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TokenEconomizer：基于经验、黑盒式的编程智能体成本控制方法
简介该论文指出，前沿编程智能体的 token 成本快速上升，且在连续的真实编程任务中会反复出现与环境相关的 token 消耗。作者提出 TokenEconomizer，一个外部控制器，通过决定注入哪些操作性微技能、剪除长期无关的工具，以及在无效失败循环中何时介入，来降低成本。在 Claude Code、Codex 和 GitHub Copilot CLI 上，平均 token 成本降低 18.4% 至 30.9%，任务成功率相当；在网页开发与安全审计等任务中也有 6.4% 至 21.2% 的节省。
说明通过多分类器验证视觉相似字符以提升OCR准确率
简介该论文针对OCR中'O'与'0'、'Z'与'2'、'S'与'5'等视觉易混淆字符的识别错误，提出字符验证模型CVM，用针对易混淆字符对训练的二分类器在OCR输出后进行字符级校正。CVM不依赖词典，适用于序列号、字母数字编码和车牌等非词汇数据。在Tesseract、EasyOCR、TrOCR三种引擎及十种字体上的实验显示，准确率提升3.95至14.81个百分点，视觉相似字符错误的纠正率为87.3%，误纠正率为2.3%。
说明虚假信息的“套路手册”：提升判断力而不滋生愤世嫉俗
简介该研究从214,646条、涵盖51种语言的事实核查声明中归纳出虚假信息的常见说服策略，并据此编写“套路手册”。实验显示，依据该手册提示，人工与语言模型对陌生声明的辨别能力有所提升，且不降低对真实声明的相信程度。但在所有声明的整体平均上，提升并不具统计显著性。
看点提出基于说服策略而非具体事实的防御思路，并用214,646条核查声明构建策略库；以语言模型与预注册实验验证，但总体效果不显著。
说明LEMON：基于注意力图的等变学习，用于对新大语言模型进行零样本异常行为监测
简介论文提出 LEMON，一种基于图神经网络的在线监测器，直接读取大语言模型的注意力图，逐个词元输出异常评分，并对不同模型间的对称性保持不变，因此无需重新标注即可迁移到新模型。在 16 个大语言模型和六个数据集上，LEMON 在幻觉与越狱监测任务中的零样本跨模型表现优于所有基线，最高领先最强基线约 14 个 ROC-AUC 点。
看点将几何深度学习的对称性思想用于跨模型注意力图监控，并在16个LLM、六个数据集上验证，较强基线提升显著。
说明CoLU：面向大语言模型的置信度加权分层遗忘方法
简介该论文提出CoLU方法，用于在不从头重训的情况下让大语言模型遗忘特定信息并保留其他知识。CoLU只更新单个选定的Transformer层，并结合置信度加权的遗忘与保留正则化。论文还提出Brief Layer Screening（BLS）以降低计算成本，据称可减少60.2%至79.7%的运行时间；在TOFU、MUSE等数据集上，作者报告其遗忘与保留表现优于多种对比方法。
说明HilbertGen-3D：基于希尔伯特-多重分形条件的拓扑感知三维生成
简介该论文提出 HilbertGen-3D，一种基于扩散模型的三维点云生成框架，通过希尔伯特-多重分形条件（HMC）引入全局结构信息。方法计算多尺度体素度量，用三维希尔伯特曲线序列化，并估计广义分形维数。在 ShapeNet 的 Chair、Airplane、Car 类别上，与 TopoDiT-3D 相比，1-NNA 与 50% 的绝对偏差最多降低 8.90 个百分点，覆盖率最多提高 5.88 个百分点。
说明ARBOR：通过推理状态追踪定位长思维链中的推理失败
简介大型推理模型通过长思维链解决复杂问题，但过度思考、思考不足和无依据的推导等失败模式常见。本文提出ARBOR框架，将每条推理轨迹表示为推理状态树，并把每个失败归因于某一步与其前序状态之间的关系。论文据此把三种失败模式细分为若干子类型，并报告：失败步骤之前的树状态能够将其与未发生失败的高风险步骤区分开来。
说明ChairNav：面向长距离轮椅导航的跨平台预训练与个性化方法
简介本文提出ChairNav框架，把通用视觉导航模型改造成个性化电动轮椅导航系统，分三阶段训练：先用跨平台大规模数据预训练，再用少量轮椅演示数据中期训练以消除领域差距，最后根据用户干预进行后训练。系统部署在配备RGB-D相机和NVIDIA Jetson的商用电动轮椅上。实验显示，预训练使横向ADE降低18%，后训练使用户干预平均间隔距离从29.2米提高到57.4米；在公里级城市人行道路线上，系统自主运行时间占总驾驶时间的93.4%。
说明拒绝与风险：大语言模型对自杀意念回应的机制研究
简介本文研究八个指令微调的大语言模型如何回应自杀意念与自伤披露，并在六个开源模型上进行机制分析。结果显示，基线情况下回应风险升高主要源于对披露内容的忽视以及拒绝回应。临床医生设计的应对协议能持续降低回应风险，同时减少拒绝行为。作者认为，模型应只在必要时拒绝，并在用户披露自杀意念时以互动上安全的方式回应。
看点该研究系统评估八个指令微调模型对自杀意念披露的回应，并结合六个开源模型的机制分析与消融实验，揭示拒答与风险之间的关系，新意中等偏上，证据较扎实，影响面主要在安全与心理健康领域。
说明首次通过注意力（First Passage Attention）：一种用路径极值而非累加来决定遗忘的注意力机制
简介该论文提出首次通过注意力（FPA），把带遗忘门的 softmax 注意力从沿键-查询路径累加衰减，改为依据可学习标量场在中间区间内的最深下凹来降低键的对数值。作者称 FPA 可将遗忘门机制（FoX）作为特例，并在合成实验中证明固定维度的 FPA 头可实现任意存活键集合。在 1.1 亿参数语言模型上，FPA 困惑度与 FoX 相当，并在八倍训练长度下实现完美的口令检索。
说明多项式图滤波器在长程伊辛模型基准上的谱极限
简介论文基于长程伊辛模型基准（LRIM），证明只依赖邻接矩阵多项式的读出方式存在无法通过提高阶数消除的误差下限。作者指出，要突破该下限，滤波器需要区分邻接矩阵合并的偏移量，并覆盖整个晶格上的耦合。文中给出的步长滤波器在测试误差上显著低于已发表的最佳网络，扩张卷积网络在部分规模上达到或超过已知最好结果。
说明归一化流映射：可精确求似然的少步生成模型
简介本文提出归一化流映射（NFM），这是一类可精确求逆的推前映射，推广了归一化流与流映射。它学习底层动力系统的积分器，并能高效精确地计算样本似然。作者通过点对点匹配与分布匹配两种一致性目标训练模型。在 CIFAR-10 和 ImageNet-64 条件图像生成中，NFM 在参数量匹配的归一化流中取得最优样本质量，并支持基于似然的 RLHF；在玻尔兹曼生成器的平衡采样任务上也优于既有归一化流方法。
说明GlobeBench：评估基于文本的世界模型能力，用于可扩展的环境模拟
简介本文提出GlobeBench，一个包含1632项任务、覆盖五个领域和十九种模拟技能的基准测试，用于比较和研究基于文本的世界模型模拟强化学习环境状态转换的能力。任务要求模型根据完整的智能体轨迹预测特定动作引发的环境响应，并采用确定性规则与语义评判相结合的混合方式进行评估。在20个模型中，GPT-6 Astra任务成功率最高，为49.57%；当动作影响范围扩大、需要传播到依赖对象时，平均成功率降至5.1%。
说明面向卡通电影社会与情绪理解的类脑多模态大模型研究
简介该论文比较了扩散式与自回归两类多模态大语言模型对三部短卡通电影的心理理论（ToM）和情感效价评分，并与人类连续评分进行时间对齐比较。研究还用各评分来源预测被试的脑区fMRI响应。结果显示模型能捕捉人类评分的时间变化，但分布存在系统性差异，且情感效价的一致性通常强于心理理论。
说明基于数据溯源聚合与结构描述符的查询模板识别
简介本文提出一种利用数据溯源（data provenance）识别查询模板的方法。作者通过聚合整个查询结果中元组级的Lineage与Why溯源信息，构建包含数据依赖、出现频率和结构特征的查询级画像，并进一步提出用少量数值特征概括这些画像的溯源结构描述符（PSD）。在由参数化TPC-DS模板生成的12,500个查询实例上的实验表明，仅凭溯源足迹即可识别查询模板，且历史数据越多准确率越高；PSD在训练历史有限时仍具有较高分类准确率，测试处理成本也较低。
说明NoveltyScope：用多智能体辅助评估科学论文创新性的研究原型
简介NoveltyScope 是一个原型系统，把论文与检索到的已有工作对比，生成结构化报告和五级创新性评分。系统在封闭的本地语料库中检索证据，并让四个评分角色依据证据打分。在 50 个类别均衡的 RINoBench 样本上，多智能体配置的平均绝对误差低于单一大模型配置，对 Gemini 和 Qwen3 两种模型都成立。
说明多智能体系统中涌现的歧视与极化
简介本文从理论上研究学习型智能体群体中歧视与极化如何自发产生。每个智能体通过自适应线性决策层把议题的语言模型嵌入映射为二元观点，并在两两互动中用在线贝叶斯规则更新决策权重与对他人的信任估计。作者还引入群体标签和偏见参数，借助统计力学序参量刻画群体状态，模拟显示出四种不同的集体状态。
说明从上方思考：利用鸟瞰视角视觉令牌实现高效空间推理
简介现有视频多模态大模型主要按时间组织视觉信息，难以支持具身空间推理。本文提出Cambrian-BEV，利用深度和相机位姿，把每帧视觉特征投影到共享的鸟瞰视角坐标系中并按空间格子平均，得到持久的空间表示。128帧约10万个视觉特征被压缩为27×27共729个BEV令牌，LLM预填充时间降低2.9倍，峰值内存降低3.6倍。在VSI-Bench上得分63.48，较对照模型提高8.5分，视觉令牌减少12.6倍。
说明修复、重试与事后经验的代价：形式化定理证明中的验证器反馈
简介该论文研究在Lean定理证明中，用编译器反馈引导模型修复失败证明的效果。作者在MiniF2F难题上对Qwen3.6-27B和DeepSeek-Prover-V2-7B进行单步对照实验，发现展示失败证明会降低成功率并增加复制，而加入对应的编译器错误可在Qwen上部分挽回损失。研究认为，验证器反馈能改善修复，但未能超过仅用指令重新采样的方案。
说明带机会约束的个性化大模型路由与在线偏好学习
简介本文研究个性化大模型路由问题：路由器需要在成本与能力各异的多个模型之间选择，并在用户偏好未知、需在部署中通过反馈学习的条件下，既降低累计推理成本，又保证实际回答质量的可靠性。作者将其建模为带约束的上下文赌博机问题，提出一种在成本与质量之间权衡并同时学习偏好的算法。在逻辑斯谛偏好模型和严格可行性条件下，论文给出了相对于最优平稳随机上下文基准的次线性期望成本遗憾，并给出实际累计满意度的高概率保证。该框架也可推广到其他对可靠性有要求的在线模型选择问题。
说明用ReLU神经网络以最优精度逼近光滑函数
简介本文研究全连接ReLU神经网络对赫尔德球（Hölder ball）中函数的一致逼近问题。作者针对所有s>0与D≥1给出构造：宽度为O(N)、深度为O(L)、参数量级为O(1)的网络，可达到(N²L²logN)^(-s/D)量级的一致逼近误差。利用目标函数局部泰勒系数的高阶有限差分界，作者提出了新的编码与解码机制。作为统计推论，相应截断网络类上的经验风险最小化器可达到极小极大回归速率n^(-2s/(2s+D))，且无额外对数因子。
看点针对所有s>0与D≥1关闭了ReLU网络逼近的效率差距，并以新编码解码机制给出最优界，理论证明完整，统计后果也很强。
说明分开探索，择优采纳：面向大型工具库的执行引导式工具使用
简介大语言模型智能体在任务执行中常需从数千个工具中找到合适工具，而多个候选工具可能都能满足同一需求，需要实际执行才能判断。论文提出BRIA（分支-检验-采纳）方法，把每个候选工具的调查放在独立分支中进行，任务智能体检验执行结果后只采纳有用的部分。在1897个工具的共享工具池上，BRIA在所有设置下都不低于最强检索基线，在MCP-Atlas上平均得分89.77，高于MCP-Zero的75.40。
说明面向长时程具身智能体的多模态文件系统记忆（MFM）
简介该论文提出 MFM 多模态文件系统记忆架构，把情景、空间、语义与程序性及工作记忆分开保存，并用可检索的文本记录关联到原始多模态片段。在 Minecraft 和计算机操作的长时程任务中，使用 GPT-6-Astra 时，MFM 在 Mine Diamond from Scratch 上完成任务，在 Ender Dragon 任务中达到 16/24 个里程碑（最佳基线为 12.7），在 CUABench-KiCad 上平均奖励为 0.440（最佳基线 0.400，无持久记忆 0.267）。
说明AlphaBet：用于大模型事件预测代理的强化学习
简介本文提出 AlphaBet，用强化学习训练单一大语言模型策略，使其在事件结果公布前的多个日期进行搜索、推理并给出概率预测。每个日期的预测都用适当评分规则与最终结果对照打分，使同一事件能监督不同信息状态下的决策。在 GLM-4.5-Air 上，Brier 分数在 Forecast-Dojo 上由 0.731 降至 0.626，在 FutureX 上由 0.612 降至 0.528。
说明封闭信用经济中的动态拍卖机制：空中交通管理中的时隙序贯再分配
简介本文针对容量缩减后已分配的不可分资源需要重新分配、但货币补偿往往不可行的问题，提出一种使用可重复使用人工信用的序贯资源再分配方案，并以机场时隙再分配为例进行了模拟。作者提出一种升序拍卖机制，并证明其在个体理性与中立性等方面的性质以及帕累托效率；模拟结果显示相较地面延误基线，总的建模延误与取消成本有所下降。
说明FlexUMM：面向统一多模态模型的灵活表示学习
简介统一多模态模型（UMM）可在同一骨干网络内同时完成理解与生成，但两种能力可能产生相互冲突的表示。论文提出FlexUMM框架，动态决定何时共享计算、何时调用专门化容量、何时停止继续处理。论文称，该方法通过减少功能间的有害竞争提升准确率，并通过在表示足够成熟后避免不必要计算提高效率；它还可作为与模型无关的功能插件应用于现有UMM。
说明EgoP²C：在单一视觉语言模型中内化“规划-感知-组合”的第一视角视频空间推理框架
简介本文针对第一视角视频中的复杂空间推理问题，提出EgoP²C框架，使单个视觉语言模型内部完成规划、感知和组合三个步骤，无需调用外部空间工具。方法先用双LoRA训练规划和感知两个教师模型，再通过多教师在线蒸馏训练混合专家学生模型。在三个空间推理基准上，基于Qwen3-VL-8B和SenseNova-SI-1.3-8B的学生模型平均分别比基础模型高出9.2和7.5个百分点，推理FLOPs降低约66%，相对双LoRA教师模型有1.29至1.49倍的加速。
说明谁的极化？网络极化指标的公平性审计
简介该论文审计了七类网络极化指标对少数群体是否公平，提出测量不变性和结构外生性两项标准，并引入网络加权距离（NWD）指标。研究发现没有任何指标能通过全部适用检验，少数群体系统性地被评为比同等规模的多数群体更极化。作者指出这一偏差来自多数群体结构对观点的影响以及结构变化对结构类指标计算的影响，并给出报告极化分数的实践建议。
看点提出公平性审计框架并引入NWD度量，通过合成与真实网络系统检验七类测度，揭示少数群体被系统高估极化的两条路径，证据较充分。
说明深度伪造人脸图像检测：模型比较与梯度可视化归因
简介本文比较了两种用于图像级深度伪造检测的深度学习方法：从零训练的紧凑卷积模型，以及经两阶段迁移学习微调的ImageNet预训练MobileNetV2。实验基于140,000张真假人脸图像的平衡数据集，预训练模型在所记录的验证集上准确率为95.90%，高于从零训练模型的84.15%。作者还用Grad-CAM可视化预测相关区域，并开发了原型界面，但结果为验证集指标而非独立测试集估计。
说明八卦智能体：在动态网络中通过意见动力学传播声誉
简介该论文研究多智能体学习中的合作问题，提出让智能体交换第三方信息（八卦）来传播声誉。智能体依据有限观察形成私有意见，并按DeGroot意见动力学与邻居交换，通信网络随互动和移动而变化，广播半径可调。作者在囚徒困境和Harvest两种社会困境中验证，发现声誉信息的传播范围影响合作；在Harvest中，声誉扩散提高了环境奖励并带来更和平、可持续的行为。
说明并非所有图都是地图：面向移动端GUI导航的任务无关探索框架
简介本文提出TAG-Nav框架，为现有移动端GUI智能体加入可复用的目的地记忆。系统在执行任务前进行离线探索，把应用功能、目标页面和路线整理成紧凑记录，再在任务到来时检索目的地并给出路线指引，无需任务专属示范。作者同时提出仅评估导航的DestBench基准，并报告图记忆可提升UI-TARS-1.5-7B与Qwen-VL-Max在该基准上的严格导航成功率。
说明MemoProAgent：迈向记忆驱动的主动式助手
简介本文研究助手从被动回答转向主动介入时，如何依据长期个人记忆判断是否以及何时发言。作者提出 MemoProBench 基准，包含第一人称视频与平均约 618K 词元的长期用户记忆，并同时评估内容与时机。实验显示现有基线表现很差（最高约 15%），而 MemoProAgent 在无训练情况下将严格准确率提升至约 37.5%–38%，经强化学习后达到 42.4%。
说明从相关记忆到充分证据：重新思考LLM智能体的记忆利用
简介论文指出，LLM智能体检索到相关记忆并不一定能提供回答问题所需的充分证据。作者提出QEMem框架，将记忆利用重新定义为构建针对特定查询的证据集合，包括跨粒度发现证据、结构化整理证据以及补充缺失信息三个机制。在LoCoMo基准上，该方法使用Claude Opus 4.5达到91.43%的LLM评判准确率，优于评估中最强的基线方法MemR³，并在跨会话证据整合问题上表现较好。
说明推理路径多样性很重要：用于增强强化学习探索的符号等价增广
简介本文研究监督微调数据中思维链推理步骤的多样性，是否会影响后续可验证奖励强化学习（RLVR）的效果。作者提出EquivAug数据增广框架，利用符号等价变换生成在推理步骤上不同、且可证明正确的推理路径。在GSM8K和FOLIO数据集、多种模型规模上的实验显示，该方法在SFT后推理路径多样性最高，经GRPO训练后准确率最好，文章认为SFT阶段的思维链多样性与下游RLVR表现呈正相关。
说明人机交互中的编辑发现：如何挑选值得昂贵复核的对话
简介本文研究如何从人机交互数据中找出需要修正的模型回答。作者设定了一个能检查并修改回答的“编辑者”（可以是人类专家或更强的AI），但其调用成本高昂，因此需要先决定把哪些交互送去复核。论文提出了编辑发现优化问题（EDO），并设计了在线算法EDIT，在预算约束下平衡漏检与误检。作者在四个推理与事实问答基准上报告，EDIT在编辑者成本与两类错误之间的权衡优于直接用大模型批量选择的方法。
说明《次手压力：研究生申请社区中的压力性披露如何影响心理社会福祉》：考察在线研究生申请社区中接触他人压力披露对用户心理社会状态的影响。
简介本文基于压力交叉理论，分析了两个 Reddit 研究生申请社区三个申请周期中的 171,981 条帖子和 1,130,413 条评论。研究采用倾向得分分层与基线调整比较的方法。结果显示，在申请准备期间接触过压力披露的用户，其分类器估计的焦虑、抑郁和压力表达水平更高，评论活跃度与词汇冗余也更高；但与曾接触者互动的下游用户未发现显著的心理社会关联。
说明线性探针能否证明表征是线性的？这篇论文质疑用线性分类器判断视觉模型是否线性编码了生成因子的做法。
简介论文指出，线性探针准确率高并不足以说明预训练视觉模型以线性方向编码生成因子，因为足够丰富的特征映射（甚至随机映射）都允许线性读出。作者提出反向可预测性、谱集中度和分布外泛化三项诊断，在可观测的仿真中验证，并应用于六个预训练视觉Transformer及若干数据集。结果显示预训练产生的结构超出随机核，但远未达到真正的线性世界模型。
说明基于解剖结构感知的分阶段流程，用于CT与MR血管造影中按血管区分的颅内动脉瘤分割
简介该论文针对TopAneu 2026挑战赛，要求在CT和MR血管造影中对颅内动脉瘤进行体素级分割，并将其归入五十多个血管类别之一。作者采用六阶段解剖结构感知流程，包括模态分类、血管分割、候选区域定位、病灶分割、实例化和位置分类。论文还报告了各阶段性能及消融实验结果。
说明面向消费银行搜索的双语证据门控检索增强生成框架
简介本文提出一种在本地基础设施上运行的双语检索增强生成（RAG）框架，用于消费银行网站搜索，可处理用户的自然语言描述。框架融合网页内容整理、混合检索、意图感知证据选择、交叉编码器重排序，并以“回答 / 相关但不匹配 / 无答案”三种结果做决策。在210条带URL标注的阿拉伯语和英语查询上，Top-1命中率由50.48%提升至79.05%。作者同时指出结果仍属初步，检索查询为少量参考集的改写，端到端测试规模较小且采用自动评判。
说明切换优化器的短暂代价：LLM训练各阶段之间更换优化器的影响
简介该论文研究了预训练与后续训练阶段之间切换优化器（AdamW与Muon）是否会带来性能损失。作者从头预训练1.2B参数的Llama-3模型，并在持续预训练和监督微调中混合两种优化器的更新比例。结果显示，两者不匹配的惩罚并不明显，最终性能主要由预训练和后训练各自的优化器决定；在监督微调中提高Muon更新比例通常会改善下游表现。
说明LGGS：基于引导群稀疏的纵向MRI重建方法
简介本文提出纵向引导群稀疏（LGGS）方法，用于加速MRI图像重建。该方法利用同一患者的既往扫描作为先验信息，通过学习到的相位不变循环注意力在不同检查间匹配对应特征，并将其纳入重建正则项。实验在纵向T1加权多线圈脑部MRI数据上进行，结果显示其在各加速倍率下优于所评估的无引导及纵向信息重建方法，且所需学习参数显著更少。
说明SAFETYEDIT：面向大模型越狱后门的稀疏内部目标与全提示控制
简介该论文研究模型编辑式后门，即在特定触发条件下诱导有害回答，同时在无触发输入上保持正常行为。作者提出SAFETYEDIT方法，优化单个与拒绝相关的MLP坐标，并利用早期注意力层的KV缓存标记将前缀触发信号传播到后续指令位置。在四个开源大模型和三组数据上，该方法在多数对比中取得最高的触发后Guard攻击成功率和StrongREJECT分数，并报告未触发行为与通用能力的变化总体较小。
说明基于跨语言“同形异义”模式与文本属性的概念嵌入归纳学习
简介本文提出一种归纳式框架，用于学习概念嵌入。该方法结合完整与部分的跨语言同形异义网络结构，以及简短概念描述中的语义信息，使模型能够根据简短定义为训练数据中未出现过的概念生成嵌入。结果显示，所得概念嵌入与多种跨语言相似度或相关性指标相关，并能较好地推广到新概念。
说明按需生成困难实例：用优化方法为算法实验搜索最难的测试用例
简介该论文指出，算法实验的结论依赖于测试实例，而随机生成的实例往往会误导评价结果。作者把实例生成视为优化问题，以求解器运行时间为目标，用 Nevergrad 黑盒优化器搜索困难实例。在可满足性、旅行商、哈密顿回路和非置换流水车间调度四个 NP 难问题上，搜索得到的实例在预算相同的随机抽样中均表现更难。
看点将实例生成视为黑盒优化问题，用运行时间作目标搜索困难实例，新意明确；在四类NP难问题上与随机抽样、标准基准对比，证据较充分。
说明通过因果鲁棒性衡量大语言模型的机制性不确定性
简介本文提出“机制性不确定性”概念，用模型内部机制支撑回答的稳定程度来刻画不确定性。作者定义了“因果鲁棒性裕度”，即使模型输出偏离所需的最小内部干预量，并借助 Jacobian Lens 概念引导向量加以实现。在三个开源模型和五个问答数据集上，错误或不确定的回答裕度较小，说明其对内部干预更敏感；该指标也能补充传统的基于输出的不确定性方法。
说明用于评估ICU脓毒症预测中插补策略的警报名单一致性
简介该论文提出“警报名单一致性”指标，用两套预处理流程所标记的高风险患者名单的Jaccard相似度，衡量它们是否识别出同一批患者。在PhysioNet/CinC 2019数据集（40,336名患者，71.9%缺失）上比较了九种插补策略和一个原生缺失基线。结果显示，多数总体AUROC无显著差异的方法，其警报名单重叠度仅为0.518至0.750，而ForwardFill的重叠度最低。
说明ToMStories：用合成叙事检验模型的心理理论能力
简介该论文提出 ToMStories 数据集，包含约 6000 篇由合成方式生成的短篇叙事，每篇配一道关于角色情绪、恐惧、动机或情感创伤的选择题或开放式问题。心理状态以隐含、显性或对话与描述相冲突的方式呈现。研究评估了 13 个参数规模为 10 亿至 720 亿的开源模型，发现最大模型在选择题上与人类持平，但在开放式问题上不及人类。作者认为合成数据有助于理解模型的解读方式，但可能高估了模型理解真人的能力。
说明合理的解释足以误导多模态评判模型
简介多模态大模型越来越多地在训练和评估中充当评判者，常需同时评估答案和解释。本文提出 JUPE 基准，固定答案而改变解释，测试了 14 个多模态评判模型。结果显示，听起来合理的普通解释会误导评判，平均效果与刻意的说服性论述相当；普通理由和思维链解释分别使对错误答案的拒绝率下降 12.7 和 13.8 个百分点。作者将这种现象称为“合理性捕获”。
说明基于稀疏固定传感器的全网高速公路车速估计与预测模型选择
简介本文比较了在仅有少量固定检测器的高速公路网络中，估计所有路段当前及下一小时车速的多种方法，训练数据来自历史探测数据。研究以达拉斯—沃斯堡高速公路网络为例，共4127条有向路段，其中643条装有检测器。作者在统一协议下评估了五大类共18种方法，其中图神经网络能将无检测器路段的当前小时误差相对历史平均值降低约17%；加入插值特征后，各神经网络结构的表现差异缩小至约0.1英里/小时以内。
说明外层 Nesterov 动量在随机伪梯度上的稳定性研究
简介论文研究多机训练大型神经网络时，外层 Nesterov 动量、本地优化步数与多机平均如何影响训练稳定性。作者对随机二次函数推导出任意维度下精确的均方稳定性判据，并指出内层批大小决定增加本地步数最终是稳定还是破坏外层迭代。论文还显示多机平均可使更大的外层动量可用，但所需机器数可能随本地步数指数增长，并通过实验验证了理论结论。
说明用于二值与三值AI模型边缘训练的噪声整形采样与退火方法
简介本文指出二值和三值神经网络的训练损失可写成离散权重上的多线性多项式，与高阶伊辛模型的能量在结构上等价，因此可用伊辛求解器来训练离散权重网络。作者提出ΣΔ-Sampler优化器，把随机采样与退火步骤作为噪声量化器嵌入一阶ΣΔ噪声整形回路中，将量化、高阶相互作用与小批量采样带来的噪声推离低频适应频带。论文在多项任务上验证了该方法，并报告相比标准量化感知训练可减少超过50%的训练内存占用，适用于设备端训练。
说明轨迹引导的干预方法：减轻临床分类中的伪特征偏差
简介大语言模型在临床分类中会依赖伪特征：在临床笔记中仅替换一个性别词，就可能使与性别无关的诊断在多达53.5%的病例中发生改变。本文提出轨迹引导干预（TGS），仅根据模型偏好在各层间的变化轨迹，判断是否需要修正每篇文档的预测及修正方向，无需反事实数据，也无需知道伪特征。在i2b2的16项临床分类任务上，TGS修正了17.7%的错误，仅破坏了1.3%的正确预测；性别替换后的不一致性也明显下降。
说明不确定性何时能衡量 RAG 的幻觉风险？
简介该论文研究检索增强生成（RAG）中的模型不确定性能否反映幻觉风险。作者在 HotpotQA 和 SQuAD 上测试了四个指令微调模型，发现只有检索到的证据足以约束答案时，不确定性指标才有参考意义。结合不确定性与语义漂移的分数能改善校准效果。
说明线索依赖对齐：按视觉语言模型所信任的线索对其排序
简介本文针对视觉语言模型（VLM）的选择问题提出Shift-Reliance Alignment（SRA）方法。作者通过编辑源图像使场景线索误导答案，衡量模型对线索的依赖程度，并结合目标域的误导比例来预测最适合目标域的模型，无需在目标域上运行所有候选模型。实验显示，在部分目标数据集上SRA降低了所选模型的错误率，但在COCO上未达到预期，并发布了用于测试的CueDial基准。
看点提出以线索依赖与分布偏移组合选择视觉语言模型的新评分方法，并在多数据集和预注册测试中验证，但在COCO上未如预期。
说明ProactGen：学习面向视频生成的主动澄清
简介该论文提出ProactGen框架，训练视觉语言模型基于初始提示和视频草稿主动提出问题，以获取用户未明确表达的意图。模型通过强化学习优化提问，奖励来自最终生成视频与目标参考的一致性。实验显示其目标一致性提升幅度至少为最强基线的1.8倍，且单轮澄清即超过基线四轮优化的效果，耗时约为后者的29%。
说明三种激光雷达、二十五个数据集：树种识别中的跨数据源泛化
简介FOR-species20K 是目前最大的公开树种分类激光雷达基准，汇集了 25 个独立采集的地面、移动和机载激光扫描数据集，涵盖 33 个树种。论文提出一种多分辨率、多视角的 ConvNeXtV2 模型，将官方隐藏测试集准确率从 79.5% 提高到 85.0%。作者进一步指出，该分数在数据源分离的条件下明显下降，说明它更多反映的是同分布下的表现，而非对未见数据源的泛化能力。
说明超越明确意图：通过人机共创发现并塑造艺术意图
简介该论文提出一种人机共创范式，认为艺术家的创作意图往往模糊或潜在，难以仅靠文字提示预先表达。方法是扩大模型探索范围，让艺术家通过观察、比较和选择发现自身偏好，再将其策展判断融入强化学习，对被认可的生成方向给予更强的强化，使模型逐步适应个人审美。作者通过三项用户研究检验潜在偏好发现、个性化偏好对齐以及模糊创作意图的外化。
说明单例稀有性很重要：基于脆弱性感知的未见物种估计
简介该论文针对有限样本下估计缺失质量与未见物种数量的问题，指出依赖单例（只出现一次的观测）的经典估计器在小样本时波动大、不够可靠。作者提出脆弱性感知框架，用熵-KL优化按脆弱程度对基础估计做自适应正则化，并在合成分布与真实语言语料的360个实验配置中进行检验，结果在稳定场景下保持竞争力，在碎片化、长尾和小样本场景下提高了准确性与稳定性。
说明可计算性的边界：迈向忙碌海狸前沿上的自主AI发现
简介本文提出一个基于Gemini的智能体流程，用于在不可计算的忙碌海狸（Busy Beaver）领域中自动发现图灵机的加速规则。该系统结合模式识别、自动猜想、非形式数学推理以及Lean中的形式化定理证明。系统自主发现并形式化验证了BB(6)中11台机器的新型类Collatz加速规则，这些机器被暂定为“Cryptid”。
说明《Stuck on Shuffle》：视觉-语言模型中的属性-物体绑定问题
简介该论文关注多模态检索中的属性-物体绑定，即模型能否正确对应“哪个属性属于哪个物体”。作者提出了SABER基准，覆盖四种图文模态组合，最多含十个物体，结果显示CLIP类双编码器和基于MLLM的嵌入模型都存在明显的绑定错误。作者随后仅用合成的属性绑定文本微调一个MLLM嵌入模型，效果可迁移到跨模态和图像-图像检索，并在SABER上取得了论文报告的最佳结果。
说明大语言模型能预测机器学习实验的结果吗？
简介本文研究前沿大语言模型能否在实际训练前，准确预测它们自己提出的机器学习实验想法的效果。研究团队基于8个MLE-bench任务构建了288个想法的数据集，让5个前沿模型预测效果并与训练后的实际结果对比。结果显示，模型预测明显优于随机，但仍不够准确，最佳模型仅解释约一半的结果方差（R²=0.49），且普遍低估变化幅度。
说明用于组合式机器人控制的运动风格弱监督发现
简介论文提出CODES框架，用于组合式机器人控制：先将多段动作记录重定向到目标机器人，再通过弱监督一致性编码和基于密度的聚类，在无需预设数量的情况下发现运动风格库。随后用强化学习训练策略，把所发现的风格与独立的任务指令组合起来。在Unitree Go2四足机器人的两个仿真器和实体硬件上，相比基线方法运动学一致性有所提升。
说明用逐层探针熵诊断图神经网络的失效模式
简介该论文提出一种事后诊断方法：冻结已训练的图神经网络，为每一层单独拟合线性探针，并同时追踪探针准确率与归一化预测熵。在真实和合成图数据上，逐层探针熵能够区分有益、中性和有害的平滑效应。通过比较浅层与深层模型，作者指出熵下降的起始位置可区分两类主要失效模式：异配性下的结构失配，以及传播深度增加后出现的过度平滑。
说明模型比你更清楚：防御医疗多智能体系统的提示注入攻击
简介论文研究医疗多智能体系统中的提示注入攻击，即攻击者在输入中加入一段文字以诱导模型做出错误判断。研究显示，单段注入文字在部分情况下成功率最高达61%，协作并不能稳定地防御这类攻击。作者提出一种无需训练的防御方法：把患者的临床发现与诊断、建议等判断分开，仅依据发现来核查每项判断，并在MedQA上将攻击成功率降至4%至7%。
说明损失平坦，特征在演化：模运算加法中的“顿悟”现象
简介本文以模加法这一“顿悟”（grokking）标准测试任务为对象，研究神经网络在训练交叉熵接近平坦且保持正值时，能否继续学习。实验与理论表明，训练准确率保持100%的同时，隐藏特征持续变化，留出集准确率可从零升至90%以上。作者在单隐藏层网络上给出了有限窗口的理论证明，并在深层网络和Transformer上做了实验验证。
看点证明了在训练交叉熵近乎平坦时网络仍可学习特征，并给出有限窗口定理与多组实验支持，对grokking理解有新意。
说明SAG2：基于 BM25 与 JEV、无需嵌入的多跳检索
简介该论文提出 SAG2，一种无需向量嵌入的多跳检索架构，基于单个 SQLite 数据库、BM25 和 JEV 的上下文证据判断。系统在查询时依据已选段落逐步检索后续证据，省去离线嵌入计算和基于大模型的实体抽取。在 MuSiQue、2WikiMultiHopQA 和 HotpotQA 的 1000 题子集上，SAG2 的 Recall@10 最高，分别为 86.62%、97.43% 和 99.00%。
说明通过理据正则化缓解解释与人类判断一致性中的群体差异
简介本文研究仇恨言论检测中的解释公平性：分类性能高并不意味着模型对不同人口群体给出同样合理的解释。作者提出Plausibility-EFG指标，用模型生成的词元归因与人工标注理据比较，衡量各群体间解释合理性的最大差距，并比较了BERT、RoBERTa和对抗训练的ADV-RoBERTa。结果显示ADV-RoBERTa在提升分类表现和解释一致性的同时，减少了群体间的解释差异。
说明联邦车联网中依据运行症状启动效应移除
简介该论文针对车联网联邦学习中的问题：有缺陷的车辆贡献往往只以道路驾驶中的延迟症状显现，而无法指明具体车辆或训练轮次。作者提出 AT-ONE 方法，将遗忘过程纳入联邦聚合规则，利用近期全局更新方向估计曲率，在一次反向传播中为所有贡献打分，并通过两级修正抑制或消除被怀疑的影响。实验在三个驾驶数据集上进行，在九组设置中的八组中，残余危害比最强基线减少43%至61%，效用与完全重训练相差不超过0.36分。
说明基于harness的联邦式多智能体自进化框架（说明：该论文提出让分布式智能体共享经验并自动演化各自的执行框架）
简介论文提出Federation over Harness（FoH）框架，用于分布式大语言模型智能体之间的经验共享。框架由服务器端智能体自动演化客户端的任务求解与自我反思框架，同时演化自身用于汇总反思、维护共享知识并更新客户端框架的机制。FoH在演化过程中不需要真值标签或验证数据，仅从分布式智能体生成的自我反思中学习。文中报告，在多个基准测试中，FoH相比固定框架的单智能体基线和框架自演化方法分别提升53.57%和29.76%。
说明面向自发语音的抗噪强制对齐方法
简介本文指出现有强制对齐工具在自发、嘈杂的真实语音上表现下降，填充词、笑声和不流畅现象会干扰词边界。作者改用WavLM特征、为填充词和非词汇声音设置专门音素单元，并通过判别式投影提升抗噪能力，且无需人工或外部边界标注即可自举训练。在两个数据集上，其词边界平均绝对误差低于十种基线中的最优者，严重错位的情况也比Montreal Forced Aligner少。
说明具身分类器引导：无需示范即可将冻结的VLA迁移到不同机器人动力学
简介论文针对基于流的策略模型π0（pi0）在新机器人本体上迁移困难的问题，训练一个轻量级具身分类器，用少量校准任务区分源本体与目标本体上的成功动作片段。在去噪每一步用该分类器的梯度引导π0，无需额外示范或参数更新。在LIBERO仿真基准的四种修改控制器上，目标本体平均成功率从72%提升到80%，失败率相对下降31%。
说明面向结构的空间核函数用于高斯过程分布式端口哈密顿系统
简介该论文提出一种结构感知的核函数设计，用于高斯过程分布式端口哈密顿系统建模。方法去除无关的状态坐标，并通过张量积协方差将状态依赖与空间依赖解耦。在非线性弦的数值实验中，结构解耦稳定提升了重建精度，与剖面匹配的空间核函数则带来更大的力场与轨迹重建增益。
说明将视觉脑编码模型与个体感知相似性判断对齐
简介这项研究探讨能否微调视觉脑编码模型，使其内部表征更接近个体的相似性判断。研究使用自然场景数据集（NSD）中8名被试对100张图像的相似性判断，为每位被试个性化调整通用的相似性模型（DreamSim）。结果显示，个性化感知相似性信息微调后的模型与人类判断最为一致，并能反映被试之间的相关性。
说明用确定性诊断修复大语言模型生成的形式化规约
简介大语言模型常被用来把自然语言推理问题转写为形式化规约，再交由符号求解器求解。作者指出，这类规约常能运行却语义错误，而纯大模型自检会引入新错误。论文提出DRAGO框架，用确定性、针对形式化体系的诊断替代大模型评判，并仅在错误权重严格下降时接受改写。
说明视角主义模型能较好预测哪些标注者？标注一致性、稀疏性与性能
简介本文研究视角主义自然语言处理模型对不同标注者的预测效果。研究者整理了目前规模最大、带有序数标注的视角主义数据集，评估了多类算法，并分析标注者的独特性与算法性能之间的关系。总体来看，模型对与他人观点较一致的标注者预测更好，而标注回复率与性能之间没有统计上显著的正相关。
说明视频与脑电图深度学习自动检测大鼠癫痫发作及严重程度分级的大规模实证研究
简介本研究利用同步视频与脑电图记录，在索曼诱发癫痫模型中的20只大鼠上，构建了24,131个配对片段的数据集，系统评估了多种视频与单通道脑电模型的发作检测与行为严重程度分级能力。在按会话划分的评估中，检测宏F1分数可达0.968至0.974，五类分级约为0.56至0.66；按个体划分后，五类分级性能明显下降。
说明离线策略分位数认证中的覆盖悬崖：判断日志数据能否可靠地认证策略的尾部分位数
简介该研究探讨在上下文赌博机的离线日志数据中，能否为从同一样本中选出的策略认证上尾分位数。作者提出基于 PAC-Bayes Bernstein 的置信包络与 TailCert 程序，给出分位数的上置信界或“不确定”结论，并给出有限类的匹配认证边界。模拟实验验证了搜索复杂度变化、重复使用时的赢家诅咒问题以及样本拆分带来的功效损失。
说明度量空间回归与分类中精度与稳定性的确定性界
简介论文提出一个几何框架，用依赖数据的平均核大小量化输入与目标之间的模糊性，无需依赖具体模型。框架给出有限数据集上可达到的最佳经验误差和精度的可计算、确定性、非渐近界，适用于伪度量输入空间和度量目标空间的回归与分类。实验覆盖表格回归、图像回归与分类数据集。
说明微观定位：利用显微地面纹理实现移动机器人高精度定位
简介该论文通过显微光学观察自然地面纹理，实现了微米量级（几十微米）的全局定位。作者将光学放大倍率与图像定位不确定性关联到物理定位精度，并开发了基于显微镜的定位系统。在精密龙门架上对多种表面纹理测试，平移均方根误差为28至73微米；论文还在低成本移动机器人上进行了演示，并展示了系统能分辨热膨胀引起的微米级位移。
看点利用显微镜拍摄自然地面纹理实现微米级定位，并建立放大倍率与定位精度的关系，新意明显；在精密龙门架上以千余次查询验证，证据较充分。
说明FRACTAL：具有形式化通信、收敛与深度界限的自相似多智能体编排架构
简介本文提出 FRACTAL，一种用于递归目标分解的自相似多智能体架构，同一套五组件组织模式在分解树的每一层重复出现。论文给出四项形式化贡献，包括在两阶段协议下的通信成本界限、收敛保证与深度界限，以及跨层升级机制。作者未报告定量性能结果，仅以定性示例说明执行过程，并讨论模型的局限。
说明计划变化时记下来：基于重规划信号的视觉记忆方法（面向视觉-语言-动作模型）
简介该论文针对需要长时程、多阶段操作的视觉-语言-动作（VLA）策略，提出RePlanMem-VLA，用策略自身的计划修订作为在线写入记忆的信号。方法把相邻动作块对同一未来动作的预测差异异常大的时刻视为任务相关事件，并用有界视觉记忆保存关键帧，同时过滤冗余画面。作者在仿真任务和真实机器人回放数据上验证了该方法，报告检测器ROC-AUC为0.981至0.997，且在记忆保留实验中于100%的回合保留了任务相关观察。
说明生成式AI如何产生并传播“颜值偏见”
简介本文审计了2022至2026年间发布的27款文生图模型，使用不提及颜值的简单提示词生成了51,300张人脸，并与160,196张真实人物照片比较。结果显示，多数模型生成的人脸在自动指标和人工评分中都被判为比真实照片更具吸引力，且深色肤色群体的吸引力评分普遍较低。一项预注册的招聘模拟实验（N=570）表明，接触经AI挑选的高颜值人脸后，对真实候选人的可雇用性和可信度评分下降。
看点系统审计27个文生图模型并结合550名人工评分与预注册实验，证明生成人脸会影响真人招聘评价，但方法本身是审计框架而非新算法。
说明CFC26：面向声呐鱼类计数实际部署的评估基准
简介本文提出新数据集 CFC26 及改进的评估协议，用于检验声呐视频自动鱼类计数系统在已知与未知河流上的表现。数据集由 CFC22 扩充而来，涵盖从阿拉斯加到北加州九条太平洋鲑鱼河流系统中的十一个部署地点。作者还提出两个新计数指标 nMNE 与 nMANE，并借此发现上游与下游计数之间存在此前未被察觉的方向性偏差。数据集与代码已公开。
说明文化（不）胜任：探究大型语言模型识别特定文化刻板印象的能力
简介该论文系统考察了大型语言模型在识别特定文化背景刻板印象方面的效果，比较了提示语言、指令微调语言和微调数据规模三个因素。实验涵盖美国、荷兰和中国三种文化背景。结果显示，模型并不能可靠地考虑文化语境，且倾向于过度判定刻板印象的存在；非英语提示有助于改善预测效果，额外指令微调可降低误报率，训练数据规模对检测效果的影响并非单调。
说明SPOT：通过提交顺序预测加速扩散语言模型的推测解码
简介该论文针对扩散语言模型（DLM）难以兼顾速度与质量的问题，提出一个仅0.62M参数的SPOT模型，利用目标模型的输出分布预测填充位置顺序，并生成候选续写树，由目标模型一次前向验证。作者还提出用于动态阈值解码的SPOT-Sets，并报告在SDAR-8B上最高可减少6.8倍目标前向次数、吞吐量最高达3.4倍。
看点提出预测提交顺序的推测解码方法，在多个扩散语言模型上验证加速并保持无损，有较强的新意与实验支撑，对子领域影响较大。
说明HeRE：利用大语言模型对知识图谱对齐进行去噪、构建希伯来语关系抽取基准的新方法
简介该论文指出，大语言模型在英语关系抽取上表现良好，但缺乏标准基准，难以评估其在低资源语言中的表现。作者提出一种与语言无关的方法，通过自然语言推理任务对知识库与文本的噪声对齐进行去噪，并比较了五种策略。基于该流程，作者发布了HeRE，一个包含150万条实例的希伯来语关系抽取银标准数据集。
说明不再重训，而是重组：用混合超网络让网页智能体适应新界面
简介论文提出 WebMix，一种混合超网络方法，让网页智能体无需对目标界面做梯度更新即可适应新界面。系统先训练一组源界面的低秩适配器，部署时由侦察智能体探索目标界面并生成简要说明，再由路由器据此组合已有适配器。在 TimeWarp 与 WebArena-Lite-v2 上的实验显示，其表现与上下文学习和 LoRA 基线相当或更好，在 TimeWarp 领域迁移上平均高出最佳基线约 8 个百分点。
说明大型推理模型是否擅长日常推理？与非推理模型在逻辑推理任务上的比较
简介该论文构建了一个基于语言与语用推理现象的基准，系统评估推理模型与日常推理模式的契合程度，并在受控提示条件下与非推理模型进行比较。研究发现，当日常推理偏离形式逻辑规则时，推理模型表现下降；部分带思维链提示的非推理模型在日常推理上优于同类推理模型；额外指令对推理行为的控制作用有限。作者认为当前推理模型并不能可靠地捕捉日常推理，并指出后训练存在局限。
说明FlashControl：基于便于蒸馏的单流教师模型的一步式可控生成器
简介该论文针对扩散模型生成慢、可控生成难以蒸馏的问题，不再为可控生成增加额外分支，而是微调原文生图扩散模型中选定的部分层，得到单流多步模型DeltaControl，其性能可与双分支方法相当。在此基础上进行步数蒸馏，得到只需一次前向计算即可完成空间条件可控生成的FlashControl模型。
说明Pearl-Chat：基于JAX与Flax NNX从零构建的卢干达语语言模型
简介本文介绍Pearl-Chat，一个约850万参数的因果解码器Transformer模型，专为东非低资源班图语卢干达语设计。作者用JAX和Flax NNX从底层实现模型，并训练了专用的8192词表字节级BPE分词器，其每词词元数为1.60，明显优于LLaMA-3与Gemma。模型经预训练与指令微调两阶段训练，并在保留测试集上取得较高的ROUGE-L与BLEU分数；模型权重、分词器与代码均已开源。
说明字面锁定：测试语言如何影响孟加拉语习语中判别模型的字面偏向
简介该论文研究无需生成文本、只为给定选项输出概率的判别模型，在孟加拉语习语上是否会偏向字面解释。实验发现，把习语自身的字面释义加入选项后，模型大多转向该选项，占各模型剩余孟加拉语错误的65%至96%。同一批题目下，孟加拉语的偏向程度是英语的1.9至6.4倍。
说明基于上下文感知与 QLoRA 微调 NileChat-3B 的英译阿拉伯方言对话翻译（AlexandriaX-2026 子任务 1）
简介该论文介绍了 alkhder 团队参加 AlexandriaX-2026 共享任务子任务 1 的系统，目标是把英文对话逐轮翻译成十三种阿拉伯方言。团队用 QLoRA 在 Alexandria 平行对话语料上微调 NileChat-3B-Base，所有方言共用一组适配器权重，翻译时还参考目标国家与方言、领域、角色、性别方向及前文上下文。在受限赛道下，系统约一小时完成训练，国家宏平均 spBLEU 为 20.36，chrF++ 为 36.64。
说明学习冷冻电镜逆问题的共享潜在结构
简介该论文提出以自蒸馏方法学习冷冻电镜二维粒子图像的通用表征，服务于姿态估计、构象异质性分析与三维重建等逆问题。作者推出EMber系列视觉Transformer，基于超过5000万张实验粒子图像及26.8万个分子组装体的模拟投影进行预训练。原文称其在构象和组成区分任务上分别提升14.85和14.26个百分点，并能用线性探针估计构象群体比例。
说明通过运动学插值器学习平滑动力学（论文）
简介本文提出运动学插值器（Kinematic Interpolants，KI），一种在相空间中同时利用位置和速度观测来推断非线性动力学的新框架，扩展了随机插值器方法。作者称，在多个科学数据集上，KI 对底层动力学的重建优于现有基线方法，而训练时间只需其一小部分。
说明学习用户表征以提升模拟保真度
简介该论文指出用户模拟器难以复现真实用户的多样行为，进而影响AI助手的泛化能力。作者提出用自然语言描述的用户表征作为条件，并设计对话重建任务，通过比较原始与模拟对话的用户行为来评估表征质量。论文还提出后见蒸馏方法，将反馈驱动的改进蒸馏进表征生成器，并训练出UserRepGen-4B。在七个数据集的700段对话上，其生成的表征比GPT-5.5生成的表征实现了更保真的模拟。
说明考虑策略性买家的来源感知动态定价
简介论文提出一种来源感知的情境动态定价框架，区分经核验的特征与买家自报、可能被操纵的特征。方法名为SALE，利用核验特征定位价格探索，并结合两类特征在利用阶段修正策略性操纵。作者在高维半参数设定下给出一致的稀疏估计与次线性期望遗憾界，并通过模拟与真实数据实验验证其表现。
看点提出基于特征来源区分可操纵性的动态定价框架，并给出高维半参数设定下的遗憾界与估计保证，证据较扎实，影响面主要限于定价子领域。
说明ImageEval 2026 共享任务 alkhder 参赛论文：面向多模态幻觉检测的约束选择与旋转平均对数打分方法
简介本文介绍作者提交给 ImageEval 2026 子任务 1b 的方案。该任务要求从与图像配对的三条候选陈述中选出唯一视觉上正确的一条，包含英语和现代标准阿拉伯语两种语言。作者使用一个预训练的 7B 视觉-语言模型，在零样本设置下，不做任何任务相关的训练或微调，并通过拉丁方旋转减少答案位置偏差。英语测试集上 CI 得分为 0.0510，阿拉伯语测试集为 0.0960，相对 devtest 上公布的 3B 基线分别降低 83.7% 和 80.4%。
说明利用三维基础模型重建地理多样的建筑
简介本文提出ArchWorld基准，收录地理覆盖广、元数据丰富的三维建筑地标，用于分析当前三维基础模型的误差。研究发现模型表现因地区而异，且差异只部分与训练数据的地区分布一致，还与地区建筑特征、背景干扰等场景因素有关。作者据此提出一种干预方案，在提升模型性能的同时缩小地区差异。
说明预测特权信息对同策略自蒸馏的有效性
简介论文研究大语言模型同策略自蒸馏中“特权信息”（PI）的内容与构造如何影响训练效果，在三个多轮智能体基准和三种学生模型上评估了16种PI配置。结果显示，信息密集的轨迹和更强生成器产生的PI通常收益更大，并提出两种基于KL的指标，用于在训练前预测PI的有效性。
说明AuditKIT：用于评测大语言模型与智能体系统的统一评估框架
简介该论文介绍了 AuditKIT，一个源码可用的评估库，可在同一结果格式中记录基准准确率、评判式评估、运行时性能、工具调用和检索质量等指标。对于智能体，它区分并行与顺序执行，并将已验证的任务结果与轨迹级诊断分开；缺失或不可观测的证据标记为未评分，而非计为失败。论文通过七个案例研究展示了答案抽取、运行时行为和指标选择如何影响评测结果。
