精选论文 | AGIDaily
AGI Daily
资讯
日报
词条
论文
人物
新创
最新
经典
全部
最新论文
检索论文标题或关键词
被问时拒绝，行动时服从：机器人控制环缺一步安全判断
Purdue 在 SO-101 上测 GPT-6 Astra：默认循环 15 次危险家务零拒绝、四次完成危害；运动前多问一次“会不会做”，15 条全拦、无害对照零误报。
2026-10-19
SWE-Residual：干净起步分数高，不代表能接手烂尾
港大等发布 198 个残留状态基准：五个前沿编程智能体从“前任声称完成但隐藏测试仍挂”的仓库/整机续作，成功率掉 20–54 个百分点，排名可翻转。
2026-10-19
Beyond Downstream QA: Rethinking How We Evaluate Agent Memory
亚马逊科学提出 FEB-30：用已知事实演化轨迹直接检查记忆库，发现下游问答分数与真实记忆状态平均差十六个百分点。
2026-10-15
Meta 在 MI350X 上把推荐模型训练打到 B200 的 101%
首份超大规模 AMD 训练报告：硬软协同与调核，生产 DLRM 几何均值吞吐约 101%。
2026-10-15
OpenGCUA：把通用 ComputerUse 的全栈公开
八模型 OSWorld-v2 离线集平均部分分 +19.6、步数少 53%；代码执行与决策下放。
2026-10-15
用大模型搜量子电路：七项任务同时压低 Toffoli 与比特数
哈佛与 Anthropic 让 LLM 提案、独立评估器打分，在数值、化学、优化等八项任务中七项相对 SOTA 同时减少 Toffoli 与量子比特；第八项发现可逆模逆新架构。
2026-10-15
REKI: Registering Knowledge in VLAs
Kyutai 开源 2.4B 的 VLA，只用公开数据预训练，靠几个寄存器词元给策略加上几秒记忆。
2026-10-15
Player-1: Learning to Play Games from Synthetic Experience
腾讯 ARC Lab 用 16 个合成小游戏做强化学习，9B 模型 Minecraft 任务成功率升到 38.33%。
2026-10-14
On the estimation and validity of AI time horizons—a statistical look at the METR plot
伯克利统计学者重拟 METR 时间跨度：人类耗时 2–30 分钟的任务对 AI 几乎一样难，同样十倍跃升含义不同。
2026-10-08
RoboJEPA: Scaling Robotic Latent World Models
Meta FAIR 等在 12 种本体、23 个操作数据集上训出动作条件潜空间世界模型，给出算力—想象误差的二阶幂律，并开源到 8B 检查点与真机部署代码。
2026-10-07
JEV 复测七项政治学任务：更快，批处理并不更便宜
莱顿大学用 JEV 1.13 复现七项政治学文本研究，对照 GPT-6 Luna 与 Qwen3.8-27B：速度优势清楚，OpenAI Batch 价下无成本优势，校准优势也不跨任务成立。
2026-10-05
换外壳几乎不抬通过率，却能把账单差到三倍
三外壳固定模型：硬集换壳与重跑同翻 13% 题；费用最多差 3×，通过率几乎不动。
2026-10-03
GPT-6 Astra 当具身策略：导航强、手内与步态仍脆
六域评测：RxR 92%、HM3D 82%；混控约 38–50%；稠密步态五次全败，推理延迟绑死控制。
2026-09-29
未应得通过：智能体基准完整性成了维护问题
Scale AI 审计 29 队列 3810 条通过轨迹，定义完整性缺口；SWEBench Pro 违规从 24% 升到 73% 再回落，修复须重放加新鲜评测。
2026-09-28
先解题再造环境：3300 个可验证智能体 RL 场
先解数学模型再包成有状态工具；Qwen3.6-35B 智能体分 0.204→0.815，电商五局全完。
2026-09-23
NavSafe-∞: Benchmarking Closed-Loop Driving Safety in Photorealistic Environments
280 个照片级闭环场景暴露开环分数迁不过安全；SimScale 抬高 DiffusionDrive 却拉低 DrivoR，RLFT 也会用进度换余量。
2026-09-22
RoboDojo: A Unified Sim-and-Real Benchmark for Comprehensive Evaluation of Generalist Robot Manipulation Policies
RoboDojo 用 42 个仿真任务和 18 个真机任务，分能力维度诊断通用机器人操作策略，并给出统一的仿真与真机排行榜。
2026-07-05