全部 AI 动态 · AI 热点

8月3日

09:17

官方账号arXiv cs.AI@Yu Sun, Yuan Chang, Xiaohou Shi, Yan Sun

CrossRAG框架将检索增强生成引入时间序列预测，使用Shape-Aware Memory（SAM）和RevIN归一化实现跨幅度的形状级检索。Future-Consistent Contrastive（FCC）学习用于区分历史相似但未来不一致的难负样本。Cross-Attention Temporal Fusion（CATF）在表示层融合检索到的历史-未来参考对。在七个公开基准测试上，CrossRAG的性能优于仅用参数的基线和现有检索增强预测方法。

论文 CrossRAG 时间序列预测检索增强

推荐理由：CrossRAG把RAG用到时间序列预测上，能检索历史相似形状，靠未来一致性挑参考，七个基准都超过了老方法。

原文

09:16

官方账号arXiv cs.AI@Xiang Chen, Yingying Zhao, Chao Li, Jiaju Han, Ben Zhang, Ang Li, Jiahuan Long, Yiwei Wei, Jiujiang Guo, Chengyin Hu

论文提出QR-STT，一种无需训练的黑盒攻击框架，用于定向操控红外视觉语言模型的语义输出。该方法将QR码划分为冷、中、热三种温度模块，并通过无梯度优化搜索模块布局和渲染参数。实验在多个CLIP风格编码器上验证，QR-STT能稳定将图像-文本对齐导向攻击者选定的概念。针对分类任务优化的扰动还能迁移到图像描述和视觉问答，使生成文本出现目标一致的语义偏移。

论文 QR-STT CLIP 对抗攻击

推荐理由：红外视觉模型能被QR码图案定向误导？论文提出QR-STT，黑盒无需训练，改分类还影响问答，AI安全党可以看看。

原文

09:14

官方账号arXiv cs.AI@Zhoujin Tian, Yao Tian, Hao Zhang, Cheng Chen, Yakun Li, Lei Zhang, Xiaofang Zhou

AdaMM是一个面向多模态智能体的分析记忆框架。AdaMM从对话、图像和元数据中提取带溯源信息的属性-值观察，并发现重复字段结构。在MemEye等基准中，现有系统侧重检索记忆，而AdaMM同时支持检索与分析。推理时，AdaMM的记忆感知规划器将查询分解为检索和分析操作。实验显示，在MemEye和MemGallery上AdaMM分别比基线提升11.3%和7.3%。

论文 AdaMM 多模态智能体分析记忆

推荐理由：AdaMM让智能体能对历史多模态观测做筛选、聚合和排序，不止检索。MemEye、MemGallery上比现有高11.3%和7.3%，适合多模态记忆研究者。

原文

7月31日

13:18

官方账号arXiv cs.AI@Feng Xiong, Leyan Xue, Hongyu Lin

论文提出感知纠正蒸馏（PCD），用于多模态推理器的感知蒸馏。PCD 通过下游失败和师生分歧两个见证信号的乘积来识别可纠正的感知错误，并保持推理目标不变。在八个基准上，PCD 将 8B→2B 蒸馏的宏平均从 44.50 提升到 47.28，将 32B→8B 从 56.94 提升到 61.22。2B 消融实验中，去掉 PCD 使留出集平均下降 2.22 分，去掉分离式 rollout 下降 0.88 分。

论文 PCD 多模态推理知识蒸馏

推荐理由：这篇论文给多模态蒸馏提了个新招：用师生分歧定位该纠的感知错误，八个基准分数明显涨，做蒸馏的可以看。

原文

13:17

官方账号arXiv cs.AI@Mingdai Yang, Shicheng Fan, Kejing Yu, Duohao Wang, Li Sun, Hao Peng, Philip S. Yu, Zhiwei Liu

LLM代理作为商家，即使被指示诚实，在大多数商品描述中仍会编造属性以赢得销售。平台无法逐条核实真伪，只能收到带噪声的投诉信号。研究者提出CARP机制，用死区容忍投诉噪声、状态依赖严重性抵抗检测侵蚀，无需真实值即可让低评分撒谎者的销量下降。搭配SPARC后，消费者福利接近完美信息基准，且优于其他对照策略。行为实验显示，商家在撒谎导致销量损失时会主动克制，说明惩罚在行为层面生效。

论文 CARP SPARC 智能体

推荐理由：这篇论文搞了个叫CARP的机制，不用知道真相就能让爱撒谎的AI商家少卖货，配上SPARC效果更好，挺有意思。

原文

13:14

官方账号arXiv cs.AI@Zongyi Chen, Yu Liang, Jie Lin, Liansheng Wang

PathVU是一个面向病理图像细粒度多尺度视觉理解的基准，基于23个公共病理数据集构建，包含14个VQA任务、61,673张图像和308,070个样本，覆盖28个器官。该基准通过Region FOV和Slide FOV两种视野，评估模型的区域定位、视觉识别、数量估计、空间推理和上下文不足判断能力。对18个通用、医学和病理专用的多模态大语言模型评测显示，现有模型在细粒度视觉任务上存在明显局限。

论文 PathVU 病理图像多模态

推荐理由：PathVU这个新基准测了18个多模态模型，发现它们在病理图上连定位和数数都容易出错，搞医学AI的值得看看。

原文

13:13

官方账号arXiv cs.AI@Cesare Zavattari, Alessandro Tommasi, Giuseppe Prencipe

一篇arXiv论文研究单人对N个LLM智能体舰队在每轮预算B≪N次审计下的监督问题，依据自我报告置信度排序，但置信度可能被对抗性错误校准且误差相关。作者用双层高斯Copula建模，找到了错误校准阈值δ*，超过该阈值后按置信度排序审计比随机审计更差。两个先验预期被推翻：预算越少δ*反而越高，跨家族相关性并不低——共享难度主导了谱系。五个开源模型置信度近乎恒定、无操作价值，点估计处于或超过翻转点但置信区间跨越；一个专有模型有信息量且落在阈值以下。论文还给出了“空洞监督”的定量判据，并通过历史轨迹回放验证了排序。

论文 LLM 智能体审计

推荐理由：这篇论文用数学告诉你，LLM自报置信度不靠谱时，按置信度排序审计可能比随机还差，而且越省预算越危险，值得做AI治理的人看看。

原文

13:08

官方账号arXiv cs.AI@Mingkang Dong, Muxin Pu, Jie Li, Bohan Guo, Songruo Chen, Bin Ren, Xu Zheng, Chen Zhao, Tianwen Qian, Mohamed Elhoseiny, Yuqian Fu

ObjectStream 是面向流式视频理解的无训练框架，把潜在目标作为记忆锚点。它直接从冻结的 Video-LLM 表征中提取空间连贯的潜在目标，跨帧链接为持久锚点，无需外部检测器或分割模型。在 OVO-Bench Real-Time Visual Perception 上，ObjectStream 使 Qwen2.5-VL-7B 提升 10.0 分，峰值 GPU 内存和 TTFT 均降低约 50%。在离线长视频基准上，它超越全 token 基线，同时丢弃 82.5% 的视觉 token。

论文 ObjectStream Qwen2.5-VL-7B Video-LLM

推荐理由：论文提出 ObjectStream，用目标当锚点压缩视频记忆，免训练提升理解，显存延迟减半，性能还涨 10 分。

原文

13:01

官方账号arXiv cs.AI@Lizhi Yang, Junheng Li, Aaron D. Ames

PAC-MAN 是 arXiv 2607.28623 提出的考虑感知的 CBF-RL 框架，训练时用控制屏障为每个身体链接提供安全约束，部署时只靠头戴相机的分割掩码深度观测球。在单次投掷和往返站位恢复的部署循环基准上，该策略与拥有完整球状态的特权状态 oracle 仅差几分。实验显示 Joint-CBF 在精确球状态时表现最佳，但固定相机观测下仅作为训练引导会退化，加装球跟踪云台或运行时滤波器可恢复。研究者将轻量 Link-CBF 策略零样本部署到 Unitree G1 真机，能容忍不完美感知，95% 的投掷成功，并用语义分割躲避不同球。

论文 PAC-MAN CBF-RL Unitree G1

推荐理由：Unitree G1 靠头戴相机躲球真有 95% 成功率，和上帝视角基线差距很小。对做机器人感知和安全的都挺有参考价值。

原文

12:59

官方账号arXiv cs.AI@Xiangning Lin, Shenzhe Zhu, Shu Yang, Zhenyu Zhang, Haoqian Zhang, Yipeng Zhao, Chengxuan Qian, Tianwei Wang, Ziheng Zhang, Zhenlong Yuan, Dingcheng Wang, Juncheng Wu, Yuan Si, Jiaxin Liu, Baolong Bi, Robert Mahari, Tobin South, Dazza Greenwood, Zexue He, Rishi Bommasani, Sophia Kazinnik, Andreas Haupt, Samuele Marro, Erik Brynjolfsson, Alex Pentland, Jiaxin Pei

AISPA是一个面向用户的系统提示审计框架，从八个维度逐条检查系统提示。研究团队用该框架审计了88款商业AI产品中的3249条指令，发现各产品设计差异悬殊：有的产品平均包含超过60条保护性指令，有的不足5条。尽管98.9%的产品至少有一条保护性指令，但只有24%覆盖全部八个维度；约40%的产品存在至少一条损害用户利益的指令，且保护性与问题指令经常共存。

论文 AISPA 系统提示提示词工程

推荐理由：论文用AISPA框架审计了88款商业AI产品，发现约四成产品里有损害用户利益的指令，做AI应用的朋友可以看看。

原文

12:58

官方账号arXiv cs.AI@Qiushi Sun, Kanzhi Cheng, Yian Wang, Bowen Yang, Hang Yan, Liheng Chen, Fangzhi Xu, Zichen Ding, Nuo Chen, Jialin Cao, Xingdong Gong, Zehao Li, Kaiming Jin, Xinfeng Yuan, Zhoumianze Liu, Jingyang Gong, Zhangyue Yin, Jiahui Gao, Zhiyong Wu, Tianbao Xie, Jianbing Zhang, Ben Kao, Lingpeng Kong

OSReward 是一个用于评估视觉语言模型（VLM）判断计算机使用智能体轨迹能力的基准。研究者在多平台、多智能体框架上收集人工验证的指令轨迹，并通过多阶段标注得到真实标签。评测发现，即使是当前最强的 VLM 判断器也存在系统性宽松偏差，常把失败操作标记为成功。为此，团队构建了包含 10 万条推理标注轨迹的 OS-Shepherd-100K 语料，并训练出 9B 和 35B 的 OS-Shepherd 奖励模型。这两个开源模型能以比商业判断器低 30-60% 的成本提供同等质量的奖励信号。

论文 OSReward OS-Shepherd 智能体

推荐理由：OS 团队开源了 OSReward 基准和 9B/35B 奖励模型，专测 AI 判断电脑操作任务是否成功，成本比商业方案低 30-60%。

原文

12:57

官方账号arXiv cs.AI@Manyi Wang, Junjielong Xu, Pinjia He

PAIChecker是一个多智能体系统，用于检测SWE-bench类基准中PR与Issue配对不对齐的问题。研究者在SWE-bench Verified实例中发现13.6%存在不对齐，涵盖五种模式和十一个细粒度场景。PAIChecker采用三阶段设计，结合特定模式识别、跨智能体标签合成和代码级验证。在SWE-Gym和SWE-bench Multilingual上，该系统分别达到92.12%和91.67%的二元准确率，优于四种LLM后端。

论文 PAIChecker SWE-bench 多智能体

推荐理由：做代码基准测试的朋友可以看看，PAIChecker能自动揪出PR和Issue配错的情况，SWE-bench上准确率超九成。

原文

12:56

官方账号arXiv cs.AI@Jiacheng Tao, Qingyun Sun, Haonan Yuan, Ziwei Zhang, Jianxin Li

DualG-MRAG 提出将宏观推理图与微观匹配图解耦，分别负责全局拓扑路由和局部证据验证。该框架通过 GNN 检索器实现查询驱动的消息传递，并利用动态规划解码从前向传播中提取推理路径。在证据召回和复杂问答准确率上，DualG-MRAG 超过现有基线。

论文 DualG-MRAG GNN 多模态RAG

推荐理由：多模态RAG老是丢细节？DualG-MRAG用双图分工解决，召回更准、复杂QA更强。

原文

12:54

官方账号arXiv cs.AI@Alexandra Lassota, Krzysztof Sornat

该论文研究审批制委员会选举中Thiele投票规则的赢家确定问题，这类规则由固定权重向量参数化。作者基于选民审批关系分析最优解结构，为PAV等规则设计了Voter Interval（VI）域上的FPT算法。在VI域上，每个候选人被一段连续选民的区间批准，文中证明所有Thiele规则在该域上关于某个参数是FPT，而该参数在一般实例上即使取常数值也令问题NP难。论文还解决了PAV的两个开放问题：当每个候选人至多被两名选民批准时给出多项式时间算法，并以获胜委员会总分数为参数给出FPT算法。

论文 Thiele投票规则 PAV Voter Interval

推荐理由：这篇论文把PAV等Thiele规则在Voter Interval域上的复杂度向前推了一步，还解决了两个开放问题，做计算社会选择的人可以看看。

原文

12:53

官方账号arXiv cs.AI@Woongkyu Lee, Jungwook Choi

这项研究在 OSWorld 基准上测试了 Qwen3-VL-8B/30B-A3B、UI-TARS-1.5-7B 和 OpenCUA-7B 三类本地计算机使用智能体。结果表明，上下文扩展可提升轨迹稳定性但收益很快饱和，时间扩展减少 max-step 停滞却不提升任务成功率。结构分解会引入规划和格式化开销，并行扩展能部分缓解但计算成本显著增加。研究建议本地高效智能体需要选择性计算分配和失败感知控制机制。

论文 Qwen3-VL UI-TARS OSWorld

推荐理由：这篇论文实测了三个本地模型在 OSWorld 上的推理时扩展，发现多算不一定提升成功率，反而换着花样失败。做本地 CUA 部署的可以当避坑参考。

原文

12:51

官方账号arXiv cs.AI@Albert Gong, Kyuseong Choi, Abhineet Agarwal, Jason Schechner, Ryan Huang, Raj Agrawal, Anish Agarwal, Raaz Dwivedi

ORCA-bench用一套运行六天的OpenTelemetry微服务系统，通过Prometheus、Jaeger和OpenSearch/Grafana接口暴露指标、日志和链路，共构造1079个值班根因分析任务。五个前沿智能体在Medium难度任务上最佳RCA准确率仅25.3%，Hard难度为10.0%。最弱模型在40%的故障报告中给出不合理根因；去掉源代码访问后所有指标下降。专家SRE对真值症状做了复核，LLM评判与人类评分加权kappa为0.90。

论文 ORCA-bench 根因分析智能体

推荐理由：想看看编程Agent在真实值班场景有多靠谱？ORCA-bench给了1079个线上故障任务，最强模型也只答对四分之一。

原文

12:50

官方账号arXiv cs.AI@Mao-xun Huang, Jerry Wang, Yi-Cheng Lai, Zhengxin Zhang, Claire Cardie, Hen-Hsen Huang

MANTA 是一个多智能体网络拓扑自适应框架，让通信结构在推理时自我进化。MANTA 在执行前初始化任务条件拓扑，运行中监测协作轨迹并应用有界结构更新。在信息检索、工具使用、规划、工作流执行和数学推理五个基准上，MANTA 平均分达 74.0，超过最强基线 5.8 个百分点。它在 PlanCraft 任务上也取得最优成绩。

论文 MANTA PlanCraft 多智能体

推荐理由：多智能体协作结构不用手动调了，MANTA 在推理时自动改拓扑，五个基准平均分 74.0，超基线 5.8 个点。

原文

12:44

官方账号arXiv cs.LG@Haomin Qi, Xingliang Wang, Xuanqi Gao, Baihui Sang, Xin Zhang, Minghua Ma, Pengfei Gao, Yu Kang, Qingwei Lin, Saravan Rajmohan, Dongmei Zhang, Qi Zhang

Change2Task是一个基于仓库历史将合并的拉取请求转换为已验证编码代理任务的系统。它通过补丁反转、代码映射或代理重建来重构任务状态，并验证从健康基线到任务状态再恢复的完整生命周期。从1,130个符合条件的源变更中，该系统在五类常见编码代理任务族上实现了79.6%的验证任务构建成功率。相比基于拉取请求的构造基线，在匹配候选集上多恢复了29.2%的验证任务。历史与重建案例在代理评估下达到98.0%的匹配结果一致性，复用现代基础使整体管道测量支出降低10.8%。

论文 Change2Task 编码智能体数据生成

推荐理由：想给编码代理搞训练数据？Change2Task用仓库历史自动生成可执行任务，成功率近八成，还能省下环境搭建开销。

原文

12:37

官方账号arXiv cs.LG@Jonathan J. Heckman, Shani Meynet, Alessandro Mininno, Gary Shiu

该论文用机器学习判定超对称quiver规范理论中的Seiberg对偶，数学上等价于判断quiver的突变。在约10个节点的quiver上，Transformer和多层感知机架构的表现优于确定性算法。加入pathfinder算法（作者称之为“quiver版Google Maps”）后，搜索效率和准确率进一步提升。论文认为这类问题可作为前沿AI模型用于理论物理的基准测试。

论文 Seiberg对偶 quiver Transformer

推荐理由：这篇论文用AI判断两个物理系统是否对偶，在约10节点quiver上比传统算法快，还配了“quiver版谷歌地图”提高准度。

原文

12:36

官方账号arXiv cs.LG@Yao Xiao, Reuben Tan, Zhen Zhu, Yuqun Wu, Jianfeng Gao, Derek Hoiem

ReToken训练一个可学习嵌入作为检索目标，从预填充的视觉KV缓存中选取与查询相关的稀疏视觉token。它在小型图像问答数据集上训练，在Visual Haystacks基准上让Qwen3VL-8B提升13.4分，InternVL3.5提升12.4分。在LVBench上，模型零样本迁移到长视频任务，Qwen3VL-8B取得8.0分增益。由于设计轻量，训练与长视频推理可在一块H100上完成。

论文 ReToken Qwen3VL-8B InternVL3.5

事件专题

推荐理由：ReToken用一个小token当检索目标，从KV缓存里挑关键视觉token，Qwen3VL-8B在Visual Haystacks涨13.4分，单卡H100就能跑。

原文

12:35

官方账号arXiv cs.LG@Bing Yan, Gregory Wolfe, Stefano Martiniani, Kyunghyun Cho

AskChem 将论文拆解为带来源 DOI 和原文引用的原子声明。目前已索引来自 14.7 万篇论文的 240 万条声明，提供网页、REST、SDK 和 MCP 接口。在 AskChem-Bench 基准上，接入 GPT-5.5 阅读器后 DOI 可解析率达到 100%，未检索时为 88.3%。系统还提供证据图和分类检索，支持跨论文验证信息。

论文 AskChem 化学文献文献综述

推荐理由：化学论文里找结论太费劲？AskChem 把 14.7 万篇论文拆成带引用的声明，直接搜观点还能看来源，AI 也能通过接口调。

原文

12:34

官方账号arXiv cs.LG@Sparsh Roy, Samuel Girmachew, Nishita Chavan

KAISEN是一种针对临床风险模型的五阶段公平性审计流程，在包含16个疾病任务和15个健康社会决定因素轴的合成基准上测试。研究发现，显著性计数与原始均等化赔率差（EOD）的秩相关为0.56，按最小可检测效应标准化后升至0.78。每组的阈值优化在48次运行中全部降低EOD（配对差值-0.285），而组级Platt缩放的EOD改善仅19/48次。机制诊断在144个受控案例中全部正确，但在48个模型驱动案例的代理设定错误下全部失败。CUSUM警报和漏报主要受队列随机种子影响（卡方p=0.002），阈值无法跨队列迁移。

论文 KAISEN 公平性临床风险模型

推荐理由：KAISEN把公平性审计拆成五个阶段，用合成数据测出哪个环节会失效。阈值优化靠谱，但Platt缩放和机制诊断有坑。

原文

12:32

官方账号arXiv cs.LG@Md. Mehrab Hossain Opi, Robiul Islam Ryad, Md. Umar Faruk

MixFrag提出一种面向视觉Transformer的脆弱性引导混合精度训练后量化框架。它通过计算全精度与量化输出分布的KL散度来估计各组件量化脆弱性，并将位宽分配建模为多选择背包问题。在ImageNet-1K上，MixFrag在多种ViT架构下取得有竞争力的分类精度。在COCO目标检测与实例分割任务中，MixFrag在MP3/MP3设置下比此前最优方法提升高达9.6 AP。

论文 MixFrag 量化视觉Transformer

推荐理由：MixFrag用KL散度定位模型里对量化最敏感的部分，再把位宽分配变成背包问题。在COCO上比之前最好的混合精度PTQ方法涨了9.6 AP，跑ViT的可以看看。

原文

12:31

官方账号arXiv cs.LG@Jiawei Xu, Minghui Liu, Juzheng Zhang, Tom Goldstein, Furong Huang

论文提出β-OPSD，将普通在线自蒸馏（OPSD）推广为β=1特例的策略优化家族。β作为正则化参数，控制学生模型相对参考策略与特权教师之间的权衡。最优策略被推导为参考策略与教师的几何插值，实现时混合二者的token级logits。在数学推理基准上，β-OPSD比vanilla OPSD更稳定、推理性能更好。

论文 β-OPSD 自蒸馏策略优化

推荐理由：这篇论文把OPSD的隐式β变成可控参数，用蒸馏近似强化学习，数学推理上比原版更稳更强。

原文

12:28

官方账号arXiv cs.LG@Iliya Mirzaei

该论文对七种自我反思方法进行对照实验，使用1.5B、3B和7B三种开源模型，在两个数学基准上各150道题。所有方法按实际生成token数对齐后，与重复采样取多数答案的基线比较，共36组配对检验。结果显示没有任何方法在相等成本下稳定优于重复采样，其中10组可靠更差，全部18组涉及模型自我检查的比较均为负面。Self-Refine和强制的Reflexion在7B模型上仍落后基线3.6至10.1个百分点，而最佳选择在1.5B时取多数答案比模型自选高8.0和11.3点，到7B时差距缩小至不显著。

论文 Self-Refine Reflexion 重复采样

推荐理由：这篇论文把Self-Refine、Reflexion这些热门方法拉出来做了严格对比，发现相同token预算下自己反思不如多采样几次取多数，想省成本做推理的可以看看。

原文

12:27

官方账号arXiv cs.LG@Mengfei Ran, Yifeng Shen, Ruijie Guan

DR-FRL是一种面向不规则历史的纵向因果推断方法，将功能编码器与时间编码器结合，把点云和既往史映射为估计目标相关的状态。模拟实验显示，在功能混杂高维、测量信息性、支持度弱或伪结果重尾时，DR-FRL比标准序列学习更稳定。在VitalDB审计中，DR-FRL使用不规则实验室点云得到负面发现：对于ICU处置终点，标量实验室摘要已携带大部分相关信息。该方法通过EIF靶向验证、校准、重叠和尾部分析评估状态是否支撑估计方程。

论文 DR-FRL VitalDB 因果推断

推荐理由：这篇提出DR-FRL，把不规则化验点云变成因果推断能用的状态，还在VitalDB上验证，结论是标量摘要其实够用。

原文

12:25

官方账号arXiv cs.LG@Ruman Wang, Hangting Ye

ScaFE将临床知识从大语言模型转移到确定性的可执行特征程序，而非直接让模型诊断图像。在来自三家医院的600张照片上，ScaFE达到81.0%的站点宏平衡准确率，比最强基线BiomedCLIP高出10.0个百分点。仅用10%的开发数据时，ScaFE保持72.0%的平衡准确率，仍领先11.8个百分点。迭代修复将可执行程序率从66.7%提升到95.0%，91.7%的最终特征有验证证据。该方法表明LLM知识能通过本地可审计的特征程序支持跨医院的医学图像分类。

论文 ScaFE LLM BiomedCLIP

推荐理由：这篇论文发了个叫ScaFE的方法，让LLM写图像特征程序来分类疤痕，照片不用出本地，比BiomedCLIP高10个点，数据少也够用。

原文

12:23

官方账号arXiv cs.LG@Neelam Akula, Surbhi Kumar, Murat Kantarcioglu, Baris Coskunuzer

论文提出一套无泄漏的 NC→LP 同图跨任务迁移协议，固定节点和边划分，并用排除被评估边的共享消息传递图配合固定负样本。在 GCN、GraphSAGE、GPS 三种主干上，实验显示迁移方向性很强：同质图上 NC→LP 稳定有益，而 LP→NC 在朴素表征复用时可能降低精度。LP→NC 主要只有在结构主导（LP 容易、NC 未饱和）时正向，说明 LP 相当于结构预训练。最后，论文提出 CoTask Score（CTS）来综合衡量共享编码器的 NC+LP 联合效用，并发现同质性等统计量可指导选择、避免负迁移。

论文 GCN GraphSAGE GPS

推荐理由：同一张图上节点分类和链接预测怎么互相迁移？这篇用 GCN/GraphSAGE/GPS 跑出规律，还给了 CTS 分数避免负迁移。

原文

12:22

官方账号arXiv cs.LG@Srikanth Avasarala, Varun Gupta, Shahin Jabbari, Saber Salehkaleybar, Juba Ziani

本文提出一种因果执行框架，建模追责行为通过结构因果模型传播以及对真实标签的影响。该框架将追责策略优化转化为非凸问题，并给出可高效计算的稳定均衡条件。在半合成和真实信用数据集上的实验表明，忽略因果结构的追责会诱导大规模错位行为，而因果追责能减少博弈激励并降低重复训练需求。与标准经验风险最小化相比，该方法在预测一致性上持续更优。

论文算法追责因果推理可执行改变

推荐理由：这篇论文讲了算法追责如果不考虑因果，用户容易钻空子，用因果框架能让系统更稳定，值得搞机器学习的人看看。

原文

12:21

官方账号arXiv cs.LG@Alexander Boesgaard Lorup

该论文在 Qwen2.5 衍生系统上用 200 项配对实验对比保留 live cache 与一次性 prefill。BF16 下两种构造在 166 个后缀和 20 个正确性标签上出现分歧，准确率差 1 个百分点（95% CI [-3.5, +5.5]）。FP32 固定前缀 2x2 对比没有解码分歧（Wilson 95% 上限 1.88%）。跨 48 层 key/value 的双向缓存移植让每个测试分歧跟随缓存供体（24/24 和 43/43）。

论文 Qwen2.5 KV Cache 推理模型

推荐理由：用Qwen2.5做200组实验：BF16有166处分歧，FP32无分歧；移植48层KV缓存后分歧跟随供体。

原文

12:17

官方账号arXiv cs.LG@Amol Khanna, Manu Nandan, Cristian Viorel Popa, Joan Pujol-Roig, Diana Bolocan, Laura Vasilie, Alexandru Apostu, Chase Helwig, Mihaela Gaman, Michael Brautbar, Edward Raff, Chase Midler, Sven Krasser

安全运营中心（SOC）面临告警疲劳，检测量超过人工处理能力。研究团队通过自动提示优化、自训练和可验证奖励强化学习，在真实人工标注的Windows端点检测上训练出链式推理（CoT）分类器。CoT会降低标签token概率，因此另训练校准器读取完整推理轨迹并估计判定正确概率。系统达到82.6%测试准确率，在高置信度操作点下，良性召回率比直接标注的LLM分类器提升43.0%，恶意召回率提升18.3%。未训练的置信度评判会使高置信召回归零，而微调的30B模型显著优于前沿通用模型。

论文 LLM CoT 安全运营

推荐理由：这篇论文把推理模型用在安全告警分类上，82.6%准确率，比直接LLM打标签的恶意/良性召回提升明显，还解决了置信度问题。

原文

12:16