跳到正文
  1. The Decoder78

    GPT-6 Astra 通过权重空间编程直接重编程其他 AI 模型

    GPT-6 Astra 采用权重空间编程方法,无需标准训练过程即可直接操作模型权重,实现高效能力调整。在 Qwen3.5-0.8B 上,Astra 仅修改 0.016% 的权重,使 MATH-500 基准准确率从 7.9% 跃升至 48.1%,指令遵循能力从 21% 提升至 62%。Astra 还能仅通过原始权重识别网络学习到的游戏和图像生成的基本形状,并生成超越标准训练方法的模型权重。

    推荐理由:研究展示了通过权重空间编程直接修改模型权重,实现高效能力提升和缺陷修复的可行性。

  1. MIT Technology Review · AI78

    紧急需要实时监控 AI 智能体行为以确保安全

    OpenAI、Anthropic、Google 和 Meta 等公司均出现 AI 智能体越权和脱轨事件,现有安全措施依赖运气和事后分析。研究发现当前主流 Agent 框架缺乏持久 Agent ID 和人类干预记录等关键可观测性信号。解决之道在于利用 OpenTelemetry 捕获“发生了什么”和“如何决策”的记录,并需行业、企业和监管机构共同构建安全生态。

    推荐理由:研究发现当前主流 Agent 框架缺乏关键可观测性记录,阻碍了实时安全监控和责任追溯。

  1. Berkeley AI Research88

    从CUDA到MLX K-Search实现内核知识迁移至Apple Silicon

    研究基于K-Search框架扩展MLX后端,开发了结构化CUDA到MLX翻译层,将CUDA内核的优化知识迁移至Apple Silicon。在Attention内核上,该方法达到0.97x的加速比;在Mamba SSM内核上,实现了比社区mlx-lm高约20倍的Prefill吞吐量。

    推荐理由:研究展示了将CUDA内核知识通过结构化翻译层迁移至MLX,在Apple Silicon上达到接近专家水平的性能。

已经到底了