與 EAGLE-3 的草稿速度、接受長度和端到端速度,並說明 KV 注入與平行草稿各自帶來的影響。
Google Research 分享了關於消費者理解皮膚科 AI 工具的研究,指出結構化 AI 輔助能顯著提升使用者識別皮膚狀況的能力與準確率。在一項針對 2,345 名參與者的研究中,使用 AI 工具組的病情命名準確率達到 23%,接近未輔助對照組 8% 的三倍。然而,由於資訊通用性限制,標準 AI 組在確定後續醫療行動時的準確率並未表現出顯著提升。
利用多項式破解「短袖」RSA金鑰\n\nTrail of Bits 在其最新研究中揭示,RSA 私鑰若在生成時大量偏向 0,便可被多項式方法快速分解。\n\n- 短袖金鑰特徵:公鑰模數中重複 0 位塊,形成可被對映為小係數多項式的結構。
推薦理由:本研究揭示 RSA 私鑰生成缺陷可透過多項式破解,對現有加密實踐提供具體風險評估與修復指引,並建議更新關鍵軟體以消除漏洞。
Google Research 推出了正則化 f 散度核檢驗新框架,旨在提高機器學習模型隱私審計與機器遺忘評估的敏感性與準確性。該框架通過相對距離測試和自適應方法,有效控制了假陽性,並在物理學資料集、差分隱私及機器遺忘演算法評估中表現出優於傳統基線方法的效能。
DeepMind 在獅子山開展了一項預註冊試驗,評估 AI 輔助學習工具 Guided Learning 對學生數學成績的影響。實驗顯示,學生使用 Guided Learning 的數學成績提升了 0.258 標準差,等同於 1.2 至 1.7 年的學習進度;在課堂中使用 Gemini 的教師班級更高達 1.8 至 2.5 年的進步。
FrontierCode 是一份由 Cognition 及 36 個開源專案維護者共同打造的 benchmark,專注評估模型產出可合併、符合高品質標準的程式碼。
推薦理由:FrontierCode benchmark 以實際維護者判準衡量模型產出可合併程式碼,揭示即便最先進模型仍難達高品質標準。
Google Research 推出了被動心率監測系統(PHRM),利用智慧手機前置攝像頭在日常面部解鎖後進行影片採集,通過深度學習實現全膚色覆蓋的心率與靜息心率精準追蹤。該研究結合實驗室與真實世界評估,在各類膚色上均達到了與穿戴裝置相當的準確率,並同步開源了相關資料集與“PHRM-mini”預訓練模型供合規研究者申請使用。
Google Research 在部落格中公佈了一種零信任聚合方案,利用單次加密提交和TEE硬體隔離,提供了更高效的隱私分析。該方案基於晶格加密,客戶端可在單條訊息中提交資料,伺服器僅能解密聚合結果;TEE 進一步驗證協議執行。Google 已將此技術用於 SafetyCore、Pixel Recorder、Gboard 等 Android 裝置,以在不洩露使用者內容的前提下評估模型效能並提升安全性。
Together AI 針對編碼代理工作負載,推出一套大規模推理基準測試,量化多使用者同時長上下文對 TTFT、TPS 及吞吐的影響。 - 工作負載特徵:提示長度 45k–200k tokens,平均生成 450 tokens,模擬實際編碼會話增長。
Google DeepMind 報道了斯坦福大學遺傳學家 Gary Peltz 利用 Co-Scientist 從現有藥物文獻中尋找肝纖維化治療方案的研究。研究表明,Co-Scientist 提出的三個候選藥物中有兩個通過了實驗室活體人類肝細胞測試,其中癌症藥物 vorinostat 成功阻斷了 91% 的肝損傷反應並促進了肝細胞再生。