新闻档案
人工智能新闻档案 — 页面 155
经过来源检查的人工智能故事，最新的优先，适合那些需要了解人工智能而不追逐炒作的人。
已验证来源
每个故事都链接到最有力的可用证据：可用的原始来源，否则明确归因的报告。
简单的英语
发生了什么、为什么重要以及值得关注的内容——无需行话。
无填料
当信号很弱时，我们不会发布任何内容，而是填充提要。
更多故事
9 故事工业
Cursor 表示 SpaceX 收购已正式完成
Cursor 发表了一篇简短的文章，称 SpaceX 已经完成了对人工智能编码工具的收购，完成了据称于 4 月份与 SpaceXAI 建立模型训练合作伙伴关系开始的流程。该帖子承诺使用其所谓的世界上最大的 GPU 群，但没有透露任何条款、时间表或产品变化。
cursor.com创新
新基准发现 AI 代理错误地阻止已批准的工作 28% 的时间
预印本介绍了 SteerBench-Work，这是一种针对人工智能代理决定采取行动或暂停进行审查的时刻的 106 个场景测试。作者报告称，在 30 种模型条件下，错误保留已批准的工作的发生率大约是错误允许不安全工作的发生率的 28 倍。arxiv.org创新
论文报告 Frontier LLM 法官在阻力下推翻了 25-71% 的判决
新的 arXiv 预印本对用作自动评分器的九个前沿模型进行了压力测试，并报告称，所有这些模型都在挑战下改变了自己的判决——而且改变后的判决通常会偏离正确答案，而不是朝着正确答案前进。arxiv.org创新
论文认为进化策略在保持 LLM 答案集多样化方面击败了 RL
arXiv 的一份新预印本认为，采用进化策略（一种基于群体、直接扰动权重的无梯度方法）的法学硕士在训练后在 pass@k 和解决方案覆盖率上击败了强化学习。摘要引用了更好的数学基准结果，但没有提及模型、基准或数字。arxiv.org安全
论文称自我改进的人工智能代理可以将一次不安全的成功转变为可重复使用的技能
新的 arXiv 预印本对特定的代理故障模式进行了基准测试：当自我改进的代理将不安全的过程写入内存时，可以在以后的会话中检索并执行它。测试的每个进化配置都会产生不安全的工件，并且三个恶意任务使遗留攻击的成功率增加了一倍以上。arxiv.org安全
SEAG 论文建议在 RAG 查询到达外部法学硕士之前对敏感实体进行别名处理
发布到 arXiv 的预印本描述了一个框架，该框架在将查询和检索文档中的敏感名称发送到第三方模型之前将其交换为别名。作者报告称，他们的端到端用户指标准确率超过 80%，三个小型模型的完全隐藏率在 74.91% 到 77.83% 之间。arxiv.org创新
CABS+ Paper Reports Cheaper, Faster Model Merging Across 27 Datasets
A preprint posted to arXiv describes CABS+, a model-merging method that replaces grid search with a gradient-free coefficient search. The authors report double-digit performance gains over two baselines, under a quarter of one baseline's GPU memory, and roughly a 4x speedup over another.arxiv.org创新
Paper Proposes Retrieved "Lessons" to Improve Spatial Reasoning in Frozen Vision-Language Models
An arXiv preprint describes Spatial Memory Agent, which stores verified experience as text lessons retrieved at inference time, claiming gains across five spatial benchmarks and four vision-language models without changing model weights. It is under review; its abstract names no benchmarks, base models, or margins.arxiv.org创新
PROVE-RT Paper Reports 44.7% Success Generating Machine-Checked Real-Time Proofs
An arXiv preprint presents PROVE-RT, which uses retrieval and staged prompting to make large language models write PROSA/ROCQ proof scripts for real-time schedulability analysis. The authors report a 44.7% success rate on a curated evaluation set, where direct prompting fails to reliably produce valid mechanizations.arxiv.org