AI FRONTIER
Signals worth understanding before they become obvious.
FairStress：更深入地评估大语言模型决策中的公平性
Ai2 发布 FairStress 基准，在 29 个领域包含 300 个双候选人决策场景，通过对抗性前缀测试模型改变决策的对称性；结合人口属性与前缀变化可扩展出超过 1300 万个测试用例。
- FairStress 包含覆盖招聘、医疗、借贷、教育、住房和刑事司法等 29 个领域的 300 个真实双候选人决策场景。
- 结合人口身份与对抗性前缀的变化，300 个场景扩展为超过 1300 万个测试用例。
- FairStress-Core 是基于项目反应理论选取的 5 万条子集，用于降低评估计算成本。
- 论文报告在 15 个模型上，放弃正确答案的平均差距在隐含身份时为 6.9 个百分点，在显式标签时为 9.3 个百分点。
构建者应将公平性评估从最终选择扩展到决策稳定性，因为固定选项评分可能掩盖生成式决策中的过度纠正。
ALTK-Evolve：学习记忆让GPT-4.1客服智能体登顶τ²-bench排行榜，无需前沿模型
IBM Research的ALTK-Evolve通过从智能体自身任务轨迹中提取行为准则并追加到系统提示中，在不更新模型权重的情况下提升客服智能体表现。使用GPT-4.1的ReAct智能体在τ²-bench零售任务上达到67.5% Pass^4，超过所有零售条目。
- 零售任务：基线Pass^4为57.5%，lossless配置（292条准则）提升至67.5%（+10.0个百分点）；平均准确率从78.1%升至82.5%（+4.4）。
- 航空任务：基线Pass^4为35.0%，sup3配置（14条准则）提升至45.0%（+10.0）；lossless配置平均准确率从57.5%升至65.0%（+7.5）。
- 零售排行榜：Pass^4=67.5%，超过RAFT-30B-A3B（61.4%）6.1个百分点，该模型在合成τ²-bench零售数据上微调。
- 航空排行榜：使用gpt-5.5的智能体达到82.0% Pass^4，超过所有前沿条目（66–72%）；使用gpt-4.1的sup3配置达到44%，排名第8。
提示级学习记忆可在不微调权重的情况下将普通模型智能体提升至前沿水平，且成本主要落在可缓存的输入token上。
蚂蚁百灵开源 Ming-3.0 语音系列：五款模型覆盖语音合成、识别与理解
蚂蚁百灵开源 Ming-3.0 语音系列，共五款模型，覆盖语音合成、语音识别与语音理解。
- 开源方为蚂蚁百灵。
- Ming-3.0 语音系列共包含五款模型。
- 覆盖范围包括语音合成、识别与理解。
对开发者而言，一次性获得覆盖合成、识别与理解的五款开源语音模型，可减少在多环节语音管线中拼凑不同来源模型的成本。
LLM 中的泄露 API 密钥：AI 智能体如何暴露机密
一篇论文摘要讨论了 LLM 中的泄露 API 密钥问题，聚焦于大语言模型的能力、评测或对齐，并关注其方法与实验结果。
- 来源为 GitGuardian Blog，标题为“Leaked API Keys in LLMs: How AI Agents Expose Secrets”。
- 摘要指出该工作围绕大语言模型的能力、评测或对齐问题展开。
- 摘要说明该工作适合关注方法与实验结果。
构建 LLM 智能体的开发者应将 API 密钥视为可被暴露的机密，并围绕这一前提设计防护措施。
NVIDIA Cosmos3-H-Dreams：通过生成式仿真让临床手术栩栩如生
NVIDIA 发布 Cosmos3-H-Dreams，一个基于 Cosmos3-H-Embodied-Nano（160 亿参数）的实时生成式手术仿真器，使用临床胆囊切除术视频与机器人运动学训练，可在单张 NVIDIA RTX PRO 6000 GPU 上交互运行。
- 基于 Cosmos3-H-Embodied-Nano，一个在 Open-H-Embodiment 上预训练的 160 亿参数模型。
- 训练使用 832 x 480 视频，动作以 10 Hz 对齐，采用 28 个动作维度。
- 教师模型先在 24 帧未来帧上适配，再扩展到 72 帧（10 Hz 下为 2.4 秒和 7.2 秒）。
- 发布四步和两步去噪检查点；两步模型为单独训练，而非四步模型减少采样步数。
开发者可基于提供的教师微调与 Self-Forcing 蒸馏配方，将这一实时手术世界模型适配到自有视频与控制器数据。
AnyLanguageModel 1.0 发布：Apple 平台本地模型的一年进展
AnyLanguageModel 1.0 发布，作为 Apple Foundation Models 框架的即插即用替代方案，同一套会话代码可对接系统模型、通过 llama.cpp、MLX 和 Core ML 运行的开源权重模型，以及多家托管服务商。
- 只需将 import FoundationModels 改为 import AnyLanguageModel，会话代码即可在系统模型、llama.cpp、MLX、Core ML 与托管服务商之间通用。
- 工具调用与引导生成现已支持所有服务商，包括嵌套 @Generable 类型及其数组。
- 托管服务商支持 OpenAI Chat Completions 与 Responses API、Open Responses、Anthropic Messages API、Google Gemini API、Ollama、Private Cloud Compute 以及 Hugging Face Inference Providers。
- 文中列出的模型包括 Gemma 4 E2B（GGUF，Q4_0 约 3.4 GB）、LFM2.5 2.6B（GGUF，Q4_K_M 约 1.7 GB）、Qwen3.8 27B（MLX，4 位约 16 GB）以及 GLM-5.3（BF16 约 1.5 TB）。
对 Apple 平台开发者而言，切换 import 即可在本地与托管推理之间复用同一套会话代码，降低了多服务商适配成本。
OpenMOSS-Team 发布 MOSS-Image-SFT：5.1B 文生图模型，Apache-2.0 开源
MOSS-Image-SFT 是 OpenMOSS 在 MOSS-Image-Base 基础上监督微调的文生图模型，沿用相同架构与推理管线，支持自然语言提示、标签序列和 JSON 布局来控制文字位置与物体排布。
- 模型规模 5B 参数，权重与推理代码以 Apache-2.0 许可发布。
- 官方示例称 SFT 相比 Base 产生更清晰的文字分组和更整齐的白板布局。
- 运行需 Python 3.10 及以上、支持 CUDA 的 NVIDIA GPU，以及 PyTorch 2.9 及以上。
- 默认采样设置：Flow-matching Euler 采样器、50 步、CFG 3、Shift 5，负分支跳过第 22 层。
对构建者而言，Apache-2.0 的 5B 文生图模型加上 JSON 布局控制，可直接用于需要精确文字与物体定位的创意生产管线。