像物理学家一样剪枝大语言模型：块移除作为约束二元优化问题
Multiverse Computing 将 LLM 深度剪枝重构为约束二元优化问题，等价于全耦合伊辛自旋玻璃，用 Hessian 能量作为下游质量代理，避免逐条评测。
推荐理由：把深度剪枝重新表述为伊辛自旋玻璃优化问题，可用廉价能量代理替代逐条评测，且与量化、低秩压缩等手段堆叠。
#开源/仓库
#开源/仓库
今日 0 条Hugging Face Blog精选AI 评分6262
Hugging Face Blog精选AI 评分6666 Quantization-Aware Healing：压缩后的 4 位模型超越全精度原版
Multiverse Computing 提出 QAH 方法，对 GPT-OSS 120B 压缩至 60B 并量化至 MXFP4 后，在 9 项基准中 7 项超越原 bfloat16 检查点，并在 LiveCodeBench 上超过 120B 原版教师模型。
推荐理由：原文给出了压缩-量化-恢复流程的对比，读者可据此判断 QAH 在训练稳定性与推理成本上的实际收益。
Hugging Face Blog精选AI 评分7070 语音识别的基准优化测量方法研究
Hugging Face 提出三种测试量化语音 ASR 模型的基准优化行为，评估了 11 个开源模型，发现高分模型在 VoxPopuli 和 LibriSpeech 上会复现基准错误转录、恢复被掩码数字，并依据声学线索切换拼写变体。相关脚本和未归一化输出已开源。
推荐理由：原文给出三种可复现的测试方法，读者可据此自行评估语音模型在真实场景中的泛化能力。
MIT News · AI精选AI 评分7272 MIT CSAIL研究：生成图像常无法追溯至训练数据
MIT CSAIL团队提出"归因衰减"现象并构建扩散集成架构，实现大规模精确删除反事实模型。实验显示训练数据越大，单个样本对输出影响越小，且该方法在多个数据集和度量下保持一致。
推荐理由：研究为生成图像的训练数据归因提供了首个精确删除方法，提示大规模模型中个体数据影响可能不可追溯。
Import AIAI 评分5050 Import AI 469：Science AI、RSI simulator 和 Zuck's technological pessimism
Import AI 469 期报道 DiG-bench 基准，该基准包含 70 个游戏测试 AI 系统探索隐藏规则的能力。Opus 5 和 Fable 5 是最佳模型，仅在 tier 7 取得 0.2 成功率，而人类可达 100%。
Hugging Face Blog精选AI 评分6262 高效知识蒸馏：离线 Top-K Logits 与融合分块 KL 损失
Multiverse Computing 提出高效知识蒸馏方法，通过缓存教师模型 top-100 logits 与融合分块 KL 损失，避免构建全词汇表×序列矩阵，在单 H200 上把峰值显存从约 250GB 降至约 58GB，并在 32K 上下文下把蒸馏从四卡节点缩至单卡。代码已开源：github.com/CompactifAI/Full-Chunked-KL-Loss
推荐理由：通过缓存 top-K logits 与融合分块 KL 损失两条改动，把蒸馏显存占用压到单卡可跑，为长上下文蒸馏提供了可复现的低成本路径。
Hugging Face BlogAI 评分5656 ScarfBench：评测 AI 智能体在企业 Java 框架迁移中的表现
IBM Research 发布开源基准 ScarfBench，包含 34 个应用、102 套框架实现、204 个迁移任务和约 151K 行代码，覆盖 Spring、Jakarta EE、Quarkus 之间的迁移。当前前沿智能体行为成功率不足 10%，构建成功率显著高于部署和行为验证成功率；智能体普遍高估自身构建结果，且反复回到配置层处理依赖与环境问题。
Amazon Science精选AI 评分7777 亚马逊研究提出意图执行差距框架并开源 Simple Strands Agent
亚马逊在 arXiv 发表论文 Dissecting model behavior through agent trajectories，提出意图执行差距（intent-execution gap）概念，指出智能体性能瓶颈在于 harness 将模型意图转化为动作并反馈执行结果的能力。
推荐理由：论文揭示了智能体性能瓶颈从模型推理转向 harness 执行转换，提出双向意图执行差距框架并开源 SSA harness。
Together AI精选AI 评分6060 DBPlanBench：用 LLM 优化数据库查询执行计划
Together AI 发布 DBPlanBench，把 Apache DataFusion 的物理执行计划暴露给 LLM，通过紧凑 JSON 序列化和 JSON Patch 局部修改计划，避免重新生成整个计划。
推荐理由：将 LLM 引入物理计划优化，用语义推理弥补统计估计偏差，为数据库查询加速提供了可复现的新方法。
Google Research精选AI 评分6262 构建更好的 AI 基准：多少标注者才够用？
Google Research 提出森林与树的(N,K)权衡框架，研究在固定预算下标注条目数与每条目标注者数量的最优配比。实验基于毒性、DICES、D3code、Jobs 等真实主观数据集，发现每条目 3–5 个标注者常不足、多数票用广度策略、意见分布用深度策略，并开源了模拟器。
推荐理由：给出了(N,K)权衡的模拟框架和开源工具，读者可据此在有限预算下设计更可复现的评估方案。
Together AI精选AI 评分6464 语音模型在街名转录上如何失败及应对方法
Together AI 发布 SF Streets 和 US Streets 两个新基准，测试发现 15 个主流语音模型对街名的平均转录错误率达 39%，非英语母语者比英语母语者准确率低 18 个百分点，导航偏差平均多 1.2 英里。
推荐理由：研究揭示了主流语音模型在街名转录上的显著误差，并给出小样本合成数据的改进方法，对导航和应急调度场景具有直接参考价值。
The GradientAI 评分6060 文本嵌入能完美编码文本吗？
作者 Jack Morris 基于 EMNLP 2023 论文证明文本嵌入可被逆转为原始文本，并开源 vec2text 方法与代码。实验显示，对 32 token 文本经 50 步迭代修正后精确匹配率达 92%，BLEU 达 97，揭示向量数据库存在隐私与信息泄露风险。