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LM-DSB：用于建筑工地每日安全简报自动生成的轻量多智能体系统
简介本文提出一种名为LM-DSB的轻量多智能体系统，用于自动生成建筑工地的每日安全简报。该系统结合检索增强生成与可在消费级电脑上本地运行的大语言模型，并以37份健康、安全与环境文件作为知识依据。实验显示，多智能体RAG系统在词汇一致性和文档完整性等指标上表现较好，专家评估的平均分在3.50至4.20之间（5分制）。
说明基于模拟岩石学标签，从全岩地球化学数据概率预测矿物组成
简介该论文利用模拟生成的岩石学标签训练机器学习模型，从全岩化学成分预测矿物的种类与含量分布。模型先用约78.8万个全岩成分做自监督预训练，再结合近百万条模拟标签训练预测头，最后通过校准层与实测矿物学数据对齐。在640个火山岩样本上，模型能区分大多数矿物类别的存在，但预测丰度与实测值存在系统性偏差；仅用25个已标注岩石进行校准即可恢复大部分似然提升。
说明FORESEE-MS：基于基线FLAIR MRI前瞻性预测多发性硬化未来病灶的空间位置
简介本研究探讨基线FLAIR MRI能否识别未来可能形成病灶的区域，并提出FORESEE-MS评估方案，以按折划分的人群先验图谱作为基线。研究在MSSEG-2数据集的39名受试者上，采用5折交叉验证比较了五个深度学习模型与该图谱。结果显示，图谱在汇总体素级指标上表现最好，但深度学习模型在部分患者内定位指标上略有提升，而多数置信区间包含零，因此在此小样本中，这些信息是否优于人群先验图谱仍不确定。
说明用基于性质的测试检验稳健的 softmax 与交叉熵
简介Barron 等人（2026）指出，几乎所有标准机器学习库中的 softmax 和交叉熵函数存在两个数值问题。本文通过 Hypothesis 中简单的基于性质的测试重现了这些问题，并发现其实现中还有一个额外的边界情况会失败。作者随后提出了更稳健的 softmax 实现，它通过了这些测试，并支持因果注意力掩码。文章还将该实现与原有实现进行了比较。
说明排斥式种群策略梯度：面向行为多样性的强化学习
简介该论文提出RePPO方法，在PPO基础上用依赖种群、动态调整的奖励，直接优化一组紧凑且多样、质量较高的策略。在标准连续控制任务上，它在质量与多样性的权衡上优于现有质量多样性强化学习方法。在基于像素的任务和大语言模型微调中，RePPO保持与标准PPO相当的质量，同时显著提高多样性，并首次表明此类方法可扩展到语言模型领域。
说明SO-101 Bench：面向空间操作的低成本机械臂仿真基准
简介本文提出 SO-101 Bench，一个基于 Isaac Lab 数字孪生的仿真基准，用于评测低成本机械臂 SO-101 上的语言指令驱动空间操作任务。基准包含四类任务、138 个物体及 916 个评测回合，并提供 3,629 条仿真示范用于微调。在仿真中排名与真实机械臂一致（Spearman rho = 1.00），但仿真中的成功率被高估。最佳学习策略成功率约 61%，而让 LLM 编写代码并调用学习策略抓取的智能体达到 83.2%。
看点提出面向SO-101的仿真空间操作基准，并验证仿真排名与真机一致，证据较扎实，对子领域有实用价值。
说明SpeeDiff：可扩展的像素锚定端到端潜在扩散模型
简介该论文提出SpeeDiff，一种从头开始联合训练VAE与扩散模型的潜在扩散方法。为避免直接端到端训练导致潜在空间坍塌，作者提出Tweedie像素重建（TPR）损失，通过Tweedie公式从中间噪声状态解码预测的干净潜变量，提供像素级反馈。论文报告，SpeeDiff-XL在ImageNet 256x256生成上训练速度分别比Vanilla SiT和REPA快140倍以上和61倍以上，无引导下FID为1.50；使用32倍压缩VAE后，ImageNet 512x512上无引导FID为1.53。
说明大语言模型在滑块拼图中无工具规划的可验证效率上限
简介该论文研究大语言模型在不借助工具、不依赖执行反馈、一次性生成完整计划的情况下，解决4×4滑块拼图的内在规划能力。作者提出可验证框架，把加权计划效率分解为执行可靠性、合法计划间的规划协调性和已完成计划间的行动经济性三个因素，并通过轨迹回放与认证最优解进行验证。实验评估了七种模型条件下的8400份完整计划输出，结果显示，即便每次都能完成任务的模型，在更长步数下也会变得less经济，框架能区分协调失败与低效完成。
说明线性时序预测编码中的持续性、暴露与信用分配
简介本文针对线性时序预测编码（tPC）网络，运用细胞层论（cellular sheaf theory）工具分析时序信用分配。作者指出，该过程是空间位移与时间误差之间的拉锯，其比例由持续性算子P与暴露算子Q调节。文章还提出持续性与误差暴露之间存在权衡，并认为循环结构可通过在持续模式与暴露模式之间路由来缓解这一问题。
说明专家岩性标签并未改善海洋沉积物性质预测的学习效果
简介研究者用LILY海洋钻探数据库中约23.7万个观测值（来自296个钻孔）训练一个自监督嵌入模型，输入包括体密度、磁化率、自然伽马辐射及红绿蓝反射率等六项常规测量。结果显示，嵌入向量能够区分地质学家指定的岩性类别，而在训练中加入这些标签并不改善学习效果，提高标签权重反而降低重建效果。该嵌入还能预测训练中未出现的物理性质，在未见过的钻孔上表现优于仅使用深度的方法。
说明kw-bench：在真实任务上考验前沿智能体框架
简介论文提出 kw-bench，一个基于专家真实审计、税务等工作构建的基准。其首个任务是在三代 SAP 系统的原始数据中重建五年增值税记录，并以确定性方式评分，不使用大模型评判。实验显示，同一模型下，两种独立框架得分约 0.53 至 0.54，两种厂商框架得分为 0；而在前沿模型上，部分框架可在二十多分钟内接近满分。
看点提出基于真实审计事务的调查型基准并以确定性评分评测四种框架，结果揭示了框架差异，证据较扎实，对智能体评测有较大影响。
说明学习得到的设计代理模型何时可以信任？一个在六个公开表格上构建并测试的离线闭环框架
简介论文针对自驱动微流控实验室中的学习型设计代理模型，提出一套可量化的框架，包括可信度比、所需目标测量预算、测量顺序与停止适应的决策规则。作者用六个公开液滴微流控与脂质体数据表作为离线实验室进行测试，未做湿实验。主要结论包括：预热残差提升方法在多数化学分组中能较快使模型恢复到开发参考水平，而没有任何无标签统计量能单独确认个体候选的可靠性。
说明SpecLST：用于交通预测的频谱增强长短期时空多模态建模
简介该论文提出SpecLST框架，用于城市路网交通预测。它利用快速傅里叶变换的频域表示高效编码多周历史依赖，并通过注意力融合整合天气、道路事件等外生因素，再结合图增强的稀疏专家混合主干与频率增强残差头处理突发异常。论文报告，在60分钟预测时域上，其相对于八个神经预测基线、四个数据集，在MAE、RMSE和MAPE上的平均相对误差分别降低14.10%、10.35%和15.78%。
说明MAREval：用于评估推荐系统自然语言解释的多智能体框架
简介论文提出 MAREval，一个用大语言模型评估推荐解释质量的多智能体框架。它由规划、主持、仲裁等角色的智能体组成，并结合链式辩论提示策略和蒙特卡洛采样，以提高稳定性并与人工判断保持一致。作者在公开数据集 TopicalChat 和一个电商数据集上进行了实验，并报告了在线 A/B 测试中参与度与收入指标的显著提升。
说明预算受限下的LoRA：面向适配器集群的功能感知事后压缩
简介本文研究如何在共享资源预算下压缩一批LoRA适配器。作者为每个适配器构建功能性的秩-失真前沿，并在整个集群内以最小最大方式分配共享秩预算。提出的FRA方法不依赖标签，通过端到端测量模块截断来构建前沿，并结合谱方法候选。在三个公开集群的78个适配器上，FRA在预算受限情况下改善了最坏情况和尾部效用。
说明SOMA：第一人称视角下细粒度身体动作理解的基准测试
简介该论文提出SOMA基准，包含1632个经人工核验的问题，从身体配置、动作动态和时序推理三个维度，考察多模态大模型从第一人称视频理解身体动作的能力。研究评估了37个模型，人类准确率为68.5%，表现最好的模型Qwen3.6-27B零样本准确率为50.0%。作者还提供了配套训练数据和多模态基线模型。
看点针对第一人称视频中身体运动理解设计细粒度基准，并评测37个模型与人类对比，有新意且实验充分，对子领域有用。
说明从生成到打分：在 LinkedIn 扩展基于大模型的语义标注
简介该论文针对工业级大模型标注器常把多个候选标签打包进一个提示、逐个生成是/否答案的做法，提出把标注器改为语义打分。模型在单候选提示上微调，通过一次预填充（prefill-only）的前向计算直接输出每个决策的答案词元分数。作者还将多项目打分（MIS）用于在一个序列中同时为数百个候选打分，并在候选间屏蔽注意力。该方法已在 LinkedIn 的资料资格标注中部署，据称候选重排序时仅有至多 0.01% 的决策改变，吞吐量在离线和模型服务中分别提升 1.24 倍和 1.9 倍。
说明HIDRA：面向免回放终身模仿学习的分层双路由注意力方法
简介机器人在真实环境中需要从连续的多模态示范中持续学习，且往往无法保存或回放历史数据。HIDRA 提出一种结构化路由框架，通过分层双注意力机制将指令级专家检索与依赖上下文的细化分开，并引入关键层级的几何正则化以稳定路由。作者在多个 LIBERO 基准套件上评估该方法，结果显示其在 AUC、前向迁移和遗忘控制方面优于免回放与基于回放的基线。
说明BoxWorld：由世界引擎控制、视频生成器渲染的交互视频世界
简介该论文提出BoxWorld，用于构建可由用户自定义交互规则的实时视频世界。系统由编码智能体生成Box World Engine来决定交互结果，并以布局框、持久属性和动态状态变量的形式输出物体状态；随后由Box-State生成式渲染器自回归地将状态流渲染为视频。论文还提出了三阶段训练策略和配对基准PairedStateBench，并报告其性能优于端到端世界模型。
说明IOSage：检测HPC I/O瓶颈模式以指导大模型给出优化建议
简介高性能计算应用常常只用到并行文件系统的一部分带宽，而将Darshan日志转化为具体的I/O优化方案仍需要稀缺的I/O专家。IOSage由在大量已标注日志上训练的分类器判断日志中存在哪些I/O瓶颈模式，再由大语言模型结合配置文件、文件级证据和基准测试卡片生成修改建议。实测中，所推荐的修改使一个openPMD内核的中位总运行时间加速4.38倍，每小时WRF重启加速1.42倍。
看点用在大量标注日志上训练的分类器而非LLM判定I/O瓶颈模式，并给LLM提供基准卡片，思路新颖；实验含重复配对运行和多基准评测，证据较扎实。
说明切片遇见扫描：用于肾癌预后的交叉注意力融合
简介该论文将肾癌的组织病理切片与CT影像，通过双向交叉注意力机制进行融合，以预测患者预后。在210名TCGA-KIRC患者的5折评估中，模型的C指数为0.760，3年AUROC为0.773，高于所评估的单模态和融合基线的平均水平。在180名CPTAC-CCRCC外部患者上，不使用CT时疾病特异性生存的C指数为0.629。
说明基于锚点比较框架的短期血糖风险可靠性预测研究
简介该论文提出一种基于锚点的基准评估框架，用于预测1型糖尿病患者30、60和120分钟内的低血糖与高血糖风险。研究基于T1DiabetesGranada数据集，共构建5,503,441个预测锚点，比较了三种神经网络模型。结果显示三者在预测性能上无统计学显著差异，但在校准度、解释可靠性和稳健性等方面各有特点，作者强调临床应用前需进行可靠性评估和外部验证。
说明HELICS：基于潜在流匹配的生物库规模条件合成基因组生成方法
简介该论文提出HELICS框架，用于从生物库规模的基因型数据中生成全基因组单核苷酸多态性（SNP）层面的合成基因组，无需单倍型分相。方法先用卷积自编码器将超过60万个SNP压缩为4096个连续潜在标记，再用基于Transformer的条件流匹配模型进行生成。在英国生物库约41.7万个基因组上训练后，生成结果在等位基因频率和局部、长程SNP相关结构上优于现有基于单倍型的模拟器，并可按祖源和遗传易感性条件生成样本。
看点将潜在流匹配用于十万至千万级SNP的全基因组条件生成，免去单倍型定相，并在417K UK Biobank基因组上验证，新意明显。
说明AK_QMUL在ArGuard共享任务中的提交：用单一微调JAIS模型检测阿拉伯语有害提示
简介该论文介绍AK_QMUL团队向ArGuard-2026阿拉伯语有害提示检测共享任务提交的方案，包括二分类（安全/不安全）和七分类（危害领域）两项任务。两项提交都基于同一个JAIS-6.7B模型，采用4比特QLoRA微调并接线性分类头。两项任务分别在各自赛道排名第一，宏F1分数分别为0.984和0.790。
说明WAKMan：感知工作负载的 KV 缓存管理器
简介该论文提出 WAKMan，一种感知工作负载的 KV 缓存管理器，用于大语言模型服务中的前缀缓存。研究发现，智能体请求多在数秒内返回并偏好近期性，热门提示与长对话则隔很多请求后才返回且偏好访问频率，因此没有单一淘汰策略在所有混合负载下都最优。WAKMan 根据实时流量选择淘汰策略，无需知道请求类型或读取提示内容，平均比 LRU 命中率提高 5 个百分点。
说明先检测再消歧：基于扰动的大语言模型输入歧义检测
简介大语言模型面对有歧义的输入时，往往仿佛只有一种意图而直接作答。本文提出一种保持标签不变的扰动框架，用于检测输入歧义，扰动保持接近原始输入。作者用黑盒规则扰动库和白盒的重要性引导方法两种检测器实现该框架。在开放域、对话和视觉问答四个数据集上的实验表明，该方法优于输出端不确定性基线和基于大模型改写的扰动基线。
说明贝叶斯复制者动态与双矩阵博弈中严格占优策略的反转
简介本文研究进化博弈论中的复制者动态，将其视为智能体对对手策略进行连续时间贝叶斯推断的过程。作者比较了标准期望效用与Ay和Erb的对数收益两种定义，指出在无占优策略的博弈中两者均可表示为贝叶斯更新，而对数收益下每个博弈都可如此表示。含占优策略的博弈在两种收益定义下流向相反，例如囚徒困境中的合作会因此出现，严格占优策略在对数收益下被淘汰。
说明用深度表示学习的分布外检测提升DNA甲基化肿瘤分类器在临床中的稳健性
简介本文针对基于DNA甲基化芯片的肿瘤分类模型，在遇到训练数据中未出现的肿瘤类型时可能给出错误预测的问题，提出了一种端到端的分布外（OOD）检测框架。研究在肉瘤和脑肿瘤两个公开队列上训练深度神经网络，比较了五种检测方法，其中1D子空间分析（1D-SSA）效果最好。在独立临床数据集上，该方法的平均AUROC为0.976，显示其可作为临床甲基化肿瘤分类系统的质量控制层。
说明基于轨迹优化的最优控制平衡主子空间（BASOC）
简介本文提出一种名为BASOC的模型降阶框架，用于缓解求解高维非线性系统最优反馈控制时的维数灾难。该方法借助轨迹优化与庞特里亚金极小值原理，沿局部最优轨迹收集状态与协态数据，构造协方差矩阵并进行平衡，从而得到用于逼近值函数的斜投影。论文在一个非线性三维系统和复Ginzburg-Landau方程上进行了验证。
说明可执行考古：重现两个模拟编程的历史程序（1961 年启发式编译器与 1984 年 KBEmacs）
简介本文通过运行原始代码重现两个早期程序：西蒙 1961 年的启发式编译器，它把编程视为问题求解，并借用通用问题求解器的手段-目的分析；以及 MIT 程序员学徒项目 1984 年的原型 KBEmacs，它基于专家通过组合常见模式（cliches）编程的观点。作者重现了西蒙 1963 年论文中的编译代码以及 KBEmacs 1984 年 12 月自测的 SQRT 序列。两者都依赖适配已有例程，并体现了显式的编程理论。
说明CrowdCC：在人群计数中同时评测抗损坏鲁棒性与部署量化的基准
简介该论文提出 CrowdCC 基准，用 23 种贴近实际部署的图像损坏（分六类、三个严重程度）测试人群计数模型，并同时考察 FP32、FP16 与 INT8 量化的影响。评测覆盖四个人群计数数据集和 26 个模型，并结合 Jetson Orin NX 上的吞吐量与能耗测量。主要发现是采集链路上的损坏造成的性能下降最大，INT8 对鲁棒性的影响远大于 FP16 且方向不固定，量化也会改变模型排名，因此选型需同时考虑鲁棒性与实测部署成本。
看点首次将腐蚀鲁棒性与部署量化联合评估，覆盖23种腐蚀、26个模型并结合边缘设备能耗测量，证据较扎实。
说明CRLoMTL：通过低秩矩阵解决多任务学习中的冲突
简介该论文提出CRLoMTL框架，用于多任务视觉学习。它在低秩参数更新空间中减少任务间的相互干扰，为每个任务学习独立的LoRA低秩更新，并通过基于SVD的共享子空间融合为单一部署更新。在PASCAL-Context、NYUD-v2和CelebA数据集上，该方法以较少参数取得优于单任务基线的结果。
说明OA-RAG：基于本体的智能体式检索增强生成，用于更可靠的大模型推理
简介本文提出OA-RAG，一种将形式化逻辑推理与大语言模型推理相结合的智能体方法，利用领域本体的逻辑结构和非形式化注释来回答问题。对每个答案，系统会给出作为证据的本体观察结果，以及表示证据强度的依据等级（蕴含、支持、相关或无关）。在三个大规模本体衍生的基准及六项真实医疗问答任务上，OA-RAG在所评估的本体微调方法和主流RAG方法中整体表现最佳，尤其在推理密集型任务上表现突出。
说明《中间有大量空间》：通过细粒度监控揭示GPU集群的优化机会
简介本文研究了一个大学科研GPU集群，以100毫秒为间隔监测资源使用情况，并开发了基于Nvidia DCGM库的轻量级监控工具。在包含89个节点、319块GPU的集群上，对10天内7,399个作业进行分析，发现GPU严重未充分利用，作业申请时长与实际时长严重不符，多GPU作业呈现高度周期性的通信模式。作者认为，通过改进作业调度和GPU多任务处理即可获得可观的利用率提升。
说明大模型生成的证明在程序重构后有多稳定？可验证代码生成的压力测试
简介该论文提出RefactorProof基准，在保持规约和证明逐字节不变的前提下，对VERINA任务生成多个行为保持的程序重构变体，检验同一证明是否仍然有效。结果显示，专用证明器生成的证明在结构重构下比VERINA提供的参考证明更能保持有效，但证明失效并不等同于修复成本高。
说明无需训练的视频大语言模型推理加速：方法、权衡与评估
简介这是一篇综述论文，讨论如何在不重新训练的前提下加速视频大语言模型的推理，同时尽量保留与任务相关的时空信息。论文按推理流程中的干预阶段对现有方法进行归类，并单独讨论后训练量化。作者还分析了局部效率提升为何未必转化为端到端加速，并通过实验评估准确率与延迟之间的权衡。
说明基于本体引导多智能体推理的可解释鉴别诊断
简介本文提出一种本体引导的多智能体鉴别诊断框架，模拟医生迭代推理的过程。框架以专家整理的结构化医学知识库为依据，把诊断拆分为明确、可审计的推理步骤，以减少大语言模型的幻觉并提高推理的透明度与一致性。系统还会找出最具区分力的缺失症状并生成针对性追问，以降低诊断不确定性。
说明AHEAD：面向大规模线性规划的自适应神经加速方法
简介大规模线性规划的一阶求解器需要大量迭代才能收敛。本文提出AHEAD，一种神经加速器：它在保留一阶求解器更新规则的前提下，预测原始与对偶步长，并通过学习得到的交接策略决定热启动迭代次数，之后由求解器按自身终止准则完成求解。在变量数最多达10^7的装箱类线性规划上，相较Gurobi的一阶求解器，从冷启动起可获得6.5至11.6倍的端到端加速，并可推广到PageRank类线性规划。
说明置信度不是承诺：类型化决策模型的基准审计
简介论文审计了类型化决策模型输出的概率分布所能支持的结论，比较了开源模型Laya的五个检查点与仅能通过API调用的Jev 1.13。作者指出，概率只适用于一组决策而非单个决策，并通过190次可交换评估检验了不同阈值选取方法保证精度承诺的效果。论文还考察了标签需求、数据漂移下的再训练以及可解释性等问题，并公开了冻结的答案、数据说明、承诺检查与代码。
说明探索与策略可塑性丧失在同策略强化学习中的关联
简介本文研究深度强化学习中的可塑性丧失现象，即智能体逐渐失去从新数据中适应学习的能力。作者以近端策略优化（PPO）搭配各向同性高斯策略为分析对象，考察策略标准差σ对可塑性丧失程度的影响。实验包括与标准基线的可塑性丧失基准评估，以及在7自由度机械臂上的真实部署。
说明检索不够：智能体记忆中的过时事实问题
简介该论文研究基于记忆的智能体在单跳事实更新任务上失败的原因，区分是漏检了更新还是检索到更新后未能正确使用。实验显示，随着检索证据预算增大，准确率明显下降，且多数错误出现在同时包含过时陈述的问题上。结果表明，同样长度的证据中，一条过时的竞争性陈述比无关陈述更容易导致错误。
说明脉冲神经网络更难被窃取：模型窃取攻击基准研究
简介该论文研究针对脉冲神经网络（SNN）的模型窃取攻击。作者用四种代表性攻击方法，在MNIST、Fashion-MNIST和CIFAR-10上，比较SNN与传统人工神经网络（ANN）被复制的难易程度。结果显示，SNN的替代模型与目标模型的一致性低10%至20%，对抗迁移性低15%至25%，说明其时序动态使决策边界更难被复现。
说明FASST：用于长期海洋耦合的紧凑无状态大气模型
简介该论文提出FASST耦合气候模型，保留POP2海洋模式，用轻量U-Net模拟器替代大气和海冰模块。大气模拟器每6个模拟小时根据海洋-海冰状态诊断地表通量，海冰模拟器每月推进一次冰况。在140年无强迫积分中，模型在不做海表温度约束的情况下保持稳定的全球平均气候，并能捕捉厄尔尼诺3.4区的年际变率，但振幅弱于CESM。
说明多智能体系统的兼容性与未来兼容性测试
简介论文研究多个独立开发的自主智能体（如自动驾驶车辆）在共享环境中运行时的联合兼容性（安全与任务完成要求）。提出双层结构：监管方发布种子智能体协调开发者，每个开发者独立测试自己的智能体，使其与所有种子兼容的智能体都兼容，即“未来兼容性”。文中给出通用多智能体系统兼容性的形式化定义，刻画未来兼容智能体为种子的闭包，并证明该闭包关于种子单调，最后研究仅通过与种子交互即可执行的测试能在多大程度上区分这些智能体。
说明基于双目标优化的智能即时预订筛选模型
简介本文提出一种智能即时预订筛选系统，用于在民宿等在线住宿平台的搜索结果中决定哪些房源应展示即时预订。该系统的目标是在不降低整体预订率的前提下，提高即时预订率，因此构成一个双目标优化问题。作者通过面向全球用户的A/B测试表明，该模型在即时预订率和整体预订率上均优于此前由专家人工调校的模型，并已部署上线，每天服务数百万用户。
看点提出在保持预订率不降的约束下最大化即时预订率的双目标优化系统，并以全球用户A/B测试验证，已部署服务数百万用户。
说明EVA-Flow：学习共享化学结构，统一生成环境感知的分子构象
简介该论文提出 EVA-Flow，一个统一的环境感知分子构象生成框架，用于学习共享的化学结构并通过环境条件的生成模型进行适配。模型覆盖真空、蛋白-配体对接、溶剂化和晶体堆积等环境。作者称，在数据稀缺的三种场景中，预训练与跨环境微调带来的提升最大。
说明跨模态引导向量同时存在于图像与文本生成中
简介该研究探讨当前统一多模态模型中，概念与机制是否跨模态共享。作者设计了跨模态引导实验：在一种模态上找到能成功引导生成的向量，再将其零样本地加入另一种模态的生成过程中，观察是否产生一致的效果。实验在多个统一多模态模型上进行，结果显示情绪、物体大小等概念的引导向量可在文本与图像之间双向迁移，并且具有跨模态迁移能力的向量在方向上彼此相近。
说明收件箱作为LLM智能体社会的协调机制
简介该论文研究大语言模型智能体之间的消息协调。作者提出“拉取”模式：消息先存放在上下文之外的收件箱中，由接收方自己的规则决定读取和保留哪些内容，并与传统的“推送”模式进行比较。在最多16,000个智能体的模拟社会中，论文报告了推送模式在多任务协调中失效、收件箱在高负载下不可或缺，以及收件箱各项决策的最佳规则取决于流量和角色等结果。
说明信息瓶颈编码器应学习什么？将表示学习与速率控制分离
简介本文研究信息瓶颈（IB）方法中表示学习与速率（压缩）控制能否分离。作者在高斯数据下证明最优解可分解为与压缩系数无关的信息方向和仅依赖标量增益的部分，并提出以充分性缺失量衡量分离误差的理论界。实验在MNIST、SVHN、CIFAR-10和STL-10上进行，冻结的CNN表示加每个预算一个压缩-解码器对，相比端到端VIB降低了训练计算量并取得更高的预算平均准确率。
说明cuArms：面向多机械臂操作的GPU加速冲突规划方法
简介本文提出cuArms，一种基于冲突的多机械臂规划器，并与GPU并行计算协同设计。它利用可复用的多模态路线图分解搜索空间，并通过惰性搜索解决机械臂之间的冲突与死锁。该方法还集成了高层调度器，用于提出候选操作骨架，进而生成协调的操作计划。作者称其在实时初始解和运动质量、调度方面的持续改进上达到了新的先进水平。
说明面向二元关系识别的分层多模态交互推理框架
简介论文研究如何从两人的多模态互动（面部、身体、声音和文本）中识别他们之间的社会关系。作者提出HiRe-DRR框架，将关系证据从特征层级、交互类型和关系层级三个角度组织起来，并设计了混合交互Transformer与分层条件损失。在三个二元关系基准上的实验显示其优于近期代表性方法。路由分析显示，较疏远的关系更多依赖低层同质交互，较亲近的关系则更关注高层异质交互。
说明冻结而非复制：不保留离线数据时用表达性策略微调
简介本文研究离线到在线强化学习中，离线数据消失后的微调问题。作者发现，继续在线行为克隆会迅速抹去预训练先验，导致表征坍缩和动作多样性损失。实验在七个 OGBench 领域中，对 IFQL、FQL 和 QC 三种方法验证了冻结预训练先验、停止在线行为拟合能显著改善微调效果。
说明以一个对数的代价兼顾三种场景：带基线保护的组合半赌博机最优双世界算法
简介本文提出DUET算法，用于带任意有限动作集的组合半赌博机问题，无需预先知道时间跨度。算法通过两个可观测的测试决定何时加倍学习权重、何时加倍经验遗憾预算并重新开始。在假设基线以正概率选择每个臂的前提下，该方法使对基线的期望遗憾保持对数级；对固定动作的期望遗憾在非预见对抗损失下为近似√T，在具有唯一最优动作的独立同分布损失下为与间隙相关的多对数级。
看点提出无需视野和间隙信息的分阶段混合方案，同时保证基线保护、对抗鲁棒与随机自适应，并给出理论界；证明完整性尚需更多实验佐证，影响面限于组合半赌博机子领域。
说明BehaveRec：长期行为历史何时对序列推荐有帮助？基于会话、历史与社群信号的研究
简介本文提出BehaveRec框架，融合会话内的因果Transformer、90天窗口的双向用户历史编码器，以及基于行为嵌入相似度构建用户图的GraphSAGE模块，并通过门控机制为每位用户加权三类信号。在一个包含1.37亿序列、1260万用户的工业数据集上，其R@5相比SASRec提升3.2%。研究发现，只有当用户历史交互足够丰富时（约20次以上），长期历史的收益才明显增长，并据此给出部署建议。
说明MARQ：一种融入系统工程知识、与具体大模型无关的模块化需求质量评估工具
简介本文提出 MARQ，一种模块化原型，为大语言模型补充依据 INCOSE 需求质量准则构建的知识模块，用于评估需求质量。研究在 NASA 专家标注的需求集上，对比 Claude Opus 5、GPT-5.6 Sol 和 Gemma 3 12B 与其通用基线的表现。结果显示，知识注入使各模型的 F1 中位数均有提升，但增益因模型而异，并需要针对具体准则进行调整。
说明超越IceBERT：面向冰岛语、参数量从1200万到10亿的开放数据ModernBERT编码器
简介本文用ModernBERT架构训练了参数量从1200万到10亿的冰岛语编码器，使用90亿个开放数据词元。作者在统一评测协议下，对30个编码器重跑了IceBERT的基准并加入五项新任务。从头训练的10亿参数模型在全部十一项任务上显著优于IceBERT；以英语Ettin编码器热启动的版本在所有排名任务上得分最高。对照实验显示，热启动在多数情况下不逊于从头训练，且迁移效果主要来自源模型的Transformer层。
说明AI 编码代理还是人类？在缺少署名标记时检测提交来源
简介本文研究在去除署名标记（如机器人账号、Co-authored-by 标记）后，能否区分 AI 编码代理与人类的提交。作者分析了来自 1,226 个仓库的约 780 万次提交，涵盖五种编码代理和人类提交。结果显示，检测器的 ROC AUC 最高为 0.859，信号主要来自提交信息的冗长程度和改动规模。但在实际比例下精确率仅为 0.332，跨代理迁移效果较差。
说明圆周与球面上的方向统计：从角度看数据
简介两个接近北方的罗盘方位，其普通算术平均值可能指向南方，原因在于角度位于圆周上而非直线上。本文借助真实风向观测、扩散磁共振成像的方向数据以及机器学习中的几何示例，介绍圆周与球面上的圆平均、轴向平均、方向变异性和概率模型。其核心原则是在选择统计方法之前，先识别观测数据的几何结构与对称性。
说明结构而非序列：用稀疏自编码器追踪并验证ESMFold主干中的折叠机制
简介本文用稀疏自编码器（SAE）解释蛋白质结构预测模型ESMFold的折叠主干。作者分析其单表示与对表示的分工，用推理语言模型解读特征，并追踪概念在各模块间的组合，同时检验其与已知生物化学的一致性。结果显示，所训练的稀疏字典能捕捉主干计算的成对几何关系，其概念激活还可预测模型自身的折叠质量。
说明EREBOTS 4.0：基于 A2A 智能体与 MCP 工具的对话助手框架
简介本文提出开源多智能体框架 EREBOTS 4.0，用于构建对话助手。语言模型智能体负责规划与分派请求，确定性工具通过 MCP 协议计算精确结果，编排器每轮通过 A2A 协议调用专业智能体。新智能体只需在配置文件中列出其地址即可接入，框架还管理身份、用户上下文、任务状态与追踪记录。其 A2A 服务端通过了官方兼容性测试套件的 97 项要求，无一失败。
说明诊断并修正长视频理解中多模态大模型的偏差
简介长视频问答的答案常取决于分散在视频各处的少数关键时刻，而多模态大模型受内存限制只能极低频率抽帧，可能遗漏关键证据。本文提出诊断基准S-MME，用于系统检测模型的捷径偏差；并提出免训练的反事实长视频证据推理框架CLEAR，通过构造仅保留问题或局部视觉片段的增强视图估计偏差，并在推理时干预隐藏状态以修正偏差。实验表明该方法在五个基准上可泛化并适配不同模型，带来一致提升。
说明推荐解释的反事实用户画像扰动：一项可复现性研究
简介本文是一篇可复现性研究，重新考察了名为 LXR（Learning to eXplain Recommendations）的反事实解释方法。该方法通过找出对用户评分的扰动，说明某个推荐物品为何出现。作者将研究范围扩展到排名最高物品之外的其他物品，并比较了物品流行度、潜在因子相似度等替代基线。研究还发现，被解释物品越不流行，LXR 的扰动越短，解释质量越好。
说明逼近族与去噪得分匹配的统计效率：研究扩散过程中不同逼近空间下得分估计的方差与收敛性质。
简介本文研究由前向扩散无穷小生成元的本征函数梯度所张成的有限维逼近空间上的得分匹配。作者比较了一维Ornstein-Uhlenbeck流下的多项式逼近与环面上热流下的三角多项式逼近。在Ornstein-Uhlenbeck设定中，作者指出对于一致可比较于标准高斯的非高斯初始分布，渐近得分估计方差沿多项式次数的子列呈指数增长；所提出的算子信息得分匹配（OISM）能降低各固定次数下的方差，但在足够小的时间下仍无法消除这种指数不稳定性。相比之下，在环面热流下，基于三角多项式的OISM能对沿前向扩散的得分误差给出有限样本控制，并在期望Kullback-Leibler损失下达到估计充分光滑密度的经典极小极大速率。
说明Concorde：基于解耦能量最小化的几何感知链接预测
简介本文针对稀疏图中的链接预测问题提出Concorde框架，把链接可能性分解为三个结构解耦的分支：参数自由的谱锚、基于可学习混合曲率乘积流形并结合Ollivier-Ricci曲率代理正则化的残差项，以及双曲空间切丛上的连续向量场。三个分支通过学习到的门控融合，并使用与检索式评估一致的N对排序损失训练。论文称在涵盖稀疏、稠密、无特征和带属性场景的五个基准上取得了早期检索精度的最优结果，在稀疏设置下P@10%接近领先基线的两倍。
说明UT-HMR：基于不确定性引导的时序建模，用于稳健的三维人体网格恢复
简介该论文提出UT-HMR框架，用于从单张单目图像中恢复三维人体网格，尤其适用于体育场景中因距离远、遮挡和运动模糊导致的弱观测问题。模型为每个人体查询预测关于关节姿态的相关不确定性，并在推理时保持确定性，同时引入相邻帧的时序早期融合。在冰球和足球数据集上取得了当前最优结果。
说明基础模型能识别提示式分类器遗漏的隐藏意图
简介该论文提出一种名为“人设头部似然评估”（PHLE）的方法：用预训练基础模型，在带有合适人设头部的条件下，评估输出序列的似然。作者发现，该方法能区分由不同人设提示生成的数字序列，并识别出经过过滤、看不出明显不对齐的有害意图模型的输出，而提示式分类器（包括生成模型自身）在这些任务上接近随机水平。
说明count-catcher：从模型计数证书生成 Lean 定理
简介该工具把精确模型计数器 d4 产生的 CPOG 证书转换为 Lean 定理，证明一个在 Lean 中定义的 CNF 公式在 V 个变量上恰有 N 个模型。通过编码引理，该结论可转化为组合对象数量的定理。论文还将结果与 Mathlib 结合，并给出八阶拉丁方数量的证明，其中用到了约八 TB 证书中的数百个已认证计数。
看点将模型计数证书转为Lean定理，并以该方法证明了8阶拉丁方数目，还发现并修正了CPOG检查器的错误，新颖且证据充分。
说明学习阅读盲文：评测并提升视觉语言模型的盲文识别能力
简介本文提出 BrailleBench 基准，包含 259 张真实拍摄的一级和二级盲文图像。研究发现，通用视觉语言模型直接转写盲文图像的效果较差，借助工具的系统表现更好。作者设计了合成盲文生成流程，用合成数据训练的 2B 模型在一级和二级盲文基准上分别达到 87% 和 61% 的完全匹配率。研究还指出，合成验证集上的高准确率并不保证真实照片上的高准确率。
说明超越估计：用维纳信息解码让像素空间流模型更易训练
简介论文研究在像素空间直接学习速度场的困难，发现冻结的维纳估计（基于图像二阶统计量）能改善速度学习。作者提出维纳信息解码（WiD），将可训练的维纳预测路径与系数接口结合，并用数据统计量初始化。在ImageNet 256×256上，带WiD的PixelDiT-XL在500个训练轮次后达到FID 1.53，与原PixelDiT相当但少用37.5%的训练轮次。
说明基于低秩多线性分解的大语言模型幻觉检测（LOTUS方法）
简介论文提出LOTUS框架，用于检测大语言模型生成内容中的幻觉，即流畅但事实错误的回答。该方法对模型隐藏状态进行统计汇总，并采用低秩多线性（Tucker）分解提取紧凑表示，再用于训练轻量分类器。实验表明，在多个大语言模型和问答基准上，其检测效果优于近期的先进基线方法。
说明基于贝叶斯证据累积的图学习方法：面向动态数据驱动应用系统
简介本文提出B-EAGLe框架，用于在动态数据驱动应用系统中进行图分类。该方法把图神经网络编码器与贝叶斯累积器结合，随着新观测陆续到达，逐步更新类别标签的后验信念，只有在置信度足够高时才做出决策。作者在CIFAR10上的实验显示其具有有竞争力的性能，并能在序贯观测下给出有依据的置信度估计。
说明Skill Dreaming：通过拉取请求流演化仓库技能库
简介该论文提出 Skill Dreaming 框架，让大语言模型编程代理从仓库的拉取请求（PR）历史中学习，构建仓库专属的技能库，并随新的 PR 结果持续更新。这些技能用于指导代理实现功能，并维护测试、文档、兼容性和仓库约定。框架整合了 PR 分析、技能管理、代码执行与持续集成，形成从学习技能、应用到仓库变更、再把 PR 结果反馈回技能更新的完整流程。
说明《坦率而言》：国会议员在选举议题上用同一批词却说不同的话
简介该论文分析了2010至2025年间10,420份美国国会议员电子通讯，比较民主党与共和党如何使用“诚信”“安全”“舞弊”等选举相关词汇。研究采用历时词嵌入方法，考察两党在这些词周围搭配的语境词是否相同。结果显示，两党虽使用相同词汇，但周围的语境词差异很大，2024年民主党多与“选民获取”“行政管理”相搭配，共和党则多与“公民身份核实”“非公民投票”“边境安全”相搭配。
说明AI能否在不生成测试的情况下指导测试？AI辅助单元测试的对比研究
简介本文提出TestCompass，一个生成式AI测试导师，只针对学生测试套件中的薄弱环节给出反馈，而不直接生成可执行测试。研究在一个包含18名学生的课堂实验中，将其与通用AI助手在两个Java单元测试任务上进行比较。结果显示，使用通用AI助手的学生生成的测试更多，而使用TestCompass的学生更多地自己开发和验证测试；多数测试质量指标两组相当，但在一项任务中TestCompass组用更少的测试方法达到了相近的需求覆盖率。
说明Lipi-Ghor：大规模、带说话人分离的多领域孟加拉语语音语料库及其构建流程
简介本文介绍Lipi-Ghor，一个弱监督的孟加拉语语音语料库，包含来自998个YouTube视频、596个频道的885小时音频，涵盖有声书、戏剧、宗教讲道、新闻和方言等17个领域。每段录音采用SSTT格式标注（说话人、语音、转写、时间戳），结合自动说话人分离与孟加拉语YouTube字幕。作者还提出可用于其他语言的构建流程，并在四个常用ASR模型上进行了基准测试，结果显示这些模型在情感化、方言和长篇内容上表现下降。此外，论文发布了由17名志愿者人工校对的金标准评测集。
说明基于跟踪数据的分位数回归学习人类体育运动可达性
简介本文研究体育比赛中的到达时间（TTA），即球员在当前运动状态下到达场上任意位置的最短合理时间。作者将其建模为条件分位数回归问题，估计运动时间的下分位数。模型使用 PFF FC FIFA 2022 世界杯 64 场比赛的光学跟踪数据训练，并与六种物理模型及学习得到的可达区域基线对比，轻量级多层感知机表现更优。作者还在篮球和一场 NFL 比赛的跟踪数据上检验了该模型的迁移性。
说明神经网络训练的动力学粗粒化：对学习过程进行宏观刻画的理论框架
简介本文提出用动力学粗粒化方法描述神经网络训练，即在远小于参数空间的状态空间中刻画和预测训练过程。作者先定义了遵循训练规律的学习算子并建立其下降定理，随后给出精确闭合定理和动力学粗粒化定理，构成构造与评估粗粒化模型的框架。作者还以有限宽度非线性ReLU网络为例，对固定模式推导出由五个独立矩组成的精确粗粒化模型，并表明该模型能精确预测训练输出和学习算子的演化。
说明指令微调如何塑造语言模型的随机数选择偏好
简介本文不依赖采样，直接计算语言模型在被要求随机选数时，对1到N各整数赋予的概率。研究覆盖18个开源模型系列、多种解码配置，并对比了15组基础模型与指令微调模型。结果显示，指令微调使分布更不均匀：一方面形成回避整数的启发式，另一方面强化了回避端点的倾向。
说明《不要选赢家：知识冲突需要先验，而非固定规则》：用于检索增强语言模型在上下文与自身知识冲突时的决策方法研究
简介论文研究检索增强语言模型在检索上下文与自身知识不一致时如何作答。作者指出，现有方法依赖设计时固定的规则，在某些场景下必然出错，并证明需要分别获取两类来源的证据，以及对上下文正确率的先验估计。作者在GRACE基准上测试，并提出按先验调整后选择或弃答的方案，在多种上下文组合下优于基线，在ClashEval上也优于同类方法。
看点提出以先验而非固定规则解决知识冲突的决策论框架，并构建双源证据与先验偏移选择器，方法新颖；在GRACE与ClashEval上做了充分对比实验，说服力较强。
说明PrinGS：高斯泼溅中的隐私保护
简介本文针对三维高斯泼溅（3DGS）表示中可能残留人脸、车牌、文件和屏幕等敏感视觉信息的问题，提出了一种表示层面的匿名化框架。用户给出一张标示敏感内容的参考视图后，该方法在训练好的三维表示中定位对应区域并直接进行匿名化，使后续渲染的新视角中不再出现敏感信息，同时保持场景几何和视觉质量。匿名化可在训练后不到1秒内完成，并提出了训练时即避免写入敏感内容的隐私设计训练策略。实验中，人脸相似度指标降至9.79%，文字OCR字符错误率为1.00。
说明Stratum：超出上下文窗口的编码智能体仓库记忆
简介本文提出 Stratum，一种与代码仓库共存的分层记忆系统，让编码智能体在会话之间保留经验，而不是每次都从零开始阅读文件。在八个真实缺陷上的多会话实验中，继承先前会话记忆的新智能体找到根因文件的成功率为 21/24，而仅检索的基线为 6/24，且中位 token 成本降低 4.5 倍。
说明复述还是佐证？多智能体辩论中证据依赖性的公理化框架
简介该论文研究多智能体辩论中，相同的报告究竟是重复同一证据（复述），还是来自不同证据源对同一主张的支持（佐证）。作者提出一个极小判断博弈模型，给出根复述不变性（RRI）等公理，并引入谱系商构造以区分复述与佐证。论文还将该框架推广到定量双极论证框架，并在大量枚举与实际数据集上验证了两者的区分效果。
说明Any3R：从任意相机类型进行前馈式三维重建
简介该论文提出 Any3R，一种前馈网络模型，可从任意中心相机拍摄的多张图像中恢复相机位姿与稠密几何。模型用逐像素的光线方向场替代针孔相机假设，使位置编码与损失函数不依赖镜头类型。在三个数据集、十三种中心相机的基准上，Any3R 在使用自身预测位姿的情况下表现最为稳定准确。
说明数据流分布函数的任意时刻有效置信带
简介该论文针对数据流的分布函数提出置信带，使其在所有时刻和所有取值点上同时有效，即使每个观测都可能任意依赖过去的数据。作者先给出时间平均条件分布函数的置信带，并说明其宽度由二叉搜索树的深度决定。随后，该结果被推广为一个通用框架，可为任意索引族的时间平均分布函数构造时间与索引集上一致有效的置信带，并在加权、删失及多元分布函数上加以说明。
说明从结构反馈到提示策略：学习保真的文生图提示编辑器
简介本文提出StruPO，一种结构感知的提示编辑器，利用校准后的场景图作为策略条件和图像监督的共享表示，在保留用户请求场景的前提下改写提示词。该方法通过删除、重排和插入等词元对齐操作修改提示，并借助平滑奖励塑形与多图平均处理不确定的对齐和随机图像生成。实验在三个互不重叠的2K提示测试集和四个冻结生成模型上进行，相比基线在关系保真度与审美之间取得了更好的平衡。
说明SpatialPC：基于次线性局部信用传播的深度计算
简介论文指出，在带宽受限的局部学习规则中，损失信号传到最早参数所需的轮数主要取决于通信几何结构，而非网络深度。作者构造了单位范围、度数为2d的有向无环图，并提出在预测编码框架内实现的SpatialPC方法，通过伴随预测动力学（APD）传播信用。实验在MNIST与Fashion-MNIST上展示了有限轮数下梯度与收敛梯度的对齐，并给出测试准确率。
说明对称性破缺是有限容量的代价
简介论文研究在模型容量有限时，问题的旋转对称性为何会被打破。作者在高斯问题与双线性预测器的设定下给出了精确的对数损失代价公式，并把结论推广到对称相似度的注意力头。文中报告，在峰值注意力下，破缺的注意力头在20个头维度中有16个优于所有整壳对称头。
看点提出有限容量下对称性破缺的精确代价公式，并在注意力头上验证预测的破缺维度，证据充分，影响面限于机器学习理论与注意力机制分析。
说明当连接关系产生误导：用对比证据路径引导智能体搜索
简介该论文提出对比证据路径（CEP）方法，在查询相关的文档图上，按每个候选文档最强的单条路径打分，并用图的背景访问分布校准，以减轻结构偏差。基于此，作者提出结构化语料交互（SCI），将候选文档及其连接路径组织成结构化地图，供智能体验证来源并从锚点文档扩展查找缺失信息。论文在BrowseComp-Plus和TREC-COVID上报告了更高的答案准确率与nDCG@10，同时降低了生成成本。
说明ConformalMOS：基于共形预测区间与序数建模的不确定性感知语音质量（MOS）预测
简介该论文提出ConformalMOS框架，用于预测合成语音的人工平均意见分（MOS），即评估文本转语音和语音转换质量的主观打分。该方法在点估计之外，借助共形预测给出具有覆盖率保证的预测区间。训练时将MOS标签转换为高斯平滑分布以保留分数顺序。在BVCC数据集上，该方法在MSE=0.08的情况下取得有竞争力的准确率，并给出经实证验证的覆盖率。
说明SuperJEPA：用于高能物理的带监督增强联合嵌入预测架构预训练
简介论文提出SuperJEPA，即在联合嵌入预测架构中加入监督目标的预训练方法，用于高能物理中的喷注标记任务。研究比较了它与纯监督预训练的效果，发现在多种任务、模型规模和预训练数据规模下，下游喷注标记性能均有提升。冻结编码器与微调编码器两种情况下增益都存在，作者据此认为预测式自监督值得用于未来大规模粒子物理基础模型。
说明当AI在科研上更强时，为什么以及如何继续做科学：基于人类理解与主导的框架
简介本文探讨随着AI在核心科研任务上接近或超过人类研究者，人类为何仍要从事科学研究以及应如何使用AI。作者提出科学的一个不可替代目标是服务于人类目的与价值的、持久且集体的人类对世界的理解，并据此设计了判断研究任务能否交由AI完成的两部分检验：人类理解与人类主导。该框架依据CRediT分类法的各研究阶段给出建议，并强调无论AI是否超过人类研究者都成立。
说明上下文是一条流水线，而非一扇窗口：LLM 智能体框架中的信息损耗
简介本文研究大语言模型智能体在使用工具时，工具输出在到达模型之前发生的信息损耗。作者在一个读取 Linux 内核追踪数据以定位故障的智能体中测量发现，三分之一的工具结果在送入模型前被按固定长度截断，导致 JSON 损坏，关键字段的可见率差异很大。论文将上下文建模为五阶段流水线，并通过受控实验观察到截断的代价首先表现为额外的工具调用和计算，而非直接的错误答案。
说明半参数贝叶斯网络中的狄利克雷过程混合：一种新的条件密度估计方法
简介该论文提出在半参数贝叶斯网络中用狄利克雷过程混合模型（DPM）为非参数条件概率分布建模，替代原有的核密度估计。DPM 能对观测数据进行自适应聚类，表示更紧凑，推断成本更低。实验显示，在合成数据上其密度估计误差低于对比的连续变量贝叶斯网络模型，在结构学习和真实数据上也优于基于核密度估计的方法。
说明超越更新次数：评估测试时模型更新的控制图
简介本文提出“控制图”评估框架，记录每次打分回答之前已提交的模型更新，并分别评估行为变化、即时学习、长期保留、无关行为保持和新场景表现。实验显示，相同更新次数下不同更新调度会带来明显的准确率差异，编辑成功学习不代表能持久保留或不影响其他行为，且没有单一编辑方法在所有模型和基准上表现最好。作者因此建议报告更新历史，并分别评估学习、保留和局部性。
说明CohortFlow：可引导的临床队列筛选智能体与局部语义修正方法
简介该论文提出CohortFlow，一种可通过自然语言修正的临床队列筛选智能体。它将修正转化为结构化队列规范的局部更新，并借助持久化执行图只重算受影响的部分。在基于临床试验入组标准构建的100个场景（126轮修正）中，局部引导的需求微F1为77.0%，与完全重新生成的76.4%相比差异不具统计显著性；修正延迟平均降低约64.8%（完成后）和44.3%（执行中），模型调用减少38.1%。
说明在ℓp球上在线线性优化的极小极大最优小损失界
简介本文研究单位ℓp球上的全信息在线线性优化问题，p取固定值且2≤p<∞。作者给出一种跟随正则化领导者（FTRL）算法，其遗憾界与损失之和的最小值及维度有关，并证明该速率在每个固定p下是极小极大最优的。文中还分析了算法的常数、切换扩展以及独立同分布损失下遗憾的log T系数。
看点提出了与极小极大下界匹配的小损失界，并给出最优常数，同时分析了FTL失效的路径，理论改进明显；但应用影响主要在理论领域。
说明指令容量：受控负载下语言模型的行为与退化
简介本文提出一种测量语言模型指令负载能力的方法：用无实际意义的单词替换规则作为负载，每次替换视为一次有已知答案的伯努利试验。作者用统计模型刻画正确替换概率随文本长度、规则数量等因素的变化规律，并据此给出指令容量（在给定正确率下可同时遵守的规则数）及其不确定度。对GPT-4o mini的测量（2958次请求，642,430次试验）显示，正确率为0.95时指令容量约为37至38条规则，全部替换密度下约为18至19条。
说明提示到底有多重要？金融推理中后见自蒸馏的适用条件
简介本文针对受数据驻留限制、只能本地部署小型开源模型的金融机构，提出 Fin-SD：模型自己定位推理中第一个错误步骤并写出简短批评，再以截断到错误之前的正确前缀加提示作为教师，通过反向 KL 将其蒸馏回学生模型，全程不依赖外部模型。实验显示，用通用反馈替代批评时，准确率提升几乎相同，说明收益主要来自监督的作用位置而非提示内容；同系更大模型写的提示也没有明显更好。与使用完整参考答案的自蒸馏相比，Fin-SD 准确率相当，生成的 token 减少 9.5%，并且通用推理与合规审计指标没有明显退化。
说明基于无模仿速度评分的闭环感知规划，用于端到端自动驾驶
简介该论文提出一种规划方法CLAP-AD，可作为插件接入现有端到端自动驾驶模型。它不依赖专家示范学习路径，而是用学习到的函数对多个候选速度进行多指标评分，该函数受物理安全约束监督。在Bench2Drive-Speed上，其速度遵从分数达到82.53，超过此前最强基线TFv6 12.9分，同时保持较好的闭环驾驶表现。
看点提出无需速度条件训练即可测试时控制速度的规划头，并在Bench2Drive与NAVSIM上有明显提升，证据较充分，影响面限于端到端驾驶领域。
说明基于低维代理模型的在线准平稳性诊断学习
简介论文关注加速动力学方法中的去相关时间估计问题。作者提出以粗粒化非线性概率流和基于模拟的推断替代原有的MCMC诊断，证明了代理过程与真实过程非线性概率流之间的一致、非渐近估计。随后用循环神经网络学习去相关后验概率，并在合成系统和分子体系上与MCMC诊断比较，结果显示先验假设成立时其ROC表现更优、判断更不保守。
