MATRIX · 前沿研究

NVIDIA 公开 Workload Map 架构与三条复用路径

Mon, 02 Nov 2026 16:56:00 GMT

NVIDIA 公开 Workload Map 架构与三条复用路径

原条目：NVIDIA 扩展 Run:ai 的 GPU 控制与 Workload Map 复用

为什么读：统一 workload 映射可减少平台适配，但采用与互操作仍主要由厂商证明。

建议等级：TRIAL

来源：Support New AI Frameworks Faster Using NVIDIA Workload Map · DSX AI Factory Workload Map repository · Workload Map v0.3.0 release

WebAnything 为 web agent 重建可复现实验环境

Sat, 31 Oct 2026 15:56:40 GMT

WebAnything 公开一套 MIT 许可流水线，可根据参考网站重建 web agent 实验环境。作者报告得到 244 个通过验收的网站产物和 12,984 个任务，并用生成轨迹微调 Qwen3.5-9B。网站保真度审计与 agent 增益都由作者完成，尚未独立复现。

建议等级：TRIAL

来源：WebAnything paper · WebAnything repository

OpenFrontiers 区分 agent 是重发现还是检索数学答案

Sat, 31 Oct 2026 15:56:40 GMT

OpenFrontiers 公开 12,151 道题的语料和 200 题 benchmark，用来区分 agent 是检索已知数学解答，还是在闭卷条件下重新推导。作者还提供 50 题高质量子集和 Lean 4 statement。在 40 道已有结论的 HQ-50 题上，最佳闭卷 agent 最多重发现 7 道；联网成功大多来自检索已发表答案。

建议等级：WATCH

来源：OpenFrontiers paper · OpenFrontiers dataset

OpenAI 向受审研究机构开放 GPT-6 Rosalind

Sat, 31 Oct 2026 15:56:40 GMT

OpenAI 向获批机构和授权用户开放 GPT-6 Rosalind Research，可在 Work、Codex 与 API 中使用。它不进入 Chat；Enterprise 还要先经过两周 Admin Preview。该模型沿用 GPT-6 Astra 权重，没有额外训练或后训练。

为什么读：GPT-6 Rosalind 把前沿模型带入受限生命科学研究，但可用性和证据边界很窄。

建议等级：WATCH

来源：developers.openai.com · changelog · GPT-6 Rosalind Research model · GPT-6 Rosalind Research system card

Google 首次在轨运行数据中心级 TPU 推理

Sat, 31 Oct 2026 15:56:40 GMT

Google 的 Project Suncatcher 原型卫星运行 Gemma 4，返回首个由在轨数据中心级 TPU 生成的 AI 响应。团队此前已完成主机与 TPU 托盘上电和早期机器学习测试。下一阶段要验证热应力与辐射下的可靠性，并计划在 2027 年测试两颗互联卫星。

建议等级：WATCH

来源：Project Suncatcher first AI response in space

Anthropic 披露 Claude 在六家药物研发伙伴中的早期结果

Fri, 30 Oct 2026 16:01:56 GMT

Anthropic 发布六家药物研发伙伴及自有临床前项目的早期案例，覆盖蛋白设计、hit 生成、先导优化、生产文档审核、公司筹建与临床规划。大部分工作仍处于临床前阶段，结果来自 Anthropic 与参与机构，不是独立对照研究。

建议等级：WATCH

来源：Early progress on accelerating drug development with Claude

Concordat 用类型化协议约束 LLM agent 动作

Thu, 29 Oct 2026 16:05:08 GMT

Concordat 是开源 Python 库，只向 agent 暴露当前协议状态允许的工具，并在副作用发生前拒绝非法调用。研究者在 tau-bench 航空任务中加入催促 agent 跳过确认的用户。标准 agent 在 GPT-4.1 的 50 个任务中违规 13 次，在 Claude Haiku 5.5 的 128 次运行中违规 29 次；Concordat 为 0，任务成功率没有统计显著差异。

为什么读：Concordat 用公开代码把确认规则从 prompt 移到运行时协议，结果有工程价值但仍局限于单一场景。

建议等级：TRIAL

来源：Concordat: Typed Sessions for LLM Agents · miladsikaroudi/concordat

Run:ai 加入 CUDA 13.4 显存硬约束 GPU 切分

Wed, 28 Oct 2026 15:58:44 GMT

Run:ai 加入 CUDA 13.4 显存硬约束 GPU 切分

原条目：NVIDIA 扩展 Run:ai 的 GPU 控制与 Workload Map 复用

建议等级：TRIAL

来源：Memory-Enforced GPU Sharing in Kubernetes with NVIDIA CUDA 13.4 · KAI GPU Fractioning Operator

Google 向受信测试者开放 Genie 4

Wed, 28 Oct 2026 15:58:44 GMT

Google DeepMind 正把 Genie 4 作为 research preview 向受信测试者开放。这个 world model 能实时生成带原生音频的交互场景，并接受文字实时控制；Gemini 模型负责引导较长动作。它尚未广泛可用，Google AI Ultra、Gemini API 与 AI Studio 仍只是 coming soon 或 early access。

为什么读：Genie 4 展示交互式世界生成，但只有有限预览、没有开放权重或通用 API，适合了解能力边界而非投入集成。

建议等级：WATCH

来源：Genie 4: A new generation of world simulation · Google announces Genie 4

Novelty Bench 揭示 LLM 新颖性评审易受提示影响

Wed, 28 Oct 2026 15:58:44 GMT

Ai2 发布用于评测“研究想法是否新颖”的 LLM judge 代码、数据和 benchmark。六种 judge 中，轻微提示变化有时会让同一批 AI 生成想法超过一半的判定翻转。检索和更多推理没有稳定改善结果，专用评审系统在作者实验中还不如简单提示基线。

为什么读：Novelty Judge Bench 公开代码与数据，为研究 agent 的想法去重提供可复现起点，同时明确暴露弱标签限制。

建议等级：TRIAL

来源：Can we trust LLMs to judge whether a research idea is novel? · Ai2 novelty evaluation code · Ai2 Novelty Judge Bench dataset

NVIDIA 开放 Metatron 人形机器人控制器权重

Wed, 28 Oct 2026 15:58:44 GMT

NVIDIA 发布无需申请即可下载的 Metatron v1 Unitree G1 人形机器人控制器权重，以及两个浏览器 ONNX 导出。公开产物覆盖行走、场景交互和恢复动作。发布未包含训练数据或完整复现包，周边动作资产也受单独条款约束。

建议等级：TRIAL

来源：NVIDIA Metatron v1 model repository · NVIDIA Metatron research project

FeatureArc 发现 coding agent 会把早期缺陷带入后续阶段

Wed, 28 Oct 2026 15:58:44 GMT

FeatureArc 用同一持久 workspace 中连续两到十个相互依赖的阶段评测 coding agent。十种 agent 在 73 个经人工复核的任务上，首阶段 pooled success 为 62.7%，完整功能只有 28.5%。作者称后续失败中 72.9% 继承了早期缺陷，但没有公开可运行 harness 或代码。

建议等级：WATCH

来源：FeatureArc: Benchmarking Coding Agents on Evolving Features

OpenAI 公开三项新的模型生成研究主张并引入外部 shepherd

Tue, 27 Oct 2026 15:59:15 GMT

OpenAI 公开三项新的模型生成研究主张并引入外部 shepherd

原条目：OpenAI 发布模型生成的数学成果与 Lean 验证

建议等级：WATCH

来源：Working with academic communities to build scientific understanding · Local smoothing for the Euclidean wave equation · Lean scope for local smoothing and Kakeya results

DecisionRAG 让模型直接导航文档层级

Tue, 27 Oct 2026 15:59:15 GMT

DecisionRAG 把语言模型当作 decision model，在不生成 token、也不依赖第一阶段检索器的情况下，共同判断文档层级中的候选分支。作者报告它在 MultiDoc2Dial 与 Natural Questions 上超过 dense retrieval 加 8B reranker，并在四个 benchmark 上把单次检索控制在 0.7–1.8 秒。当前未发现公开实现或独立复现。

建议等级：WATCH

来源：Retriever-Free Retrieval: Navigating Documents with Decision Models

REVA 用一次模型前向计算筛查函数漏洞

Tue, 27 Oct 2026 15:59:15 GMT

REVA 把模块威胁模型、静态分析结果和调用图上下文一起交给 LLM，再用训练过的 probe 读取模型内部表示。作者在 PrimeVul held-out 测试集上报告：GLM-5.3-Flash 约一秒筛查一个函数，准确率 60.0%，与其复跑的 VulTriage 接近，但速度快 250 倍以上。当前未发现公开代码或独立验证。

建议等级：WATCH

来源：Reva: Real-Time Vulnerability Detection through Contextual Probing of Large Language Models

dSpark 学习 token 揭示顺序来加速扩散语言模型

Tue, 27 Oct 2026 15:59:15 GMT

dSpark 蒸馏 token 解掩码顺序，优先揭示能降低其他位置不确定性的 token，而不是只选当前最有把握的 token。作者报告 LLaDA-8B-Instruct 每次前向计算可确定 10.12 个 token，Dream-7B-Instruct 为 5.12 个，同时保持 benchmark 准确率。训练与评测代码已公开，但模型 checkpoint 和训练数据仍承诺稍后发布，仓库也没有声明许可证。

建议等级：WATCH

来源：Learning When to Commit: Schedule Distillation for Fast Diffusion Language Models · dSpark research repository

研究发现简单 LLM harness 胜过手工编排的根因分析 agent

Tue, 27 Oct 2026 15:59:15 GMT

一项研究在 RCAtlas 上比较三种简单 LLM harness、五个已发表的根因分析 agent，以及统计和因果基线。实验覆盖八个公开数据集中的 90 个已验证故障、六个模型和三档 reasoning effort。作者报告：三种中档模型上的简单 harness 达到 65–77% PR@1，手工编排 agent 为 16–53%。论文没有链接公开实现或独立复现。

建议等级：WATCH

来源：Free to Look, Free to Reason: Simple LLM Harnesses Outdiagnose Hand-Crafted Root Cause Analysis Agents

百度发布面向超长文档的 Unlimited-OCR-2 权重

Tue, 27 Oct 2026 15:59:15 GMT

百度公开了 MIT 许可的 Unlimited-OCR-2 权重、代码、demo 和新的超长文档 benchmark。它用 Sparse Reference Sliding Window Attention 保留固定数量的工作引用，让文档继续变长时不必让每一步的计算和显存同步增长，并支持 Transformers 与定制 SGLang 路径。百度报告它在多页 benchmark 上领先，但对比结果尚未独立复现。

为什么读：Unlimited-OCR-2 已公开 MIT 权重和可运行路径，直接关系长文档 RAG 的切页、显存与跨页上下文取舍。

建议等级：TRIAL

来源：Baidu Unlimited-OCR-2 model card and weights

Meta 开放 InteractiveWorld 与状态可验证多模态评测

Mon, 26 Oct 2026 16:03:24 GMT

Meta 公开有状态的第一人称 3D 模拟器和 InteractiveBench，包含六类、120 个冻结的多轮任务。成功条件会对照世界状态，但评分规则仍需要人工裁定。复现要求 Linux、NVIDIA GPU、约 100 GB 资产，以及另行授权的 Isaac Sim、BEHAVIOR、MANO 和 AMASS 组件。

建议等级：WATCH

来源：Meta InteractiveWorld repository

AI21 开放 LIFT-Bench 测量长文局部指令遵循

Mon, 26 Oct 2026 16:03:24 GMT

LIFT-Bench 公开 784 个测试任务，LIFT-Train 公开 34,258 个训练任务，用来评估只作用于长篇结构化输出某些段落的局部约束。Apache-2.0 代码包含合成与评测流水线。分数依赖固定的 Gemma judge，AI21 报告的 benchmark 外收益也很小。

为什么读：LIFT-Bench 的代码与数据公开，可验证长文局部指令遵循，但 judge 依赖限制结果外推。

建议等级：TRIAL

来源：AI21 LIFT-Bench announcement · AI21 LIFT-Bench repository · LIFT-Bench paper

GVS5H 开放基于账本的多轮 coding agent 框架

Sun, 25 Oct 2026 15:57:07 GMT

GVS5H 让 coding agent 连续运行 5 轮，并用共享账本记录假设、失败和下一步，而不是增加新的协调模型。仓库公开代码与运行数据；作者在 100 道 LiveCodeBench 难题上报告 Qwen3.8-27B 从 66.8 提升到 92.4。

为什么读：共享失败账本把多轮 agent 重试变成可复现的工程实验，而不是只靠增加 coordinator。

建议等级：TRIAL

来源：slee-persis/GVS5H

Carbon-X 开放可本地运行的 DNA 语言模型

Sun, 25 Oct 2026 15:57:07 GMT

Carbon-X 是一个开放的 14.8B 单解码器模型，把 DNA 序列和自然语言放进同一 token 流。官方提供 Apache-2.0 权重、代码与 5 项 benchmark，声称平均分 66.7，单张 80GB GPU 可运行。它未经临床验证，也不应承担精确坐标操作。

为什么读：开放权重让敏感 DNA 可以留在本地，但厂商 benchmark 不能替代临床验证。

建议等级：TRIAL

来源：Carbon-X model card

Beetle 发布多语种学习课程实验套件

Sun, 25 Oct 2026 15:57:07 GMT

Beetle 公开 21 种语言的 330 个小模型、数千个 checkpoint、训练数据和课程实验代码。它用 5 种课程和 3 档 token 预算比较多语种学习顺序，并报告分阶段课程更贴近人类二语阅读时间。

建议等级：TRIAL

来源：Beetle EMNLP paper

Tencent 发布交互式世界模型 Hy-Nomas

Sat, 24 Oct 2026 15:59:49 GMT

Tencent 公开 Hy-Nomas 代码、训练方案和权重，可用文本与镜头运动进行多轮世界生成。项目提供 4、6、8 步蒸馏版本，并给出单张 RTX 4090 的低显存路径。四项 benchmark 均由发布方评测，技术报告尚未公开。

为什么读：开放权重、代码和训练方案让交互式世界模型可以落地验证，限制是只有发布方评测。

建议等级：TRIAL

来源：Tencent Hy-Nomas repository · Hy-Nomas model card and weights · Hy-Nomas Diffusers weights

Ai2 测试用 LitPivot 改进文献驱动的研究转向

Sat, 24 Oct 2026 15:59:49 GMT

Ai2 介绍 LitPivot：它按研究切面整理文献，并用相邻工作批评正在形成的想法。17 名研究者参加了组内对照实验，两名盲评领域专家给出的文献扎根评分更高；另有 5 人参加长期跟踪。当前没有公开代码或可用服务。

建议等级：WATCH

来源：LitPivot: developing research ideas within the literature landscape · LitPivot paper

Block 预览纯语音训练的全双工模型 Dessa

Sat, 24 Oct 2026 15:59:49 GMT

Block 预览 Dessa：一个从人类对话语音开始训练、未使用文本或预训练模型的 speech-to-speech 模型。团队称它能同时听和说，推理快于实时。页面只提供精选音频演示，没有权重、代码、API、benchmark 协议或独立评测。

建议等级：WATCH

来源：Dessa: the conversation model trained only on speech

EpiSEM-Bench 揭示工具漏掉关键事实时的 agent 越界

Fri, 23 Oct 2026 16:04:55 GMT

EpiSEM-Bench 用 300 组安全／不安全配对任务测试：工具返回的每句话都是真的，但刻意缺少一个决定动作是否合法的关键事实。10 个模型在越界执行、主动补证和补证后正确行动上差异很大；提供恢复入口能降低所有模型的越界率，却不能保证 agent 会主动使用它。论文未找到公开实现。

建议等级：WATCH

来源：EpiSEM-Bench: Evaluating Safety and Evidence Recovery in LLM Agents under Missing Evidence

Simulated Control Evals 用仿真预测部署环境中的护栏失效

Fri, 23 Oct 2026 16:04:55 GMT

Simulated Control Evals 用语言模型模拟工具环境，尝试在不执行完整部署任务的情况下预测护栏效果。作者在 LinuxArena 上用真实执行结果校验，报告五个 monitor、5% 审计预算下的安全预测 RMSE 为 3.6 个百分点，低于跨环境 BashArena 对照的 10.1。论文未找到公开实现，且结果仍局限于一个执行环境。

建议等级：WATCH

来源：Simulated Control Evals

Anthropic 与 Theorem 发布 C 库机器校验证明

Fri, 23 Oct 2026 16:04:55 GMT

Anthropic 与 Theorem 公开了 MIT 许可的 Rocq 证明和验证工具，覆盖部分 C 库 fuzz 入口。Anthropic 报告内部运行规模更大；当前公开证明仓库覆盖 25 个库的 60 个入口。保证范围只涵盖建模后的静态、单线程 RISC-V Linux 进程，以及每个 fuzz target 明确写出的性质。

为什么读：公开 proof 可重放，但内部规模、公开子集和真实软件栈必须分开理解。

建议等级：TRIAL

来源：Using AI and formal verification to secure open-source software · oss-verify-proofs · Rocq Linux process semantics

Tencent 发布 WeVisOne-VL 统一视觉感知权重

Fri, 23 Oct 2026 16:04:55 GMT

Tencent 公开 WeVisOne-VL 2B、4B 权重和必需的 960 万参数 pixel decoder，统一支持检测、指代表达定位、计数、point grounding、OCR、分割与 alpha matting。Hugging Face 仓库无需申请并标为 Apache-2.0，但 GitHub 尚未识别出许可证。公开 benchmark 均来自发布方。

建议等级：TRIAL

来源：Tencent WeVisOne-VL · WeVisOne-VL-4B · WeVisOne-VL-2B