机器学习、人工智能、自然语言处理、计算机视觉、多智能体。
说明面向大语言模型推理的测试时校准学习：无需标签即可同时提升答案准确率与置信度可靠性的方法
简介该论文提出TTCL框架，在没有真实标签的目标任务数据上，利用模型自身多次生成的回答提供自监督信号，同时优化推理准确率与口头表达的置信度。作者给出理论分析，证明其为理想校准目标的有界替代。在数学推理和事实问答的八个基准上，TTCL在基础模型上平均相对准确率提升40.13%，ECE降低70.80%。
看点将校准学习迁移到无标签测试时自适应，用多次采样自监督信号联合优化准确率与置信度，并在八个基准上做了广泛实验。
说明月面上谁在何时去了哪里：识别拜占庭式漫游车的取证轨迹分析
简介论文针对多台非合作的行星表面漫游车，在部分漫游车提供错误或伪造测量数据时，如何事后重建其轨迹以核查是否遵守安全区等约束。作者指出现有的抗异常值位姿图优化方法在此情形下容易失效，并提出一种基于漫游车可信度的归因感知轨迹估计方法。实验包括合成仿真与行星模拟场地的真实轨迹数据，结果显示该方法能识别拜占庭式漫游车，且轨迹估计比现有基线更准确。
说明将记忆与上下文解耦：面向测试时持续学习的高效结构化记忆
简介本文指出，大语言模型在推理时可通过上下文调整行为，但不断追加记忆会增加 token 开销并降低性能。作者提出统一的上下文优化框架，并设计轻量图结构记忆 GraphMemory，每次查询只检索相关子图。实验显示其下游性能具竞争力，记忆构建所用 token 比基线少约 81%–85%。
说明大语言模型在患者证据变化时的临床判断更新并不可靠
简介该研究用重症监护患者的电子病历纵向数据，考察大语言模型在病情证据变化时是否恰当修正判断。结果显示，模型在估计改变时，参照先前判断往往比不参照更容易增加而非减少预测误差；且对恶化的呼吸证据反应比对同等好转的证据更强，先前风险设定也会显著影响估计值。提示词无法使其可靠更新，所提出的 EVLU 方法可减少修正次数但提升了可靠性，体现了可靠性与覆盖面之间的权衡。
说明RAOA：利用可编程无线电传播实现交替算子神经计算
简介本文提出无线电交替算子框架（RAOA），把可编程无线电传播作为计算深度，交替执行基于能量的问题更新与对持久潜在状态的混合更新。在离散优化、可编程传播仿真和预训练语言模型适配三类实验中，作者评估了该方法的效果。文中所有射频实现结果均基于仿真，而非硬件演示。
说明DataWeave：面向探索性结构化数据分析的人机协作大模型系统部署
简介本文介绍DataWeave系统，它结合对话交互、模式（schema）接地、分析规划与可执行查询生成，帮助记者探索结构化数据。系统把大模型定位为可检查、可修正的互动伙伴，而非自主给出答案的引擎。作者以专业记者分析美国教育部综合中学后教育数据系统（IPEDS）为案例，总结了可信人机协作的设计原则与部署经验。
说明把教师标记用在刀刃上：基于成功样本参照的同策略蒸馏
简介本文提出成功参照的同策略蒸馏方法SR-OPD，针对同一提示下学生既有成功又有失败的推演结果，选出失败推演并交给教师监督，并考虑教师输入成本。在三组教师-学生模型和六个数学推理基准上，该方法在单轮设定中仅使用同策略蒸馏所需教师输入标记的3.46%至5.02%，推理表现与之相当。
说明一个光子，多种可能世界：单光子相机的后验分布与预测
简介单光子雪崩二极管（SPAD）相机每帧只输出0或1的二值图像，同一图像可能对应多种场景，逆问题存在一对多的不确定性。论文提出基于超几何帧稀疏过程的条件生成框架，研究随着光子数增加，这种不确定性如何减小，并分析其对字符识别、二维码解码和人脸分析等下游任务的影响。
说明Asterism：把分散的文献观察整理成有文献依据的假设与理论
简介该论文提出 Asterism 系统，从数百篇论文中抽取“概念-关系”三元组，并用层级本体统一概念，帮助研究者从分散的观察汇总出理论与假设。在10名研究者的现场部署中，研究者能从观察走向理论，并保留符合自身偏好的概念与假设。两个案例中，免疫学和农业团队发现了其标准分析之外的机制，并提出了值得后续实验验证的假设。
说明LEAP：为大语言模型智能体学习高效的动作预测
简介大语言模型智能体逐步执行任务，每步推理后再选择动作，速度较慢。作者提出一个衡量推测式动作执行收益与成本的延迟框架，并据此设计LEAP方法：训练一个小型草稿模型（0.6B）去预测目标模型的动作序列。文中报告，LEAP使智能体的端到端运行时间最多快60%，任务成功率无系统性变化，且草稿模型可在线训练。
说明CHASE-VLA：面向视觉-语言-动作模型的分块感知后训练量化框架
简介该论文针对视觉-语言-动作（VLA）机器人模型中基于扩散的动作专家在低比特后训练量化时的难题，提出CHASE-VLA方法。该方法利用已生成的动作块（包括未执行的未来部分）作为因果上下文，并结合去噪步骤分组信息来自适应调整激活尺度，从而在不修改预训练策略的情况下实现W4A4量化。论文报告在LIBERO基准上，π0.5模型的平均成功率达到97.3%，恢复至FP16水平，同时降低了量化线性层的权重存储与访存开销。
说明大语言连续扩散模型：用连续潜空间替代离散 token 的文本生成方法
简介该论文提出 Sigma，一个规模达 30 亿和 80 亿参数的连续扩散语言模型，在低维常微分方程或随机微分方程潜在轨迹上生成文本。模型从自回归模型热启动训练，推理时使用无分类器引导和分数温度。在数学推理与代码基准上，Sigma 与离散模型表现相当。
说明长时程智能体中的跨轮次安全约束遗漏风险（GHOST）及防护方法STAR-Guard
简介论文指出，长时程智能体在多轮交互中可能执行违反数轮之前所设安全约束的动作，作者将此称为GHOST，可能造成不可逆损害。实验显示，在良性交互条件下，GPT-5.5的发生率为11.5%。作者还提出两层防护方案STAR-Guard，结合历史安全约束恢复与执行前审计，在GPT-5.5设置下实验中未观察到GHOST事件。
说明面向本质低维数据的流匹配生成模型泛化界
简介该论文研究流匹配（flow-matching）生成模型从有限样本学习未知分布的统计泛化能力。作者在 Wasserstein-p 距离下给出有限样本误差界，结果依赖于数据的本征维度而非环境维度，因此可缓解维度灾难。该理论在较宽松的假设下，为流匹配在结构化数据上的经验成功提供了解释。
说明注意细化差距：安全的高层机器人计划为何会产生不安全的执行
简介本文研究语言驱动机器人系统中的一个假设：安全监控器检查的高层动作序列，是否完整代表执行中导航及隐含的动作效果。作者在RoboGuard上比较同一LTL规范下表层计划与图细化轨迹的判定结果，共28个受控案例及14个端到端案例。结果显示，12个针对性抽象案例都出现了表层与细化轨迹之间的差异，作者因此提出基于图的轨迹细化作为轻量缓解手段和诊断工具。
说明AIGS：面向非平稳数据流在线表示学习的自适应增量门控系统
简介该论文针对物联网与边缘计算中数据分布会突变的实时数据流，提出轻量级的自适应增量门控系统AIGS。它用“冲击比”衡量当前重构误差相对近期波动的程度，并据此在学习与记忆保留之间连续调节。实验基于智慧城市的交通、气象和工业数据，报告了在变压器温度、交通性能测量及天气数据集上的表现，作者认为其适合资源受限的边缘监测。
说明SpectralCache：基于谱特征缓存加速扩散式世界模型
简介扩散式世界模型能生成高质量的交互环境，但去噪过程中反复运行 Transformer 带来很大的推理开销。本文发现相邻去噪步的特征具有高度稳定的奇异子空间，奇异值则呈现可预测的变化规律。作者据此提出免训练的 SpectralCache 框架，复用稳定子空间，仅用线性外推估计低维奇异值，并在部分昂贵的主干计算中跳过评估。实验表明，在 HunyuanWorld-Voyager-13B 上实现 5.22 倍加速，静态场景 WorldScore 为 65.90。
说明基于选择性状态空间模型的分布式学习：考虑架构的收敛性分析
简介本文研究选择性状态空间模型（如Mamba2）在联邦学习中的收敛性。作者推导了单层和多层选择性SSM的梯度与平滑性界，以及FedAvg和FedProx的收敛界，分析循环稳定性、输入相关离散化和状态投影范数对联邦优化的影响。作者还在教师SSM生成的序列上数值验证了单层界，并在六个文本领域的Mamba2语言建模上比较了九种联邦学习算法。
说明冻结上下文塔的扩散转换在低预算下更好地保留生成能力；冻结可保留更多知识
简介论文比较了把同一个30B混合专家（MoE）自回归大模型转换为扩散语言模型的两种方法：一种直接更新部分参数（原位转换），另一种冻结原模型作为上下文塔并通过交叉注意力条件生成。在10亿训练词元下，冻结塔模型的HumanEval pass@10得分为71.60，原位模型为6.19。作者还指出，在相同协议下比较扩散模型需要统一评估标准。
说明基于连贯性的信念形成与LLM智能体中的传染动力学
简介该论文通过实验测量语言模型智能体采纳某一主张的概率，随同意该主张的同伴数量变化。结果显示采纳曲线呈S形，符合复杂传染特征，其阈值受主张可信度、信源可靠性与智能体倾向影响，这三者可由一个有效维度（即新信念与智能体既有信念的连贯性）近似。研究还发现，在聚类网络中传播比随机网络更快，系统存在级联窗口与自我维持的滞后共识。
说明用于电子密度预测的等变流匹配方法（OrbFlow）
简介该论文提出 OrbFlow，一种 SE(3) 等变生成模型，通过流匹配预测高斯型轨道（GTO）系数，用于替代密度泛函理论（DFT）中昂贵的电子密度计算。原文报告其在 QM9 上的密度误差比此前最佳模型降低 13.6%，在 MD 基准的各分子上误差降低 51% 至 63%。此外，预测密度可将自洽场迭代次数最多减少 68%，并在无需自洽场计算的情况下，使偶极矩和四极矩与 DFT 参考值相差在几个百分点之内。
说明捕捉动态：4D 面部表情强度数据集
简介本文提出 4D 面部表情强度数据集（4DFEID），用参数化人脸模型生成 2,869 段带可控几何变化的网格序列，形成包含不同峰值强度和身份属性的 4D 数据。研究者通过众包平台收集了 90,000 多条李克特量表的主观强度感知评分。实验显示，时空图模型的表现持续优于传统的逐帧聚合方法，为动态三维表情强度研究提供基准。
说明无折扣重复博弈中零行列式策略的表现
简介零行列式（ZD）策略是重复博弈中可单方面控制收益的一类策略，已有研究表明部分此类策略能在社会困境博弈中促进合作。本文在不假设动作组合概率分布的 Cesàro 平均极限存在的前提下，解释无折扣重复博弈中零行列式策略的表现，得到比以往更强的结论。
说明无需解码的批量语音判断：单词元监督让冻结的大语言模型听见转写之外的信息
简介论文提出DuplexJev，将语音识别编码器的隐藏状态经小型连接器输入冻结的大语言模型，把每个选择题读作选项上的单词元概率分布，无需解码，8卡节点约0.1秒可完成8段语音的80个判断。采用跨注意力连接器时，性别与情绪识别准确率均达到90%，口语问答仅由83%降至82%。训练以读出的答案词元做交叉熵监督，内容部分保留蒸馏。作者同时发布了权重、训练方法、批量推理流程和双语口语问答数据集。
说明用于磁共振弹性成像中粘弹性组织参数重建的CNN与伴随优化混合框架
简介本文研究磁共振弹性成像（MRE）中由剪切波位移场反演复数剪切模量的问题。作者比较了基于伴随方法的PDE约束优化、二维卷积神经网络（CNN）重建以及两者结合的混合方法。CNN用于提供快速的初始重建，随后由伴随优化进一步精修，原文称该混合方法收敛更快且精度更高。
说明在成本约束下对语言模型回答进行在线验证
简介大语言模型用于多步推理时，验证其输出正确性很重要，但每一步都调用昂贵的标准答案检验器并不现实。本文提出OMVV算法，维护一组成本与性能不同的弱验证器，并通过在线评分合并与指数权重路由策略，为每轮选择合适的验证器。论文称其在推理数据集实验中，于多种预算下比任何单一固定验证器获得更高准确率、更低验证成本。
说明为生成式AI设计更好的用户反馈机制
简介该论文研究生成式AI系统上线后如何收集用户反馈。作者与eBay合作，先对现有行业做法进行基准评估，发现可发现性差、术语不清、忽视用户价值等问题。基于此，研究提出了最佳实践建议，并设计、测试了一个反馈收集原型工具。
说明《Lost in the Request》：沟通方式变化如何影响邮件助手的检索与执行
简介该论文测试邮件助手在请求的信息、证据和预期结果不变、仅改变表达风格或英语方言时是否仍然可靠。作者构建了五种沟通风格变体和四种基于规则的方言条件，并在一个检索增强生成流程和两个工具调用智能体上进行评估。结果显示，间接请求在三个基准上都降低了表现，正式请求在两个智能体基准上降低了表现，且不同失败原因各异。
说明想象未来，内化要点：通过内化时空想象实现高效的视觉-语言-动作（VLA）推理
简介该论文提出 IG-VLA 框架，让机器人视觉-语言-动作模型在视觉表征空间中想象与任务相关的未来场景变化，从而指导动作预测，而无需高成本的像素级视频生成。另一个模块 Scene Gist Memory 将推理得到的场景-行为关联压缩进一个 Scene Gist Token，使推理时无需显式想象未来。在 LIBERO、LIBERO-Plus 和 VLABench 上的实验显示其有效且高效，推理延迟从 1081ms 降至 169.5ms。
说明CuBEs：具文化情境的行为评估，以及“无视文化”的大模型评判者的局限
简介这篇论文指出，现有的大模型行为评估通常忽略文化背景，限制了其在全球用户中的适用性。作者提出CuBEs方法，在测试场景和评估中注入不同文化背景，并构建了覆盖12种文化的人工标注数据集。对13个开源与闭源大模型的实验显示，文化情境会显著改变行为的出现情况，例如在政治偏见测试中，非西方文化场景会呈现与西方不同的偏见维度，因此作者认为全球部署需要具文化情境的行为测试。
说明WebUIProof：用 UI 智能体执行框架评测 WebUI 代码生成器
简介该论文提出 WebUIProof，一个面向 WebUI 代码生成的执行式基准，包含结构化规格和可执行的交互测试，涵盖通用网页界面与 3D 交互仿真两类任务。框架在无头浏览器中以计划-执行-观察的循环运行测试，检查交互后的界面变化是否符合断言。作者用八个商用大模型测试，发现即使页面能正常渲染，基于交互的需求仍常失败，3D 仿真界面尤为明显。此外，作者用由可执行交互测试得到的强化学习奖励训练小模型，结果显示功能完成度提高，构建失败减少。
说明VERSE：面向智能体运行框架的经验证自进化优化器
简介该论文研究让优化器不仅改进智能体的提示、工具和流程，还改进自身的故障诊断、编辑开发与测试方法。作者提出 VERSE，优化器可在提交前测试草稿修改、重放失败案例，并跨轮次跟踪修复与回归，模型权重保持固定。在 SWE-rebench 及多语言新任务上，其最佳验证选定框架分别达到 42.3% 和 37.7% 的准确率，高于最强基线的 39.2% 和 29.3%。
看点提出可验证的自进化优化器，让优化器改进自身工具与流程；在SWE-rebench及多语言新任务上以留出测试集验证，较最强基线有明显提升。
说明量化构造性归纳、背景知识与噪声过滤对归纳学习的价值
简介本文提出一种新的学习度量指标——有效维度，用于把学习问题的性质与平均情形下的学习表现联系起来。与VC维不同，有效维度可以通过实验估计，并能做出平均情形的预测。作者在包括反向传播在内的多个学习系统上验证了该度量，并用它预测了特征构造系统FRINGE的收益，发现收益随目标概念复杂度的增加而降低。
说明后训练会丢失什么？默认立场坍缩与情境内可引导性的丧失
简介该论文研究大语言模型经过后训练后，能否在上下文中被引导去表达其未被训练偏好的观点。作者在受控实验中，将模型微调至文化价值分歧的一方，并在训练过程中逐个检查点评估。结果显示，被训练的一方在日常使用中越来越占主导，而识别并忠实表达相反观点的能力则下降。论文还提出一种替代目标，在给定的观点分布约束下最大化奖励，并以立场分布匹配作为实用实现。
说明从语音前缀学习何时提交翻译结果：面向端到端同声语音翻译
简介该论文针对同声语音翻译，即在源语音未结束时就输出可用译文，同时保证已输出的词不被修改。作者利用模型自身对完整与部分语音波形的翻译结果构造前缀监督，无需转写或人工译文，并比较了单轮和多轮追加式解码以及置信度阈值对质量与延迟的权衡。在 FLEURS 和 CoVoST2 的三个语言方向上，前缀训练改善了质量与延迟的前沿，多轮训练下提交校准误差总体降低 63%–68%。
说明用于少步降水集合预报的尺度递归整流流
简介卫星降水产品分辨率较粗，难以刻画网格内的降雨分布。该研究提出尺度递归整流流，先生成大尺度降雨形态再补充局部细节，并依据集合离散度与预测误差在各空间尺度间分配采样步数。在美国本土卫星到雷达降尺度实验中，增加粗尺度流的采样步数提升了概率预测精度和降雨检测能力，且在相同结构与计算成本下，比步数更多的非递归流采样更快、概率精度更高。
说明Seer：用于学习速度曲线的最大似然回归
简介该论文提出 Seer 系统，通过经验观测分类学习的性能并建立统计模型，用以预测达到目标准确率所需的训练样本数，以及在样本无限时可达到的最高准确率。作者还给出了高效求解最大似然模型的算法，并在大豆病害、心脏病和听力学三个领域的真实数据上做了近 100 组实验。
说明时间序列预测基准需要基于场景的压力测试：当前评估过于狭窄，无法反映真实故障，作者主张用带有语义场景和失效机制的测试来评估模型。
简介这篇论文指出，现有时间序列预测基准只看预测误差，而鲁棒性研究通常只用高斯噪声、随机遮挡或有界对抗扰动，无法反映部署系统的真实失效模式。作者主张，每个测试实例应包含历史输入、未来目标、语义场景、明确的失效算子和可度量的难度等级，从而让评估更可解释、可归因，并能回答模型在何种条件下、因何原因失效。
说明TasteBench：从分子到可持续食品的多模态感官预测基准
简介该论文提出 TasteBench，一个用于感官预测的多模态基准与隐私保护竞赛，包含基于 215 种植物基食品、21K+ 人类评价构建的食品级排序任务，以及基于 15K 种风味分子的分子级口味分类任务。研究报告了评估者间一致性较低（Krippendorff's α = .077），并给出了模型在同一批配对上的成绩：最佳模型两两准确率为 .661，接近中位数个体评估者的 .650。
说明基于权重近似的激活稀疏方法，加速卸载权重时的大模型解码
简介在显存不足、权重需要从内存或闪存卸载的消费级显卡上运行大模型，解码速度很慢。本文提出SpAx：跳过接近零的激活对应的权重，对较小幅值的激活读取压缩后的近似权重，对最大幅值的激活读取原始权重。在权重卸载到CPU内存时，16位权重解码平均加速3.86倍，4位权重加速2.06倍，WikiText-2困惑度增幅不超过10%。
说明GRAFT：通过持续教师蒸馏逐步扩展的融合式基础模型
简介论文提出GRAFT框架，将DINOv2、SigLIP2、MASt3R等不同视觉基础模型的能力，逐步蒸馏到一个统一的骨干网络中。新教师加入时，只需一次蒸馏即可学习其能力，无需整体重新蒸馏。方法包括为每位教师设置独立读出令牌，以及按图文相似度结构对齐视觉-语言教师的几何无关关系损失。原文称该模型覆盖图像理解、二维稠密预测、三维人体姿态估计、三维视觉和视觉-语言五个领域。
说明因果结构如何弥合语义鸿沟
简介该论文指出，数值测量能反映系统行为，却常常不说明变量的含义。作者提出用因果图中变量之间的依赖关系来推断未命名变量的语义，并据此构建了 CausalBridge 框架。在五份问卷和三个机器人场景上的评估显示，该方法在变量被遮蔽 20% 至 90% 时，比依赖关联的现有方法更准确地恢复了观测变量和潜变量的语义。
说明基于Fisher信息的次模数据选择：用于大语言模型持续预训练
简介该论文针对大语言模型持续预训练中的遗忘问题，提出一种Fisher感知的数据选择方法。方法将候选数据的梯度分解为锚定分量与前沿分量，并用对数行列式次模目标进行流式选择。在TinyLlama-1.1B和Llama-3.1-8B的医学数据持续预训练实验中，作者报告该方法在提升目标领域效果的同时抑制了遗忘，且1B选择词元的表现优于使用10B词元的回放策略。
说明开放性基准（OEB）：从智能体执行记录衡量认知过程
简介本文提出OEB方法，只读取智能体的执行记录，不依赖参考答案或结果分数，评估其提出假设、检验与修正的认知过程。它把记录整理为认知事件图，并从证据、实验、修正及避免奖励作弊四方面打分，同时刻画六种研究习惯特质。研究分析了来自三个基准的12项任务共119次运行，发现智能体声称的改进只有16%至29%被日志结果证实。
说明在 Jev 式带类型决策模型中，标签压过定义
简介该论文研究基于 Jev 接口的开源带类型决策模型：模型对每个选项的概率更依赖选项标签，而非其书面定义，作者称之为“选项标签偏差”。实验在四个开源模型、三种读取方式、十一项分类任务及作者自建的 PolicyBench 路由测试集上进行。结果显示，删除定义后准确率几乎不变，将选项改为 A、B 后准确率反而提高，偏差的来源被定位到提示词的渲染方式。
说明固定算力下的稠密专家混合：作为重参数化宽前馈网络的粒度扫描
简介本文研究稠密版本的专家混合（MoE）结构：每个词元都激活全部 K 个 SwiGLU 专家，并由 softmax 门控加权合并，总前馈宽度固定。实验显示验证损失随 K 呈非单调变化，K=2 优于基线（K=1），K=4 和 K=6 则变差。作者还指出该结构等价于带词元相关、单纯形约束分组缩放的稠密 SwiGLU，且包含基线函数类，结果为单次运行所得。
说明《物理AI智能空间》：面向智能空间多摄像头三维感知的大规模基准数据集
简介该论文介绍了一个名为“物理AI智能空间”的大规模基准数据集，包含超过280小时、由近1800台摄像头同步拍摄的1080p视频，场景涵盖仓库、医院和零售场所。数据集附带多摄像头身份、2D与3D边界框、相机标定和深度等自动标注。论文还提出了HOTA指标的三维扩展版本，并报告了AI City Challenge排行榜上的基线结果。
说明私有迁移学习中的高维渐近分析与数据集选择
简介本文研究在购买或合作获取外部数据前，如何判断这些数据是否真正能提升预测效果。作者用多源异质数据上的加权岭回归建模，仅使用汇总统计量，并以ρ-零集中差分隐私给出标签或特征与标签联合的隐私保证。核心结果是测试误差的确定性等价形式，可用于优化超参数并判断私有外部数据是否有用，实验在合成与真实数据上进行了验证。
说明基于可验证、可反馈学习的语言模型回答临床医生对试验证据表的提问
简介系统综述把临床试验整理成证据表，但医生通常只能通过数据库查询来查看，而且许多问题涉及表中未记录的属性，如药物靶点类别或统一的终点指标。该研究提出FD-SCoPE框架，既能回答这两类问题，又会展示每个答案背后的查询、所选试验及推导规则，并能从专家修正中学习。在包含159条免疫检查点抑制剂试验记录的肿瘤学证据表上，该框架完成了全部140项任务，其中需要推导属性的问题检索相关记录的召回率为99.3%，推导值F1为77.7%，优于四种对比方法。
说明DISSOLVR：一种可解释且快速的水溶性与有机溶解度预测框架
简介该论文提出 DISSOLVR，一个用于预测分子溶解度的透明框架，通过将分子映射为具有物理意义的描述符来实现预测。作者还进行了文献综述和基准对比，并提出一种借助大语言模型的事后解释流程，将模型结果转化为化学层面的说明。此外，一项涉及 22 位化学专家的调查也被纳入比较评估。
说明通过有效提示词提升大模型生成代码的能效
简介本文评估了21种提升代码能效的提示词策略，并从中筛选出8种，在10个主流开源及商用大模型上测试其对Python和C++代码生成的影响。相较于基线提示词，所选策略使Python代码能耗最多降低25%，C++代码最多降低17%。研究表明提示词会显著影响生成代码的能耗，但效果因模型和编程语言而异。
说明SLVR：基于类人推理流程的结构化潜在视觉推理
简介多模态大模型回答视觉推理题时，常依赖语言先验而非图像证据。本文提出SLVR训练框架，把多模态推理组织为规划、定位、证据选择与推理整合四个带类型的潜在阶段，并分别用计划、框选区域、视觉证据和最终理由进行监督。基于Qwen2.5-VL-7B的实验显示，它在MMVP、BLINK Relation等多项基准上提升明显，且推理时无需生成文本思维链。
说明通过多元偏好优化缓解社会性谄媚
简介本文提出多元偏好优化（PlurPO）方法，让语言模型在人际冲突场景中识别并模拟相关利益方，再训练其偏好并生成对所有利益方都可接受的回应，以减少模型一味迎合用户的社会性谄媚现象。该方法仅利用模型对自身输出产生的信号，不依赖真实标签。论文称在四个数据集和四类模型族上，相比既有方法显著降低了社会性谄媚，并且为8B模型构建的偏好数据集可迁移到32B模型上。
说明DAGS：冻结图像扩散Transformer的外观与几何解耦引导，用于时间稳定的生成式渲染
简介论文提出DAGS方法，在不修改冻结的图像扩散Transformer（DiT）主干的前提下，通过两个小型卷积编码器分别为外观和几何提供条件特征，并以逐层逐元素残差注入图像token，避免注意力堆叠的二次开销。方法还加入小型循环光照稳定器和免训练的时间引导项，使逐帧图像模型可用于流式渲染。报告称，在1-spp加G-buffer输入下，其逐帧重建相比Intel OIDN和RGB<->X分别提升8.6 dB和10.1 dB PSNR，并在感知时间闪烁指标上稳定性提高2.5至8倍；该方法并非实时。
说明用核岭回归学习动力系统的闭合项
简介本文提出一种基于核岭回归（KRR）的闭合建模框架，用于识别动力系统中缺失的部分。该框架涵盖常微分/偏微分方程中的差分方程闭合，以及动理学方程矩闭合产生的代数闭合。在Lorenz-63系统和Kuramoto-Sivashinsky方程上的数值实验显示，其长时程预测较为准确，并明显优于基于LSTM的闭合模型。在一维动理学方程的矩闭合中，全局模型对单峰初始条件表现良好，但对双峰初始条件精度下降；采用合适输入的空间局部模型则更稳健、预测精度更高。
说明OpenGameEval：在有状态游戏引擎中评测智能体编程与探索能力的基准
简介该研究提出 OpenGameEval，一个在 Roblox Studio 中评测语言模型智能体进行游戏开发能力的基准与框架。它在可复现的有状态引擎会话中运行模型，并通过可执行检查对编辑后的场景和模拟游戏过程打分。研究测试了 13 个前沿模型在 84 项任务上的表现，结果显示任务对当前模型难度较高，且探索行为与成功率相关。相关任务集、插件和排行榜已以 MIT 许可证发布。
看点提出在有状态游戏引擎中评测智能体并分离观察与编辑工具，以探索行为预测成功，实验覆盖13个模型84个任务。
说明无信号时的“先知”上限：基于零模型校准的热成像心率候选选择评估
简介论文研究基于摄像头的心率估计：从多个面部区域和处理设置中得到多个候选估计，再选出最可靠的一个。作者指出，常用的“先知”选择（每个时间窗口取最接近参考值的候选）可能只是偶然吻合，并用顺序统计量建模，说明候选数量增加时其误差会随之下降。在96段热成像录像上的结果显示，先知选择误差远低于最佳固定配置和最佳质量指数，且与另一录像的额头信号几乎相同，因此评估时应报告候选数量、有效覆盖率和空白对照。
说明通过逆激活回归进行神经元合并，用于 sigmoid 神经网络的训练后压缩
简介本文研究对已训练神经网络进行压缩的聚类合并方法。除免数据的加权平均外，作者提出先经逆激活函数映射回激活前空间，再用最小二乘法估计代表神经元权重与偏置的方法。论文比较了使用真实训练输入与使用随机生成输入两种策略，并报告在所测试的 sigmoid 网络中，权重信息更利于聚类，激活信息更利于代表神经元的重建。
说明如何进行“敏感”的辩论：一种AI辩论的实例最优协议
简介该论文研究用两个AI辩论来帮助人类判断复杂问题的正确性：把复杂问题拆成更简单的子命题，由人类只需判断简单部分。作者设计了一种新的辩论协议，相较已有工作，其正确性保证适用于最坏情况，诚实且正确的策略对双方都是占优策略。论文还证明，在仅使用黑盒人类判断查询的条件下，该协议是实例最优的。
看点改进了稳定分解问题的辩论协议，将正确性提升为最坏情形并给出实例最优的黑盒下界，证明完整严谨。
说明通过分解价值梯度流实现测试时多智能体协调
简介本文针对离线多智能体强化学习中生成式策略难以区分高价值区域、价值优化策略易丢失多模态的矛盾，提出 SCOUT 框架。它分别训练流匹配行为先验与分解价值函数，并在测试时用 Stein 变分梯度下降把行为样本推向高价值区域。作者称该方法在离散与连续离线多智能体基准上平均性能最佳，且在各离线到在线设置中均有提升。
说明评估大语言模型在时间表达抽取任务中的多维泛化能力
简介本文研究大语言模型在时间与事件表达抽取任务中的泛化表现，从四个维度考察模型在分布变化下的可靠性。作者比较了多种模型配置在不同模型家族、架构和推理策略下的表现。结论是：基础任务表现强的模型通常泛化更好，但在较大分布变化下这一关系减弱；归纳式提示在多数情况下最稳定。
说明奖励膨胀：强化学习的一种有益刺激
简介本文提出“奖励膨胀”，即在训练过程中逐步放大奖励数值，以此作为强化学习的一种有益刺激。作者称，这种做法会隐式地更重视近期的交互样本，从而加快策略适应；同时在策略趋于饱和时维持梯度信号，抑制休眠神经元的出现并保持可塑性。在ALE游戏和MuJoCo任务上的实验结果支持这些发现，并提出了可动态调整膨胀程度的自适应变体Fed。
说明如何训练你的世界模型：基于语言模型的世界建模中微调与检索增强生成（RAG）的比较
简介该研究比较了两种用语言模型构建世界模型的方法：微调和检索增强生成（RAG）。研究在五个涵盖具身、网页导航和社交场景的环境中进行了系统评估。结果显示，微调通常优于RAG，在20个设定中有15个使微调后的世界模型让智能体获得更高奖励。研究还提出了混合系统，结合参数化的核心动态与对记忆库的检索，在多个环境和模型中表现更优。
说明ENCORE：基于副本交换的扩散生成精确非平衡控制方法
简介该论文提出ENCORE方法，用于在不重新训练的情况下，引导预训练扩散生成模型逼近带权重的目标分布。它每个副本保存生成轨迹，使向上的移动通过截断实现，从而避免模拟难以处理的时间反演，并证明其目标不变性。论文称该方法是首个精确的并行控制方法，在合成目标、生物分子玻尔兹曼采样和图像生成中取得有竞争力的准确性与多样性。
看点首个精确并行控制方法，利用存储轨迹避免不可解的时间反演；通过合成目标、生物分子与图像生成实验验证，影响面限于生成控制子领域。
说明基于影像的乳房假体检测：用于乳腺钼靶数据整理与近实时部署的基础模型与专用卷积模型比较
简介本文比较了两种基础模型（RAD-DINO、MammoCLIP）与两种从头训练的卷积网络（ResNet18、轻量级ResNetLite）在二维乳腺钼靶影像中检测乳房假体的表现与推理速度。在1,000张独立测试图像上，各模型均表现良好；MammoCLIP的AUROC最高（0.999），ResNetLite参数量仅为ResNet18的1.4%且推理最快。作者建议根据部署环境选择模型：有GPU的医院可选MammoCLIP，资源受限或边缘设备可选轻量级CNN。
说明基于生成句法的神经-符号框架：用于解决阿拉伯语名词短语的句法歧义
简介本文提出一种结合生成句法理论与AraBERT的神经-符号框架，用于消解现代标准阿拉伯语名词短语（DP）的结构歧义。模型将歧义视为候选项选择任务，显式构造语言学上合理的结构候选并进行评估。在未见过的评估集上，模型准确率为96.88%，二元F1为93.94%。其中高位/动词短语附着类的召回率为99.71%，低位/名词短语嵌入附着类的召回率为89.26%，说明后一种解读更难识别。
说明用于整数规划的自回归可微方法
简介本文提出一种自回归可微方法，用于求解 0-1 整数规划问题。方法固定二元变量的顺序，训练 Transformer 逐位预测并保持在可行域内，先用求解器给出的可行解初始化，再用拉格朗日惩罚与 Gumbel-softmax 探索可行集。在非凸二次背包问题上，对最多 10,000 个二元变量的稠密问题，方法相对开源求解器有稳定改进。
说明CriticHack：机器人策略优化下的视觉奖励评估
简介本文研究学习得到的视觉奖励模型用于优化机器人策略时的风险。作者在抽屉任务上用 Robometer 奖励微调扩散策略，发现任务成功率与奖励同时上升，但操作错误物体的失败也被放大。奖励模型对错误物体失败的评分反而略高于成功，因此不易被常规监控发现。使用冻结的结果验证器则能把优化引导回目标任务。
看点揭示学习型视觉奖励优化会放大错误物体失败，并给出倾斜模型解释，结论新颖；以512个种子与对照实验支撑，对机器人策略优化影响较大。
说明学习下一步该调查什么：长时程研究智能体的元推理
简介该论文提出MIRA架构，将研究分配与执行分离：外层元推理器基于研究记录决定下一步调查或结束，内层执行器完成每项调查。论文还训练了生成式评论器与行动者-评论器模型MIRA-AC，用于评估部分进展并学习调查决策，在定理证明与神经架构研究等环境中取得改进。
说明BaCP：在极端稀疏神经网络中保持表示的骨干对比剪枝
简介该论文提出骨干对比剪枝（BaCP）方法，在极高稀疏度下，通过让稀疏网络的嵌入空间与预训练、微调及历史快照模型对齐，缓解表示坍缩导致的精度急剧下降问题。作者基于CAP框架的对比分解，在多种剪枝准则下进行了匹配预算的严格分析。在90组实验设置中，BaCP在标准剪枝失效的极端稀疏场景下明显提升了精度，而在表示本身保持完好时与基线接近。
说明通过程序精炼、以假设引导发现认知算法
简介该论文提出一种混合系统，把认知算法的发现视为程序精炼问题。研究者先写出概率程序形式的认知模型，再由多个大语言模型智能体找出模型与行为之间的不匹配，并在研究者设定的约束内提出代码修改。修改后的模型在一项问题求解任务的人类行为数据上，拟合效果持续优于原始模型。
说明空间记忆智能：用理解驱动的长期记忆增强世界模型
简介该论文提出空间记忆智能（SMI）框架，利用多模态大语言模型来管理长视频世界模型中的空间记忆。SMI包含空间聚类、簇内稀疏化、动作感知检索和可靠性感知过滤四项原子操作。多组基线、基准和世界模型骨干上的实验表明，该方法在记忆稀疏性、生成稳定性和空间一致性方面均有提升。
说明逐步约束条件马尔可夫决策过程中依赖实例的遗憾界
简介本文研究带有逐步安全约束的表格式约束马尔可夫决策过程（CMDP）中的在线学习。约束会形成一个安全子图，影响可行策略下累计回报的方差，从而影响学习难度。作者提出安全方差自适应探索算法（SVAE），学习候选安全子图并在其中进行方差自适应的乐观规划。论文给出了高概率下的累计遗憾界、逐步约束违反界，并证明依赖这些实例相关量是不可避免的。
说明FlowBudget：无需训练即可估计流匹配模型采样预算的方法
简介流匹配等基于流的生成模型需要数值积分，推理成本取决于函数评估次数（NFE）。该论文提出FlowBudget，一种无需训练的估计器，在固定的预训练模型和求解器下，利用插值探针估计达到数值精度所需的步数，从而避免为选择预算而反复生成样本并做FID-NFE扫描。论文在SiT、FlowDCN和Rectified Flow等模型上进行了实验。
说明学习潜在结构：一种以特征为中心的图数据增强方法
简介真实世界的图数据常因采集限制而不完整，影响图学习效果。本文提出一种以特征为中心的图数据增强框架SelfAug，直接在嵌入空间中操作，通过自监督的逆向掩码过程恢复未观测到的结构信号，并引入消息正则化与自举策略以增强鲁棒性。作者称其在十个跨领域图数据集上，于归纳与冷启动设置下的准确率和效率均优于现有方法。
说明学生引导的教师蒸馏用于高效LLM任务路由：与Jev式System-1分类器的对比定位
简介本文研究一种面向60类LLM任务的蒸馏流程：紧凑的ModernBERT学生模型一次前向计算出全部类别分布并检索top-k候选，较大的DeBERTa-v3零样本NLI教师模型只对这些候选重新排序，教师标签再迭代改进学生。最佳学生检查点在200例评估集上与教师达到77.5%一致率，初步覆盖率测量显示Coverage@16为91%至100%。作者还指出，截断的top-k教师分数不宜直接作为完整60类软标签用于KL蒸馏，否则会引入系统性偏差。
说明IGNITE：用于托卡马克聚变等离子体的世界模型架构
简介本文提出 IGNITE，一种用于模拟聚变等离子体行为的生成式世界基础模型，在 DIII-D 国家聚变设施十多年的未标注实验数据上以自监督方式训练。模型的核心是动力学模型，可依据执行器轨迹模拟 DIII-D 放电过程，这些轨迹可直接给定，也可由文本提示或期望实验结果即时生成。该架构包含多个时空分词器，用于嵌入时间序列、图像序列和高分辨率频谱图等不同模态的输入，这些数据的采集时间尺度差异很大。
说明从碎片到全局地图：用大语言模型学习矢量地图聚合
简介自动驾驶需要高精度矢量地图，但车辆沿轨迹采集的局部预测碎片化、噪声大且相互重叠，难以直接使用。该论文提出MapMergeLLM，将地图聚合视为条件序列生成任务，由大语言模型直接预测全局地图折线。模型在由干净矢量地图合成、带有模拟预测误差的局部地图上训练，并在Argoverse2和nuScenes上取得优于启发式与优化方法的效果，且无需针对特定检测器重新训练。
说明自回归天气模型的训练后量化研究
简介本文研究对预训练的AI天气模拟器进行训练后量化（PTQ）的效果，以降低计算量和功耗。作者在深度学习天气预报模型（DLWP）和FourCastNet（FCN）上实现了PTQ算法，作为地球流体动力学应用的概念验证。研究系统考察了量化对短期预报的影响，并通过模拟量化评估了各种配置，结果显示短期预报仍具有定性上有意义的结果。
说明面向商学教育的本地化多课程RAG辅导系统：校园AI导师的软硬件权衡研究
简介本文介绍CourseChat，一个部署在校内基础设施上的多课程检索增强生成（RAG）辅导系统，面向本科商学教育，并计划嵌入Moodle使用。研究比较了多轮生成模型，发现部分较大模型未能通过课堂速度要求，而12B和7B模型通过了测试，作者仍保留8B作为生产模型。文章还报告了软件改进和预制练习题的设计，但未证明学习效果提升。
说明基于渐进式视觉规划的世界动作建模（ProWAM）
简介该论文提出 ProWAM，一种渐进式世界动作模型，用于机器人控制。它同时预测动作和一系列有序的稀疏视觉子目标，以视觉指引支撑任务执行，并通过单次视频主干前向传播缓存子目标特征，避免反复生成完整视频。论文报告其在 LIBERO-Plus、RoboTwin、RoboCasa365 等仿真基准以及零样本真实世界实验中取得较好结果。
说明MeshQuery：面向 UV 参数化的智能体接缝规划
简介该论文提出 MeshQuery，一种无需训练的智能体方法，用于生产级四边形网格的自动 UV 展开。视觉语言模型借助边选择工具和基于自然语言的领域知识规划接缝，并通过反馈循环迭代优化。在 Adobe Substance 3D 与 Toys4K 网格上，其生成的图块数和接缝长度均明显少于最强基线，专业美术人员在 80.9% 的比较中偏好其结果。
说明多保真策略梯度：稳定数据稀缺下的强化学习
简介本文针对强化学习中目标领域高质量数据稀缺、梯度估计噪声大导致训练不稳定的问题，提出用廉价但有偏的低保真数据（如简化模拟器）辅助训练。作者将多保真策略梯度框架扩展到近端策略优化（PPO），通过重新设计采样、优势估计和控制变量，并监控估计器不确定性以防止方差膨胀。实验显示，该方法在多数仿真机器人任务中优于仅用高保真数据的PPO，并能在真实Franka机械臂上以每次更新4个真实回合稳定学习。
看点将多保真控制变量从REINFORCE扩展到PPO并解决相关失效问题，有实质改进；仿真与真实机械臂实验较充分。
说明HXAI：分布式能源系统中的分层隐私保护可解释人工智能
简介该论文提出 HXAI 框架，用于在电网需求管理中兼顾隐私保护与可解释性。框架包含本地模型（在私有环境中生成细粒度解释，电器级用电数据不外传）和区域模型（聚合解释并通过隐私预算管理支持电网层面分析）。实验表明，该方法能为区域负荷管理提供有用信息，并认为在差分隐私下保留解释的语义结构比最小化数值误差更为关键。
说明复合AI系统可靠性：来自150起生产事故的故障分类与韧性模式目录
简介该论文分析了150份来自开源复合AI项目与匿名企业部署的生产事故报告，归纳出23种故障模式，分为检索、生成、工具、编排和集成五类。作者针对每类提出韧性模式，并通过受控故障注入实验衡量其效果。文中报告，熔断器可减少级联传播89%，输出质量闸门在用户受影响前拦截73%的静默质量下降，组件隔离可将影响范围缩小64%。
说明“我以为它会翻译好”：以医学缩写为例考察医护人员对机器翻译风险的认知
简介英国公共医疗机构的工作人员常用机器翻译（主要是谷歌翻译）与语言不通的患者沟通。本研究以医学缩写为例，选取法语和西班牙语的临床语料，用谷歌翻译处理后，对21名不同岗位和专科的医护人员进行半结构化访谈，并对结果做定性分析与交叉分析，以了解他们对相关风险的认识。
说明DeepStratNet：稀疏标注下用于地震层位追踪的上下文感知坐标回归框架
简介该论文针对三维地震解释中的自动层位追踪问题，把原本的稠密语义分割改为对每个横向位置直接回归目标层位时间或深度坐标的有界回归任务。方法包括一个可接入任意预训练视觉骨干网络的轻量回归头，以及用于建模切片间上下文的LSTM模块。实验在新西兰的地震数据体上进行，结果显示该方法在RMSE和PCC等指标上以及定性效果上均优于对应的分割模型，并且在训练标注更稀疏时更稳健。
说明一个 token 需要多少计算？基于混合智能体的逐 token 足够计算量测量
简介大语言模型对每个生成的 token 都投入相同的计算量，无论其难度如何。本文用由 15 个不同规模模型组成的混合智能体（MoA）框架测量每个 token 实际需要的计算量：以能正确复现参考 token 的最小模型的推理成本作为“足够计算量”。在 MATH-500 的 500 道题上，基于该映射的模型路由相比最佳置信度路由基线，预计延迟从 7.59 秒降至 5.12 秒，准确率略有提升。
说明将大语言模型作为智能体：代价几何？一套衡量智能体执行资源开销的理论框架
简介该论文提出“语言模型智能体机”（LAM）抽象，把有界上下文、持久记忆、工具、验证与重复执行等外围机制的计算资源纳入计量。作者给出通信、访问、重算与可靠性四类结论，并在GPT-6 Astra上做了受控与留出实验，检验通信与可靠性预测（包括检查点最优解与基于程序化检查的策略选择）。
说明阈值感知的共形路由：决定何时用代理模型代替高精度模拟
简介高精度模拟计算成本高，学习得到的代理模型更快但误差更大。本文提出阈值感知共形路由（TACR），当某输入的共形预测区间完全位于决策阈值一侧时使用代理模型，区间与阈值相交时才调用模拟器。该方法学习依赖输入的区间宽度，并在阈值附近使区间更紧，同时保持分布无关的边际覆盖率。文中报告在多个科学与工程数据集上，相比标准共形预测，模拟器调用次数减少14%至75%。
说明从检索到类型化决策：基于生物医学句子编码器的校准型系统一模型
简介该论文研究用于回答文本结构化问题的类型化决策模型，能一次前向计算输出概率。作者提出SBERT2S1方法，把面向检索训练的生物医学句子编码器改造为决策模型，并构建了生物医学类型化决策套件BIODECIDE和由NLM索引派生的243k条训练决策数据MEDLINE-S1。研究比较了不同检索训练与决策头设计在微调后的效果，并分析了各训练目标的表现与校准情况，同时公开了代码、标签和模型。
说明MEA：用于忠实模型解释的奖励驱动多智能体系统
简介论文提出 MEA 多智能体框架，让非专业人员也能获得机器学习模型的自然语言解释。其中一个智能体负责选择并配置解释工具，另一个智能体以忠实性为目标端到端优化，将结果转为基于模型行为的自然语言解释，覆盖表格、文本和视觉三种模态。作者还设计了多种问题类型和基于扰动的忠实性指标，结果显示 MEA 在六个数据集上优于基线方法。
说明热带强化学习：用最大值替代求和改进组合推理
简介该论文针对大语言模型的强化学习提出热带强化学习，把对替代解的概率求和改为取最大值，从而找到并复用最优已验证解路径。作者提出训练算法TROPIC，在Sokoban、Countdown、FrozenLake和WebShop四个智能体任务上，最多比最强的同策略基线高16个百分点，并认为改变强化学习的代数结构可以改善语言模型的组合推理能力。
说明APDMem：由智能体控制渐进式披露的查询自适应长期记忆
简介该论文提出APDMem，一种分层长期记忆架构，用于个性化大语言模型助手从长对话历史中检索稀疏证据。系统将对话分为主题摘要、关键事实、轮次级证据笔记和原始消息四个逐层细化的层级，控制器先读取高层摘要，仅在需要时深入细节。实验基于LongMemEval，结果显示该方法在访问约8%对话的情况下取得了较好的长上下文记忆推理性能。
说明Windfoil：面向实时与可微矢量图形的闭式覆盖率计算方法
简介本文提出 Windfoil，一种适合 GPU 运行的算法，将光栅化与可微矢量图形视为同一问题，通过闭式方法计算二次贝塞尔轮廓的盒式滤波绕数。作者在 WebGPU 中实现该方法，并将其用于实时二维渲染、印刷用高分辨率光栅化及可微渲染器。实验中，其渲染结果比 Skia 和 Slug 更接近参考覆盖率，性能与 Slug 相当；优化器相比 DiffVG 和贝塞尔 Splatting，重建质量相当或更好，单步成本更低。
说明SD-DPC：稀疏字典可微预测控制，一种可解释的非线性系统反馈控制方法
简介该论文提出SD-DPC框架，从数据中学习非线性系统的稀疏、可解释反馈策略。先用基于推演的稀疏非线性动力学辨识（SINDy）得到预测模型，再把策略表示为字典函数的稀疏组合，并通过该模型对有约束的有限时域预测控制目标求导进行训练。在三个基准控制问题上，该方法在所有测试场景中都满足约束，优于同一组项上的蒸馏策略，内存和在线计算量远低于优化基准。
说明LLM压缩的能力缩减规律：用于压缩方法选择的预测关系研究
简介论文研究大语言模型压缩（剪枝、量化、蒸馏）后能力损失与模型规模、压缩设置、数据等因素的关系，据此建立简单预测关系。结果显示，共享剪枝水平间的密度响应可将所需测量次数减半，且预测在新状态与不同剪枝方法下仍具较好精度。作者还评估了这些预测用于压缩方法选择的决策价值。
看点提出压缩能力损失的可预测关系并用于方法选择，新意在于跨剪枝、量化与蒸馏的统一框架；通过多模型与预注册测试验证，证据较充分，对该子领域有实际用途。
说明用于3D-IC热建模的可组合AI加速迭代求解器（DAIST）
简介该论文提出DAIST，一种可组合的热分析求解器，将整个封装仿真拆分为模块级子域问题，并用神经算子替代子域求解器，通过交换界面温度和热流进行迭代耦合。在多芯粒系统和先进封装系统上评估，相比传统FEM求解器最高加速178倍，平均温度误差分别为0.068%和0.323%，并展示了模块级模型在结构不同的封装组合间的复用。
说明CUE：为多轮基准测试校准的用户模拟器
简介该论文提出校准用户嵌入框架（CUE），用于让大语言模型在无需训练的情况下模拟真实用户。现有模拟器在风格上接近真人，但在智能体成功率和失败模式上与真实用户不一致。CUE 对真实会话进行编码、采样并解码为角色指令，在 τ²-Bench 上使模拟结果更贴近真实用户的整体成功率与失败模式，并可推广到其他任务与模拟器模型。
说明FinDialogLens：金融聊天室中多方对话的事件抽取，用于识别漏报交易
简介本文针对金融聊天室中多方对话的复杂性，提出 FinDialogLens 系统，用于自动找回漏报的报价请求（RFQ）交易。系统结合小型微调分类器与大语言模型，在 GPT-4o 上取得 92.1% 的最终价格与 94.3% 的交易结果准确率，优于整段聊天室的思维链提示方法。文中还提出难度感知路由器，在控制成本的同时将大模型调用减少 85%。
