下载：儿童问题出现，比尔·盖茨揭露他对AI的担忧 →
MIT Technology Review的儿童问题涵盖了全球日益增长的限制儿童技术使用的运动，反映了从小众关注到广泛行动的重大政策转变。世界各国正在实施禁令，因为研究突出了早期技术接触的潜在危害。
AI News - Oscar's News
由AI抚养长大 →
一篇论文考察现代父母如何从出生起通过早期社交媒体账户和照片分享为儿童创建数字身份。这篇文章探讨了在儿童能够同意之前建立广泛数字足迹的长期影响。
AI模型在这些智力测试中表现不佳。你能做得更好吗？ →
这篇文章追踪了谜题和智力测试如何成为AI发展核心的历程，将AI性能与人类认知进行了比较。它研究了这些基准对当前模型能力和局限性所揭示的内容。
比尔·盖茨表示我们已经突破了人工智能的危险临界点。现在怎么办？ →
比尔·盖茨声称人工智能已经突破了关键的安全临界点，引发了关于社会应对和治理的紧迫问题。该分析探讨了他的风险评估以及对人工智能发展政策的影响。
RENDER: 控制LLM记忆评估中面向读者的证据 →
RENDER评估对话历史的不同展现格式如何影响LLM的记忆和检索增强生成性能，使用具有固定对话内容但不同显示格式的受控基准。研究发现展现格式大幅影响跨模型的性能，差异高达72.6点，表明记忆和RAG评估应该控制面向读者的工件格式。
ESQ-Bench: 用于评估NL2SQL方言泛化和隐性语义分歧的多层级企业Oracle基准 →
ESQ-Bench使用复杂企业数据库模式引入了一个新的NL2SQL基准，用于评估语言模型在现实场景中将自然语言翻译为SQL的能力。虽然已建立的基准显示89%以上的准确性，但ESQ-Bench在复杂模式上显示出显著的性能下降，Claude Sonnet在各层级上超过GPT-4o。该基准识别出"隐性语义分歧"——查询能够成功执行但返回错误结果——作为影响73-99%的表面上通过的查询的关键失败模式。
LLM智能体使用仿真模型执行受控实验 →
研究人员提出了一个多智能体框架，使LLM智能体能够与科学仿真模型一起进行受控实验以实现药学工艺设计。通过将语言模型与高保真仿真耦合，该系统通过干预和比较进行推理，以产生比纯语言推理更具体和可操作的优化建议。用户研究证实当LLM集成仿真反馈时具有更高的感知正确性和有用性。
测量检测通道压倒天文基础模型中的像素，偏置层析平均红移 →
对AION-1（一个在200多百万个天文对象上训练的39模态基础模型）的审计表明，测量检测元数据极大地偏置了预测结果，使其优先于实际图像内容。在保持图像不变的情况下修改检测掩码会使所有报告数量变化110-4400倍，预测与元数据的存在相关而非基础光分布相关。这种系统偏差传播到下游天文测量中，而这些测量对宇宙学巡天至关重要。
TRACE：用于多目标材料发现的转移感知残差控制 →
TRACE引入了一个多目标材料发现框架，其中LLM代理将已评估的编辑作为包含属性变化的转移进行跟踪，而不是仅存储最终候选。通过聚合转移证据来估计可重用的编辑效果，系统根据编辑满足剩余约束同时保护已满足目标的预测能力对其进行排名。在对照实验中，TRACE的性能从18.13%提升至25.96%的命中率。
用于代码偏好优化的函数级执行反馈 →
STEP-KTODER提出函数级过程监督方法用于代码偏好优化，将步骤定义为模块级函数，并通过自动生成的单元测试分配正确性标签。该方法结合函数级反馈和结果级程序评估，显著优于仅基于结果的方法。分析表明执行级标签至关重要，而LLM作为评判工具的注解系统性地高估了失败率。该方法在多个代码生成基准测试上性能均有提升。