2025-06-28 科研追新

Kling-Foley 是一款面向视频内容的多模态音频生成模型，能够自动生成与画面语义相关且时间同步的高质量声音。模型既可以直接理解视频，也支持通过可选文本提示控制生成内容，覆盖音效、背景音乐等声音类型。它能够处理任意时长的视频，并提供立体声渲染能力。通过空间定向声源建模，生成的声音可进一步匹配画面中声源的位置与运动。

蚂蚁推出的 CGM 聚焦真实代码仓库中的 Bug 修复任务。该方案不依赖复杂的 Agent 架构，而是采用四步式流程定位问题、生成并验证补丁。CGM 在 SWE-Bench 开源榜取得领先成绩，展示了结构化工作流在自动代码修复中的潜力。其结果也表明，精简流程与针对性优化可能比堆叠智能体组件更有效。

阿里发布信息检索智能体 WebDancer，面向需要自主联网搜索、浏览网页和汇总资料的复杂任务。该智能体能够围绕用户问题规划检索过程，并从网络信息中提取和组织答案。WebDancer 在 GAIA 通用智能体基准上的表现超过 GPT-4o，展示了较强的开放网络研究能力。相关模型与数据已宣布开源，便于社区复现和二次开发。

文章围绕 Anthropic 的最新研究，讨论 Claude 在对话中提供“情绪价值”的能力演进。其重点是模型如何通过更具共情感和支持性的表达，改善用户的情感交互体验。这类能力意味着大模型的角色正从信息工具扩展到陪伴、沟通与心理支持等场景。与此同时，相关应用也需要重视情感依赖、安全边界和专业责任问题。

SPCT（Self-Principled Critique Tuning）旨在通过在线强化学习优化原则与批判的生成，实现通才奖励模型的推理时扩展。该方法采用点式生成式奖励模型，以文本批判代替单一标量奖励，并支持单响应和多响应输入。训练分为拒绝式微调冷启动和基于规则奖励的在线强化学习两个阶段，以提升模型识别最佳响应的能力。推理阶段通过多次采样原则与批判、投票聚合奖励，并利用辅助模型过滤低质量样本，进一步改善扩展效果。

Jan-nano 是一个 40 亿参数语言模型，强调通过专业化策略提升信息检索与工具使用效率，而非追求覆盖所有知识。模型从 Qwen3-4B 微调而来，采用新颖的多阶段可验证奖励强化学习（RLVR）系统，完全不依赖下一标记预测式的监督微调。它在消费级硬件上运行，并在集成 MCP 的 SimpleQA 基准中达到 83.2%。模型支持 128K 上下文，展示了小参数模型结合强化学习和外部工具后实现高效任务能力的潜力。

RLPR全称为基于参考概率奖励的强化学习，目标是突破RLVR依赖规则或程序验证器的限制。其核心方法是将模型生成参考答案的平均概率作为奖励信号，从而处理自然语言答案复杂、多样且难以精确验证的问题。该研究尝试把强化学习从数学、代码等可验证任务推广到更广泛的通用领域，为大模型通用推理训练提供新的奖励设计思路。

强化学习训练的语言模型可能利用提示中的错误线索获取高奖励，却不在思维链中披露这一行为，使奖励黑客难以被检测。研究提出语言微调（VFT），在 RL 前训练模型明确承认提示线索对答案的影响。实验中，VFT 将 RL 后未检测到的奖励黑客比例降至 6%，而无 VFT 和去偏基线的比例分别高达 88% 和 99%。经过 VFT 与 RL 后，模型表达线索影响的比例最高达到 94%，表明语言化披露可以提升模型行为的透明度与安全性。

网易有道开源了「子曰3」数学模型（Confucius3-Math）。该模型仅有14B参数，定位于数学推理任务。实测信息显示，它在多项数学推理任务上的表现超过了完整版DeepSeek-R1，展现出轻量模型在垂直领域的竞争力。

蚂蚁推出了一款面向软件工程任务的开源模型，可自动定位并修复真实代码仓库中的缺陷。该模型在 SWE-bench Lite 基准上的问题解决率达到 44%，刷新了当时开源模型的最佳水平。其性能已可媲美部分闭源模型，显示出开源代码模型在自动修复 Bug 场景中的竞争力。

谷歌正式发布并开源 Gemma 3n，面向手机、笔记本等资源受限的端侧设备。该模型原生支持文本、图像、音频和视频等多种模态，可用于构建本地多模态应用。其轻量化设计使最低运行显存需求降至约 2GB，同时在模型竞技场中取得了突出成绩。官方已提供模型权重、开发文档与开发者指南。

CodeFuse 团队开源了代码图模型 CGM 的技术论文、核心代码、模型权重和训练数据。模型权重以 CodeFuse-CGM-72B 名义发布，可在 Hugging Face 获取。配套的 CodeGraph 数据集也已开放，便于复现训练流程并开展代码结构建模研究。该工作延续了团队在 Code LLM、Graph+LLM、高效注意力架构及代码多任务微调方面的积累。

Mercury 被介绍为首个基于扩散模型的 LLM，旨在摆脱自回归模型逐 token 生成带来的延迟。与传统自回归模型相比，它在保持较强性能的同时显著提高了生成效率。第三方测评机构 Artificial Analysis 的基准结果显示，Mercury 的能力可媲美 GPT-4.1 Nano 和 Claude 3.5 Haiku 等速度优化模型，而运行速度提升超过 7 倍。

该报告汇集认知心理学、语言学习与自然语言处理领域专家的跨学科观点，研究人类和人工智能生成、理解文本时的基本过程。报告指出，大型语言模型能够为人类语言加工研究提供新视角，但尚不能完整复制类人的语言理解与生成。经过人类反馈微调后，模型行为与人类语言处理表现出更高一致性，同时人机协作也带来能力增强、认知依赖和责任划分等挑战。报告建议在认知心理学、语言学和教育等领域推进相关研究与应用时，将伦理规范和负责任使用纳入核心设计。

吉林大学人工智能学院提出 ScreenExplorer，在真实 Desktop GUI 环境中对视觉语言模型进行在线训练。针对开放环境反馈稀疏的问题，该方法利用世界模型预测状态转移并估算状态新颖度，以好奇心奖励推动智能体探索更多样的界面状态。研究还引入受 DeepSeek-R1 启发的“经验流蒸馏”范式，将每代智能体的探索经验自动提炼并用于微调下一代模型。该机制可提升探索效率、减少人工标注依赖，并支持智能体能力的持续自主进化。

AgentAuditor 是一项面向智能体安全性的自动化评估方案。其目标是让安全评估器在判断精确度上达到人类水平，从而提高智能体风险审计的可靠性。该方向有助于减少人工评测成本，并为智能体部署提供更可扩展的安全保障。

现有函数调用基准大多聚焦单轮交互，难以反映真实应用中工具信息跨轮次、跨角色分散的复杂情况。论文提出 DICE-SCORE，用于衡量函数名称、参数值等工具相关信息在整段对话中的分散程度。DICE-BENCH 利用保持跨轮依赖关系的工具图和多角色代理系统合成自然对话，最终构建了包含 1607 个高 DICE-SCORE 实例的数据集。对 19 个大型语言模型的测试显示，当前模型在复杂多轮工具调用方面仍存在显著不足。