AI學會阿聯酋方言:Falcon-Emirati模型解析文化細節
AI 新聞快訊：Falcon-Emirati-7B 是阿布達比技術創新研究院（TII）針對阿拉伯聯合大公國地方方言「埃米拉提阿拉伯語」打造的專門化語言模型，建立在其既有的 Falcon-H1-Arabic 系列之上。開發團隊指出，現代標準阿拉伯語（MSA）是書面與新聞使用的語言，但阿聯當地日常對話、幽默、談判與說故…
Community
AI承諾完工驗收卻卡在資料庫不認帳
AI 新聞快訊：ThinkingBox是微軟與Hugging Face聯合推出的AI agent評測基準，核心論點是「工具呼叫成功不等於任務真正完成」。研究團隊設計了507個具狀態的真實商業工作流情境，每個情境針對不同大型語言模型重複執行20次，評分重點不是agent有沒有呼叫對的工具或回覆是否聽起來合理，而是直接…
MCP代理需具備來源感知驗證能力
AI 新聞快訊：ProvenanceGuard 論文提出一種名為「來源感知事實驗證」（Source-Aware Factuality Verification）的方法，專門解決基於 MCP（Model Context Protocol）架構的大型語言模型代理人在引用資料來源時常見的錯誤,稱為「跨來源混淆」(cros…
Jun Kim加入Hugging Face 支援oMLX社群開發維護
AI 新聞快訊：Hugging Face 宣布 oMLX 的創建者暨維護者 Jun Kim 正式加入團隊,以支援 MLX 生態系發展。MLX 是蘋果推出的本地 AI 框架,專為 Apple Silicon 晶片優化;Hugging Face 長期是 MLX 模型的主要發布與交流平台。此次加入意味著 oMLX 將從 …
AI代理任務全對不代表下次也行
AI 新聞快訊：這是一則廣告服務相關新聞摘要翻譯任務，直接處理內文即可。 AI代理即使在測試中一次成功，也不代表下次遇到同樣請求還會成功。標準評測通常只報告「平均成功率」（Mean@k），也就是重複跑k次任務後取平均，但這個數字掩蓋了代理的不穩定性問題。研究團隊以AppWorld測試集為例，讓GPT-4.1驅動的…
BenchMIRT基準測試究竟測出LLM哪些真實能力
AI 新聞快訊：BenchMIRT是一套用來拆解「LLM基準測試(benchmark)到底在測什麼」的新方法，針對個別題目層級進行審計。傳統基準測試通常宣稱在衡量單一能力(例如安全性、通用推理或指令遵循)，但實際上個別題目往往同時牽涉多種能力。例如BBQ這個測試模型是否依賴社會刻板印象的基準中，有一題問祖孫倆訂Ub…
連線與運算：Gradio打造AI工作流程實戰教學
AI 新聞快訊：Gradio 新推出 gr.Workflow 功能，直接內建於 Gradio 框架中，讓開發者能把資料處理流程本身變成使用介面。使用者以「型別化節點」構成的圖形來描述每個步驟，Gradio 會自動產生拖放式畫布，每個節點都可獨立執行，中間結果也全程可見。同一份流程圖同時具備 REST API 功能，…
用一站式錄製訓練部署 打通機器人開發全流程
AI 新聞快訊：這則英文新聞是 AWS Strands Agents 團隊與 LeRobot、Hugging Face 合作發表的系列文章，介紹如何用 Storage Buckets 打造機器人資料閉環。我來轉成中文摘要。 這篇文章介紹 AWS 開源的 Strands Robots SDK（Apache 2.0授…
AI家教什麼時候該幫、什麼時候該放手
AI 新聞快訊：TutorMoments是一套新推出的評估框架預覽版,用來測試頂尖大型語言模型(LLM)在擔任家教時,能否拿捏「該出手幫忙」與「該放手讓學生自己思考」這兩者間的分寸,這是教育場景中最難拿捏的取捨之一。 這個評估方法採用「重播」形式,基礎是來自美國真實一對一數學家教課程的逐字稿。有經驗的數學老師會逐…
真實世界語音評測:VoiceEQ用人類標準量化AI語音品質
AI 新聞快訊：語音AI正快速取代文字成為人機互動的主要介面,涵蓋客服、醫療、教育、娛樂與個人助理等場景。過去幾年語音模型進步顯著,詞錯誤率持續下降,延遲已達到接近真人對話的速度,許多既有評測基準也逐漸逼近飽和。但實際使用者仍能感受到語音AI「哪裡怪怪的」——模型在對話過程中可能聽起來像換了個人、漏掉猶豫或不確定的…