InferNews

HASP 真正會出手的技能框架

這篇論文介紹 HASP，一個用來提升大型語言模型代理表現的框架。它想解決的核心問題很直接：以往不少代理會把過往經驗當成文字提示，但這些提示很多時只是「建議」，未必會在出錯前真正介入。

HASP 的做法，是把技能轉成可執行的 Program Functions（PFs）。簡單理解，PFs 會在代理進行推理、搜尋或寫程式時，檢查當前狀態和下一步動作；如果偵測到常見失誤，例如太早下結論、重複無效步驟，便會插手修正，或者補充有用脈絡。

這個項目的特別之處，在於技能不再只是放進提示詞的文字，而是能夠明確決定「何時啟動」和「怎樣改動下一步」。論文亦指出，HASP 具模組化特性，可在推論階段直接介入代理循環，也可用於後續訓練，甚至讓系統逐步整理和演化已驗證的技能庫。

重點可概括為：
– 把經驗技能由被動提示變成可執行規則
– 可在失誤風險較高的節點主動介入
– 適用於網頁搜尋推理、數學推理與編碼任務
– 既可免訓練使用，也可配合後續訓練與自我改進

如果你正在做代理工作流、工具調用或長步驟推理，這個項目特別值得留意。論文報告顯示，在網頁搜尋推理中，單靠推論階段的 PFs，平均表現比多輪 ReAct Agent 提升 25%；結合後續訓練與受控演化後，對 Search-R1 的提升達 30.4%。

整體來看，HASP 的價值不只是「再加一些提示」，而是為代理加入可重用、可驗證、可介入的技能機制。文中未有把所有細節簡化成通用產品指南，但對想提升代理穩定性、減少重複犯錯的人來說，它提供了一條相當清晰的方向。

Paper： https://arxiv.org/pdf/2605.17734

Categories: 框架

Artifact-Bench：幫你看穿 AI 影片破綻

近年 AI 生成影片愈來愈像真，但「似真」不等於毫無破綻。Artifact-Bench 這個項目，重點就是評估多模態大語言模型是否真的看得出 AI 影片中的不自然痕跡，而不只是大概明白畫面講甚麼。

它把測試分成三類：分辨真影片與 AI 影片、比較兩段影片哪段更真實，以及指出影片中可能出現的瑕疵位置或類型。這種設計比一般只看語意理解的評測更細緻，因為它直接針對「真實感」與「畫面破綻」做分析。

動手使用這個項目時，先要準備對應的影片資料集，再按照三個任務的 metadata 檔組織輸入。儲存庫亦提供了針對 Qwen3-VL 的評估流程，並支援選擇指定任務、控制輸出長度，以及用多張 GPU 分工推理，對需要批量測試模型的人較方便。

重點不在影片內容摘要，而在辨認 AI 生成痕跡
包含三種評測角度，覆蓋分類、比較與瑕疵辨識
已提供任務 metadata，較容易整理測試流程
內建 Qwen3-VL 評估管線，亦可作為其他模型的參考框架

這個項目特別適合做影片生成、模型評測、內容審核與研究真實感判斷的人參考。從儲存庫資訊可見，現成流程主要圍繞 Qwen3-VL；相關模型範疇則可延伸到多模態大語言模型，例如不同尺寸或版本的 Qwen3-VL。若你關心模型是否只是「識圖識片」，還是真的能講出哪裡假，這個項目有相當清晰的測試價值。

GitHub： https://github.com/FrankYang-17/Artifact-Bench

Categories: 開源, 香港科技大學, 框架

AutoResearchClaw：由想法走向論文的 AI 流程

AutoResearchClaw 是一個面向研究工作的 AI 項目，目標不是單純幫你寫字，而是把「提出題目、討論假設、安排實驗、整理結果、輸出論文」串成一條連續流程。由描述可見，它特別針對傳統線性流程的限制，嘗試讓系統在失敗後仍可調整方向，而不是一步出錯就停住。

動手理解這個項目，最自然的方法是把它當成一位研究助理：先輸入一個研究主題，再讓系統展開分析、規劃與生成。它亦支援與 OpenClaw 配合，而人類介入功能預設為關閉，代表你可以先用原本流程體驗，再按需要加入審批或協作節點，不會一下子改變整套使用習慣。

這個項目較有意思的地方，在於它不只靠單一模型一次過完成工作。根據論文介紹，它結合多代理辯論、失敗後修正的執行機制、可驗證的結果彙報，以及跨次任務累積經驗的設計，方向上比一般「輸入提示詞、輸出文章」的工具更接近真正研究循環。

以一句研究想法作為起點，嘗試延伸成完整研究流程
強調多代理協作，而非單一路徑生成內容
支援人類參與模式，但預設不影響原有流程
可選整合 MetaClaw，核心流程毋須新增依賴
已通過 2,699 項測試，顯示整合新功能後穩定性未見明顯倒退

適合的場景包括學術探索、研究提案發想、實驗規劃初稿，以及想觀察 AI 如何拆解研究問題的人。相關比較對象可留意 AI Scientist v2，論文亦直接以 ARC-Bench 作基準比較；若你關心的是代理式研究系統，而不只是聊天機械人，這個項目值得放入觀察名單。不過它產出的內容仍應由研究者覆核，尤其在方法設計、引用與結論判斷上更需要人手把關。

GitHub： https://github.com/aiming-lab/AutoResearchClaw

Paper： https://arxiv.org/pdf/2605.20025

Categories: 開源, Agentic, OpenClaw

OpenComputer：電腦代理評測更貼地

OpenComputer 主要處理一個很實際的難題：當 AI 代理要打開瀏覽器、改文件、用設計工具或整理檔案時，怎樣才算「真的完成任務」？它不是靠主觀判斷，而是為不同桌面軟件建立可檢查的狀態驗證方式，令評測結果更穩定，也較容易重現。

動手使用時，重點不是直接把它當成一般應用程式安裝，而是按專案提供的環境設定範本準備評測環境，再選擇本機沙盒或雲端後端，之後用現成任務去跑代理測試。專案亦分開了修復評測、AWS 遠端 Docker 與 Tencent Cloud 中國區部署文件，明顯是為較正式的實驗流程而設。

它最有意思的地方，在於把「出題」和「判卷」都系統化。除了為應用程式建立檢查端點，還會自動生成較真實、可機器驗證的桌面任務，並記錄整段操作軌跡，連部分完成的進度都可計分；比起只看最後答案，這種做法更適合分析代理卡在哪一步。

覆蓋 33 個桌面應用程式與 1,000 個已定稿任務
場景包括瀏覽器、文書、創作工具、開發環境、檔案管理與通訊軟件
評測不只看成敗，亦會保留操作過程與部分分數
驗證方式較依賴程式化檢查，不單靠語言模型做裁判

專案適合做 AI 代理、桌面自動化、基準測試或研究評估方法的團隊；一般用家未必會直接拿來日常使用。從論文內容看，相關對比亦涉及 frontier agents、open-source models，以及 OSWorld-Verified 這類評測結果，反映它比較像研究基建，而不是單一模型展示頁。整體而言，OpenComputer 的價值在於把電腦操作代理的評測，從「似乎做到」推進到「可以核實做到多少」。

GitHub： https://github.com/echo0715/OpenComputer

Paper： https://arxiv.org/pdf/2605.19769

Categories: 開源, 框架

AntiSD 點樣改善推理訓練盲點

AntiSD 係一個研究型專案，主力處理語言模型做數學推理時嘅訓練偏差。一般做法會叫模型向一個「已知答案、更有提示」嘅自己學習，但作者指出，呢種安排往往會令模型更著重格式化、收尾式嘅字詞，反而削弱真正幫到逐步思考嘅中間推理線索。

呢個專案最特別嘅地方，係將常見嘅自我蒸餾方向反轉。簡單講，唔再一味逼學生版本貼近「已經知道答案」嘅老師版本，而係用一種受控制嘅方式保留兩者差異，等模型唔會過早放棄探索思路；同時再加上一個基於不確定度嘅開關，避免訊號去到後期失控。

實際睇法上，呢個方法唔係畀一般用家即裝即玩，而係較適合已經做緊推理模型訓練、想比較不同強化學習策略嘅人。閱讀論文、配合 GitHub 內嘅實驗設定同 W&B 結果去重現，會係較合理嘅使用方式；重點係觀察訓練步數、最終準確率，同埋模型喺中間推理字詞上有冇被過度壓縮。

針對數學推理訓練中「答案啱，但思路變薄」嘅問題
核心做法係反轉自我蒸餾訊號，而唔係沿用標準貼近策略
論文提到以 pointwise mutual information 解釋點解方法有效
在多個 4B 至 30B 模型上，據報可用更少訓練步數追平或超過基線
相關模型包括 Qwen3-4B、Qwen3-8B，以及其他同級 4B 至 30B 語言模型

以定位來講，AntiSD 比較似一個畀研究員同模型工程團隊參考嘅訓練配方，而唔係面向終端用戶嘅應用程式。對於關注 AIME、HMMT、BeyondAIME 呢類數學推理基準，或者正用 GRPO 一類方法微調模型嘅團隊，呢個專案提供咗一個值得認真比較嘅替代方向。

GitHub： https://github.com/FloyedShen/AntiSD

Paper： https://arxiv.org/pdf/2605.11609

Categories: 開源, 中國, 框架

wvs-code：用影片與聲音驗證模型是否真懂內容

專案《When Vision Speaks for Sound》t提供官方程式碼，核心目標不是做一般影音問答，而是檢查支援影片的多模態模型，究竟有沒有真正理解聲音，還是只靠畫面和語意猜答案。它提供模型、評估介面和訓練流程，方便研究者重現實驗或改造自己的測試方式。

儘管支援視頻的多模態大語言模型（video-capable MLLMs）進步很快，但研究發現它們在視頻中表現出的「音頻理解」能力往往是由視覺驅動的：模型其實是依靠視覺線索來推斷、甚至幻想出聲音相關的資訊，而不是真正去檢查或分析音頻串流本身。

這個問題普遍存在於：

最先進的開源全能模型（omni models）

主要閉源模型供應商（如 Google 和 OpenAI）的頂級模型

換句話說，這些模型看起來能「聽懂」視頻中的聲音，但實際上它們只是「看」畫面來猜聲音是什麼，並沒有真正處理音頻數據，因此容易產生錯誤或幻覺（hallucinate）。

先準備好影片和音訊資料，再把資料登記到 LLaMA-Factory 的資料設定中，之後就可以用它的 SFT 或 DPO 格式去訓練。專案也支援把樣本寫成 ShareGPT 風格，讓每條資料同時帶上 <video> 和 <audio>，方便模型學習在多模態情境下作答。

它比較特別的地方，在於採用介入式診斷框架 Thud，專門測試模型是否真的有做音訊驗證，而不是只走視覺捷徑。這種設計對研究「模型到底看了甚麼、聽了甚麼」特別有用，也比單純準確率更能揭示模型行為。

可用來評測影片語音、音畫同步、時間延遲等問題
適合做多模態模型研究、除錯和基準測試
支援 SFT 與 DPO 訓練流程
可接入 LLaMA-Factory 一起使用
相關模型與框架重點包括 Thud、LLaMA-Factory 以及多種可處理影片的多模態模型

整體來說，這個專案更像是一套「檢查工具」，而不是面向一般用家的應用程式。對做 AI 研究、影音理解評測，或者想分析模型有沒有偷懶靠畫面猜答案的人，會特別有參考價值。

GitHub： https://github.com/rakanWen/wvs-code

Paper： https://arxiv.org/pdf/2605.16403

Categories: 開源, 影像處理, 模型, 聲效, 視覺模型, 框架

LiteFrame 點樣令 AI 睇影片更多更快

而家不少影片大模型都可以答片段問題、做內容理解，但片一長，速度同成本就會急升。LiteFrame針對的正正唔係表面上的「睇少啲格」，而係指出每一格都交俾大型視覺編碼器處理，本身先係真正慢位。

這個專案提出一個較輕量的影片編碼骨幹，核心做法是用較大的教師模型，教一個更精簡的學生模型直接產生已壓縮、但仍保留時空資訊的表示。論文將這套訓練方式稱為 Compressed Token Distillation，另外亦配合 Language Model Adaptation，令後續語言模型更易接住使用這些視覺資訊。

對使用者而言，現階段較適合作為研究參考而非即裝即用工具，因為 README 已說明程式碼和權重尚未釋出。實際閱讀可以先由論文和項目頁入手，集中看它如何比較端到端延遲、可處理影格數，以及在多個影片理解基準上的準確度變化。

重點不只是減少語言模型負擔，亦直接降低逐格視覺編碼成本
主打長影片理解，在固定運算預算下處理更多 frames
論文提到相對 InternVL3-8B，可降低端到端延遲並處理更多影格
適合做影片問答、影片描述、時序推理相關研究參考
文中脈絡亦關連到 Video LLM、MLLM、ViT、InternVL3-8B 等模型路線

整體來看，LiteFrame的價值在於把焦點由「事後刪 token」移前到「一開始就更有效率地抽特徵」。對關注長片分析、影片助手或多模態系統的人來說，這是一條幾實際的新方向，不過最終落地效果仍要等官方釋出程式碼與模型後，先可以更完整驗證。

GitHub： https://github.com/jjihwan/LiteFrame

Paper： https://arxiv.org/pdf/2605.17260

Categories: 開源, Google, 模型, 視覺模型

ZEDA 點樣令 MoE 推理更慳力

Overview of Unified Post-Training Framework.

ZEDA 針對的是一個很實際的痛點：大型 MoE 模型雖然強，但部署時每次回應都要動用唔少計算資源，成本高、速度亦受影響。呢個專案的目標，係唔使由頭再訓練模型，而係在現有、已做完後訓練的 MoE 之上，再改造成更靈活的動態版本。

它的做法有點似「老師帶學生」：先用原本的 MoE 當固定老師，再訓練新的學生模型去學習輸出，同時加入一種零輸出的專家，讓部分較簡單的 token 可以略過不必要計算。根據論文與倉庫資訊，這種方法可減少超過一半 expert FLOPs，整體表現只屬輕微下跌，並帶來約 1.20 倍端到端推理加速。

ZEDA 不是通用開發框架；它是清華 C3I 團隊的一個研究專案，從公開論文摘要看，全名是 Zero-Expert Self-Distillation Adaptation，目標是把靜態 MoE 模型轉成更高效的動態 MoE 模型，以降低推理成本並提升速度。這個專案對應的 GitHub 倉庫就是 TsinghuaC3I/ZEDA，而論文頁面也明確指向該 repo。

實際動手時，流程大致分兩步：先做 SFT，利用老師模型產生的回應或已釋出的 rollout 結果訓練學生；之後再做 OPD，改為由學生自己生成，再由老師提供 token 級別目標去微調。倉庫亦提到可配合已公開的 prompts 與 rollout 資料使用，對想重現結果或套用到指定 MoE 的人會方便不少。

核心價值：把已完成訓練的靜態 MoE，改成推理時更慳算力的動態 MoE
方法亮點：加入零輸出專家，再用兩階段自蒸餾穩定轉換過程
可選模型：Qwen3-30B-A3B、GLM-4.7-Flash
適合場景：模型已定版，但上線後仍想再壓低推理成本
資料配套：提供 prompts 集合，亦釋出部分 rollout 結果可直接利用

整體來看，ZEDA 最值得留意的地方，不是單純追求更高分，而是補上「模型已經訓練完，之後仲可以點樣再慳資源」這一步。對研究 MoE 部署、推理優化，或者手上已有大型後訓練模型的團隊，這個方向相當有參考價值；至於一般讀者，可以把它理解成一種用較少電腦功夫，換來差不多效果的改裝方案。

GitHub： https://github.com/TsinghuaC3I/ZEDA

Paper： https://arxiv.org/pdf/2605.18643

Categories: 開源, 中國, 清華大學, 上海人工智慧實驗室

chi-bench：測試醫療 AI 代理真功夫

chi-bench 係一個用來評估 AI 代理嘅基準環境，重點唔係問答，而係要模型喺模擬出嚟嘅美國醫療工作流程中，逐步完成整個個案。它覆蓋事前授權、保險方利用管理，以及群體照護管理三類長流程工作，目的是測試 AI 有冇能力處理多步驟、規則密集、而且涉及多角色協作嘅任務。

官方摘要提到它使用 20 個 healthcare apps、87 個 MCP tools，以及一份 1,290+ 文件的 managed-care operations handbook 作為任務依據。

實際使用時，研究者通常會先準備對應嘅 API 金鑰，再揀選代理框架同模型跑任務，之後由內建評審機制按每次結果評分。每個任務會提供臨床個案、模擬工作系統，以及大量操作手冊，AI 要透過工具呼叫同撰寫文件去推進流程，唔係單靠生成一段答案就算完成。

它最有意思嘅地方，在於把醫療行政流程入面最麻煩嘅部分具體化：規則多、文件多、系統多，而且中途可能要反覆互動。相比一般 benchmark 只量度單步推理，chi-bench 更接近現實世界，因為它會考驗模型點樣跨應用程式、跟住政策辦事，並保持長時間決策一致。

涵蓋 3 大醫療流程場景，屬於端到端任務評估
以約 20 個模擬醫療應用及大量文件作為操作環境
支援多類代理與模型比較，包括 Claude、OpenAI、Gemini 及開源權重路線
排行榜以 pass@1 為主，亦可保留多次試跑作額外分析

從現有資料睇，呢個基準對現時最強模型都相當困難，代表它有一定鑑別力，唔會輕易被高分掩蓋弱點。已知相關配置包括 Claude Code 配 Claude Opus、OpenAI/Codex 路線、Gemini CLI，以及經 OpenRouter 接入嘅 Hermes、OpenClaw、DeepAgents 等；至於具體表現會隨代理包裝方式同工具使用能力而有明顯差異。

對 AI 代理研究員、醫療流程自動化團隊，甚至想了解「模型識唔識真做事」嘅產品人員嚟講，chi-bench 都幾有參考價值。不過它聚焦美國醫療制度同受規管流程，閱讀結果時要留意場景限制，唔適宜直接當成所有行業嘅通用結論。

GitHub： https://github.com/actava-ai/chi-bench

Paper： https://arxiv.org/pdf/2605.16679

Categories: 開源, Medical醫學, 框架

OProver 點樣令 AI 更識寫數學證明

OProver 係一個圍繞 Lean 4 建立的形式化證明框架，重點唔係單次叫模型「寫答案」，而係讓系統一邊嘗試、一邊讀取已驗證證明，再根據編譯器回饋反覆修正。對非研究背景讀者來講，可以理解成 AI 做數學題時，不只交卷一次，而係會睇提示、改錯，再重新整理答案。

實際使用上，這個專案較適合已有 Lean 4 或機器學習環境的人：一類會用它做證明推理與驗證流程，另一類會直接研究訓練管線、資料建構同檢索庫管理。儲存庫同時提供模型與資料方向，包括 OProver-8B、OProver-32B，以及 OProofs 語料，較適合想評估模型表現、重現論文流程，或建立自家證明代理系統的團隊。

它要解決的核心問題，是形式化證明往往唔能夠靠一次生成成功，尤其 Lean 4 對語法、型別同邏輯正確性要求非常嚴格。OProver 的特別之處，在於把「找相似證明」、「接收編譯器錯誤訊息」同「多輪修補」由臨時技巧，變成訓練時已經學會的整體策略，這點比只在推理階段追加外掛模組更完整。

支援多輪修正，而唔係只生成一次證明
會利用已驗證證明作檢索參考，提升命中率
透過 Lean 4 伺服器做機械驗證，結果更可靠
提供 CPT、SFT、RL 等訓練流程，覆蓋研究到實作
附帶大型 OProofs 資料集，方便分析 pass@k 與修復軌跡

以公開資訊看，OProofs 規模相當大，包含 1.77M 個 Lean 陳述、6.86M 個經編譯器驗證的證明，亦保留失敗嘗試與後續修復過程，這對研究「模型點樣由錯變對」尤其有價值。論文亦提到它在 MiniF2F、ProverBench、PutnamBench 等基準有突出表現；不過這類成果仍主要面向形式化數學、定理證明研究者，同一般應用型開發者的距離會稍遠。

GitHub： https://github.com/multimodal-art-projection/OProver

Paper： https://arxiv.org/pdf/2605.17283

Categories: 開源, 模型

Page 1 of 81

1 2 3 … 81 Next »