Atria 研究发现：模型开发中 AI 智能体承担更多工作，但人类仍握最终决策权
Atria 团队在开发 744B 参数模型 Atria Dawn Preview 期间记录人类与 AI 智能体的分工，发现 AI 承担了更多执行工作，但人类仍做出绝大多数最终决策。
#论文/研究
#论文/研究
今日 0 条The DecoderAI 评分5959
Microsoft ResearchAI 评分5454 MindTopo 基准揭示多模态大语言模型的空间推理能力
微软研究院推出 MindTopo 基准，评估多模态大语言模型对连通、封闭、排序、分离和打结等拓扑关系的理解，发现模型在静态识别上远优于交互规划。基准在五个拓扑类别上分别测试推理与规划，并在可控模拟器中提供精确真值以分离感知与规划两类失败。当前模型常在规划多步后失去结构关系或提出违反物理约束的动作，静态识别也会因漏看墙或开口而失败。
Berkeley AI ResearchAI 评分4747 ABBEL框架：教LLM更新信念状态以实现高效长程交互
针对长程交互中递归摘要带来的性能损失，Berkeley AI Research提出ABBEL框架，将摘要组织为自然语言信念状态并引入信念评分以监督其信息内容。在CollabBench协作编码环境中，ABBEL将全上下文模型的性能差距缩小约50%，训练步数由100步减至50步，同时峰值上下文token大幅降低。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Decoupled DiLoCo 架构，实现低带宽抗故障的跨数据中心训练
Google DeepMind 发布新的分布式训练架构 Decoupled DiLoCo，通过解耦计算岛实现跨数据中心低带宽训练，并在硬件故障时隔离影响继续训练。该架构在 120 亿参数模型上跨美国四个区域以 2-5 Gbps 网络训练成功，速度比传统同步方法快 20 倍以上，并支持混合不同代际硬件（如 TPU v6e 和 v5p）。
推荐理由：该架构以解耦计算岛实现低带宽跨数据中心训练，抗硬件故障并支持混合硬件代际，可帮助理解分布式训练的前沿方向。
Berkeley AI ResearchAI 评分4040 GRASP：面向更长视野世界模型的基于梯度的规划
GRASP是一种新的基于梯度的规划器，用于学习动力学（世界模型），通过将轨迹提升为虚拟状态实现时间并行优化、直接向状态迭代添加随机性进行探索、重塑梯度以避免高维视觉模型中的脆弱梯度，从而让长视野规划变得实用。这项工作针对现代世界模型在长视野规划中的病态优化、非贪心局部极小和高维空间失效问题，提出了更鲁棒的梯度规划方法。
Berkeley AI ResearchAI 评分4747 word2vec 究竟在学习什么？
研究者在论文中证明，word2vec 在现实训练条件下可归结为无权重最小二乘矩阵分解，且其学习动态有闭式解——最终学到的词嵌入表示正是对特定矩阵做 PCA 的结果。这些隐特征依次对应可解释的概念，如名人传记、政府管理等主题。