一项研究表明，一小群志愿者通过编辑维基百科，能够影响人工智能系统关于动物福利的讨论。维基百科内容在各大语言模型的训练数据中占有重要地位。一个名为Pro-Animal Wikipedians (PAW)的动物福利倡导团体进行了125次编辑，覆盖115个条目。通过多种归因方法分析，这些编辑显著提升了模型在动物福利相关查询中的表现，且该影响仅针对相关话题，非一般实体信息。进一步微调模型时，专门训练于PAW内容的模型在动物福利文本上的困惑度显著降低。该研究表明，一场小规模、有组织的维基百科编辑活动可以显著塑造语言模型对相关话题的处理方式。
这条 研究论文 信号说明，来自 arXiv cs.CL 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。
arXiv cs.CL 发布了这条关于 研究论文 的更新：一项研究表明，一小群志愿者通过编辑维基百科，能够影响人工智能系统关于动物福利的讨论。维基百科内容在各大语言模型的训练数据中占有重要地位。一个名为Pro-Animal Wikipedians (PAW)的动物福利倡导团体进行了125次编辑，覆盖115个条目。通过多种归因方法分析，这些编辑显著提升了模型在动物福利相关查询中的表现，且该影响仅针对相关话题，非一般实体信息。进一步微调模型时，专门训练于PAW内容的模型在动物福利文本上的困惑度显著降低。该研究表明，一场小规模、有组织的维基百科编辑活动可以显著塑造语言模型对相关话题的处理方式。
该研究揭示了开放协作平台如维基百科上的少量编辑，通过培训数据的重要性，可对大型语言模型的价值观和表现产生实质性影响。这说明社区倡导力量可以有效参与和塑造AI系统的知识基础与行为，具有重要的伦理与技术意义。
研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers、models 的团队。
接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。
RIFT-Bench是一种基于图表示的新方法，针对自主决策的AI系统（由大型语言模型驱动），提供统一的安全评估框架。其分为发现系统结构和扫描自适应攻击两个自动化阶段，能够跨45个不同架构和实现的系统进行效果验证，并支持评估防御策略。该方法解决了传统安全评估局限于特定实现或领域的问题，实现了对异构自主AI系统的全面动态安全检测。
本文提出Neuro-Symbolic Drive，一种结合经典基于规则规划器推理轨迹与视觉语言代理（VLA）的驾驶框架。该方法利用规则规划器的执行轨迹和决策痕迹作为结构化监督，微调Qwen3.5-4B模型，使推理过程与运动规划因果连接。实验表明，该方法显著降低了平均距离误差和目标漏检率，提升了多摄像头感知下的驾驶性能。
本文探讨了“代理”及其构成，特别是在大型语言模型（LLM）兴起、被称为“编码代理”“AI共同科学家”等工具背景下的代理定义。文章梳理了AI代理的现状，从目标、身份、决策、自我调节和学习五个维度分析代理架构，强调真正的代理性需要这些结构内化于系统自身，而非依赖外部组成。区分了“代理性”系统（依赖外部工程流程）与“代理化”系统（内生能力包括社会交互），界定了自动化与自主性的边界。基于此，提出了通用代理模型——目标-身份-配置器（GIC）架构，融合分层目标分解、身份演进、基于世界模型的模拟推理、自我调节与自主学习。并讨论了拥有更大自主性的系统在审计、控制和安全方面的见解。