University of Chinese Academy of Sciences（中国科学院大学）

When AI Designs AI: Innovation or Imitation?

当AI设计AI：创新还是模仿？

Yikang Yang, Zhengxin Yang, Luzhou Peng, Minghao Luo, Yanqi Kan, Wanling Gao, Jianfeng Zhan

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Northwestern University（西北大学） 纠错

AI总结 该研究对比LLM智能体与人类设计AI方法的性能和算法差异，发现智能体偶达SOTA但无法泛化，96.8%的设计属人类推导空间，多为算法选择的复用重组。

Depth Enables Local Entropy: Quadratic Depth Dependence in Deep Variation-Norm ReLU Regression

深度可实现局部熵：深度变分范数ReLU回归中的二次深度依赖

Tao Jiang, Minbo Gao, Shaowei Cai

机构 * Key Laboratory of System Software (Chinese Academy of Sciences)（系统软件重点实验室（中国科学院）） ； State Key Laboratory of Computer Science（计算机科学国家重点实验室） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； School of Computer Science and Technology, University of Chinese Academy of Sciences（中国科学院大学计算机科学与技术学院） 纠错

AI总结 该研究针对深度-RBV²架构的高斯回归，通过构造局部填充等方法证明极小极大风险对深度呈二次多项式依赖，为理解深度在变分范数ReLU回归中的作用提供了关键理论依据。

Does Unification Come at a Cost? Uni-SafeBench: A Safety Benchmark for Unified Multimodal Large Models

统一是否带来代价？Uni-SafeBench：一种用于统一多模态大模型的安全基准

Zixiang Peng, Yongxiu Xu, Qin-Yi Zhang, Jiexun Shen, Yi-Fan Zhang, Hongbo Xu, Yubin Wang, Gaopeng Gou

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院） ； Institute of Automation, Chinese Academy of Sciences (CASIA)（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

AI总结 本文提出Uni-SafeBench，用于评估统一多模态大模型的安全性，发现统一过程虽提升能力但显著降低基础LLM的安全性，开源资源以促进更安全的AGI发展。