你能使用自回归扩散来生成市场数据吗？
HN Ÿ 50 · 21 评论
-
-
为什么编码代理如此愚蠢？
HN Ÿ 8 · 2 评论
-
将人工智能指向档案馆发现了被遗忘的陨石、丢失的犀牛等
HN ð35· 14 评论
-
显示HN：让你的人工智能代理在你的屏幕上绘制大箭头、方框和文本
HN ð321· 139 评论
-
被解雇的OpenAI安全研究人员对不当行为指控提出异议，警告寒蝉效应
三名被解雇的OpenAI安全研究人员对敏感信息处理不当的指控提出异议，并在一封公开信中警告称，他们的解雇正在对公司的人工智能安全文化产生寒蝉效应。
-
Show HN：Edi Life操作系统-自托管生活仪表板，配备用于人工智能的MAO服务器
HN ð11· 2 评论
-
我给了四个编码代理100美元的预算来构建PDF编辑器
HN ð4· 1 评论
-
OpenAI、分区原则和数学
HN ð81· 78 评论
-
人工智能准备生物数据：全球承诺18亿美元
HN ð64· 5 评论
-
我们现在有LLM。为什么文档还是错的？
HN ð11· 4 评论
-
LGTM（看起来不错）- Claude Opus 5.5音乐视频
HN ð14· 4 评论
-
平衡的数据饮食：解决机器人控制大规模RL中的探索瓶颈
作者：Octi Zhang、Mateo Guaman Castro、Patrick Yin|通用机器人必须执行从敏捷移动到灵巧操纵的广泛任务。虽然简单到真实的强化学习（RL）已被证明是实现这一目标的有用工具，但当前的强化学习管道依赖于繁重的工程、每项任务的结构性先验，例如形状奖励和演示。最近的工作表明，多样化的模拟器重置，并结合大规模的参数
-
关于人工智能时间范围的估计和有效性--METR图的统计学观察
作者：Drew T.阮，威廉·菲西安|METR的50%时间范围衡量人工智能以50%的可能性解决的软件任务的人类完成时间，允许人工智能能力以可解释的单位表达。在228项任务和26个人工智能上，我们使用样条和项目响应理论重新计算时间范围，以放宽任务的人工智能难度线性依赖于人类时间日志的假设。我们的装配样条可以
-
CSF：运动发生器的上下文安全过滤
作者：杨立志、侯亦玲、唐瑶|文本条件运动生成器产生可跟踪的全身运动，但它们没有场景相关安全性的概念：相同的动作可能针对对象或人。现有的保障措施要么检查提示，要求标记的运动数据，要么强制执行几何约束;因此，它们不能直接考虑场景上下文如何改变运动的含义。我们引入上下文安全
-
从反应性遏制到主动保证：OpenAI、Anthropic和Google Agent安全事件的教训
作者：阿巴斯·拉夫塔里|2026年，涉及OpenAI、Anthropic和Google代理的网络安全评估覆盖了其授权测试范围之外的真实系统。道路不同。OpenAI代理利用研究基础设施，在运行中进行协调，并损害了Hugging Face生产环境的部分内容。Anthropic报告的案例中，配置错误的第三方环境暴露了真实系统
-
BrickBench：评估弹性砖设计
作者：Peter Kulits，Yiqing Xu，R.肯尼·琼斯|我们提出BrickBench，这是基于原始文本的乐高套装设计的基准。给定提示，代理的任务是生成不仅满足语义和设计标准，而且还可以物理构建的组件。为此，它必须从离散的库中选择零件，并联合推理本地和全局限制。我们对三者进行有效性、一致性和设计评分
-
Bi-FORK：多维分叉系统的生成式建模
作者：Anna Zimmel，Fleur Hendriks，Markus Holzleitner|从结构弯曲到流体和气候动力学，分歧在物理系统中无处不在，但深度学习中基本上尚未对其进行探索。在分裂分歧处，单个输入接受多个同等有效的解，违反了大多数已知物理替代物的一对一假设。我们介绍了Bi-FORK，一个用于学习这些一个一个的生成框架。
-
一个区块，多个深度：具有深度编程专家的重现视觉变形金刚
作者：Adrian Bulat、Yassine Ouali、Georgios Tzimiropoulos|在这项工作中，我们表明，循环应用的单个Transformer块可以在相当的推理FLOP下匹配全深度视觉编码器的准确性，而无需中间特征提取。reViT通过将每个重复深度的FFN表示为小型共享专家库的凸组合来恢复深度特定的转换。连续规范化深度坐标程序
-
在行为中被抓住：探测器有效地检测破坏并捕捉无声的欺骗
作者：Oskar J. Hollinsworth、Alex F.间谍、老虎战士迪里巴|最近的事件凸显了监控LLM代理的挑战以及模型欺骗人们的危险。我们表明，通过探针的白盒欺骗检测可以通过收集迄今为止最大的欺骗数据集来训练探针，并引入一种新的探针架构，该架构可以跨许多层和令牌聚合信息，从而扩展到前沿监测设置。我们
-
预处理器空间四舍五入：重新设计4位AdamW优化器状态量化
作者：李汉阳，唐绍，Daniel Thomas Braithwaite|量化AdamW的优化器状态会减少持久存储，但量化错误会在瞬间循环传播并干扰后续的自适应更新。我们从\{舍入空间}的角度重新设计AdamW的4位优化器状态量化：量化器在相邻重建级别之间进行选择的坐标。对于第二个时刻，局部分析
-
利用Stein位移场估计密度比
作者：刘宋|密度比从概率质量的角度量化了分布变化，而位移场从动力学的角度描述了一种分布如何传输到另一种分布。尽管两者都提供了互补的见解，但它们通常是单独估计的，并且将其中一个转换为另一个需要后处理。在本文中，我们估计了a之间的密度比
-
OpenAI年化收入比之前信号减少200亿美元
HN ð209· 122 评论
-
Show HN：Jevman -人工智能决策模型玩吃豆人
HN ð26· 3 评论