机器学习、人工智能、自然语言处理、计算机视觉、多智能体。
说明在 EPRI AI 加速机组组合基准上的强化学习：诊断过度开机并用学习策略引导 MILP 求解
简介本文首次在美国电力研究院（EPRI）机组组合竞赛的 51 台机组、72 小时基准上研究强化学习。作者发现，独立智能体的探索行为是其成本高于混合整数线性规划（MILP）的主要原因，并表明学到的策略可以加速精确求解器。这些智能体普遍开机过多，并提出了报告协议以避免调度方法和基准范围造成的指标偏差。
说明审计智能体大模型的工具调用痕迹：来源定位与反事实依赖检验
简介该论文关注智能体大模型在生物预测任务中可能借助工具结果里的隐藏标签捷径取得虚假高分的问题。作者提出两阶段审计：先用逐工具TF-IDF分解定位与标签相关的模式，再通过抹除标记的反事实检验模型是否依赖这些捷径。将该方法应用于TCR-pMHC结合预测后，表明最强信号来自某一工具结果中的标识符，抹除后性能降至随机水平。
说明带可微信念函数层的神经网络：用 Yager 组合规则让模型表达“不知道”
简介论文提出一种深度证据学习网络，其每一层输出都是有效的 Dempster-Shafer 质量函数，并用 Yager 组合规则合并。作者指出 Dempster 归一化在证据冲突时会使梯度发散，而 Yager 规则没有这一问题。网络输出的无知集质量 m(Θ) 可作为“不知道”的信号，并能对人类标注分歧较大的样本排序。
说明基于CSI分部的住宅施工图像数据集，用于深度学习目标检测
简介本文介绍了ResCD-CSI图像数据集，该数据集按美国建筑规范协会（CSI）的分部结构组织，并通过人工标注。数据来自美国各地正在施工的住宅工地的高分辨率图像，共标注了16,365个目标，涵盖14个主要CSI分部，标注方式为边界框，可用于目标检测任务。
说明Modaliff：面向任意模态互转的统一词元扩散模型
简介该论文提出 Modaliff，一种基于词元的扩散模型，可在文本、图像和音频之间灵活互相生成。它用可从双模态配对数据中学习的方式训练，并在各自的潜在序列中保留每种模态的原始结构。模型通过为词元添加属性和按角色设计的位置编码来区分不同输入与目标，同一去噪器即可支持多种生成任务。实验显示，在多数生成任务中，它在任意模态互转模型里保真度最佳，且使用的参数和训练数据明显更少。
说明在不改动权重的前提下，Gemma 4 语音编码器能走多远？沙特与海湾阿拉伯语语音识别（冻结与适配器增强两种方案）
简介本文研究 Gemma 4 与 EmbeddingGemma 2 共用的 3.05 亿参数音频编码器，用于沙特及海湾阿拉伯语语音识别，全程不改动其预训练权重。冻结方案只训练一个 CTC 解码头；适配器方案另外加入低秩适配器与混合解码头，并结合子词语言模型联合解码。与 Cohere Transcribe Arabic 的对比显示，两者各有优劣：适配器方案在多数条件下字错误率更低，冻结方案运行速度更快。
说明从临床风险预测到运营决策：面向ICU人员排班的不确定性感知框架
简介该论文提出一种考虑不确定性的前瞻性排班框架，将重症监护室患者短期风险预测与护理人员规划衔接起来，而不修改上游预测模型。框架用条件风险价值（CVaR）评估极端人手短缺风险，并将风险校准后的需求嵌入滚动时域排班策略。在MIMIC-IV数据上的评估显示，其在成本与短缺之间的权衡优于确定性和被动式基线。
说明StopLoss：训练智能体预测失败并及早停止
简介论文提出 StopLoss，一个小型外部监控模块，它从已完成的运行轨迹及其验证结果中学习识别失败，并在运行很可能失败时提前终止，以节省资源。实验表明，它的单次检查成本比测试过的通用判断模型低一到两个数量级，在多个设置下每个保留解决任务的成本都低于其他判断策略。
说明突破对称双矩阵博弈近似纳什均衡的 1/3 障碍
简介本文提出了首个无条件的多项式时间算法族，用于计算对称双矩阵博弈的近似纳什均衡。对任意固定的 δ>0，该算法族可计算出 (1-1/√2+δ) 近似的对称纳什均衡，优于 Kontogiannis 与 Spirakis（2011）此前得到的 (1/3+δ) 结果。
看点改进了对称双矩阵博弈近似纳什均衡的多项式时间界限，突破了1/3壁垒，给出无条件的算法族，证明较扎实。
说明FracTS：分层自回归时间序列生成模型
简介本文提出FracTS，一种面向多变量时间序列生成的由粗到细分层自回归模型，借鉴了图像领域的分形生成思路，在粗尺度刻画整体轨迹结构，在细尺度刻画局部动态。在五个数据集（两个有条件、三个无条件）上与七个基线对比，FracTS在边缘分布、预测型机器学习效用和相关性保持等方面表现更优。其中，与最佳基线相比，无条件数据集的预测型机器学习效用平均提升100.0%，有条件数据集则提升了幅度未在原文中给出。
看点将图像的分形生成范式迁移到一维时间序列，提出由粗到细的自回归层级结构；在五个数据集、七个基线上做了多指标对比，证据较充分。
说明当共情偏离目标：大语言模型建议中的目标置换基准测试
简介这篇论文指出，对话式大模型常以温暖的安慰代替真正推进用户目标的实质内容，作者称之为“目标置换”。作者构建了包含230个场景、覆盖九个领域的GDB基准，并用18个模型的4134条人工评分回应进行测量。结果显示不同模型的置换程度差异很大，且与Chatbot Arena Elo评分呈强负相关，同时该指标与社会性谄媚是不同的概念。
看点提出目标位移概念并构建230个场景、4134条人工评分的基准，区分于社会谄媚，证据较扎实，对模型评测有实际价值。
说明ATEST：面向大语言模型推理、可感知资源的自适应测试时扩展方法
简介测试时扩展通过多次采样答案来提升大模型推理，但固定的采样预算既忽略题目难度，也忽略GPU争用下推理能耗的变化。论文提出ATEST框架，结合额外采样的期望收益与当前GPU成本动态决定何时停止采样。其在线模式无需离线校准，会边采样边监测GPU负载并学习每步能耗；离线校准模式则依据离线模型为每个问题分配预算，更适合负载稳定的场景。
说明两层Transformer学会两种相互竞争的排序算法，但只有一种能长度泛化
简介研究发现，在排序任务上训练到接近零损失的两层Transformer，会依初始化方式收敛到两类机制不同的解。其中一类使用两层注意力进行排序，能完美地长度泛化，即便训练时只见过固定长度的序列；另一类不用第二层注意力排序，且无法长度泛化。作者还指出，训练长度下罕见、较长序列中渐多的输入类型是造成这种差异的来源。
说明ReDT：解耦分辨率的视觉几何Transformer，用于高清多视角三维重建
简介论文提出ReDT，一种前馈式视觉几何Transformer，旨在把多视角三维重建扩展到高清输入。其做法是先将每个视角映射为固定数量的基础标记，在该紧凑空间中计算对应关系，再把输出投影回原始分辨率进行稠密预测。实验覆盖标清至2K的多个数据集，ReDT在重建质量和计算效率上优于现有方法；在ETH3D（2K）数据集上，相比VGGT-Ω实现16倍加速，并降低峰值GPU显存占用和倒角距离。
说明Bud ContextCompact 2.0：面向小型语言模型与受限上下文窗口的上下文压缩方法
简介该论文提出 Bud ContextCompact 2.0，一种在智能体运行时中用摘要替换较早对话轮次的上下文压缩方法，以便在小模型和受限窗口下继续长会话。在针对记录会话的回忆问答中，压缩将 1.2B 模型准确率从 0.247（截断）和 0.176（完整历史）提升至 0.335。在 SWE-bench Verified 的 100 个任务上，压缩使长会话的解决率从 41% 提高到 53%，但在 45 分钟会话预算下效果消失，因为每次摘要耗时中位数为 161 秒。
说明当解释被保留下来：注视感知助手中的后续影响
简介该论文研究AI助手在持续记录人的行为时，若保留对其动作或未来行为的解释，会如何影响之后的输出。实验固定检索到的事件、顺序和目标输入，发现自由形式的解释会放大历史影响，正确的历史带来更多有益改变，错误的历史则带来更多有害改变。作者还提出以证据为边界的解释方式，能减少无依据和过度确定的内容，并降低错误来源造成的有害影响。
说明诱导部分可观测条件下的动力学对齐表示学习：通过随机门控遮挡观测，改进基于模型的强化学习规划
简介该论文研究基于模型的强化学习（MBRL）中，从像素观测学习连续控制策略时的表示问题。作者提出随机门控机制：在训练中用 Beta–Bernoulli 随机场采样空间二值掩码并作用于原始观测，使编码器面对从近乎全遮挡到近乎全可见的不同条件。在 DeepMind Control Suite 的像素连续控制任务上，使用仅依赖开环模型推演的模型预测控制评估，结果显示该方法提升了规划性能和数据效率。
说明面向 5G 与 Open RAN 遥测的 KPI 感知多模态异常检测（KAC）
简介论文提出 KAC 框架，用于 5G/Open RAN 网络遥测中的异常检测。它通过 KPI 层面的残差与文本摘要对齐，把运维人员的简要描述转化为可学习的反馈信号，结合完整 KPI 时序信息。在 TelecomTS 等基准上，固定 2.5% 误报率时召回率在所评估的残差方法中最高，并已在 Nokia 的预生产影子模式中用于遥测窗口评分。
说明智能体能推到多远？实时语言经济博弈中的信任与安全边界
简介本文介绍作者在 GLEE 竞赛最后一周参赛的做法：一个受保护的智能体 Milton 与四个进行随机化政策试验的辅助智能体协作。研究显示，在谈判中学习定价提高了调整后的百分位，在说服实验中，对所有单位进行推荐在接收方有利时提高了销量，在不利时则降低销量，并且比诚实推荐导致更大的早期到后期购买下降。
说明多语言大模型中语言特定特征分布在哪些层：几乎所有层都有
简介此前研究认为多语言大模型的语言特定特征主要集中在首尾层，中间层偏向语言无关表示。本文通过四项实验（含葡萄牙语与西班牙语的细粒度分析，以及覆盖200多种语言的大规模语言识别）重新检验这一结论，以Llama 3.2 1B为测试模型。结果显示，语言身份在模型各层中都能被明显识别，模型还倾向于把模糊字符串判为更接近西班牙语。
说明从看见到报告：视觉语言模型可靠视觉集合生成理论
简介本文指出视觉语言模型在计数、框选、界面解析等任务中，输出的报告本身可能自相矛盾，例如同一回答中记录数与计数结果不一致。作者提出“从看见到报告”（FSR）理论及推理时的处理方法，在不改动模型的前提下提升报告的可靠性。论文在合成密集场景和ScreenSpot-Pro图形界面定位任务上进行了测试，并公开了相关协议、存储的响应和分析代码。
说明《Steered Not Stirred》：用代理奖励混合进行有效的奖励倾斜
简介该论文面向生成模型的推理时引导，指出真实奖励（oracle）往往难以获取或评估代价高昂，因此提出 MARTINI 方法，通过学习组合多个较便宜的代理奖励，使预训练模型趋向被真实奖励倾斜的分布。方法只需少量排序或数值反馈即可训练，并能与标准推理时引导方法配合使用；实验显示在语言生成、ImageNet 对齐和蛋白质-配体共折叠任务中提升了与真实奖励倾斜的吻合度，且推理时无需查询真实奖励。
说明形式化培养：将可验证的伦理属性嵌入人工智能的发展过程
简介本文提出“形式化培养”（Formal Raising）方法，将选定的道德价值表示为可由机器检查的显式属性，并在AI的开发、评估和行动选择中加以运用。作者设计了一个基于C语言的推理框架，依据优先级排序对候选行动进行伦理属性评估，并明确报告无法确定的情况。文中给出了涉及生命、真实性、伤害、隐私、自主权和严格规则等冲突的示例。
说明建筑数据集的AI就绪度评估：一个多维操作框架
简介本文提出了一个建筑数据集AI就绪度框架，包含元数据完整性、数据质量与代表性、数据治理与可获取性、AI效用四个维度共30项属性。作者用21个公开建筑数据集进行了评估，综合就绪度分数在0.720至0.964之间，平均0.879；自动建议与人工核验分数的一致率为90.5%。该框架旨在对异构的建筑数据集做出一致评估并找出就绪度缺口。
说明监督微调中的自蒸馏方法（Gold-Conditioned Distillation，GCD）
简介该论文指出，监督微调把专家示范当作独热目标，会压低模型本身认为合理的其他续写。作者提出 GCD，让同一模型兼任教师与学生：教师在上下文中看到标准答案，学生只看原始提示，并以前向 KL 散度逼近教师在每个标准答案 token 上的下一词分布。论文报告，在 Qwen 和 Llama 模型上，GCD 相比 SFT 提升了新任务准确率，并通常减轻了通用基准上的性能下降。
说明从提议到执行：共享自主中交互语义的建模
简介该论文针对人机系统中候选动作先由另一决策实体在不同目标下评估、再执行的情形，提出一个显式表示交互语义的决策框架。框架通过联合动作语言与解释函数，把动作和交互上下文映射为语义结果，再由其导出状态转移与奖励。论文在共享人机自主场景中实例化该框架，涵盖建议与授权等交互模式，并说明该形式化与标准马尔可夫决策过程规划兼容。
说明GroundedVDR：在视频深度研究中为视频与网页证据依赖建立锚定
简介本文提出 GroundedVDR 基准，用于检验视频深度研究中模型是否真正利用了视频时序信息和检索到的网页证据。该基准通过人工审核和受限访问探测排除可由参数知识或单一信息源回答的问题，并为每个问题标注视频片段与网页证据的对应关系，分别评估视频锚定、网页证据锚定和最终答案正确性。原文显示，在八个多模态智能体系统中，表现最好者的答案准确率为 76.0%，但没有一个系统能完整找出超过 8% 问题所需的全部网页证据。
说明SlimFormer++：在关键位置进行令牌混合，实现高效的三维医学图像分割
简介本文分析三维医学图像分割网络中计算资源应集中于何处，发现网络块内输入与输出表征高度相似。作者据此提出SlimFormer++，在第一编码阶段使用窗口化Mamba混合，深层仅保留残差通道MLP，并在瓶颈处以线性复杂度注入稀疏长程上下文。在八个公开CT、MRI和超声数据集（1,809例）上，该方法取得最高平均Dice（87.84%）和最低平均HD95（6.50毫米），参数量仅598万。
说明PCXR-Copilot：面向儿科胸部X光的设备感知分析系统，涵盖分割、设备抑制与水肿相关线索
简介本文针对儿科重症监护病房患者的胸部X光片，提出了一个标注了常见ICU医疗设备的公开数据集PediaDeviceSeg-1K，共1000张正位片。在此基础上，作者开发了PCXR-Copilot系统，可输出肺部和设备的掩膜、可选的设备抑制图像以及水肿相关的可视化图和量化指标。该系统已集成到波士顿儿童医院的TWIST平台中并可实时运行。
说明PRIMA：用于零样本社交身体行为识别的姿态精炼归纳运动适配器
简介该论文提出 PRIMA，一个轻量模块，在训练时以人体姿态作为监督信号，把身体结构先验注入冻结的视觉-语言模型，推理时只需 RGB 输入。模型的共享核心编码可迁移的身体构型知识，换用新的视觉-语言模型时只需重训投影头。作者在微动作数据集上训练，通过零样本提示评估，结果显示其在训练域、其他规模的骨干模型以及两个未见过的目标数据集上均有改进。
说明用于阿尔茨海默病脑部MRI时空预测的多模态条件潜在扩散模型
简介本文提出多模态条件潜在扩散模型（MC-LDM），用于生成患者个体化的脑部MRI预测。训练时利用MRI、tau-PET、临床痴呆评定量表（CDR）和APOE4等多模态生物标志物，推理时仅需基线MRI、APOE4及患者元数据。在ADNI数据集（1355次就诊、852名受试者）上训练，在664次就诊的独立测试集上，区域体积平均绝对误差比第二好的基线降低18%。
说明Java 各框架下一致的 LLM 调用处理：参考实现与基准测试
简介论文指出，Java 应用通过集成框架调用大语言模型时，应只重试可重试的错误、按服务商要求等待、不把截断的回答当作完整回答，并记录失败指标。作者用脚本化的兼容 OpenAI 服务商测试了 Spring AI 与 LangChain4j 在 15 种故障场景下的表现，并提出一个在 HTTP 层统一实现这一约定的共享核心。使用该实现后，三种客户端行为一致，91 个用例中有 90 个符合约定；另有一个用例属于在重试挂起服务与等待首个词元之间的策略权衡。
说明基于噪声复苏序列蒙特卡洛的文生图流匹配模型测试时扩展
简介本文提出一种面向文生图流匹配模型的推理时扩展方法（噪声复苏序列蒙特卡洛）。由于流匹配依赖确定性常微分方程，标准序列蒙特卡洛难以直接应用，该方法通过改变粒子的源噪声并基于当前终点估计构造新中间状态来实现粒子探索，并加入前瞻机制在加权前优化重采样粒子。实验在 Stable Diffusion 3、FLUX.1-dev 和 Z-Image 上显示奖励引导生成效果持续提升，消融实验验证了两个组件的作用。
说明P(Yes)：通过决策模型测试时搜索实现15倍提升
简介论文提出在不训练的前提下，对固定的决策模型做测试时搜索：把完整的候选答案交给模型，读取其判断答案正确的"Yes"概率，并搜索得分更高的答案。搜索可逐项修改答案，也可联合优化多项答案。在128道逻辑谜题上，Qwen3.8-27B完全正确的题目数从2道提升到30道，每空准确率从27.8%提升到48.5%。
说明阿拉伯语仇恨表情包检测的多任务融合方法（SZED团队提交）
简介该论文是SZED团队在ArGuard 2026 Track A阿拉伯语仇恨表情包检测竞赛中的提交。任务包括二分类（A1）和细粒度多标签标注（A2）。团队在A1中融合了MARBERTv2与CLIP ViT-L/14的特征，在A2中采用带有标签注意力的多任务架构。论文报告A1宏平均F1为0.7597，A2为0.3142，并分析了可复现性、各类别错误模式及级联校准的影响。
说明想象力的失败：视觉语言模型未能将视觉表征用于文本，但自蒸馏有所帮助
简介本文研究视觉语言模型经视觉问答训练后，其文本表征是否也随之获得视觉结构。作者构造了形状计数任务，同一问题分别以图像和文字坐标给出；多模态模型在图像版本表现好，但在文字版本并不更好，探测实验也显示其嵌入并不比纯文本模型包含更多视觉结构。作者进一步提出把上下文视觉嵌入蒸馏到文本嵌入的优化目标，结果在文字版任务上有所提升。
说明平滑插值情形下随机梯度下降末次迭代的近最优收敛率
简介本文研究在低噪声或插值情形下，使用恒定步长的随机梯度下降（SGD）在光滑凸目标上的末次迭代收敛速度。作者证明在任意恒定步长0<η<2/β下，经过T步后期望超额风险的界为Õ(1/(η(2-βη)^3 T)+η σ*²/(2-βη)^4)，在插值情形下达到Õ(1/T)，与Ω(1/T)下界仅差对数因子，并改进了Attia等人（2026）在η=1/β时的O(1/√T)结果。
看点提出新的二阶矩跨对数时间尺度比较技术，改进了恒定步长SGD最后迭代点的收敛率至近最优，证明严谨，对优化理论子领域影响较大。
说明关于推理正确性方向的研究
简介该论文用一个可控的算术推理任务 ChainSearch（在 Countdown 基础上加入显式搜索与回溯）训练了一个 300 万参数的小模型。作者用线性探针、均值激活差和直接优化等方法，在模型内部寻找与推理正确性相关的方向。结果显示模型内部存在统计上显著的正确性方向，但这些方向在因果干预下都没有稳定地改善推理表现，因此作者质疑线性表示假设是否足以识别在推理中因果有用的方向。
说明DiaLong：长对话语境中记忆能力的基准测试
简介本文提出 DiaLong，一个长上下文对话数据集及配套的记忆任务，用于量化评估大型语言模型在长对话中保留和回忆信息的能力。数据集包含 100 段由人工创作并经 LLM 扩充的对话，长度超过现有数据集。任务要求模型判断关于对话的 40 条候选事实是真是假。作者测试了最新的 LLM 和若干记忆增强方法，结果表明模型的记忆表现仍有待提升。
说明面向可部署医学图像分割的可靠性保持压缩
简介本文研究预训练医学分割模型在训练后压缩时，除Dice与模型大小外，不确定性信号是否被保留。作者提出SGAV-MP方法，依据收益风险评分选择各层量化精度，并在校准集上完成全模型可靠性验证后才接受压缩。摘要称，在五个2D主干网络和三个3D基准上，该方法在保持FP32级Dice与较高不确定性图一致性的同时，实现了2D约3.59至7.8倍、3D约4.73至7.82倍的压缩。
说明BiDex-100：涵盖100多项仿真任务的双手灵巧操作综合基准测试
简介本文提出BiDex-100，这是一个面向双手灵巧操作的仿真基准，包含106项任务，分为泛化、指令遵循、有限示范、长时程和记忆五个能力维度，并为每项任务提供带有受控视觉和空间变化的域外变体以评估鲁棒性。该基准支持两种机器人本体，提供8080条经成功验证的遥操作示范（共625万帧）。作者在统一协议下评估了七个近期的视觉-语言-动作模型，建立了能力、鲁棒性和数据效率方面的基线。
说明用于AI来电筛选代理的小型语言模型后训练：带质量控制的回复与摘要数据
简介论文提出一种在设备端为AI来电筛选代理训练小型语言模型的方法：先用合成通话构建数据，再由模型审核筛选，共得到3,395通电话、15,102个训练目标。训练后，在192通保留通话上，六个模型的回复合格率从21-54%提升到94-97%，摘要合格率从0-6%提升到43-72%。评估依赖同一模型的标准，尚未经过人工验证。
说明System X：可用自身 KV 缓存直接生成文字回复的大语言模型决策模型
简介论文提出 System X，在大语言模型决策模型中加入文字回复选项：该选项胜出或置信度较低时，模型直接沿用决策阶段的 KV 缓存续写，避免重复预填充。实验显示 JevBench 准确率无显著变化，校准误差下降，并节省约 15%至 37% 的延迟。改进版 v4 在 JevBench 上准确率提升，但仍存在状态冲突和回复细节无依据等失效情形。
说明奇异数据集上的半监督学习：用次解析集刻画奇异数据云并进行分类
简介该论文提出用次解析集（subanalytic sets）来建模奇异的数据点云，并据此设计半监督学习方法。方法依赖于相对全局次解析测度（可能具有奇异支撑）的Sobolev空间的Morrey型嵌入。作者给出一种基于候选解Sobolev范数蒙特卡洛近似的贪心算法，并在采样自真实代数簇的点云以及下采样为7×7的MNIST图像分类问题上进行了数值实验。
说明UBD-Bench：自动驾驶多模态感知中单模态分支退化的基准与分析
简介该论文提出UBD-Bench基准，用于研究多模态感知中单模态分支的表示退化问题。通过配对冻结分支探针比较单模态训练与多模态联合训练后同一模态的表示质量，在四项自动驾驶感知任务和10个模型上发现摄像头分支在多模态联合训练后普遍退化，激光雷达分支变化较弱且依赖模型。作者还提出在退化表示处进行单模态到多模态蒸馏，该方法在四项任务上均提升了摄像头分支表现和整体模型性能。
说明增强型掩码扩散遗忘方法（EMDU）：让掩码扩散语言模型忘记指定内容
简介掩码扩散语言模型通过双向上下文逐步还原被掩码的词元生成文本。本文针对现有方法MDU的两个失效模式提出改进方案EMDU，使用整段答案都被掩码的冻结锚点，并以锚点在前的KL散度进行训练。在TOFU和RWKU基准、LLaDA-8B与Dream-7B模型上，EMDU的遗忘效果与MDU及改造后的自回归基线相当或更好，同时更好地保留了保留集上的能力。
说明逐步推理验证：不要生成，要分类
简介本文将大语言模型推理的逐步验证视为自然语言推理任务：题目与已有解答前缀作为前提，下一推理步骤作为假设，判断其是否被蕴含。在五个推理数据集上，0.15B编码器分类器优于多数参数不超过4B的生成式验证器；在相同解码器骨干上，分类在0.5B至4B间优于生成，在7B骨干上持平，且所需标注题目约为十分之一。作者认为，强验证并不需要大型生成式解码器。
说明低资源档案OCR的设计考量：以拉科塔语为例
简介本文研究如何将不超过30亿参数的小型视觉语言模型用作拉科塔语（北美原住民语言）的光学字符识别工具。作者针对训练预算受限、分段噪声、扫描退化和拼写变异等实际问题进行了探讨。在双语语料上，用35页转录数据做OCR后校正微调，字符错误率从原先的较高水平明显下降；若只用9页训练，结果仅略有变差。但在自动分段的现实条件下，最佳模型的字符错误率几乎翻倍，作者由此强调应考虑真实使用场景。
说明现代智能手机上的PRNU还有希望吗？设备专属指纹在计算摄影中仍然存在的证据
简介本文研究用于识别拍摄设备的PRNU（照片响应非均匀性）指纹在现代智能手机上是否仍然有效。作者使用30款近期智能手机，在受控条件下采集图像，发现同一型号共有的成分会抬高标准sPCE分数。为此提出ΔsPCE方法，通过减去图像与其他候选相机指纹的平均sPCE进行归一化，提高了归属准确率。文中指出数据集规模有限且依赖候选相机集合，但结果表明只要比较方式得当，基于PRNU的现代智能手机溯源仍然可行。
说明DragonMoCap：面向多种龙骨架拓扑的单目视频动作捕捉
简介该论文针对龙类角色的单目动作捕捉问题，目前此类角色多依赖手动关键帧制作。作者提出DragonMoCap框架，将目标骨架视为动态输入，并用语言引导的关节查询标记以及无需重新训练的非参数检索机制，实现对未见骨架的零样本适配。论文称其在多种龙骨架上优于HMR类基线方法，并已集成到专业动画工作流程中。
说明RARE：面向开放式生成的自适应评分标准演化强化学习
简介该论文提出 RARE 方法，用于开放式生成任务的强化学习训练。它依据当前策略的反馈，替换已被完全满足、不再有区分度的评分标准，改为检查剩余的质量差异，同时保留其他标准。在视频脚本生成的三类视频上，该方法相较匹配的静态评分标准平均提升 3.82 分，模型与人工偏好评价也支持这一结果，并且在写作和通用生成基准上同样有所改进。
说明MOSAIC：在大语言模型各解码层之间分配推理缓存的多目标搜索方法
简介本文提出MOSAIC，用多目标神经架构搜索为每一层学习KV缓存预算，可配合多种令牌淘汰方法使用。在Llama-3-8B-Instruct和Mistral-7B-Instruct-v0.2上，它在154组设置中有146组优于均匀分配，最多在RULER上提升48分，并可在相同分数下将KV缓存减少至四分之一。学到的分配普遍偏向少数中间层。
说明保持流形：冻结专家对齐，用于标注高效的SAR场景理解
简介本文针对合成孔径雷达（SAR）图像与自然语言的跨模态对齐问题，提出冻结专家（Frozen Expert）框架：冻结SAR编码器CROMA与CLIP文本编码器，仅通过轻量级受约束残差桥接模块进行学习。作者用Procrustes差异度量化“物理遗忘”，结果显示该方法保留SAR几何结构的效果优于微调（0.210对0.351）。在零样本SAR场景分类中，该方法使用最多少8倍的训练数据，仍优于微调基线。
说明Mixture-of-Memories：一种低开销、模块化注入知识的语言模型记忆框架
简介该论文针对大语言模型知识难以控制、更新和可靠调用的问题，提出 Mixture-of-Memories（MoM）框架，将可路由的神经记忆与可写入的事实记忆分开。框架以冻结的基础语言模型为核心，配合潜在记忆和词汇记忆两个神经记忆专家，并由轻量路由器根据不确定性和分歧特征分配每个词元的混合权重。实验涵盖语言建模、事实问答、更新分析和效率评估，结果显示其在提升预测准确率和可更新性的同时保持较低的推理开销。
说明从标签先验到任务证据：基于贝叶斯 GRPO 的高效长视频关键帧选择
简介多模态大语言模型处理长视频时计算量大、上下文有限，因此需要先挑选关键帧。本文提出一种概率框架，先用监督学习得到轻量选择器，再以冻结的多模态大模型作为任务环境，用其答案似然作为奖励，通过贝叶斯 GRPO 优化选择器。实验显示，该方法在 Video-MME、MLVU 和 LongVideoBench 上具有有竞争力的准确率，且训练一次即可迁移到多个下游模型。
看点将帧选择重构为潜变量推断，并用冻结MLLM的答案似然作为密集奖励做贝叶斯GRPO优化；在三个长视频基准上验证，跨MLLM迁移。
说明UniState：统一记忆与干预以实现可控世界模拟
简介本文提出UniState框架，用统一的世界状态表示同时承载空间记忆与用户干预。用户可直接在空间记忆中指定物体运动，并独立选择观察世界状态的相机轨迹，从而把物体运动与视角变化区分开。训练与采样策略帮助生成的视频遵循指定的物体运动和相机轨迹，同时保留生成额外合理响应的能力。实验显示其在联合控制物体与相机方面比现有方法更准确。
说明摩洛哥达里贾语比喻语言理解：大语言模型评测
简介本文提出摩洛哥达里贾语比喻语言语料库（MDFC），涵盖习语、隐喻和谚语，可用于机器翻译和选择题任务。作者在词句与语境两个层面，用零样本和六样本设置评测了19个开源与闭源语言模型及翻译系统。结果显示闭源模型翻译表现最好，而语境信息的作用因模型和任务而异。
说明MT Forcing：基于自回归扩散的稳定一致多轮图像编辑方法
简介该论文针对多轮图像编辑中画质漂移、内容不一致的问题，提出 MT Forcing 训练范式，用于基于自回归扩散的统一多模态模型。其包括单轮分布匹配蒸馏（Single-Turn DMD），以一次性累积编辑的教师模型指导学生自回归展开，并引入教师强制引导（Teacher-Forcing Guidance）以增强跨轮内容一致性。作者称实验显示该方法提升了模型多轮编辑的稳定性与一致性。
说明形式变化而逻辑不变：通过逻辑结构构建逻辑不变的大语言模型
简介该论文指出，大语言模型在逻辑等价但表述不同的输入上预测常不一致，对未见过的逻辑形式泛化较差。作者提出LoGIST框架，把每个输入映射为表示逻辑结构的决策图（有向无环图），并将其编码为逻辑嵌入来引导模型推理。实验显示，该方法在多种训练设置下减少了逻辑等价下的不一致，并提升了对未见逻辑形式的泛化能力。
说明RAHF-Net：面向LiDAR辅助RGB语义分割的距离感知异构融合网络
简介本文研究利用LiDAR点云特征辅助RGB图像进行逐像素语义分割。作者提出RAHF-Net，通过柱面到透视投影模块将预训练的柱状体素特征映射到图像平面，并利用基于深度的软距离掩码，在近场区域进行LiDAR引导的几何增强，在远场稀疏区域进行视觉上下文增强。在KITTI-360上取得65.76 mIoU，超过包括CMX在内的基线方法1.45个点；在DELIVER上的实验显示其在恶劣天气、光照退化和传感器损坏条件下更稳健。
说明把无法验证的英文领域文本转化为跨语言强化学习训练任务：基于语码转换的任务合成
简介论文提出一种以数据为中心的方法：从无法直接自动验证的英文领域文本中，合成目标语言以及语码转换（中英混合）形式的可验证强化学习任务。研究以填空式多项选择问答为任务形式，在韩语医学基准和四种目标语言的网络安全基准上进行实验。结果显示，语码转换训练在目标语言平均表现上优于单语和双语混合的基线方法，同时英语表现基本保持不变。
说明PolarVis：面向复杂驾驶场景的 RGB 到偏振感知数据集与扩散框架
简介论文提出 RGB-P Wild 数据集，包含 10,000 组配对的 RGB 与四个角度线偏振图像，并提出 PolarVis 扩散框架，用于从单张 RGB 图像恢复偏振表示。在该数据集上，PolarVis 的归一化域 MSE 为 0.0465，PSNR 为 27.83 dB，SSIM 为 0.8597。在下游检测评估中，使用 PolarVis 生成偏振信息的冻结 PCDNet 取得 86.3%/59.1%（AP50/AP50:95），接近使用实测偏振时的 87.0%/59.8%。
说明基于三维驱动框架的移动相机透视视频转360度视频生成
简介该论文提出一种模块化、以三维场景为核心的方法，将移动相机拍摄的透视视频转换为360度视频。输入画面先被显式重建到三维场景中，未被观察到的区域由预训练的全景图像模型补全，再融入共享的三维场景以保持跨视角一致。论文称该方法无需额外全景视频训练，在Argus评测集的静态场景子集上取得了较好的输入视角保真度、感知质量和几何一致性。
说明Paloma：用于时间序列预测的相位条件残差调制方法
简介论文指出，去除周期成分后的残差并非无结构噪声，而是随相位变化的结构化偏差。作者提出Paloma框架，包含相位旋转和幅度缩放两个模块，并可作为插件接入现有预测模型。在十二个数据集上的实验显示其预测性能达到先进水平，并能稳定提升多种基线模型。
看点将残差视为相位条件信号并用相位旋转与幅值缩放建模，是对周期分解方法的实质改进；在十二个数据集上验证并可作为通用插件。
说明ATLAS：面向组合式视觉自回归生成的注意力引导测试时潜变量选择方法
简介该论文提出ATLAS，一种无需训练的框架，利用冻结生成器的内部注意力在最终图像生成前指导搜索。它保留多个粗略候选路径，在中间尺度剪枝而不解码，并仅对部分轨迹进行图像评估。论文称在T2I-CompBench和GenEval上组合质量提升，且生成时间减少超过50%。
说明隐藏的未来信息：电力市场数据中的时点泄露问题
简介许多电价研究声称模型只使用交易决策时已有的信息，但论文指出，基于商业天气预报档案的模型未必满足这一条件。作者以英国日前和日内拍卖时点为基准，对十种天气模型配置的128,656次预报记录的发布时间戳进行核查，发现多数配置的"最新预报"在拍卖时实际尚未发布。论文因此提出一套仅依据时间戳、在建模前审计数据时点正确性的方法。
说明《Only Means Only》：图像协调基准分数平均了什么
简介该论文指出，图像协调基准的测试集中有约四分之一的合成图与训练集共享同一原始照片，而官方分数未报告这一混合比例。作者发布了一份剔除共享构造的 5,581 张合成图测试列表，无需重新训练即可使用。
说明图像数据的结构化相关性确定与通道可加高斯过程
简介本文为图像类输入的高斯过程设计了带结构化超参数共享的径向基函数核。通过让相邻像素组和同一颜色通道共享长度尺度，减少需要独立学习的参数数量，并提出通道可加高斯过程用于多通道图像。在MNIST和一个低分辨率RGB卫星图像飞机检测数据集上，相比各向同性和全各向异性RBF基线，预测性能有所提升。
说明基于结果锚定的信用重分配：用于智能体式知识图谱问答
简介该论文针对智能体式知识图谱问答中，结果监督强化学习把同一结果优势统一分配给所有生成词元、与知识图谱操作效果不匹配的问题，提出结果锚定信用重分配方法OACR。方法在训练阶段使用知识图谱状态结果模型，估计相邻搜索状态间结果奖励的变化，并将其转换为操作信用，进而得到词元级权重来调整更新幅度，同时保持结果优势的符号不变。在三个基准上，OACR整体表现优于现有方法，且推理时的大模型调用次数和词元消耗更少。
说明弱次模性遇上拟阵：标准贪心算法表现如何？
简介本文研究在一般拟阵约束下，标准前向贪心算法的最坏情况近似保证 R_gr(γ,r)，其中 γ 为次模比，r 为拟阵秩。作者给出了更精细的下界，严格优于此前的 0.4γ²/(1+√(γr))，并建立了相应的上界，将已知的 O(1/log(n-1)) 上界改进为 O(r^{-1/2})，最终给出 Θ(max{γ/r, γ²/(1+√(γ(1-γ)r))}) 的紧致刻画。
看点解决了带拟阵约束弱次模贪心算法的长期开放问题，给出近紧的上下界，严格证明，改进了已有结果。
说明用随年龄调节的网络模拟婴儿感官
简介研究者汇总了婴儿前两年视觉、听觉和触觉发育的已有测量数据，为各感官建立随月龄变化的固定输入滤波器，并在其后训练小型预测网络。滤波器本身即可复现各感官成熟的先后顺序。网络结果显示，早期视觉提取的信息远少于输入所能提供的（新生儿阶段玩具位置的 R² 为 0.00，而直接在同一输入上训练的网络为 0.57），听觉则与输入信息量相符。相关工具 Baby Senses Lab 可让用户查看自己的图片和声音在特定月龄婴儿眼中的样子，仅用于研究与教学，不是诊断测试。
说明TILDE：基于具身基础模型的教师在环蒸馏方法
简介论文提出TILDE方法，把大规模动作预训练的具身基础模型（EFM）的操作能力迁移给未经动作预训练的策略：在学生策略产生的状态上做在线蒸馏，并结合教师执行的恢复轨迹进行学习。作者还提出AutoDAgger自动数据汇聚流程，利用机器人奖励模型监测任务进度并触发教师介入，无需人工监控即可收集恢复经验，采集速度比人在环方法快2倍以上。在三个真实世界任务中，TILDE的任务表现较行为克隆最高提升4.1倍，并支持跨架构蒸馏。
说明挖掘自重写系统：面向AI原生基础设施的数据挖掘愿景
简介本文提出"自重写系统"这一新研究对象：智能体的行为会改变之后用于训练与评估的日志、语料和记录，从而产生内生漂移。作者主张，仅靠单一数据源的监控无法可靠地归因跨数据源的原因，需要联合分析，并提出四个基础研究问题（C1–C4）及公开基准的评估思路。文中以AI原生电信作为示例，并提及金融、软件持续集成与发布及临床决策支持等类似场景。
说明MemDerive：面向演化数据的智能体记忆诊断基准
简介该论文提出 MemDerive，一个用于评估智能体记忆能力的诊断基准，针对随时间变化的数据。它用符号方式描述场景，借助 Datalog 计算精确标准答案，并记录每个查询的推导图。基准包含 10 个场景、4,692 个事件和 1,503 个查询。评估显示，多数记忆系统在推导状态上的表现不及简单的 BM25 检索，主要失败在于未能取回所需的中间状态。
说明口哨、错词与合成查询：哼唱检索中合成数据不足以替代真实查询
简介本文研究用口哨或错误歌词演唱来按旋律检索歌曲的问题。作者用物理模型和两种神经生成方法合成查询进行训练，但在真实口哨测试中，合成数据均未能有效提升效果。在使用真实口哨数据微调后，检索准确率有所提高，因此作者认为收集真实查询是必要的一步。
说明英国陆上风电场次日发电功率预测：基于深度神经网络的多站点学习
简介本文使用88个英国陆上风电平衡机制单元的历史发电数据和再分析气象数据，训练多站点深度神经网络，每天9点为次日0点至24点的发电功率做预测，与NESO的日前预测时间安排一致。与站点单独训练的RNN及多站点XGBoost相比，带双向气象编码器的BiRNN表现最佳，相对NESO的平均绝对误差和均方根误差分别降低17.94%和12.51%（基于638,246个匹配的小时观测值）。留一法实验显示，在32个被排除的站点上其误差仍低于NESO。
说明用绘画变化图引导绘画过程生成
简介本文提出“绘画变化图”（Painting Change Map），一种时空控制机制，用于引导视频模型生成绘画的正向绘制和反向擦除过程。它在1000个时间步的范围内，把局部视觉差异编码为RGB空间，以同时指定动作发生的位置与时间。论文称该方法优于现有控制基线，并与最先进的绘画生成方法相比具有竞争力或更优结果。
说明通过偏好对齐阿拉伯语模型的文化行为
简介本文针对阿拉伯语大语言模型在按国家对齐文化行为方面研究不足的问题，提出了 ArabPref，据作者所称是首个面向泛阿拉伯地区、按国家划分的大规模文化行为偏好数据集。研究发布了英文和现代标准阿拉伯语两种资源：用于训练与评测的偏好数据集，以及用于评估各国文化对齐行为的多项选择基准，测试数据均经母语者验证。作者在多语言和以阿拉伯语为中心的模型上尝试了多种后训练方法。
说明面向世界相对轨迹一致性的算子错配对比学习
简介本文指出，世界模型不应只看未来是否合理，还要看未来是否符合实际生效的潜在规则。作者提出算子错配对比学习（OMC），以“合理但算子错误”的轨迹作为困难负样本，并设计直接衡量世界相对一致性的评估方法。实验在合成基准与CoPhy ballsCF特征级外部验证上显示，该方法能显著提升对算子敏感的评分能力。
说明谁说服了谁？追踪多智能体系统中大语言模型如何改变立场
简介本文研究多个大语言模型相互辩论时，同伴的论点如何影响个体判断与集体结果。作者构建了包含2400道题目的MAD Bench基准，涵盖知识推理、价值观与道德判断、安全与拒答三类，并与独立反思对照组比较。结果显示，辩论后的一致未必代表独立印证，辩论可能使一致的错误答案增加，因此评估时还需关注依赖性与一致错误。
说明CD-OPD：面向同策略蒸馏的上下文摘要方法
简介论文指出，在同策略蒸馏（OPD）中，即使学生与教师各自都能正确回答同一问题，教师接管也可能导致错误回答，并用协作失败率（CFR）衡量这一问题。作者提出 CD-OPD，由教师生成依赖图，把问题条件和前序推理整理为节点摘要，连同教师指导一起放入上下文摘要，再由学生继续生成；并通过在线元重加权优化摘要部分的更新。论文称，在八个基准上平均准确率比代表性现有 OPD 方法提高 1.32 至 7.05 个百分点，且相对基于接管的 OPD 方法降低了 CFR。
说明LateMatch：通过可缓存匹配突破交互瓶颈，实现高效视觉定位
简介该论文针对边缘设备上视觉定位计算量过大的问题，提出LateMatch方法，把图像间的交互推迟到网络最后几层，使图像内的上下文处理可离线缓存。作者还提出E-SToRE，依据熵的变化动态减少交互前的标记数量。论文称，在多个数据集上，LateMatch的有效计算成本比标准深度匹配器降低两倍以上，E-SToRE额外节省10%至14%，精度损失可忽略。
说明CHSM8：一个能遵循自然语言风格提示下棋的国际象棋Transformer模型
简介论文提出CHSM8，一个2.1亿参数的国际象棋Transformer，可根据文字描述的下棋风格（如“走西西里防御”或“稳健保守”）来选择走法。模型在约10.7亿局经过筛选的Lichess对局上预训练，不使用搜索。经微调并加入偏好优化（DPO）后，各类风格提示下的风格遵循度有所提高，同时无提示时的棋力基本保持不变。
说明局部证据与全局失败：诊断音视频语言模型中的语音-视觉时序组合问题
简介该论文研究音视频大语言模型在整段视频的语音-视觉判断中可能失败，即使有用的视觉证据在局部可以恢复。作者提出无需训练的诊断框架TED，将局部视觉验证与相对语音区间的证据聚合分开。在SVHalluc上对四个冻结模型的实验显示，时序预测准确率从整段提问时的29.3%至33.7%，提升到使用TED后的79.3%至82.2%，并通过控制实验检验替代解释。
说明当规划问题对大语言模型变难：区分结构复杂度与语义可解释性
简介该论文研究大语言模型在经典STRIPS规划问题上的表现，区分问题本身的结构难度与符号词汇的语义理解难度。作者发现，已有的delete-relaxation启发式h_add无需训练即可较好地预测结构难度；将谓词重命名（保持状态、转移与最优计划不变）后，大语言模型的有效规划成功率明显下降，而拒绝率保持为0%。论文认为，改进混合规划需要建模大语言模型对谓词语义的敏感性，而非开发更多结构预测器。
说明预测类别校正：为无校准数据的类别设定共形阈值
简介该论文针对长尾场景中缺少标注校准样本的类别，提出预测类别校正（PCC）方法。它根据分类器头部的几何描述符预测每类阈值与边际阈值之间的偏移，无需任何标签即可为无校准样本的类别给出单独阈值。在ImageNet上，PCC在平均集合大小相当时提升了此类最差类别的覆盖率，同时论文也指出，低于约每类35个测试样本时，最差类别覆盖率无法可靠衡量。
看点提出无标签类别的共形阈值预测方法，用分类器权重几何描述符回归偏移，并指出评估深度限制，证据充分但适用范围有限。
说明MCSplat：面向自动驾驶场景的多视角光度与几何一致前馈高斯泼溅重建
简介该论文提出MCSplat框架，用于从稀疏多视角图像快速重建自动驾驶场景。方法通过深度引导的多相机对应关系构建统一的规范外观空间，将几何学习与各相机的曝光、ISP和光照差异解耦，并用多尺度双边网格Transformer恢复原始相机外观以进行光度监督。此外，依据光度敏感性估计Fisher信息不确定性，用于自适应加权表面自监督。实验显示重建质量与跨数据集泛化能力提升，深度一致性和表面法线一致性更好。
说明FoundPDE：用于偏微分方程符号发现的生成式基础模型
简介该论文提出FoundPDE，一个用于从数据中发现偏微分方程（PDE）符号形式的预训练模型，输入离散化的时空轨迹，输出符号方程。在覆盖20个PDE类别的干净域内基准上，类型识别率为97.50%；在系数偏移和乘性高斯噪声下性能有所下降（10%噪声时为52.09%）。对于未见过的复合方程，少样本微调在四个留出类别上精确恢复率超过90%。
说明CASE：用于增强语音驱动三维面部动画的互补式发音感知语音编码器
简介该论文提出CASE编码器，通过将短语音片段与三维唇部网格的VQ-VAE隐变量进行对比对齐来适配通用自监督语音编码器，使其表示更贴合可见的发音动态。在四个VOCASET基线上，融合CASE后平均唇部顶点误差有所下降，全脸顶点误差在各系统中均下降。研究使用韩语语音-几何配对进行适配，在英语VOCASET上评估，结果与跨语言下游迁移一致。
说明借助形式化验证的自动研究，分析多头注意力的表达能力
简介本文研究单层、仅含注意力的 Transformer 中，多头注意力的头数如何影响其表达能力。作者定义布尔函数的头复杂度，即表示该函数所需的最少注意力头数，并推导出精确的表示形式、一个一般性的阈值度下界，以及一个使下界严格成立的十比特函数。对于对称布尔函数，作者证明头复杂度等于函数在相邻汉明权重层之间取值变化的次数。论文的猜想、定理证明与机器验证由前沿模型完成，人类研究者负责提出问题并审阅结果，相关 Lean 形式化证明已公开。
看点给出多头注意力头复杂度的精确刻画并证明阈值度下界，且给出严格界限的显式例子，全部经形式化验证，影响主要限于理论与可解释性子领域。
说明面向边缘部署的轻量级实时驾驶安全框架：集成车道偏离与交通标志识别
简介该论文提出一个可在车载嵌入式设备上运行的统一ADAS框架，同时完成车道偏离预警和交通标志检测识别。框架基于轻量车道分割并包含可行驶区域备用方案，交通标志部分采用两阶段流程，并构建了35类本地数据集，将样本从359张扩增至8750个。在NVIDIA Jetson Orin Nano上，系统端到端达到15 FPS，检测mAP为97.4，验证准确率为95.6%。
说明与固定特征相比，学习到的特征在无分布假设下的可分离性
简介论文证明：在不依赖输入分布的设定下，学习到的特征仍可能带来计算优势。作者构造了一类假设类，两层ReLU网络配合基于自然梯度的算法可以高效学习它，而任何多项式维度的固定特征映射加线性预测器都无法表示它。该结论回答了Feldman、Kamath和Srebro（2026）提出的COLT公开问题。
看点解决了关于学习特征与固定特征分离是否可在分布无关设定下成立的公开问题，并给出了构造性的理论分离结果。
说明CoRe-WM：用于乳腺DCE-MRI纵向治疗反应预测的条件化响应状态世界模型
简介该论文针对乳腺癌新辅助化疗后的病理完全缓解（pCR）预测问题，提出一种把预测视为世界建模的方法CoRe-WM。模型学习潜在状态转移，根据已观察的影像序列预测下一个影像状态，并以患者临床特征和所用治疗进行条件化；其中因子化响应状态通路将治疗反应动态与影像外观分离。在I-SPY2数据集上进行五折交叉验证，并在I-SPY1上评估跨队列迁移，结果显示其在各决策点判别能力最高。
说明跟随混合组：用于零方差网页推演的脊线追踪高斯采样
说明MPIG：从单一偏振观测生成多角度偏振图像
简介本文提出MPIG方法，利用基于Swin Transformer的框架，仅依据0°偏振观测，预测缺失的45°、90°和135°偏振视图。作者还构建了包含5,474组四角度高分辨率偏振图像的真实场景数据集HighPol。实验显示该方法在图像与偏振精度上有所提升，并在玻璃检测与语义分割下游任务中保留了任务相关信息。
说明论文说明：在强化学习后训练中寻找组内奖励分化的提示词（概率先验 Aperture）
简介该论文针对 GRPO 类强化学习后训练中的一个问题：当组内奖励全对或全错时方差为零、优势为零，计算资源被浪费。作者提出 Aperture 方法，用少量提示词的短期探测训练，预测每个提示词未来的通过率，并据此估计一组样本出现分化的概率，作为静态采样权重。实验显示，在 1.7B 与 4B 模型的数学和逻辑推理任务上，该先验提高了贪心准确率，并增加了优势非零的组的比例。
说明搜索增强型大模型在快速变化的知识推理中，何处、为何失败
简介本文提出TREK评测套件，包含可归因失败环节的TREKTRACE框架、真实世界问题的元基准TREKBENCH-WILD，以及带时效、相关性与可信度干扰项的受控基准TREKBENCH-CTRL。研究发现，主要瓶颈在于检索之后的推理，前沿模型即使检索到所需全部信息，仍常被相互冲突的证据误导；且以过时干扰项为主的基准会明显低估任务难度。
