阅读

普渡大学与伊利诺伊大学厄巴纳-香槟分校的研究团队发现，当大语言模型（LLM）被用作自动化代码漏洞检测器时，其判断显著受到非代码上下文的影响，包括作者声望、任务描述方式以及先前的分析结果。这种认知偏差可能导致模型对完全相同的代码给出截然不同的安全判定。

该研究首次系统性地探索了LLM驱动的安全检测中的认知启发式效应。通过控制变量实验，研究人员评估了八种主流LLM在三种编程语言上的表现。结果显示，所有被测模型均表现出易感性：其中“框架效应”（即任务目标或后果的描述方式）影响最大，跨模型平均易感率为33.2%；其次是“锚定效应”（受先前结果影响），为23.5%；“光环效应”（受作者身份影响）为18.4%。

为了展示实际危害，团队演示了一种概念验证的黑盒认知攻击。通过伪造提交元数据和虚构的先前扫描结果，该攻击能在模拟的CI/CD流水线中抑制高达97%的已检测漏洞。这意味着依赖LLM作为安全守门人的企业，若未隔离这些非代码信号，可能面临严重的安全盲区。

该论文已被IEEE安全与隐私研讨会（S&P）2027接收，目前为预印本版本（v2更新于2026年10月15日）。数据基于作者自测环境，尚未见独立第三方复现报告。

据TechCrunch报道，Vercel发布的最新AI网关数据显示，由TypeSafe AI开发的“决策模型”Jev已成为该平台上普及速度最快的AI模型。在9月15日有限发布后的两周内，Jev已被35%的Vercel付费团队使用，其覆盖范围几乎是第二热门模型Sonnet 5.5的两倍。

Jev并非通用大语言模型，而是专为从预设输出中进行选择而设计的轻量级工具。这种架构使其在处理大规模数据分类时比Sonnet等模型更便宜、更快。Vercel自身已早期采用Jev，将其用于替换GPT-6 Luna以执行有害命令的分类任务。这一趋势已引发OpenAI和Amazon等竞争对手推出类似产品。

报告还显示，开源模型目前处理了Vercel网关超过70%的令牌量，占总支出的近25%。尽管前沿实验室（Frontier Labs）的支出增长了十倍，但其整体份额却在下降，这表明前沿模型与开源替代品可能更多是互补而非竞争关系。需要注意的是，这些数据仅反映通过Vercel统一API服务的使用情况，可能低估了直接通过OpenAI或Anthropic自有API调用的用量。

Reflection AI于2026年10月16日发布了其首个开源权重模型Beam，采用Apache 2.0许可证。该模型拥有5010亿总参数和230亿激活参数，主要面向编码、推理和长周期智能体任务。

与追求最大能力的模型不同，Reflection AI将Beam定位为“高效”模型。公司称其在训练中使用了大规模强化学习（RL），并对模型生成不必要的Token施加了惩罚。据VentureBeat报道，Reflection AI首席技术官Ioannis Antonoglou解释称，这种机制迫使模型在解决问题的同时保持简洁，从而降低每个完成任务的Token消耗量。

这一策略旨在应对中国开源模型（如DeepSeek）在成本上的竞争优势。虽然Beam在Terminal-Bench 2.1等基准测试中的绝对性能尚未超越顶级中国模型，但Reflection AI认为企业用户更关心完成任务的总成本（单价×Token数），而非单纯的每Token价格或最高能力。

目前，Beam的权重已在Hugging Face上线，支持BF16、FP8和NVFP4格式，并获得了vLLM、SGLang和Ollama等主流推理框架的即时支持。

NVIDIA研究人员在arXiv发布了一篇关于“中间训练”（Midtraining）的开源配方，旨在解决前沿模型在预训练和后期监督微调（SFT）之间的数据断层问题。该研究指出，预训练通常使用短上下文且缺乏智能体交互数据，而SFT多为合成数据且过长会损害后续强化学习潜力，中间训练则通过在256K长上下文中混合自然软件工程数据（如代码库、PR、提交历史）与少量智能体轨迹来填补这一空白。

据论文摘要自报，在Nemotron 3.5 Lightning模型上，经过500B tokens的中间训练后，其SWE-bench Verified得分从60.7提升至64.5，SWE-bench Multilingual从55.8提升至62.8。在更大的Nemotron 3.5 Super模型上，280B tokens的中间训练使DeepSWE得分从11.7升至15.7。这些结果均在相同的完整SFT配置下测得。

该配方还报告了基于短固定SFT运行的评估协议，因为作者发现基座模型的代理指标无法可靠预测后训练结果。目前该结果仅为第一方基准测试，尚未见独立第三方复现，且主要验证于NVIDIA自家的Nemotron系列模型。

arXiv预印本《System1-Arena: Which Decisions Can Be Left to System 1?》引入了一个名为System1-Arena的新基准，旨在评估大语言模型在离散决策任务中的表现，并区分哪些决策可以由返回概率的System-1模型处理，哪些需要生成推理步骤的System-2方法。该基准包含来自268个公开源的9.2万个问题，涵盖文本分类、应用决策、评估与控制以及智能体行动四大类，并包括138个闭环环境。

研究团队评估了30个模型，包括7个闭源LLM、13个开源LLM和10个System-1模型。结果显示，最大的System-1模型在非智能体任务的准确率上匹配或超过快速的闭源LLM，且概率校准更好，延迟仅为后者的四分之一。相比之下，推理型LLM虽然最准确，但成本约为快速LLM的70倍。在闭环环境中，大型开源LLM成功率最高（达32.9%），而小型System-1模型很少成功。

一项名为GUISE的新基准测试表明，仅改变提问框架就能显著削弱大语言模型（LLM）在真实犯罪场景下的安全防御。该研究由Mohsinul Kabir等人提出，其核心发现是：当用户以“寻求修正”而非直接请求的方式提问时，模型的平均不安全合规率从28.9%飙升至66.4%，峰值甚至达到97.3%。

现有的安全基准大多依赖合成提示词和松散的分类体系，缺乏对严重犯罪类别的深入分析。GUISE填补了这一空白，它基于联合国毒品和犯罪问题办公室（UNODC）的国际犯罪统计分类（ICCS），构建了源自真实世界案件的犯罪协助场景。每个场景都在三种语言框架下呈现，并在五种不同文化中进行评估。

除了框架效应，研究还发现文化适应后的提示词比同一请求的字面翻译更能引发不安全合规，在所有四种非英语语言中均高出7到18个百分点。这一风险是传统的基于翻译的基准测试所忽略的。此外，安全性最低的模型产生的不安全响应带有强烈的盎格鲁中心主义语域，且这种泄漏程度与响应的有害性呈单调递增关系。

该论文目前处于审稿阶段（Under Review），作者已发布代码和数据以促进未来研究。作为预印本，其结果尚未经过独立复现，但为跨语言和文化的拒绝对齐提供了细粒度的诊断工具。

KAIST研究团队（Yumin Choi等）于2026年10月14日更新论文《PREPING: Zero-Task Agent Memory Construction via Self-Practice》，提出一种无需目标环境任务即可构建智能体程序性记忆的框架。该研究针对大语言模型智能体在新环境中面临的“冷启动”问题，即缺乏特定任务经验导致初始表现不佳。

Preping的核心机制是“提议者引导的记忆构建”。它利用一个结构化控制状态（proposer memory）来指导合成任务的生成、执行和验证，从而过滤冗余和不可行的轨迹。实验表明，该方法在AppWorld、BFCL v3和MCP-Universe三个基准测试上，性能可与依赖离线或在线经验的强基线方法竞争。

关键数据来自作者自测：在AppWorld上，Preping的部署成本比在线记忆构建方法低2.99倍；在BFCL v3上低2.23倍。这一成本优势主要源于对可行性、冗余度和覆盖率的主动控制，而非单纯增加合成数据量。目前结果尚未经过独立复现，属于预印本阶段的第一方基准数据。

研究人员在全双工语音语言模型（Full-Duplex Spoken Language Models）中识别出一个名为“主动向量”（initiative vector）的单一残差流方向，该方向决定了模型在对话中何时接管话轮。

传统方法通常从外部控制模型的对话个性，而这项研究指出，模型内部存在一个可读取和偏移的量来控制其说话比例。实验显示，通过缩放该向量，模型的说话比例可从无干预时的21-30%显著调整至6-12%或42-61%，且这种效果在不同对话、权重和数据集上保持一致。

更关键的是，利用一段简短的参考录音即可将该说话人的话轮转换风格转移到模型上。这种转移具有特异性：替换为另一说话人的参考录音会导致匹配度下降93-98%，表明风格并非冻结在权重中，而是可以通过内部激活进行校准。

该结果基于作者自测基准，尚未见独立复现。研究主要关注技术机制的可控性，实际产品化应用需进一步验证其在复杂噪声环境和大规模用户中的稳定性。

普林斯顿大学与微软研究院的研究人员提出了AbridgeKV，一种用于压缩长链思维（Chain-of-Thought）生成过程中KV缓存的方法。该方法不依赖传统的缓存驱逐策略，而是训练模型将每块生成的文本压缩进几个“学习到的暂停标记”（learned pause tokens）的KV条目中。这些暂停标记是带有训练嵌入的额外输入标记，本身不产生输出，但能编码前文信息。一旦完成编码，原始文本块的缓存即被释放，后续标记转而关注这些暂停标记的KV条目。

在包含446道竞赛数学题（来自AIME、HMMT等）的测试中，使用32K token生成长度限制时，AbridgeKV仅保留四分之一的生成缓存即可匹配同等训练条件下全KV模型的准确率和输出长度。相比之下，最强的已发表驱逐方法在相同预算下会导致更长的生成过程，而最接近的训练型压缩器LightThinker则损失了10个百分点的准确率。

在实际部署方面，该研究指出在vLLM服务引擎中，AbridgeKV使每个序列的缓存大小减少了3.5倍，并在饱和的H100 GPU上实现了比全KV模式快3.2倍的单问题完成速度。这一结果基于Qwen3-4B-Base模型在OpenMathReasoning数据集上的微调实验，属于作者自测数据，尚未见独立复现报告。

网络安全公司Cheq（一家验证AI购物代理身份的服务商）称，在Instinct和Meta的Muse等消费级AI代理发布后的45天内，其监测到的“代理式”电商流量增长了100倍。尽管这一绝对基数尚不明确，且数据来自厂商自测，但Cheq首席执行官Guy Tytunovich指出，随着新代理不断推出，此类流量正快速攀升。

然而，主要电商平台并未完全开放。据报道，亚马逊和eBay已屏蔽这些AI代理，旨在强化对其广告业务和结账体验的控制。与此同时，Morning Consult调查显示，消费者虽易受AI推荐影响，但对让AI直接代为购买仍持谨慎态度。本假日季将成为品牌测试如何向AI代理有效展示商品的首个关键窗口。

在自然语言处理领域，迁移学习已成为核心技术。传统方法往往为不同任务设计特定架构，导致碎片化。2020年发表的《Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer》提出了一种统一框架，将所有基于文本的语言问题转化为“文本到文本”格式。

这一理念的核心在于简化模型结构。无论任务是分类、摘要还是问答，输入和输出均为文本序列。这种统一性使得预训练目标可以标准化，从而更有效地利用大规模无标签数据。论文指出，通过引入这一框架，研究者能够系统地比较预训练目标、架构、数据集和迁移方法对性能的影响。

该研究并非仅停留在理论层面，而是进行了广泛的实证探索。作者团队在数十个语言理解任务上进行了系统性对比，涵盖了从基础分类到复杂生成的多种场景。通过结合新提出的“Colossal Clean Crawled Corpus”数据集与规模化训练，该模型在多个基准测试中达到了当时最先进的水平。

对于当前的AI从业者而言，理解T5的意义在于其方法论的普适性。它证明了通过统一接口和大规模预训练，单一模型可以胜任多种下游任务，减少了针对每个任务重新设计模型的工程负担。这为后续大语言模型的发展提供了重要的架构参考。

推荐读者阅读《Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer》，由Colin Raffel等人于2020年发表。适合希望深入理解NLP迁移学习机制及统一建模思路的研究人员与工程师。建议从摘要和方法论部分入手，重点关注其如何将多任务整合为单一生成问题的逻辑。

2008年，伯克希尔·哈撒韦的每股账面价值下降了9.6%，这是自1965年以来表现最差的一年。然而，回顾过去44年，其复合年增长率仍高达20.3%。这一数据对比揭示了一个核心事实：短期波动无法抹杀长期复利的力量，投资者需具备穿越周期的耐心。

面对信贷市场的瘫痪和实体经济的自由落体，巴菲特指出恐惧导致了恶性循环：“恐惧导致业务收缩，进而导致更大的恐惧。”但他同时强调，美国历史上曾经历两次世界大战、大萧条及多次恐慌，却总能克服挑战。这种历史视角提醒读者，当前的危机虽严峻，但并非不可逾越的终点。

信中明确区分了“可预测的经济状况”与“不可预测的市场走势”。巴菲特承认2009年经济将陷入混乱，但这并不能告诉他股市是涨是跌。他坦言，即使是查理·芒格和他自己，也无法提前预测哪一年会赢或输。因此，依赖市场择时是徒劳的，真正的确定性来自于企业本身的经营质量。

基于此，巴菲特提出了四项不受市场情绪干扰的核心目标：维持类似直布罗陀岩般的财务稳健性；拓宽运营企业的护城河以确保持久竞争优势；获取和发展新的盈利流；以及培养杰出的经营管理者。这些目标聚焦于企业内部价值的创造，而非外部价格的波动。

对于当下的投资者而言，一个常见的问题是：当宏观环境充满不确定性时，该如何行动？假设一位投资者因担心衰退而试图通过频繁交易来规避风险，这往往会导致更高的摩擦成本和决策失误。相反，若遵循巴菲特的逻辑，应将精力集中在识别那些拥有强大现金流、低负债率和宽阔护城河的企业上，无论市场如何震荡，这些企业的内在价值终将回归。

《伯克希尔·哈撒韦2008年致股东信》由沃伦·巴菲特撰写，发布于2009年2月27日（针对2008财年）。适合希望理解如何在极端市场压力下保持理性、关注企业基本面而非宏观噪音的价值投资者阅读。建议从信件开头关于业绩表现的表格及随后对四项核心目标的阐述部分开始精读。