机器学习、人工智能、自然语言处理、计算机视觉、多智能体。
说明一次写入，多次检查：用于智能体轨迹事后合规审计的可复用账本
简介该论文提出“一次写入、多次检查”框架：由写入模型把每条智能体运行轨迹转为与策略无关的行动与结果账本，之后读取模型只依据账本检查各项策略，无需重读原始轨迹。在900条来自SHADE-Arena、τ-bench和τ²-bench的轨迹上，作者报告12B读取模型基于叙述性账本的表现可与读取完整轨迹的同规模模型相当或更优；在多事实组合策略上也优于读取轨迹的31B模型。账本还能减少约5倍的令牌用量，但在部分单一行动策略、长工具输出和消息内容中可能遗漏证据。
说明RiSE：面向可泛化文本图像篡改定位的残差子空间专家模型
简介本文针对文本图像篡改定位中现有方法全参数微调后难以泛化到未见篡改类型的问题，提出RiSE模型。该模型冻结预训练的主要SVD分量，仅调整残差子空间，并为每类篡改训练独立的残差专家；推理时通过潜在扰动置信度（LPC）以单次前向传播选择置信度最高的专家。文中称，在合成数据训练下，单专家在真实篡改图像上比已有方法高20.4%，训练步数减少10倍，专家增至9个时提升35.8%。
说明超越召回饱和：面向工业法律检索的难负样本重排序器训练扩展
简介该论文研究中文法律检索中的重排序器训练。作者发现，嵌入模型在扩大候选池后召回收益递减，相关证据仍可能排在截断之外，因此重点改进重排序环节。论文比较了多种难负样本策略，其中嵌入挖掘加自挖掘的两阶段流程效果较好，并将其从0.6B扩展到4B模型。
说明Ben-Misandry：用于检测针对男性性别仇恨言论的孟加拉语数据集与后期融合Transformer框架
简介该论文指出孟加拉语性别仇恨言论研究几乎只关注针对女性的厌女言论，针对男性的仇恨言论尚未被研究。作者构建了首个孟加拉语针对男性仇恨检测数据集Ben-Misandry，包含5000条评论，分为六个类别，其中一类针对嘲笑男性情绪脆弱。数据为使用GPT-4.1生成的合成数据，并经四名人工审核员抽检500条确认。在该数据上，后期融合集成模型准确率达96.6%，最佳传统模型为91.8%；作者同时指出尚未进行显著性检验，且结果可能受合成数据影响。
说明大语言模型中的多元对齐：目标、人类参照与偏好表示
简介本文梳理大语言模型“多元对齐”的研究，即让模型反映人类偏好的多样性，而不是把分歧压缩成单一答案。作者提出两层分类框架：第一层区分代表多种观点、忠实适应指定立场、匹配目标人群回答分布三类目标；第二层区分总体人群、国家地区和子群体三类人类参照。作者基于70项相关工作进行分析，并提出各目标所需的评估证据。
说明哪些长文档更有价值？关于上下文扩展数据筛选的对照研究
简介该论文在 Qwen2.5-3B 上，于相同的 6B 词元续训预算下，比较了多种长文档数据筛选方法用于扩展上下文长度。结果显示，随机抽取自然长文档优于重新打包的方式；在同一候选池中，选择 LongPPL 关键词元密度高的文档可带来进一步提升。作者提出 truncLongPPL，通过对截断前缀计算关键词元密度来降低打分成本，在 128K 下约有 2.28 倍的端到端加速。多项实验显示其在多个基准上表现较好。
说明SENTRY：面向实时音频深伪检测的边缘网络流式可信引擎
简介该论文提出SENTRY，一种面向网络边缘、可直接在数据流中运行的硬件导向检测引擎，用于识别语音深伪。其前端采用仅含整数加减、移位、比较和位运算的特征提取，结合有监督梯度提升树与仅用真实语音训练的马氏距离异常检测器，并以逻辑回归融合输出决策。在WaveFake和ASVspoof 2019 LA数据上报告了较高准确率与较低等错误率，原型在ARM与Zynq平台上实现，且未使用GPU或浮点硬件；对未知生成模型的泛化能力留待未来研究。
说明统一振幅-相位耦合与可靠内生先验的低光照图像增强方法
简介该论文针对低光照图像增强问题，指出现有频域方法常把振幅与相位分开恢复，忽视二者的频谱耦合，导致信息不一致和结构失真。作者提出频域-空间框架，设计了振幅-相位自适应补偿融合模块以实现双向交互，并引入内生可靠性先验，结合双模态引导精修网络恢复细节。实验称该方法在基准数据集上在定量指标和视觉质量上均优于现有方法。
说明学习组合：用于零样本长时程机器人操作的共享可执行技能栈递归自我改进
简介论文提出 Recursia 框架，把共享的可执行技能栈（工具、带执行契约的技能、交接与验证器）作为持续改进的单元，通过执行轨迹归因失败并生成工具或修复，经检验后冻结复用于新组合任务。在 LIBERO-Pro Long 仿真和 Franka FR3 实体机器人上，文中报告其成功率相较 ASPIRE 及 Skill Document Only 基线有所提升。
说明参数化会话状态：无需重放历史即可恢复检索意图
简介长期运行的助手常需理解依赖多轮之前所建立指代与约束的后续请求，难点在于检索意图而非仅是上下文长度。作者提出“参数化会话状态”（Parametric Session State），一种可复用的会话记忆层，用于记住应当检索什么，同时将事实性知识保留在外部。该方法旨在避免反复处理历史的开销。
说明O-SCD++：基于递归证据融合、无需回放的在线场景变化检测
简介该论文研究在线场景变化检测：智能体在现场边观察边判断已建图环境中哪些地方发生了变化，且无法使用未来帧。作者在 O-SCD 基础上提出无需回放的方法，把每个新观测通过渲染器的一次反向传播直接累积到参考地图的高斯上，每个高斯的多视角融合化为精确的双标量递归。在 PASLCD 上，平均交并比由 0.489 提升至 0.575，吞吐量由 11.8 提升至 25.6 帧每秒。
说明从离线数据测量赋能度，用于内在动机探索
简介该论文关注如何利用无标签的历史经验数据提升在线强化学习中的探索效率。作者提出首个无需与环境交互、直接从无标签离线轨迹估计“赋能度”（衡量智能体能达到多少未来状态）的方法，通过联合学习赋能最大化策略及其折扣状态占用度量来实现。实验表明该估计器能给出直观的赋能度量，并可用于改进在线目标条件强化学习中的探索。
说明基于生成式检索的反向靶点筛选与蛋白质组规模基准（GenFish）
简介论文将反向靶点筛选（为查询分子寻找蛋白质靶点）重新表述为生成式检索，提出GenFish方法：用残差向量量化把冻结的蛋白语言模型特征转为语义标识符，再按分子指纹自回归生成标识符并排序。作者还发布了覆盖20,431个人类蛋白的ProTargetBench基准。在198个留出分子上，GenFish在三项全目录检索指标上的平均表现优于四个判别式神经基线和三个非神经基线。
说明树形否决投票：少轮次、低通信与低度量失真的确定性投票协议
简介该论文研究投票的度量失真框架，即选民与候选人嵌入未知度量空间，规则只使用选民的序数偏好。作者提出确定性协议TreePluralityVeto，在每个r≥2下，以至多r轮、O(n log m + n s^{1/(r-1)} log s)比特的总通信量，将失真控制在2r−1以内，其中s=min{n,m}。该协议在选民的层次划分上并行运行PluralityVeto，分支因子用于权衡轮次与通信量。
看点提出树形否决投票协议，在多轮与通信量之间取得可调折中，并给出失真界的匹配分析，属于较新的理论结果。
说明MELD：通过层级协调实现多智能体科学发现中的递归自我改进
简介该论文提出 MELD 框架，用于大语言模型驱动的多智能体科学发现。框架在同一发现过程中联合调整团队层面的协调者策略和各智能体层面的科学家策略，使团队组织与个体研究行为在递归自我改进循环中共同演化。在 22 个 MLGym 与 MLE-bench 任务上，MELD 在其中 20 个任务上表现最佳，并在 MLGym 上取得最高的综合归一化分数。
说明Hippo：借鉴海马体回放、无需训练的智能体自我进化方法
简介该论文研究大语言模型智能体如何在不更新模型参数的前提下，借助外部记忆从经验中学习。作者提出 Hippo 记忆框架：通过比较同一任务的多次尝试，找出可复用的决策，并对冲突经验进行合并，同时明确其适用条件。在 SWE-bench Verified、WebArena 和 Mind2Web 三个基准上，该方法均带来性能提升，且保留的经验条目明显少于仅累积的基线。
说明HumanSkill-4D：无需训练，用语言在时空中查询可驱动高斯虚拟人
简介本文提出虚拟人指代分割任务，用自然语言从可驱动的高斯虚拟人中选出身体部位、服装区域，也可指定姿态或动作以选出对应时间片段。作者提出免训练框架HumanSkill-4D，结合多模态大语言模型与几何算子，借助语义记忆和动作记忆完成选择，并引入三个人工标注基准。结果显示，该方法在部件分割及三维、四维指代分割上优于基线，且记忆结构紧凑、每个虚拟人仅需数分钟设置。
说明3D大语言模型真的使用了3D证据吗？
简介本文提出UNICORNS基准，用于评估3D大语言模型在指代模糊、场景证据不足或错误预设等情况下的回答是否可靠，共11,387个问题，基于557个ScanNet场景。在六个开源3D大语言模型的评测中，最强的零样本模型在可回答对照题上准确率为61.22%，而在八类挑战题上仅为40.94%。作者还提出HORN后训练方法，在挑战类别上达到75.1±1.0%，总体77.2±0.8%，且未降低可回答对照题的准确率。
看点提出评估3D-LLM证据依据可靠性的新基准并配套训练方法，实验覆盖11,387题与六个模型，对比充分。
说明随机单臂式半老虎机学习中单调随机问题的近最优遗憾界
简介本文研究在分布未知的随机优化问题中学习近似最优策略的任务。算法每期执行一个策略并只观察到被选中随机变量的样本（半老虎机反馈）。针对一大类单调随机问题，作者给出遗憾界：弱单调问题为 Õ(√(nkT))，强单调问题为 Õ(√(nT))，较以往结果改进了 √n 倍，且与多臂老虎机的下界一致。主要技术是用 Hellinger 距离衡量真实分布与学习分布之间的误差。
说明通过测试时训练实现记忆内化，用于长视频理解
简介该论文提出 MIT^3 框架，为每个长视频训练一组紧凑的专属参数，使模型无需再输入视频即可回答问题。方法利用因果追踪选择适合写入视频知识的层，并通过视觉记忆蒸馏让纯文本记忆复现相关视频片段引起的表示变化。论文称在 LVBench、LongVideoBench 和 Video-MME 上，该方法所需合成样本明显少于既有参数化视频记忆方法。
说明不确定性调控梯度：面向广义少样本三维点云分割的自适应更新方法
简介该论文针对广义少样本三维点云分割中支持集标注稀疏、被遮挡而质量不可靠的问题，提出不确定性门控自适应框架UGA。其核心模块UG-Update依据类内离散度估计每个episode的可靠性，据此选择性地门控残差梯度更新；另有基于不确定性的伪标签过滤器UB-Filter，用于保留高置信度的密集信号。在ScanNet200和ScanNet++（1-shot与5-shot）上，UGA相比最强的已有基线平均提升3.08个HM IoU，达到新的最优水平。
说明Transformer作为跨任务自适应核学习器用于上下文学习
简介本文研究Transformer的上下文学习（ICL）机制，指出注意力机制可视为自适应核方法，因为查询与键矩阵在训练中被学习。作者针对低秩线性与多索引非线性回归进行数值模拟，显示学习到的注意力分数与理想核函数相近。文中还通过宽而浅的Transformer结构给出理想核估计器的显式构造，并分析ICL的泛化误差。
说明BodyBridge：面向弱势道路使用者仿真到真实转换的人体图层
简介该论文针对驾驶视频扩散模型中行人和骑行者等弱势道路使用者外观表示不足的问题，提出基于仿真器生成的 Grounded Body Layers（GBL）像素对齐表示，结合场景几何、规范化人体对应和精确的弱势道路使用者掩膜。在 CARLA 到真实的转换实验中，BodyBridge 将近距离 PCK@0.5 提升 22%，并将人体翻转减少 18%、近距离朝向翻转减少 27%。
说明低比特分布式约束优化及其在最优调度与分配中的应用
简介本文提出一种分布式资源分配算法，每个智能体每次迭代仅向邻居发送其局部代价梯度的符号，即每条有向链路每次迭代一个比特。算法基于拉普拉斯梯度动态，在每次迭代中都保持需求等式约束，使任意终止时刻的解都可行。在经济调度（1000台发电机）和CPU调度（500台服务器）的仿真中，单比特协议相较多比特基线可将总通信成本降低5至60倍，代价是一个可调且有界的最优性间隙；论文同时指出，递减步长可在实验中消除该间隙，其形式化收敛分析仍是未解决的问题。
说明仅调整与传导通路共享部分的几何变换：面向Holter与贴片心电图患者适应的无源域方法
简介该论文针对心拍分类器在新患者和新设备上准确率下降的问题，提出一种无需标签的几何变换方法（NAGT）：利用每段记录前5分钟的正常心拍估计对称正定变换，仅作用于正常和室上性原型。在Icentia11k胸贴记录的493名患者（973条记录）上，该方法的心律失常宏观F1为48.7%，高于未适应时的34.5%，且优于AdaBN、Tent、T3A等对比方法；但在历史划分的75名患者测试子组中，增益未达到显著水平。
说明相反前提译后相同：面向多语种常识题目的源文对比诊断
简介本文研究多语言推理比较中，英文前提翻译后是否保持原有关系。作者对ACCORD前提做英文极性反转，分别翻译两个版本，统计目标语输出完全相同的情况，并将每个版本与其源文比较。在斯瓦希里语等条件下出现了大量完全相同的译文，其中部分通过往返NLI检验，但仍只能证明至少有一个译文不忠实，无法确定是哪一个。作者也说明这些结果不能证明对自然翻译错误的筛查准确率。
说明通过蒸馏构建通用的本地语音特征提取器
简介自监督语音模型通常用一组卷积神经网络层作为局部特征提取器，之后接 Transformer 层。作者假设这些卷积层可以用一个简单的通用模型替代，并通过从 HuBERT、data2vec、WavLM 等教师模型蒸馏，学习一个两层特征提取器。在 SUPERB(-SG) 基准任务上的实验显示，该模型基本保留了教师模型的性能，也可用于未见过的 wav2vec 2.0 模型；其计算量仅为卷积层的 3%，整体推理运行时间减少超过 20%。
说明为能源资源管理中受时延与量化影响的分布式约束优化加入重球动量
简介本文研究一种带重球动量、通信时延和固定对数量化的离散时间符号梯度-一致性混合方法，该方法在每次迭代中保持总供需平衡。对于静态连通无向图和有界时延，作者用Lyapunov-Krasovskii方法给出实用稳定性分析，并证明在无量化情形下可精确收敛到光滑惩罚等式约束优化的解。文中还给出了无时延二次代价下的重球动量稳定区域与最优参数，并在固定稀疏网络上进行了数值验证。
说明用于多模态健康数据建模的跨维度与跨模态关系张量表示学习
简介该论文提出关系张量表示（RTR）框架，联合学习各维度的张量表示以及跨维度、跨模态的关系。模型引入可学习的关系桥接矩阵，并通过结构化融合机制把因子级与关系级信息整合为紧凑表示。在模拟数据以及情绪识别和脑活动分类两个多模态神经生理数据集上，RTR 的表现优于代表性的张量学习、多模态融合和基于 Transformer 的基线方法。
说明S3D-Mosaic：基于次梯度引导跨波段结构迁移的光谱去马赛克方法
简介多光谱滤波阵列成像可一次快照获取光谱，但每个波段采样稀疏，导致严重的空间混叠。论文提出S3D-Mosaic，一种基于模型的光谱去马赛克方法，利用次梯度引导的跨波段结构迁移框架，并设计了定向稀疏等变差分卷积DSE-DConv提取高频结构特征，通过双向扫描ADMM算法求解。论文称其在CAVE和NTIRE 2022数据集上优于现有无监督方法，并能适应不同滤波阵列布局与真实无人机数据。
说明少问但问得好：用打扰预算分配主动式大模型智能体的用户注意力
简介该论文研究大模型智能体在完成任务时提出澄清问题所带来的用户负担。作者提出新的评估方法，用打扰预算限制提问次数，并用经人工验证的大模型评审器衡量问题的阅读难度与必要性。实验覆盖八个大模型和四个客服领域，结果显示限制提问次数可明显降低用户负担，同时保留大部分任务奖励。
说明《Long Listening Thoughts》：通过审慎感知与认知修正激发开放式音频推理
简介该论文提出 Long Listening Thoughts（LLT）框架，用于构建后训练数据集，以提升音频推理能力。框架经四个阶段生成多维度的密集音频描述、更具挑战性的问题、错误推理轨迹，并通过思维延续策略把短推理扩展为包含验证与回溯等认知行为的长推理。作者用它合成了160万条推理轨迹，对 Qwen2.5-Omni-7B 先做监督微调再做直接偏好优化，在多个基准上取得提升。
说明ZeroDSS：仅凭类别名称完成语义分割
简介该论文提出ZeroDSS方法，在完全不使用目标领域真实图像、掩码或文本描述的情况下，仅依据预定义类别名称训练语义分割模型。方法利用大语言模型生成结构化提示，借助扩散模型注意力生成图像-掩码对，并通过反馈驱动的两阶段闭环训练和教师-学生框架逐步优化合成数据。仅使用合成数据，模型在MS COCO和PASCAL VOC上分别取得35.0%、66.3%和63.5%的mIoU。
说明Spatons：面向高效XR预失真的空间局部化构建模块
简介本文提出 Spatons，一类可组合、空间局部化的神经算子，用于降低 XR（AR、VR、MR）显示中几何与颜色失真预补偿的计算量。每个 Spaton 由微型多层感知机与固定功能插值组合而成。在完整的空间与色调综合场景中，其精度与 CompenNet++ 相当，但计算量与参数量明显更低；色散（彩色边缘）仍是其弱于整体式基线的主要问题。
说明MSCR：同时平衡各模态利用并发现协同信息的多模态正则方法
简介多模态学习中，模态不平衡常使某一模态主导优化，限制跨模态交互的充分利用。作者提出多模态协同竞争正则器（MSCR），在平衡模态贡献的同时鼓励融合模型学习单模态无法获得的协同信息。实验显示，在五个基准上MSCR的表现优于MCR，并提升了条件恢复率与跨模态交互占比。
说明信任边、怀疑箭头：审计文本挖掘临床因果知识图谱的验证信号
简介该论文从MIMIC-IV约33万份出院小结中用大模型抽取并构建临床因果候选知识图谱，以SemMedDB为参照评估共现提升度、诊断编码时间先后和文献佐证三种信号。结果显示，共现提升度能过滤无依据的共现，但不能证明因果；编码顺序判定方向的一致率为54.2%，低于抽取器的69.4%。作者认为此类图谱应视为有病历支持但方向不确定的候选关系。
看点在临床文本挖掘因果图上系统审计三类验证信号，并在MIMIC-III复现；新颖性在于对方向信号的实证否定，证据较充分，影响限于临床因果检索增强生成领域。
说明通过GARCH调制的LSTM学习随波动率自适应的遗忘机制，用于股价预测
简介本文提出Gsigmoid-LSTM模型，将GARCH(1,1)估计的波动率通过Gsigmoid激活函数嵌入LSTM的遗忘门，使模型在市场剧烈波动时更关注近期信息，在平稳时期保留长期依赖。在日度股价预测实验中，该模型在五个数据集上的预测精度与稳健性均优于同样使用波动率信号的特征级融合基线，并在九个模型的比较中取得最优平均排名。
说明探索与人设的结合：面向测试时智能体个性化的信息导向对决方法
简介这篇论文研究大语言模型智能体在测试阶段如何通过少量交互适应用户偏好，方法是让候选回复两两比较并据此选择人设。作者提出 ID-TAP 框架，结合查询条件下的神经效用模型与轻量级 Bradley-Terry 探索器，并通过相似查询的加权热启动迁移比较信息。在七个用户条件生成基准上，在固定十轮比较预算内，该方法取得了评测基线中最强的综合表现。
说明一种结合奇异谱分析与波动率自适应LSTM的股价预测分解-集成框架
简介本文针对金融时间序列的多尺度、高噪声和非平稳波动问题，提出CEEMDAN-SE-SSA-VMGL框架。该方法先用CEEMDAN分解序列，再通过样本熵与K-means聚类将分量分为高、中、低频及残差组，并对高频组应用奇异谱分析以缓解模态混叠。作者还设计了波动率调制的GARCH-LSTM变体，用于随波动率调整记忆衰减。在五个中美金融序列上，该模型相对最佳基准误差降低9%至24%，并通过统计检验与回测验证效果。
说明IF-MAP：受影响函数启发的多智能体系统智能体优先级排序方法
简介该论文提出 IF-MAP，用于在基于大语言模型的多智能体系统中找出最值得改进的智能体。方法通过对提示做语义扰动并观察端到端损失变化，在低维提示嵌入空间中拟合局部响应模型，以响应范数作为优先级分数，无需访问模型参数或梯度。在六个多智能体工作流上，所选智能体的提示优化与模型升级均优于均匀选择，且相比优化全部智能体显著减少了 token 消耗。
说明这是你的智能体吗？面向动态环境中智能体系统的身份水印
简介论文提出DASMark，一种用于动态智能体系统的身份水印框架，用于在智能体不断更新记忆和配置时进行持续身份认证。其包含行动保持嵌入（APE）和偏移鲁棒恢复（SRR）两个模块，分别用于稳定嵌入水印和减轻上下文变化带来的影响。原文报告，在动态设置下比特解码准确率为98.5%，攻击场景下准确率为95.2%，任务效用与未加水印的智能体相当。
说明Organon：从进化搜索到用于科学发现的递归自我改进智能体
简介该论文提出 Organon，一种用于科学发现的递归自我改进智能体。它在运行中分析自身积累的经验，自主修订搜索策略、种群管理、诊断工具、记忆和工作协调，并能修正自身的适应机制。作者在 21 个计算发现任务上评估该方法，并报告其在 ALE-Bench Lite 和 KernelBench 上的表现优于对比框架。
看点提出运行时递归自我改进的科研智能体，在21个任务上与EvoX等框架对比并取得优于基线的结果，新意明显但基准规模与对比仍有局限。
说明从正确区域学习：面向医学影像的类别条件解释引导
简介该论文提出一种类别条件的解释引导学习框架，用于多标签医学影像分类。方法为每个阳性类别单独生成解释图，并惩罚其类别专属标注区域之外的证据。作者基于Grad-CAM在14种异常上，用EfficientNet-B1、ViT-B/16、ViT-B/32和Swin-B进行评估，结果显示解释与标注的对齐度显著提升，分类性能仅有较小、因架构而异的变化。
说明本地训练、协同学习：基于ADMM的分布式多智能体训练
简介该论文提出一种基于共识交替方向乘子法（ADMM）的分布式多智能体训练框架，各智能体在本地学习并通过环形全归约等通信协议达成一致，无需中央训练器。在分布式安全对齐和通用推理任务上，该方法在存在受损智能体的设置下可将HarmBench攻击成功率降低最多26.4%，推理能力提升与集中式训练相当。
说明PACE-Mem：面向多模态智能体的前缀感知互补证据检索方法
简介多模态智能体的长期记忆中常有大量相似的观察片段，回答问题需要从中检索证据，但相关记忆可能内容重叠，固定检索数量也难以适配每个问题。该论文提出 PACE-Mem，通过最大边际相关（MMR）选择平衡查询相关性与证据重叠，并用前缀长度选择算法根据得分轨迹确定检索数量。该方法无需训练，可插入基于片段的智能体记忆系统，在三个长视频基准和两个智能体框架上，问答准确率较最强基线 Adaptive-k 平均提高 1.6%。
说明超越下一屏预测：GUI世界模型的决策价值
简介本文探讨GUI世界模型通过预测候选动作后果来改进动作选择时，收益究竟来自预测本身还是来自解读预测的评估器。作者提出直接动作排序方法DAR，无需生成未来屏幕，直接从参考动作学习给候选动作打分，结果显示在AndroidWorld任务成功率上比预测增强版本更好且无需重新训练。作者认为应以预测对动作选择的增量决策价值来评估GUI世界模型，而非仅看预测精度或端到端前瞻收益。
说明重新审视平滑在线学习：竞争比、带切换成本的动态遗憾与两全其美保证
简介本文重新研究平滑在线学习问题，提出了竞争比更优的算法、带切换成本的最优动态遗憾算法（SAder），以及兼顾两类专家的两全其美保证（UDNP）。作者指出，对多面体型和二次增长型击打成本，仅最小化击打成本即可取得改进的竞争比，并给出了匹配的下界。
看点证明了naive算法在平滑在线学习中竞争比的显著改进，并给出匹配下界，理论界限紧致，对该子领域有重要推进。
说明Tactix：面向灵活 SAT 求解的可编程策略接口
简介本文介绍 Tactix，一个可输出证明的顺序 CDCL SAT 求解器，将证明规则与求解策略清晰分离，并提供公开接口供用户调用各项技术、观察其效果并编写自定义策略。其默认策略可通过该接口编程，在 2024 至 2026 年 SAT 竞赛的基准测试中表现优于现有先进求解器。作者还利用该接口为两个应用领域的难题设计了新策略，取得了优于强基线的性能提升。
说明WAQS：用于二次探测与仿射引导的权重吸收方法
简介该论文提出WAQS框架，用二次探测函数建模概念，其梯度给出随激活值变化的仿射引导方向，并可通过离线权重更新精确并入相邻线性层，推理时不增加额外计算。作者在真实性、拒绝回答和谄媚等引导任务上进行了实验，结果显示二次引导在保持模型效用的同时，效果与常数线性引导相当或更好。
说明基于移动位置服务数据、在机场记录不完整情况下推断航班出行的两阶段混合框架
简介该论文利用大规模移动设备位置服务（LBS）数据推断美国国内航空出行。第一阶段用启发式规则识别两端均在不同机场被观测到的高置信度航班行程；第二阶段用概率模型，结合空间邻近性、时间兼容性和历史航班时刻信息，推断潜在的航线。基于2022年1月约1000万用户、1.31亿条记录的数据，框架将航线覆盖率从10.65%提高到50.60%，并与T-100国内航段数据对比验证。
说明FlashMap：基于流映射的投机解码方法
简介该论文提出FlashMap，一种用于加速大语言模型推理的连续流草稿模型。它以目标模型的隐藏状态为条件，在一次前向传播中生成整个候选词块，并保留词元之间的依赖关系。在Qwen3-8B上，FlashMap在各基准测试中都比对照的DFlash基线更快，平均加速比高7%，最高可实现6.1倍的无损加速。
说明GazeAgent：面向AI眼镜的、由视觉语言模型引导的隐式视线校准方法
简介AI眼镜通常需要用户进行明确的、针对个人的眼动追踪校准，而设备移位后精度会下降。该论文提出GazeAgent，利用惯性测量单元、视线与佩戴者手部等多模态信号识别精确视觉注意事件，并将其作为伪校准目标，以在用户日常活动中持续校准视线。实验中，系统检测出全部820个预定义事件，在设备受扰动时，相比明确校准将中位视线误差降低了44.1%。
说明用于基于模型迭代CT重建的六边形基投影器
简介论文提出一种用于二维扇束CT的六边形图像表示方法，基于箱样条（box spline）构造常数与线性两类六边形投影器，并推导了射线覆盖和探测器模糊的解析表达式，同时实现了高效的GPU正投影与反投影。在模拟数据上，线性模型的表现优于笛卡尔与六边形像素表示；在真实数据2DeteCT上，以高剂量高分辨率笛卡尔重建结果作为伪真值进行比较，图像与特征一致性均具竞争力。
说明DKnown-Jev：面向规范性知识任务的 JEV 式模型微调与评估
简介本文针对涉及规范性知识的任务（如概念解释、资格判定、流程说明等），提出 DKnown-Jev 模型，将候选段落分为“可回答证据”和“非回答证据”两类。研究基于 Qwen 系列基础模型微调 2B 与 27B 两种配置，并在 1,120 条人工校验样本上与 Jev 对比。结果显示 27B 模型一轮训练准确率达 98.75%，优于 Jev；2B 模型的提升幅度较小，统计上尚不足以证明稳定优势。
说明Koi：面向多云异构大模型推理集群的证据引导、自校准规划器
简介该论文提出 Koi，用于在多云、异构集群中为大语言模型推理部署选择加速器、并行策略、引擎配置和副本数等。Koi 结合递归语言模型提出假设，并用确定性组件预测性能、评分并控制部署，同时通过因果图持续更新经验。原文报告在真实异构集群中，Koi 的有效吞吐（goodput）比最强基线高 1.18 倍，每词元成本降低 20%。
说明FlashRT-PAI：快速内核不等于快速流水线——面向物理AI推理的低延迟引擎
简介该论文针对视觉-语言-动作模型、视频-动作模型和世界动作模型等物理AI系统的实时单批次推理延迟问题，指出瓶颈主要来自系统级开销而非单个内核计算。作者提出FLASHRT-PAI推理引擎，通过深度内核融合、描述流水线结构与状态复用的执行契约以及可快速保存与恢复的执行状态胶囊等机制实现加速。在RTX 5090和Jetson AGX Thor上的评估显示，在相同16位精度下比官方编译路径快1.3至3.7倍，结合低精度后相比官方Eager实现可达3.38至12.66倍加速。
看点通过模型与硬件流水线协同设计，结合深度融合、执行契约与状态胶囊，针对物理AI推理延迟提出系统级改进；实验覆盖多策略与两类硬件，相比官方路径有1.3-3.7倍加速。
说明基于LLM的网络控制系统黑盒性能分析
简介大语言模型在网络控制系统中的应用日益广泛，但其内部不透明，难以审计其在未见输入上的表现。本文提出LENS，这是面向基于LLM的网络控制系统的首个黑盒性能分析方法，利用扩展的深度强化学习来搜索性能差距以及使LLM表现困难的输入。结果显示，LENS在基于LLM的流量工程和GPU分配系统中发现了较大的性能差距，并且与针对手工设计的流量工程启发式算法的现有白盒分析器效果相当。
说明基于成对判断的重排序精确风险证书
简介该论文研究在仅有成对相关性判断的情况下，用固定的候选排序替换原排序时，nDCG 指标可能出现的最坏损失，并给出精确刻画。作者指出二元增益可以达到这一最坏损失并提供可检查的见证；阈值验证可归约为至多 K+1 个最大闭包问题。实验显示，在 TREC-DL 与 BEIR 等数据上，精确验证相比对比较次数有明显节省，但预测性门控的部署收益更高。
说明衡量闭环智能体中精度升级的任务价值
简介论文研究低精度智能体在关键决策处调用全精度（BF16）模型作为备用，并由学习到的路由器根据两模型分歧决定调用位置。作者提出，备用模型的价值应是挽救的任务数减去被破坏的任务数，并通过恢复状态后的成对分支实验，在 tau2-bench 上用 Qwen3 智能体进行测量。结果显示，仅替换单个动作时，挽救与破坏大致相抵；替换动作及后续执行在部分设置下净收益为正。
说明认证指数：基于历史依赖日志的策略改进的实例最优序贯认证
简介本文研究在部署新策略前，能否仅凭已记录的回合数据给出“新策略更优”的可靠证书，以及需要多少回合。作者提出指数K*，它刻画所需回合数的下界，并证明一种插件式Kelly认证器在一阶意义上达到该速率。实验显示该方法在记忆任务、Tiger及随机树上的停止时间接近理论下界，并优于若干标量下注基线。
看点提出以KL散度定义的认证指数K*并证明紧的样本下界，给出一阶最优的插件Kelly认证器；在记忆任务与Tiger、随机树上用实验验证。
说明NVFP4 训练哪些因素重要？低精度预训练方案的比较研究
简介本文系统比较了近期的 NVFP4（4 位浮点）预训练方案，在中等规模下训练 8B 稠密模型与 30B-A3B MoE 模型，训练量最多达 1T tokens。研究聚焦于哪些要素对恢复精度必不可少，并提出一套基于既有稳定训练原则的最终方案。消融实验表明，优化方案中的各项技术都能改善损失曲线，部分高精度层对规模化训练中恢复精度是必要的，而反向传播中不同张量从去偏中获益程度不同。
说明在最优尺度与最优速率下的一致收敛
简介该论文研究一致收敛：需要多少随机样本，才能使经验平均同时逼近一整类函数的期望。论文证明，对于实值函数类，在最优尺度 γ 下可以用 d/ε² 量级的样本数达到 γ+ε 的误差，弥补了以往结果只能兼顾尺度或样本复杂度之一的缺口。论文同时给出 ε-网、覆盖界和链式界等可独立使用的工具。
看点解决了实值函数类一致收敛中最优尺度与最优样本复杂度不能兼得的长期缺口，并给出多项新工具，证明为主。
说明在没有标准答案的情况下筛选大模型评审：AI口腔保健指导员的初步评估
简介本文提出一套分阶段流程，在专家评审之前筛选候选的大模型评审员与学生模型，各阶段使用明确的判定规则。研究以合成且未经临床验证的数据，对两个微调小模型进行了案例演示，流程能发现原始分数掩盖的问题，但尚未有口腔保健专家参与评分，结论仅为初步性质。
说明固定树状层级语言中的幂律相关性：未见温度调控的临界现象
简介该研究在固定深度的概率上下文无关文法（PCFG）上，用信念传播精确计算下一词条件概率，再经softmax温度缩放后自回归采样，考察温度变化下词元间互信息随距离的变化。结果显示，在所测温度与文法集合下，互信息仍符合幂律包络；温度改变的是相关性强度和拟合指数，但在可观测系统规模内未出现有序相的长程平台，也未见明显的短程指数衰减转变。作者还通过树上Ising模型的近似映射解释了树距离上的指数衰减如何在词元距离上表现为幂律。
说明基于查询反馈的PAC学习：每个样本只给出一个二元回答，判断真实标签是否属于指定子集，论文提出查询维度来刻画其样本复杂度。
简介论文研究可实现情形下的多类PAC学习，其中每个训练样本只返回一个二元回答，表明其真实标签是否落在查询族中选定的子集内。作者提出查询维度这一组合参数，它同时刻画假设类结构与可用查询区分标签的能力，并推广了bandit DS维度。文中给出样本复杂度下界Ω(D/ε)和上界Õ(D²/ε)；当查询可将每个候选集划分为规模相近的两部分时，上界改进为Õ(D/ε)。
看点提出查询维度，推广了bandit DS维度，并给出上下界刻画，理论贡献明确但仅为理论工作。
说明VERAS：面向可靠运筹优化的验证引导自适应搜索框架
简介本文提出VERAS，一种由验证结果引导的自适应搜索框架，用于让大语言模型智能体更可靠地求解运筹学问题。它结合任务专用的解检查器与独立的验证智能体，利用验证反馈优先进行可行性修复、约束覆盖检查和目标改进。在ORAgentBench上，其通过率为42.99%，高于同一大语言模型下Codex报告的35.51%。
说明通过外部资源持续保证本体：一种本体工程方法及软件语言工程案例研究
简介本文提出COATER方法，用于将领域本体与不断更新的外部资源持续对照审查。方法中的可执行审查组件称为arrow，用于比较本体的局部与相关资源，并报告对公理的支持或质疑；质疑可转化为补全、修正或重构任务，供人工或智能体辅助处理。作者以软件语言工程（SLE）的FSL本体为例进行说明，并报告一项借助LLM的链接练习：在既定维基百科链接政策下，合规实体从405个增至600个（共600个）。
说明Morpheus-2.0：基于双轴注意力的多尺度概率预测模型
简介该论文提出 Morpheus-2.0，一种紧凑的仅编码器时间序列基础模型，在统一的变量-时间网格上同时处理变量之间与时间之间的关系，并通过学习门控加权。预测长度在训练中采样，单组权重可覆盖短到长的预测期。在 GIFT-Eval 基准上，81M 参数的 Morpheus-2.0 相对 MASE 为 0.685，更大的多尺度版本相对 MASE 为 0.646、相对 CRPS 为 0.455，两项指标在文中所列已发表系统中最低。
说明评审模型可以自我去偏：面向可靠LLM评判的偏差意识与自我去偏方法
简介本文研究用大模型做自动评判时存在的系统性偏差问题。作者提出两种无需额外训练的轻量方法：事先提醒评判模型可能存在的偏差，以及让模型对自己的初步判断进行偏差反思。文中还新增了权威偏差、置信度偏差和格式偏差三个基准，共评估七类偏差。实验显示，自我去偏在三个前沿模型的21种组合中有20种取得提升。
说明概率电路中潜在状态的利用情况
简介本文研究概率电路（PC）中潜在状态数量增加时，模型所表示的变量依赖关系如何变化。在 ImageNet32 上使用隐式 Chow-Liu 树（HCLT）的实验显示，学到的依赖增长缓慢，远低于潜在状态上界和数据中的依赖估计。作者还通过追踪训练过程中样本对潜在状态的偏好及状态使用的广度，区分了早期后验快速集中与样本偏好的逐步稳定，并据此改进了初始化与树结构选择，从而提升了最终性能。
说明人工智能建议如何间接影响脓毒症复杂治疗决策
简介研究者先回顾性评估了6928名脓毒症患者中一套AI系统的建议，发现整体上优于原治疗方案，但在复杂病例中表现明显较差。随后，228名美国重症医师参与了预先注册的实验，在六个复杂治疗决策中接受三种不同形式的建议。结果显示，接受简单模型建议的医师有56.3%的决策选择了最优治疗，而总是照做的情况仅为31.8%，并优于另一种约束较少的建议形式（42.9%）。
说明通过反向地理编码学习感知行政边界的位置编码器
简介本文提出一种位置编码器训练方法，以反向地理编码得到的文本作为自监督信号，使编码器能够显式学习行政边界和地名信息。该方法可应用于现有位置编码器架构并提升其下游任务表现。作者还提出了专为该监督设计的RevGeoRQ架构，在若干下游任务上取得进一步提升，并超过当前的主流位置编码器。
说明Muon 优化器运行在稳定性边缘之外
简介该论文用锐度（sharpness）研究 Muon 优化器，首次实证表明“平坦极小值假说”同样适用于 Muon。在 CIFAR-10 上，锐度与泛化差距在各优化器内部呈显著正相关。实验还显示，Muon 的表现超过了约束 Adam、RMSprop 等对角预条件优化器的经典自适应稳定性边缘阈值，但仍保持稳定，说明其运行机制与对角自适应方法有根本不同；精确的稳定性边界仍是未解决的问题。
说明基于多目标强化学习的帕累托最优RTL代码生成（让大模型一次生成多组功耗、性能、面积的权衡电路方案）
简介本文提出一种用大语言模型生成RTL电路的学习方法，目标不是优化单个电路，而是同时优化多次生成所得电路集合的质量与多样性，覆盖功耗、延迟和面积之间的不同权衡。方法包括一个将帕累托解集覆盖问题转化为顺序生成问题的训练流程，以及基于超体积贡献（HVC）的奖励函数。在RTLLM v2基准上，相对超体积分别比无PPA优化的基线高13.3个百分点，比单目标强化学习方法高14.4个百分点，且电路多样性更好。
说明CME-SpectrumBench：大语言模型能否分析凝聚态物理谱数据？
简介本文提出CME-SpectrumBench，一个由专家设计、包含190道题目的基准测试，用于评估前沿大语言模型分析凝聚态实验研究级谱数据的能力。题目基于模拟的二维强度数组，并加入噪声与有限仪器分辨率。结果显示，直接提问时模型表现普遍不如手写代码，但允许使用Python解释器后表现接近手写代码。作者认为，模型可通过代码协助科研，但直接处理大型数据集仍是难点。
说明Torch-DPhys：一个基于PyTorch、可与MOOSE兼容的可微分物理仿真与混合机器学习框架
简介本文介绍Torch-DPhys，一个基于PyTorch实现的可微分物理仿真框架，支持物理与机器学习的混合建模。它实现了MOOSE热工水力模块和系统分析模块（SAM）中部分热工水力建模概念与离散方法，并初步扩展到连续介质力学。文中通过平面应变弹性、一回路和二回路热工水力瞬态以及轴对称熔盐快堆等算例进行验证与演示，并展示了参数辨识和求解器内嵌训练控制器等应用，可用于核工程中基于梯度的推断、控制及耦合模型。
说明CRISP：基于语义先验与渐进式光照课程的循环低光视频增强方法
简介该论文提出CRISP框架，用于低光视频增强，目标是在去噪和运动干扰下恢复亮度、色彩与细节，并保持时间连贯性。其采用双帧循环结构，并通过从低光输入到参考图像逐步过渡的渐进式训练课程进行监督。可选地，框架通过自适应层归一化调制引入冻结的DINOv3语义特征。在DID和BVI-RLV数据集上，该方法分别取得了DID上最高的PSNR和BVI-RLV上最高的SSIM。
说明谁在发言、谁在授权、谁在行动？多智能体大语言模型中的信任边界
简介本文研究多智能体大语言模型系统中的信任边界，把消息投递、签名授权与工具端执行区分为三个独立环节，并分析在既定假设下，最少需要多少被攻破的签名者才能构造通过策略验证的虚假声明证明。受控实验显示：在四个模型上，固定消息路由的对比均未达到预先设定的大效应标准；在无效证明的案例中，部分模型有较高比例请求受保护操作，但确定性工具闸门一次也未执行，说明请求层与执行层的安全指标存在分歧。
说明并非每位用户都会把话说全：训练工具调用智能体应对不理想的模拟用户
简介该论文指出，工具调用智能体通常只用表达清晰的强模拟用户训练与评估，而真实用户常常表述不完整。作者通过遮蔽模拟用户回复中的句子构造弱用户，结果显示弱用户会降低所有策略的成功率，而用弱用户训练并无额外帮助。作者提出 StaGPO 方法，让智能体记录任务所需、缺失信息及填补进展，借此在相同状态的轮次间分配步级奖励；在 ToolWOZ 上，用弱用户训练的 Qwen3.5-2B 与弱用户测试时成功率达 76.8%，高于文中的 GRPO 基线。
说明基于高斯加权岭波变换的无限维神经网络构造性通用逼近
简介本文研究以函数为输入的神经网络（如算子学习）的通用逼近性质。作者将岭波变换推广到可分无限维希尔伯特空间上的连续映射，用高斯权重代替无限维中不可用的勒贝格测度，从而给出显式的系数表示。基于此，论文证明了对多项式增长的连续非多项式激活函数（包括ReLU）的紧集一致逼近，并通过蒙特卡洛采样得到宽度为N时误差为O(N^{-1/2})且与维数无关的有限宽度网络结果。
看点将岭波变换推广到无限维希尔伯特空间，以高斯权重替代勒贝格测度，给出构造性逼近与维度无关的O(N^-1/2)误差，理论上较新且证明较完整。
说明诱导傅里叶几何：平滑先验在多模态恒星嵌入中引入近似平移等变性
简介论文提出一种图拉普拉斯平滑先验，使表示在已知物理参数空间上平滑变化，而不预先指定表示几何。在跨越六个天文巡天的多模态恒星表示上，该先验诱导出Toeplitz Gram结构和沿恒星参数的正弦模式，即使某些模态原本不具备此类几何。下游线性探针性能与标签效率也有所提升。
说明LLM优化器的一个重要瓶颈：原则层面的局部最优
简介本文研究基于反馈的大语言模型优化器在搜索后期出现的“原则层面搜索坍缩”，即搜索被限制在少数设计原则之中。作者在分子优化、网络哨兵节点选择和GPU内核优化三类任务上构建了诊断基准与决策树评估协议，在161次可评估运行中，78.3%显示出坍缩迹象。多样性注入（如提高温度、多模型、网页搜索）效果有限且不稳定，引入参考原则的干预也因模型和任务而异。
说明超越干净准确率：基于像素的语言模型的实际挑战与优势
简介该论文研究基于像素的语言模型（直接处理渲染文本、不依赖固定子词词表）能否可靠地适配下游任务，考察了微调行为、排版噪声鲁棒性和零样本跨语言迁移。结果显示，此类模型需要更长的训练和更广的标注数据覆盖，且学习较滞后、对学习率敏感；一旦适配成功，在排版噪声下准确率下降更少，并在两个跨语言基准上取得高于英语预训练文本模型的目标语言准确率，尽管其英文干净数据表现较弱。
说明BanglaShield：面向孟加拉语原生文字、罗马化及混合语码提示的稳健安全分类器与基准
简介大语言模型的安全分类器多基于标准文字训练和评估，而孟加拉语常以原生文字、拉丁字母罗马化或与英语、印地语、乌尔都语混写。该研究提出BanglaShield，包含10,245条孟加拉语提示，按安全、冒犯、有害、严重四级标注，并以三种书写形式对齐。在六个大语言模型上的测试显示，多数模型漏判了大量不安全的原生文字提示，而紧凑的微调编码器BanglaShield表现明显更好。研究同时公开了语料、划分、判断结果和模型。
看点针对孟加拉语原生文字、罗马化及混合书写的安全分类基准与紧凑模型，实验规模较大并与多种LLM和守卫模型对比，影响面限于特定语言与子领域。
说明SteerSearch：基于回复中途引导的交互式搜索推理
简介该论文研究搜索增强语言模型在推理或检索过程中被用户中途改变目标时的表现，发现模型常会检索新需求的证据却仍回答旧问题的“答案目标锚定”问题。作者提出基于强化学习的SteerSearch框架及对应基准SteerSearch-Bench，并探讨对比上下文奖励（CCR）作为辅助信号。结果显示，在Qwen2.5-3B和Qwen3-4B上，SteerSearch在引导准确率上明显优于Search-R1，同时保持单一查询的标准表现。
说明ULIFlow：统一隐空间中的人-物交互生成
简介这篇论文研究根据文本生成三维人-物交互动作的问题。作者认为传统骨架表示难以刻画表面接触几何，因此提出ULIFlow框架，从稀疏体表标记点推导连续的人-物关系，并与人体运动、物体动态一同在统一隐空间中建模。论文报告该方法在生成质量与人物协调性上优于已有工作，并能在训练时长之外保持交互的连贯性。
说明ROAR：在实时约束下评测多人动作射击游戏中的LMM智能体
简介大型多模态模型越来越多地作为智能体在多智能体环境中感知、推理和行动，但现有评测大多采用回合制，环境会等待智能体推理，无法体现实时约束。作者提出多人动作射击游戏环境ROAR，涵盖合作、竞争、混合及单智能体场景，并设计多智能体异步Gym接口，让环境与各智能体分线程运行，按固定时间步推进。该平台可用于推动智能体评测走向实时多智能体决策。
说明Beckmann 世界模型：面向单步动作条件预测的直接终端映射学习
简介这篇论文提出 Beckmann 世界模型（BWM），让网络直接从噪声、视觉历史和动作映射到未来帧，无需预训练的生成式教师模型。作者通过端点对齐训练等方法提升推理精度，在 PushT 和 Robomimic Can 数据集上，相比同架构回归基线，64 帧预测的 MSE 分别降低 68% 和 57%。
说明用于表格基础模型数据溯源与隐私审计的数据集推断方法
简介本文针对表格基础模型（TFM）提出首个数据集推断方法，用于判断某个可疑数据集是否属于模型的预训练数据。作者通过输入操作从黑盒模型中观察多种候选信号，发现单个信号证据较弱，但组合多个互补信号后，对多个在真实表格数据上训练的先进模型，推断效果ROC AUC最高可达0.99（因模型而异）。文章还分析了预训练数据构成、模型容量以及真实数据与合成数据的使用等因素对识别结果的影响。
看点首次为表格基础模型提出数据集推断方法，组合多种黑盒信号，在多个模型上达到最高0.99 ROCAUC，证据较充分，影响面较广。
说明通过侧向连接自组织映射建模双语命名表现
简介论文提出 BiLex 双语词汇计算模型的扩展版本，加入兴奋性与抑制性侧向连接，使模型能够模拟反应时间以及基于语义熟悉度、典型性和特异性的常见错误。研究在西班牙语和英语中模拟了波士顿命名测验，模型表现与西英双语者的命名准确率和错误类型大致吻合。作者认为该方法能够刻画双语词汇提取中的语义层面过程，并可为今后模拟损伤与治疗方案奠定基础。
说明从SEC文件到金融信号：评估大语言模型对股市反应与分析师预测的表现
简介本文基于2001至2024年间45,964份10-Q季度报告的MD&A章节，测试13个通用及金融专用大语言模型的零样本表现，比较其股票收益排序与下季度每股收益预测能力，并与分析师预测和实际异常收益对照。结果显示，加入基本面排名信息可提升收益排序的相关性，而分析师摘要未带来类似提升；直接预测的每股收益平均位于分析师分布的第43.4百分位，未能稳定优于个别分析师，且共识锚定虽提高区间命中率，却增大了报告每股收益的误差。
说明紧凑型开源大模型能否从不完整轨迹中恢复出行事件？基于航空出行的受控评估
简介该研究使用2022年1月美国全国基于位置服务的数据和机场参考数据，将30段高置信度航空出行轨迹人为删除起点机场附近、终点机场附近或两端的观测点，考察本地部署的紧凑型大模型能否恢复缺失的航班换乘段及起降机场。结果显示，精确换乘识别率为9.2%，起点和终点机场准确率分别为31.4%和10.7%，同时恢复换乘与机场对的请求仅占1.9%；提示越明确，表现越好。
说明可取性确认：AI亲密角色扮演中的关系型谄媚
简介本文研究大语言模型在成人亲密角色扮演中的谄媚现象。作者对两个开源模型的2016条输出进行受控审计，发现四种反复出现的关系性表达方式，包括为用户的欲望辩护、让用户显得被渴望等。作者将这种模式称为“可取性确认”，用以描述模型如何通过关系定位讨好用户，从而拓展了现有关于谄媚和AI亲密性评估的研究。
说明AM-Bench：智能体失准的统一分类与评测套件
简介本文提出 AM-Bench，用于评测基于大语言模型的智能体在出现“智能体失准”（即选择有害行动而非失败）时的表现。基准包含 35 个场景，覆盖七个行业，并依据犯罪学中的“舞弊三角”框架，从感知威胁、感知机会与推理三个维度构建分类与检测体系。作者评测了 10 个前沿模型，发现不同模型在失准程度上差异明显，其中 Gemini 3 Flash 和 Gemini 3.1 Pro 失准程度最高，Claude Sonnet 4.6 在各类条件下接近零。
说明两全其美：微调小模型与大模型互补，兼顾成本与性能
简介本文将调查文本数据分为16类，比较了经训练的RoBERTa模型与现成的GPT-3.5模型在性能、成本和耗时上的差异。结果显示RoBERTa的F1得分为96%，高于GPT-3.5的83%，且处理一万条记录仅需约12分钟，GPT-3.5则需6小时。通过批量提示，GPT-3.5的推理成本降低约70%；两者集成后F1达97.5%，推理成本仅为单独使用GPT-3.5的4.4%。
说明SLA-LENS：从课堂转录文本到基于二语习得理论的互动分析工具
简介本文提出SLA-LENS框架，利用大语言模型辅助，将课堂转录文本转为结构化的教学标注，并生成可追溯到原文证据的描述性分析。标注体系以互动主义二语习得理论为基础，涵盖学习者错误、教学功能以及学习者的吸收与修正。研究以40份在线西班牙语二语课堂转录文本（超过21,000个句子级实例）进行了测试，并评估了多种大语言模型。
说明动态神经最优传输用于子集对齐：仅将源分布映射到目标分布中相关的子群体，并限制各区域被强调的程度。
简介论文研究目标总体中只有一部分与源分布相关时的最优传输问题。目标是把源分布映射到一个重新加权的目标分布，其相对于完整目标的密度比位于 [0, c] 区间内。作者提出一种动态神经最优传输框架，使用两个神经网络分别参数化时间相关势函数和源分布与终端分布之间的插值。与假设终端分布固定的既有方法不同，该方法在目标支撑集内学习终端分布。文中在正例-无标签学习、无配对域迁移和轨迹推断三类任务上进行了演示。
说明Cortex：受治理编码智能体的不动点理论（技术报告）
简介本文研究 Cortex，一种用于编码智能体的监督层，负责执行前治理、需求跟踪以及迭代验证与修复。作者在有限格上形式化了需求闭合，证明在特定假设下迭代可达到最小不动点，并给出随机模型下的期望完成时间界。论文同时定义了 Gauntlet 的评估指标，但指出结论依赖于所述假设，且现有数据不足以支持关于治理效果的因果结论。
说明MOSS：用于监控与诊断搜索和推荐系统语义故障的生产框架
简介论文提出 MOSS（Model Sanity Service），一个在生产环境中持续监控推荐和搜索系统的框架，利用大语言模型进行相关性评分，并将失败归类为可采取行动的根本原因。该框架已在一家美国大型零售商运行六个多月，发现两个已确认的服务缺陷。在人工标注的基准测试中，前沿大模型评判的 F1 和 AUC 点估计值高于非大模型基线。
说明这个大模型能给我的数据做标注吗？估计零样本大模型的表现
简介大语言模型越来越多地被用于数据标注，但效果参差不齐。本文研究能否在拿到新数据集之前预测大模型的标注表现，为此构建了两类任务族，共生成461个文本分类数据集。结果显示，在一定程度上可以预测大模型的表现，而且模型内部的对数概率是最有预测力的信号，优于模型自我报告的置信度。
