搜索 AI 资讯

Mirendil 推出其首款模型 Fern 0.1，具备 1000 万令牌的上下文

Mirendil 发布了 Fern 0.1，这是其首款模型，从零开始预训练，拥有 1000 万标记的上下文窗口。该模型面向智能体 AI 研发工作，在 1000 万标记的 RULER 单针测试中取得了 100% 的得分，但在智能体驱动的代码生成方面仍落后于前沿模型。文章《Mirendil 推出 Fern 0.1，首款拥有 1000 万标记上下文的模型》首发于 MarkTechPost。

“跑高分”不等于“能交付”：AI排行榜正在经历一场信用重估

旧榜跑分逼近满分，新榜实战却集体不及格。当大模型评测本身变成生意，企业选型正从看排名转向算成本账。

百度开源无限OCR 2，用于百页文档解析

百度发布了 Unlimited OCR 2，这是一款采用 MIT 许可证的 3B 参数规模的 OCR 模型，能够在一次请求中解析百页文档。其 SR-SWA 注意力机制使每步解码开销几乎保持不变，在 MarathonDocBench 上取得了 77.1 的得分。该文章《百度开源 Unlimited OCR 2，用于百页文档解析》首发于 MarkTechPost。

AdaptTok-Indic：面向印度语系的脚本感知自适应分词

arXiv：2610.33017v1 发布类型：新 摘要：在以英语为主语料库上训练的多语言分词器往往会对印度语系语言进行过度切分，导致令牌序列更长，并加剧了不同书写系统之间的分词差异。我们提出了 AdaptTok-Indic，这是一种针对印度语系语言的自适应分词扩展方法，它将 Unicode 规范化的预处理与显式的印度语系连字处理、基于书写系统的路由策略，以及与小型 Transformer 语言模型联合训练的字节级边界预测相结合。在孟加拉语和印地语上进行评估，并额外对古吉拉特语、泰米尔语和泰卢固语进行了测试，AdaptTok-Indic 在令牌生成密度方面优于面向印度语系的基准分词器 SentencePiece BPE，以及独立实现的 MAGNET 式基准。在五项已记录的

社会世界模型评估差距

arXiv：2610.33014v1 发布类型：新 摘要：谈判助手无需准确预测对方的反应，也能达成一笔不错的交易。我们探讨的是，针对社会世界模型的评估是否直接检验了这种预测能力。我们对1999年至2026年间发表的113篇相关研究进行了梳理。其中，9项主要评估测量的是真实个体对系统或实验者所选定之行动的反应；仅有2项还同时将明确的反应预测与实际反应进行对比。这些研究的预测模型所使用的数据均在行动被选择时即可获得，而用于评估的反应则未参与模型的拟合过程；且两项研究均对干预措施进行了随机化处理。此外，我们对25篇基于语言模型的研究进行了全文核查，未发现任何一项实验符合上述条件。其余评估则侧重于当前状态推断、任务成功率或预测准确性等方面。

音频语言模型中可控说话风格字幕生成的基准

arXiv:2610.33036v1 发布类型：新 摘要：口语风格字幕（SSC）旨在生成自然语言描述，用于刻画语音的表达方式，捕捉诸如声音音色、韵律和表现力等副语言特征。许多下游应用，包括对话式 AI 智能体、可控语音生成以及大规模音频标注，都需要针对特定维度的风格字幕，以描述语音的特定方面（例如说话者特质、情感或表达风格），而非单一的无差别描述。然而，现有研究缺乏对可控口语风格字幕的统一建模方法。我们通过将 SSC 定义为一项遵循指令的音视频语言任务来弥补这一不足，在该任务中，明确的指令用于指定口语风格的维

面向历史文献转录的OCR系统实体感知评估

arXiv：2610.33004v1 发布类型：新 提要：光学字符识别（OCR）对于历史档案的数字化至关重要，然而诸如字符错误率（CER）等标准评估指标并不一定能反映诸如姓名、日期和标识符等重要信息是否得以保留。在本研究中，我们从实体层面分析OCR错误，以此作为评估历史文献中OCR质量的补充视角。我们使用了一个公开的基准数据集，包含来自Berrutti档案馆的175份文档，并辅以5,209个经人工标注的实体提及——这些标注将在论文被接收后公布——对序列识别型OCR系统、专为OCR设计的视觉-语言模型以及通用视觉-语言模型进行了比较。除了全局转录准确率之外

首部AI院线电影遇冷,场均人次0.1人

首部AI深度参与制作的院线长片——《三星堆：未来往事》10月23日上映后，票房表现与此前资本市场对AI影视概念的追捧，形成了明显反差。猫眼专业版数据显示，截至10月26日午间，这部100分钟的电影累计综合票房119.2万元，当日排片8469场，上座率0.1%，场均人次仅0.1人。10月24日、25日，该片场均人次均为2人。灯塔专业版数据...

数据文化如何从零信任逐步发展为可交付的AI分析代理

Data Culture 构建了一个三步评估框架，使某项 AI 分析的部署准确率从 0% 提升至 94.7%。

使用 ExecuTorch 优化 Arm® 边缘设备上的流式语音识别

当你与设备对话时，你期望在说话的同时看到相应的文本显示。这使得流式自动语音识别（ASR）面临的挑战与批量转录截然不同，在后者中，模型…… 该文章《利用 ExecuTorch 优化 Arm® 边缘设备上的流式语音识别》最初发表于 PyTorch。

Nace AI 推出用于搜索 AI 智能体的 Drex：在 BrowseComp-Plus 上的准确率为 92.05%，搜索调用次数为 12.6 次

Nace AI 发布了 Drex for Search，将其 Drex 决策模型应用于 AI 智能体的文档搜索。Nace 在 BrowseComp-Plus 上取得了 92.05% 的成绩，仅需 12.6 次搜索调用，并且在 OfficeQA Pro 上实现了更少的智能体交互次数。该文章“Nace AI 为 AI 智能体发布 Drex for Search：在 BrowseComp-Plus 上取得 92.05% 的成绩，仅需 12.6 次搜索调用”首发于 MarkTechPost。

Kimi 发布 K3.1 Pro，加量降价挑战 Opus 5.5

作者｜宇航猿 编辑｜靖宇 10 月 23 日上午，Kimi 官方在 X 和视频号上发了一段 24 秒的视频。 画面里是一台复古风格的老式电脑，屏幕上开着 Kimi Code，终端里一行行地写着 Three.js 代码，在生成一个复杂的 3D 场景。眼尖的网友很快在左上角的模型栏里找到了答案——「Model: Kimi K3.1」。 Kimi 官方发布的 K3.1 预热视频｜图片来源：X @Kimi_Moonshot 用一台老古董般的机器，跑一段今天最前沿的 3D 代码，这个反差本身就是月之暗面想说的话。 十几个小时后，10 月 24 日零点刚过，卡着程序员节，Kimi K3.1 Pro 正式上线，同步推出的还有一个速度快 2 到 3 倍的 Highspeed 版本。官方承诺，完整模型权重将在 11 月 4 日前放出。 距离上一代 K3 发布，过去了三个多月。这三个月里，月之暗面经历的事情，比大多数公司一年还多。 01 「加量不加价」的 0.1 先说清楚 K3.1 Pro 是什么。 它不是一个全新的模型。月之暗面明确表示，K3.1 Pro 是 K3 的后训练版本，底座没换——仍然是 2.8 万亿总参数、1040 亿激活参数的混合专家架构，仍然是 100 万 token 的上下文窗口，仍然原生支持图像和视频输入。 变的是后训练。官方的说法是投入了「大幅增加的后训练算力」，在数百个下游领域做了大规模联合强化学习，为此把强化学习框架、沙箱基础设施、长上下文推理这些底层工程都重构了一遍。 也就是时候，同一个大脑，被重新「教」了一遍怎么干活。 效果体现在榜单上。在考察编程智能体的 Terminal-Bench 4.0 上，K3.1 Pro 拿到 65.7%，超过 GPT-6 Astra 的 58.2%，和 Claude Opus 5.5 的 66.4% 只差不到一个点。上一代 K3 在

篡改的机器学习：评估大型语言模型对机器学习研究的判断

arXiv：2610.32114v1 发布类型：新 摘要：加速人工智能对齐研究进展的一种方法，是将对齐研究的部分环节实现自动化。这需要能够可靠地完成难以监督的研究任务的系统，包括识别研究方案中的缺陷，以及评估某项实验设计是否支持其预期结论。为评估这一能力，我们提出了“Tampered ML”基准，包含1,858个项目对，每个项目由一篇已发表的机器学习论文重构而成的实验方案，以及一个经过轻微修改、引入特定方法学缺陷的反事实版本组成。模型需在两种呈现顺序下均能识别出方法上更为合理的方案。一项针对分层抽样的人工验证研究估计，其中86%的项…

SAGE基准与GAR框架发布：推动多模态语义对齐评估

2026年10月26日，arXiv发布论文arXiv:2610.31838v1，提出Sense-Aligned Grounding Evaluation（SAGE）——一个统一的10候选图像选择基准，并配套训练无关的Gloss-Augmented Reasoning（GAR）框架，用于跨名词、动词和实体中心的多模态接地评估。

推荐理由：该研究首次将VWSD、VerSe和WikiDiverse三类任务统一为术语中心的接地评测协议，引入混淆难负样本与上下文交换诊断机制，并通过实证表明定义增强与约束引导推理的协同可显著提升Hits@1指标（65.90→71.22），为多模态语义对齐提供了更细粒度、可解释的评估新范式。

面向开放ISA的超级计算：RISC-V、Arm与x86架构在HPC工作负载上的比较研究

arXiv：2610.32632v1 发布类型：新 摘要：RISC‑V 正在成为高性能计算（HPC）领域的候选架构，但其与成熟的 x86 和 Arm 处理器相比的竞争力仍难以评估，因为现有研究采用的平台、工作负载和方法各不相同，且很少考虑能效。我们的工作基于统一的软件栈和评估方法，对当前主流的 HPC RISC‑V、Arm 和 x86 处理器进行了全面评测。我们详细分析了 Sophgo SG2044，并将其与 NVIDIA Grace CPU 超级芯片以及 Intel Xeon Platinum 8480+ 在四项 HPC 基准测试（STREAM、HPL、HPL‑MxP 和 HPCG）以及四款典型应用（iPIC3D、PLUTO、OpenFOAM 和 llama.cpp）上进行了对比。用于本研究的 HPL‑MxP 版本链接至 OpenBLAS，并以此为基础进行构建和测试……

BARC基准测试：良性请求，风险后果

arXiv：2610.32024v1 发布类型：新 摘要：用户向智能体发出的任务指令本质上往往不够明确，尤其是在安全边界方面——这会带来行为风险。为研究此类风险，我们提出了 BARC-Bench，这是一个包含 110 项任务的基准，涵盖九种模拟工作空间环境；在这些环境中，看似无害的请求可能会为不安全操作留下可乘之机。在该基准中，我们依据工作空间记录、隐含的环境背景以及未明示的社会规范所设定的安全边界，对智能体的行为进行评估。例如，当一个智能体被要求安排离职面谈时，必须在不通过共享日历邀请过早暴露员工辞职信息的前提下安排会议。通过对四种前沿模型配置在每项任务上进行五次尝试的评估发现，m

基于ISO 11783网络的机器可读操作手册，用于离线、多语言LLM辅助

arXiv：2610.31863v1 发布类型：新 摘要：如果农业机械要支持智能化的离线辅助功能，那么系统就必须能够动态访问技术文档。本文分析了基于 ISO 11783 的 CAN 总线上的操作手册语义同步机制，将其定义为一种使拖拉机端助手的本地知识库与所连接农具的操作手册保持一致的过程。研究采用 Markdown、JSON 和 XML 对数据传输性能进行了基准测试，并在跨语言查询任务中评估了多种开源大型语言模型（LLMs）。答案的自动评估结果经由四位人工评分员进行验证。一份完整的手册通过物理层的 ISO 11783 网络完成传输，耗时 31 至 89 秒，具体取决于 f

可复现的评估作为生产型智能体中安全提示压缩的基石

arXiv:2610.31972v1 发布类型：新 摘要：评估那些基于实时、动态变化的企业数据运行的对话代理十分困难：由于后端状态不断更新，重放的会话会逐渐偏离；而今天构建的基准测试，随着其所描述的数据不断演进，也可能在不知不觉中变得过时。我们提出了一种针对生产级对话代理的离线评估框架，该框架能够在所处理的实时数据发生变化的情况下保持可复现性，并且在基准过时时能够按需重新生成。随后，我们将这一框架用作基于GEPA的提示优化的适应度函数，并通过一个正确性约束机制来防范奖励欺骗。将其应用于一款面向商家的生产级代理后，经过正确性约束的压缩使该代理的完整提示空间缩小了3.5%至7.6%，同时并未导致保留任务的正确率出现下降，考虑

OpenHome：从感知到洞察——智能家居摄像头视频分析

arXiv：2610.31986v1 发布类型：新 提要：视觉语言模型（VLMs）正越来越多地被应用于消费级智能家居摄像头系统，用于解析录制的视频并提供洞察。然而，从智能家居摄像头捕获的视频片段与现有VLM基准测试中占主导地位的精选网络视频存在显著差异。智能家居视频片段通常不包含字幕或旁白，并且拍摄角度各异、光照条件多变、场景也十分多样。然而，在视觉信号稀疏且上下文有限的情况下，现有VLM基准测试尚未充分评估模型在这一领域的性能。为弥补这一不足，我们提出了OpenHome，一个仅基于视觉、采用四选项选择题形式的基准测试，用于评估智能家居视频理解能力。I

在 MXFP4 上训练 MoE 大型语言模型：我们如何缩小与 BF16 的差距

arXiv：2610.32229v1 发布类型：新 摘要：在低于8位的算术运算下训练大型语言模型（LLMs）有望显著提升内存带宽和计算吞吐量，然而FP4格式引入的量化误差若不加以处理，将严重扰乱优化过程。我们提出ALTO，这是一种开源的训练方案，用于在MLPerf小型MoE训练基准测试中，以MXFP4微缩尺度格式训练GPT-OSS-20B——一款拥有200亿参数的专家混合模型（MoE）。该方案融合了Abecassis、Felix等人[arXiv:2509.25149]提出的成熟技术（混合1D/2D块量化、随机化哈达玛变换以及随机舍入），并结合了一种基于TetraJet-v2[arXiv:2510.27527]改进的简化权重去振荡机制。在全局批量大小为C4的验证集上