全部 AI 动态 · AI 热点

7月31日

09:51

官方一手arXiv: DeepSeek@Niklas Bauer, Lars Benedikt Kaesberg, Akiko Aizawa, Jan Philip Wahle, Bela Gipp, Terry Ruas

精选

ParliamentBench 是基于桌游《秘密希特勒》的开源评估框架，用于测试大模型在信息不对称下的欺骗、说服与推理能力。研究对16个LLM进行了1600场模拟对局，并与人类玩家及在线游戏数据对比。排名前四的模型为 GPT-5.4、Kimi K2.5、Grok 4.1 Fast 和 DeepSeek 3.1 Terminus，而最弱模型的表现低于随机基线33%和算法基线45%。研究还引入了三项新指标，分别衡量社交推理、推理能力和欺骗一致性。多数模型难以维持一致的欺骗人格，欺骗保持率低于50%。

论文 ParliamentBench GPT-5.4 DeepSeek 3.1 Terminus

推荐理由：新基准用《秘密希特勒》测AI说谎，16个模型里GPT-5.4、Kimi K2.5领先。

原文

09:49

官方一手arXiv: DeepSeek@Ruslan Khrulev

BlueprintRepair是一种让大模型通过十种受模式检查的局部操作修改Lean证明蓝图的修复接口。研究构造了包含142个受控失败案例的BlueprintTrace基准，并对比了类型化编辑、精确源码补丁和完整模块重写三种方式。在DeepSeek-V4-Flash下，三种接口解决的局部失败数几乎相同，但类型化修复每个已解状态成本最低，补丁费用为其1.30倍，重写为其2.06倍。在每任务10000个补全token预算内，类型化修复几乎达到最终覆盖率，而两种自由形式接口明显落后。Qwen3.6-Flash解决的案例更少，但类型化修复依然最便宜，并在证明编写类状态上领先。

论文 BlueprintRepair Lean DeepSeek-V4-Flash

事件专题

推荐理由：修Lean证明蓝图？这个接口用类型化编辑，比源码补丁省30%、比重写省一半，1万token内就顶到上限。

原文

09:48

官方一手arXiv: DeepSeek@Tianyang Zhu

精选

DeepSeek-V4-Flash的稀疏MoE推理中，数学等价的专家归约顺序会产生可观察的执行分歧。研究对比4种聚合方案：720个A模式顺序产生10个延续盆地，720个B模式顺序形成360个结构类和11个盆地。在一条中文提示词下，B类分裂为202个裁员、113个招聘和45个其他延续。192条持久轨迹中，P32、A、B方案改变所有原生参考路由，而C方案保留路由、token序列和文本。FP64精确重建可在301个下游状态上获得七步一致。

论文 DeepSeek-V4-Flash 稀疏MoE 数值精度

事件专题

推荐理由：这篇论文把DeepSeek-V4-Flash的MoE数值细节挖得很深，归约顺序不同结果就不同，跑推理时得留神。

原文

09:44

官方一手arXiv: DeepSeek@Haodong Zhu, Yangyang Ren, Yanjing Li, Sheng Xu, Haiguang Liu, Linlin Yang, Baochang Zhang

论文提出KGPS（Kalman-Guided Prompt Selection），将RL微调中的提示选择重构为动态状态估计问题。该方法用线性高斯状态空间模型对每个提示的潜在成功率建模，过程噪声随策略更新幅度增大。Kalman滤波器维护提示难度的后验分布，优先选择中等难度且不确定性高的提示。在数学、规划和几何推理基准上，KGPS在DeepSeek-R1-Distill-7B上比DS方法少用83%的rollout，平均性能提升0.12分。

论文 KGPS DeepSeek-R1-Distill-7B RL微调

推荐理由：论文提出KGPS，用卡尔曼滤波动态挑RL微调提示，比DS少用83%的rollout还提分，适合想省算力的人。

原文

09:43

官方一手arXiv: DeepSeek@Jiajun Zhou, Zhaoxuan Ke, Jihang Ye, Xuanze Chen, Shanqing Yu, Qi Xuan

精选

AgentS4D 是一个沙箱化基准，用于评估基于 LLM 的工作区智能体在完整执行生命周期中的运行时安全，包含 328 个风险注入案例。其框架定义了 6 个风险来源、6 种诱导策略、9 类目标危害和 7 个生命周期检查点。作者用 4 种 harness（Hermes、OpenClaw、Claude Code、Codex）和 5 个 LLM 后端（GPT-5.5、Gemini 3.1 Pro、DeepSeek-V4-Pro、MiniMax-M3、Qwen3.7-Plus）组成 20 种配置，共运行 6,560 次测试，其中 68.0% 触发了预设的不安全信号。结果显示 66.22% 的不安全运行仍能完成任务，说明任务完成不能证明运行时安全。

论文 AgentS4D 智能体 AI安全

事件专题

推荐理由：AgentS4D 用 328 个风险案例测了 20 种智能体组合，发现 66% 的测试任务虽然完成但实际不安全，别光看结果。

原文

7月30日

11:35

官方账号arXiv cs.LG@Perry Dong, Ron Polonsky, Dorsa Sadigh, Chelsea Fin

论文研究了在线RL微调时预训练Q函数的效果。发现预训练Q函数相比随机初始化提升有限，因为预训练的Q函数目标与在线微调收敛的Q函数存在根本性不匹配。作者提出策略集成初始化（IPE）方法，通过训练多个多样策略并用其滚动数据引导Q函数学习。在连续控制基准上，IPE相比朴素Q函数预训练平均提升1.26倍微调性能。

论文 Q函数强化学习预训练

推荐理由：如果你做强化学习微调，这篇论文告诉你预训练Q函数可能没用，还给了更高效的IPE方法，实测效果更好。

原文

11:32

官方账号arXiv cs.LG@Lennon J. Shikhman, Michael Galarnyk, Aadi Dash, Nicholas A. Welsh

该论文对比了两种基准：控制基准暴露模拟器真实密度，时间排序的NIFTY基准测试市场外价格。双组分对数正态混合模型在合成基准上具有最低的聚合价格、L1、Wasserstein和固定尾部误差。DeepONet将1%分位数和方差误差分别降低39.0%和34.6%，报价变换器在结构错误设定的Merton族上将L1降低16.4%。在524个NIFTY看涨期权上，验证选择的测试时适应将DeepONet RMSE降低28.3%，但每到期混合和SVI拟合仍然更准确。证据支持目标依赖的归纳偏差，而非通用胜者。

论文 DeepONet NIFTY Merton

推荐理由：这篇论文告诉你，期权价格准不代表密度恢复准。它用NIFTY和模拟数据对比了混合模型、DeepONet和SVI，结果各有胜负，适合做金融AI研究的人参考。

原文

11:31

官方账号arXiv cs.LG@Quang Bui, Sparsh Roy, Akash Gundimeda, Davin Yin

该论文研究了基于扩散模型的提议在连续代数约束求解中的有效性。在候选条件修复排序中，K个增强选项的排名器以少量调用达到穷举搜索上限：平衡非线性菜单准确率0.997 vs 0.236（p<10^-70），多种子平均0.982±0.006。提出的MARC系统将约束转化为因子图，用图神经扩散去噪器提出赋值，再通过精确计算机代数能量下降优化并由符号检查器验证。与随机多起点相比，学习式提议只在高维空间明显胜出（低维持平，变量耦合时优势消失）。在八个真实系统（机器人、定位、优化、代数）中，经典随机多起点全部求解，无一处于学习有利区间。

论文 MARC 扩散模型约束求解

推荐理由：这篇论文用严格的对照实验告诉你：扩散模型在约束求解里什么时候有用、什么时候没用，结果很反直觉——真实系统里随机多起点反而全赢了。做AI for science和优化的人值得看看。

原文

11:29

官方账号arXiv cs.LG@Yihao Chen, Shi Chang, Khaled Chawa, Feng Lin, Boyuan Chen, Shaowei Wang, Ahmed E. Hassan

论文提出 MindForge 自动流程，将开源命令行程序转为仅暴露编译后可执行文件和文档的源码无关环境。用 GLM-5.2 作为教师智能体生成高质量程序合成轨迹，微调 Qwen3.6-27B。微调后模型在 ProgramBench 上平均测试通过率从 37.98% 提升至 49.51%，并在 7 个未见基准上均获提升，如在 RepoZero-C2Rust 上绝对增益 31.00 分、SWE-bench Verified 上 5.04 分。

论文 MindForge ProgramBench GLM-5.2

推荐理由：MindForge 教小模型从零写完整软件，不用源码只用可执行文件和文档就把 Qwen3.6-27B 在 ProgramBench 上提升了 11.53%，跟大模型差不多。

原文

11:27

官方账号arXiv cs.LG@Harvey Samuel George Johnson, Sendy Phang

该论文提出了一种基于忆阻器的储备池计算（RC）设计框架，针对多级流水线CPU的分支预测（BP）任务。使用System Verilog和Verilog-AMS进行了仿真实现，在Dhrystone基准测试上评估，目标指令集为RISC-V RV64GC。实验显示RC能达到较高的整体预测准确率，但与最先进的TAGE预测器相比，适应分支行为变化的速度慢15倍。论文指出了进一步优化自适应能力的必要性。

论文储备池计算忆阻器分支预测

推荐理由：这篇论文研究了用忆阻器做储备池计算来加速CPU分支预测，Dhrystone测试表现不错，但比TAGE慢15倍，适合关注硬件AI加速的朋友看。

原文

11:26

官方账号arXiv cs.LG@Zuyuan Zhang, Yongshan Chen, Mahdi Imani, Tian Lan

该研究针对Holonomy-Cover决策过程（一类结构化的POMDP）构建稳定商，即保持一步奖励和商后继的最粗观测-wise抽象。理论证明当前观测与稳定类构成精确有限马尔可夫状态，且在可到达性和成对决策分离条件下，任何有限记忆控制器无法使用更少的记忆符号。在可重置诊断下，近原型类推理的误差呈指数衰减。实验将原始状态压缩至商状态，仅用三个决策记忆状态即实现完美配对顺序准确率，优于非商基线。

论文 Holonomy-Cover POMDP 稳定商

推荐理由：这篇论文给POMDP找了个最省记忆的压缩方法，稳定商只用3个记忆状态就能完美还原配对顺序，比传统方法省很多。

原文

11:23

官方账号arXiv cs.AI@Peter Kirgis, Sayash Kapoor, Andrew Schwartz, Stephan Rabanser, David Africa, Konstantinos Voudouris, Viet Nguyen, Toby Pilditch, Magda Dubois, Harry Coppock, Cozmin Ududec, Nitya Nadgir, Matilda Orona, Tilman Bayer, Derrick Chan-Sew, Yue Ling, Abhishek Shetty, Helen Toner, Gillian Hadfield, Seth Lazar, Steve Newman, Shoshannah Tekofsky, Rishi Bommasani, Arvind Narayanan

该研究提出“影子评估”方法，让AI agent尝试回答两篇未发表的NeurIPS 2026论文的核心研究问题。agent在6天内消耗数千美元算力完成了全部工程任务，但未取得实质性进展，两篇论文均被原作者明确拒绝。研究归纳了五个失败模式：对发表标准判断不佳、研究设计缺陷缺乏创造性应对、无效回溯、资源意识差、指令漂移。另一模型和脚手架的稳健性检验重现了相同失败。

论文智能体影子评估 NeurIPS 2026

推荐理由：想知道AI做研究到底行不行？这篇论文用两个真实案例告诉你：干活还行，但搞科研还差得远，五个硬伤很实在。

原文

11:20

官方账号arXiv cs.AI@Nia Nixon, Jaeyoon Choi, Pedro Martins De Bastos, Mohammad Amin Samadi, Luise Mehner, Seehee Park, Spencer JaQuay

研究通过16组两人+AI队友和17组全人类三人团队的随机对照实验，在道德困境决策任务中分析沟通动态。AI队友是组内最健谈的成员，但其信息密度和新鲜度最低。AI的存在导致人类队友间响应性和社会影响力下降，归属感和地位感降低。对话中AI主导程度越高，人类感觉越不被重视。这种社会成本在对话初期即出现，不随时间累积。

论文 AI teammate 团队沟通人机协作

推荐理由：这篇论文用实验证明了跟AI组队会让人类队友之间沟通变少、归属感下降。别光看AI多能说，它抢了你的存在感。

原文

11:19

官方账号arXiv cs.AI@Peter Tisnikar, Maja Swieczkowska, Benteng Ma, Gerard Canal, Matteo Leonetti

论文将临时团队合作（AHT）扩展至多任务场景，提出CE-CM方法，通过贝叶斯推断从少量任务中在线学习隐藏的合作伙伴能力向量。CE-CM采用仿真采样构建上下文多智能体MDP进行规划，无需群体预训练。针对人类行为不可预测性，CE-CM-Div通过多样化规划轨迹评估能力假设，在模拟实验中快速恢复隐藏能力并减少不可行动作分配。基于225条人类轨迹的离线研究显示，CE-CM-Div比基线CE-CM显著提升能力估计准确性。

论文 CE-CM Ad-hoc Teamwork 能力估计

推荐理由：研究团队提出了CE-CM和CE-CM-Div两种能力估计方法，能让AI在未知合作伙伴能力时快速适应，还考虑了人类行为多样性，看模拟和真人实验结果都挺有说服力的。

原文

11:18

官方账号arXiv cs.AI@Ji Xin, Xiao Xiao, Ishan Bhatt, Vinesh Gudla, Trace Levinson, Raochuan Fan, Shishir Kumar Prasad, Prakash Putta, Tejaswi Tenneti

该论文提出一种发现增强的搜索系统，利用意图条件召回扩展。采用两阶段混合架构：先使用闭源大语言模型（LLM）优化头部查询，再通过LoRA适配器和师生蒸馏微调小语言模型（SLM）覆盖尾部查询。系统评估使用LLM-as-a-judge指标和端到端会话级购买分析。结果将发现覆盖率从约60%提升至80%，推理成本仅为教师模型的30%。

论文 LLM SLM 电商搜索

推荐理由：论文提出一种混合架构，用大模型和小模型结合，将电商搜索发现覆盖率从60%提升到80%，推理成本仅大模型的30%，适合大规模部署。

原文

11:17

官方账号arXiv cs.AI@Jingbo Zhou, Yusai Zhao, Qi Bao, Jingjia Cao, Zhenghai Chen, Chang Gao, Kaiqi Guo, Muxin Guo, Mingxuan Li, Xinjiang Lu, Yanru Ma, Yixiong Xiao, Zenghui Zhang, Le Zhang, Hua Wu

新基准 OmegaUse-OfficeVal 包含 100 个办公套件任务，平均需 2.32 小时人工完成。每个任务提供人工时间与任务价格代理两个经济信号，用于对比人类成本与 LLM 推理成本。评估了 GPT-4、Claude 3.5 等前沿 LLM，结果显示它们虽更便宜更快，但交付质量尚未达到人类水平。该基准代码与数据集已开源。

论文 OmegaUse-OfficeVal LLM agents 办公套件

推荐理由：想做办公自动化？这个新基准用真实成本告诉你：现在LLM虽便宜但还没人类靠谱，值得看看差距在哪。

原文

11:16

官方账号arXiv cs.AI@Roshan Kenia, Stephanie L McNamara, William Lotter

CT视觉语言基础模型通常使用整体表示训练，稀释了细粒度解剖信号。ACA通过TotalSegmentator分解CT体素得到解剖级嵌入，经transformer捕获跨解剖关系，并与放射报告中的逐解剖和扫描级文本对齐。在Merlin和CT-RATE基准上，ACA在零样本病变分类中优于冻结基础模型和现有细粒度方法，且嵌入缓存后训练时间不足1小时。

论文 ACA CT基础模型 TotalSegmentator

推荐理由：ACA用轻量级方法给CT模型加了解剖级上下文，一小时训练就比现有细粒度方法强，适合医学影像落地。

原文

11:15

官方账号arXiv cs.AI@Manpreet Singh, Akshatha Srikantha, Shyamal Lakhanpal

针对信用评分、欺诈检测等高风险中类别不平衡和不对称错误成本问题，该研究比较了边际共形预测（marginal CP）、类条件共形预测（Mondrian CP）和成本控制弃权机制。在15个真实不平衡数据集、7个分类模型、3种校准方法和10个随机种子下进行3150次实验。结果显示Mondrian CP将少数类覆盖率平均提升61.7个百分点（p<1e-80），而边际CP在某些数据集上少数类覆盖率低至0.5%。结合成本控制弃权还进一步降低了预期决策成本，并量化了将模糊实例交给人类专家判断的盈亏平衡阈值。

论文共形预测 Mondrian CP 成本敏感

推荐理由：这论文用海量实验证明，碰到严重不平衡数据时，传统预测区间会漏掉少数类，Mondrian CP加弃权能大幅提升覆盖率和成本效益，做高风险决策的值得看。

原文

11:11

官方账号arXiv cs.AI@Suhas Thejaswi, Juhi Kulshreshta, Lutz Oettershagen

该论文提出了语言单一文化概念，指用户依赖相同的大语言模型（LLM）进行写作和修改，导致语言形式趋同。作者构建了数学框架，将用户和LLM表示为语言特征分布，并分析了三种交互机制：固定共享模型、递归更新共享模型和个性化模型。研究发现，共享模型会推动用户趋向共同规范，递归反馈改变共享规范但不减少个体间差异，而个性化模型能保留语言多样性。模拟显示，不同机制对长期多样性的影响不同。

论文 LLM 语言多样性社会规范

推荐理由：这篇论文用数学模型解释了为什么大家用LLM写东西越来越像，还分析了个性化模型能不能救回多样性，适合关心AI对语言影响的读者。

原文

11:10

官方账号arXiv cs.AI@Yiping Song, Jiaoyan Chen, Renate Schmidt, Hui Yang, Wen Zhang

传统本体匹配（OM）仅处理等价或包含关系之一。本文提出混合本体匹配（HOM）任务，并设计基于LLM的多智能体框架AgentMap。AgentMap通过语义检索、层次搜索和协作推理，在源本体概念中寻找等价概念或最细粒度包含者。在扩展的四个OM数据集混合设置下，AgentMap取得良好性能，同时在等价和包含单独设置中分别超过基线。

论文 AgentMap 本体匹配 LLM

推荐理由：这篇论文用多个LLM智能体合作搞定本体匹配，能同时发现等价和包含关系，在四个数据集上比传统方法强。

原文

10:58

官方账号arXiv cs.AI@Xuanze Chen, Xukang Xie, Wentao Fu, Jiajun Zhou, Shanqing Yu, Qi Xuan

MemSecBench是一个任务驱动的基准，用于评估智能体记忆系统的生命周期安全，包含310个案例，覆盖代码、科学、日常生活和办公等48个真实场景。该基准采用Write-Execute-Forget协议，在24种配置组合（2种智能体框架、4种记忆后端、3种LLM后端）下测试。结果显示恶意记忆在84.2%的案例中持续存在，完整攻击成功率为50.3%。成功中毒案例中，59.6%完成完整执行链，56.1%实现选择性修复。与原生配置相比，攻击成功率最大差异达16.1个百分点，选择性修复差异达41.3个百分点。

论文 MemSecBench 智能体安全记忆中毒

推荐理由：这篇论文搞了个MemSecBench，专门测AI记忆会不会被黑，结果84%的案例恶意记忆都能长存，而且不同记忆系统差别很大，做AI安全的朋友应该看看。

原文

10:55

官方账号arXiv cs.AI@Feixiang Liu, Qiang Qiu, Lanbo Sun, Nan Wei, Huawei Shen, Xueqi Cheng

VCA方法通过分离文本和空白对照，评估多模态大模型（MLLMs）在空间基准中是否真的依赖图像证据。在四个MLLMs和两个基准上，12.73-26.25%的正确决策未获得图像信用。相同分割的图像排列使依赖正确性下降21.25-47.80点，所有95%置信区间均高于零。固定像素关系对比和3x3证据源阶乘设计表明，空对照无法识别关系响应；在受控正确但未获信用的决策中，关系反转响应覆盖81.57-100.00%，32.11%改变答案。

论文 VCA 多模态空间推理 MLLMs

推荐理由：这篇论文告诉你，模型答对空间题不一定是因为看了图——VCA方法能揪出这种虚假正确。结果发现十几到二十几个百分点的正确回答其实没用到图像信息。

原文

10:52

官方账号arXiv cs.AI@Paul Julius Kühn, Saptarshi Neil Sinha, Tiago Kleist, Richard Hoffmann, Arjan kuijper, Michael Weinmann

该论文提出基于BlenderProc的程序化渲染管道ScratchSim，可生成大规模带COCO格式标注的合成划痕数据。通过在两个不同材质物体上评估YOLOX、YOLO26和LW-DETR三种轻量级检测器，对比了纯合成、纯真实、混合及从合成权重微调四种策略。实验表明，从合成权重微调始终优于仅用真实数据训练，混合训练可在真实数据稀缺时有效恢复性能。该方法无需大量人工标注真实数据即可实现可扩展的缺陷检测，适用于工业质检边缘设备。

论文 ScratchSim BlenderProc 缺陷检测

推荐理由：这篇论文用BlenderProc生成合成划痕数据，微调策略比纯真实数据训练效果更好，适合做工业质检的场景。

原文

10:35

官方账号arXiv cs.AI@Gabe Everett, Brice Gunter, Ryan Vander Stelt, Cleiver Ruiz-Martinez, Blake Hull, Juan Rojas

SymmGrid是一个基于对称树的轨迹级增强框架，通过并行化不变变换生成几何网格结构。在自我中心与外部中心视觉设置下，使用单应性变换处理视觉场景。在真实机器人操作任务（插销插入、线缆布线、物体搬运）中，训练收敛速度提升1.37-2.17倍，成功率提升1.09-1.27倍，最快收敛时间分别为16.6、10.9、79.3分钟。轨迹级评估的nAUC指标提升达2.59倍。

论文 SymmGrid 机器人学习对称性

推荐理由：SymmGrid用对称性把机器人训练时间压缩到十几分钟，插销这类任务成功率还涨了，挺实用的新方法。

原文

10:34

官方账号arXiv cs.AI@Duzhen Zhang, Yahan Yu, Qiaoyi Su, Jiahua Dong, Tielin Zhang

多模态大语言模型（MLLM）依赖投影仪对齐视觉表示与语言嵌入空间。在持续指令微调中，视觉分布变化和指令语义演化导致投影仪漂移，引发投影仪级别遗忘——现有方法主要关注LLM骨干而忽视该问题。本文提出PMA框架，通过轻量级表示描述符检测多模态分布偏移，按需渐进扩展投影仪专家，并保留原始预训练投影仪作为稳定锚点。在两个MCIT基准（如MMBench持续版本）上，PMA结合现有方法一致超越先前最优结果，且在不同MLLM骨干上表现鲁棒。

论文多模态大语言模型持续指令微调投影仪对齐

推荐理由：这篇论文发现多模态模型持续微调时，投影仪会比主干更容易遗忘旧知识，并提出了PMA框架来解决，在两个基准上效果超过现有方法，值得做持续学习的读者看看。

原文

10:31

官方账号arXiv cs.AI@Vishisht Choudhary, Lukas Schmidt, Anne Zoë Kenntner, Feras Skhab, Michel Osswald, Jens Ernstberger

该论文提出三分类框架，区分人类、机器人和AI代理，发现二分类器将39.1%（MLP）和34.5%（SAINT transformer）的AI代理误判为人类。在30次实验中，加入代理类后代理F1达到1.000。通过五级逃避梯（含2299次逃避会话），两个行为特征（mouse_event_rate, teleport_click_ratio）实现100%的代理召回率和0.994的精度。特征冗余：移除teleport_click_ratio后仍保持100%召回。五个特征可将宏F1提升至0.991。

论文 AI agent Playwright 行为检测

推荐理由：这篇论文告诉你，检测AI代理不需要复杂手段，两个鼠标行为特征就够用了，能躲过各种伪装，读读看怎么做到的。

原文

10:29

官方账号arXiv cs.AI@Hongliang Zhang, Zhongyuan Yu, Guijuan Wang, Tianqing He, Wenshuo Ma, Xiaosong Zhang, Jiguo Yu

FedDAB是一种两阶段防御方法，通过局部对比正则化和对齐检查来抵御联邦学习中的后门攻击。第一阶段在局部目标中添加模型对比项，增强良性更新的方向和幅度一致性；第二阶段利用整体方向对齐和参数级对齐检查历史信息，排除异常更新。理论证明收敛率为O(1/T)，实验表明FedDAB在多个基准上优于现有防御方法如CRFL和FLTrust。

论文 FedDAB 联邦学习后门攻击

推荐理由：FedDAB用两阶段方法检测恶意更新，比CRFL和FLTrust更有效，理论收敛有保证。

原文

10:28

官方账号arXiv cs.AI@Zhe Liu, Quan Lu, Zhaohui Du, Zhe Wang, Huanbo Jin, Jiaming Gu, Qi Wang, Ting Xiao, Minting Pan, Dongzhan Zhou

BioVLN是一个专为生物医学实验室设计的视觉语言导航仿真平台。它将每个仪器表示为物理体、安全区和操作区三个区域，并以此进行场景生成和目标放置。平台包含47个场景和1667个episode，支持标准化导航和强化学习接口。实验显示，几何探索方法达到74.4%–87.5%的成功率，而在操作区内采样多个有效位置可将成功率提升至83.3%–92.5%，同时减少不安全接近。

论文 BioVLN 视觉语言导航仿真平台

推荐理由：BioVLN专门为实验室机器人导航设计，把仪器分成三个区域来评估，比普通方法更安全，成功率能上80%+。

原文

10:17

官方账号arXiv cs.AI@Brandon Gower-Winter, Georg Krempl

论文提出结果表现性A/B检测（OPAB）方法，通过比较不同预测组（干预）产生的结果分布差异来检测结果表现性。在姑息治疗、信用分配和推荐系统等场景中，预测会因果影响其预测结果，即结果表现性。研究推导了OPAB在多种假设类别下的样本复杂度边界，并通过实验验证。实验显示OPAB在多数情况下可检测结果表现性，但也存在不可区分区域，即干预数量不足时无法检测。在Open Bandits数据集上的案例研究验证了OPAB的有效性。

论文 OPAB Open Bandits 因果推断

推荐理由：这篇paper教你如何用A/B测试的思路检测预测本身会不会改变结果，有理论有实验，做因果推断或者推荐系统的值得一看。

原文

09:49

官方账号arXiv cs.LG@Filipa Lino, Bárbara Tavares, Carlos Santiago, Cláudia Soares, Manuel Marques

急诊部门（ED）面临患者需求不确定、季节性激增等压力，现有方法常独立预测单一层级，导致医院、区域、国家预测不连贯。研究者提出HierSTT，一个基于Transformer的层次化框架，在单一端到端模型中联合预测医院、区域和国家三级需求。该模型使用时序融合Transformer捕捉国家级动态，并通过时空Transformer编码器-解码器模块基于高层预测建模区域和医院需求。在覆盖葡萄牙81家医院、5个区域卫生管理部门的数据集上，HierSTT相比最佳非层次化深度学习基线将平均WAPE降低32%，并优于所有经典层次协调方法。

论文 HierSTT Transformer 急诊预测

推荐理由：如果你关注医疗预测或时间序列，这篇论文的HierSTT模型用一个框架搞定多层级预测，WAPE降了32%，还开源了数据集和代码。

原文

09:48

官方账号arXiv cs.LG@Andrew Flynn, Cian McCafferty, Klaus Lehnertz, François David, Vincenzo Crunelli, Gordon Lightbody, Sebastian Wieczorek

该研究提出一种基于临界转换的癫痫发作检测算法，克服了传统方法需大量预处理和依赖黑箱机器学习的局限。通过对癫痫大鼠不同形态发作的电压记录进行受试者工作特征分析，量化算法与专家标注的发作起止时间的一致性。在多数记录会话中，算法达到接近专家水平的性能，并最终推导出一组适用于所有会话的通用参数，保持高性能。该算法对多变癫痫形态具有鲁棒性，可补充现有机器学习方法。

论文临界转换癫痫发作检测脑电图

推荐理由：想绕过复杂预处理和黑箱模型检测癫痫发作？这篇论文的临界转换方法在多个大鼠记录中达到接近专家水平，通用参数依然高表现，值得研究。

原文

09:44

官方账号arXiv cs.LG@Aleksandr Berdnikov, Yevgeny Liokumovich

研究发现，100B参数级别的语言模型在残差流中编码了夜空地图表示，且可从提示“夜空中靠近这个天体的目标是什么”中解码。多数开源模型在该表示上LOO测试显著，解释方差R²达65%-85%，中位角度误差为12°-21°。这是高维弯曲不可约特征流形的首个实例。代码已开源。

论文语言模型星空地图可解释性

推荐理由：新研究发现大模型脑子里有张星空图，还能解码出来，挺有意思的。

原文

09:43

官方账号arXiv cs.LG@Peter Li, Prashant Pandey

InferScale 提出一种 GPU 原生的 KV 缓存注入方案，将每个记忆事实的 KV 表示预计算并存储在 GPU 上，服务时直接注入 vLLM 的页式缓存，避免重复预填。他们引入 Chunked RoPE 解决动态组装记忆的位置编码问题，并用 Context-Window Encoding 弥补独立编码缺失的跨事实上下文。在 LoCoMo 基准上，k=50 时 TTFT 降低 72-79%（3.6-4.8x），吞吐量提升 3.7-4.5x，准确率（60.3%）接近带服务时重计算的 Mem0（63.3%）。无需修改引擎或微调模型即可集成到 vLLM。

论文 InferScale vLLM KV缓存

推荐理由：看完这篇论文，你就明白怎么让 LLM 在有多层记忆时不再反复重算——InferScale 直接把 KV 缓存存好，做到检索量再大 TTFT 基本不变。

原文

09:41

官方账号arXiv cs.LG@Yicheng Feng, Yan Zhang, Yan Cheng, Wei Qi

该论文提出CAM-DF（成本感知边际决策聚焦停止）方法，解决LLM代理在工具选择时如何平衡信息充足性与成本的问题。CAM-DF通过训练停止决策，在1,343个任务上评估，在τ-bench Retail数据集上相比预测-阈值基线方法获得更高收益。CAM-DF-lite作为其轻量可解释变体，在异质成本和高成本压力下达到最先进水平。在线执行中，CAM-DF使代理暴露于37%更少工具，同时保持任务成功率不变。该方法无需微调底层LLM，可即插即用于现有工具排序流程。

论文 CAM-DF CAM-DF-lite LLM代理

推荐理由：这篇论文教你如何让AI代理少花钱多办事，用CAM-DF方法在成本压力下精准选择工具，比传统方法更高效。

原文

09:35

官方账号arXiv cs.LG@Yongjian Guo, Wanlun Ma, Lingyu Shen, Xi Xiao, Sheng Wen

ROPD通过建模对齐与受损输出概率分布之间的差异，而非拟合特定提示模板，来防御恶意微调攻击。实验在三个数据集（AlpacaEval、SafetyEval、MMLU）和三个基础模型（Llama-2-7B、Mistral-7B、Vicuna-7B）上与四个基线方法（DPO、PPO、GARLIC、SALMON）对比。结果显示基线方法在模板不匹配时下游任务性能严重下降，而ROPD显著缓解模板不匹配风险，防御效果和能力保留均保持强鲁棒性。ROPD虽非完全免疫模板变化，但性能下降远小于现有方法，为LLM安全再对齐设立新标准。

论文 ROPD LLM安全微调

推荐理由：这篇论文提出ROPD，能有效防止微调时被植入有害行为，同时不牺牲专业能力，比现有方法更能抵抗模板攻击。

原文

09:34

官方账号arXiv cs.LG@Hung Mai, Hai Nguyen, Luong Doan, Ngoc Vu, Khanh Nguyen, Nhung Duong, Tuan Do

精选

本文提出了经验最优传输的三种通信任务：分布式耦合采样、成本可评估耦合输出和标量值认证采样。主要结果是场编码编译器：任何逼近最优经验Monge映射至误差η的通信传输场，可通过稀疏目标单元残差补全为精确边际的值认证采样器，其标量证书满足W₁(μ,ν)≤U≤W₁(μ,ν)+2Δ，其中Δ是公开目标划分直径。证书精度仅由Δ控制。实例化编译器采用自适应局部仿射和张量积样条编码，样条情况需d(m+1)^db场比特，残差列表另计。下界方面，精确Gap-Hamming嵌入证明认证输出是困难的，包括一个平滑单元填充微分同胚族，要求任何成本可评估、成本认证或值认证协议至少Ω(ε^{-2d/(d+4)})通信。

论文 Field codes 分布式耦合采样最优传输

推荐理由：这篇论文从通信复杂度角度重新审视最优传输，提出了场编码编译器，把误差η的传输场变成带证书的采样器，下界还很紧。做分布式最优传输或通信复杂度的人可以看看。

原文

09:33

官方一手arXiv: Anthropic@Seonglae Cho, Adriano Koshiyama

精选

为了检测语言模型在概率判断中的方向性偏差，研究者提出OptimismBench，使用反向配对法计算符号偏差分数。对8个提供商的16个模型测试发现，14个模型呈现乐观偏差，仅Anthropic的旗舰层表现悲观。11组基座模型与聊天模型对比显示，后训练方向在不同模型家族中产生相反偏差。在17个模型、6种语言的比较中，模型身份主导语言因素，模型间方差是语言间方差的4.7倍。研究者发布了3870个条目、覆盖10种语言的偏差审计数据集。

论文 OptimismBench Anthropic 语言模型

事件专题

推荐理由：这篇论文发现大多数大模型判断概率时普遍乐观，只有Anthropic的模型偏悲观，还揭示对齐训练会改变偏差方向，值得AI开发者和伦理研究者关注。

原文

09:32

官方账号arXiv cs.LG@Nicolas Béreux, Aurélien Decelle, Cyril Furtlehner, Beatriz Seoane

该论文提出并行轨迹回火（Parallel Trajectory Tempering, PTT）训练算法，用于改进能量模型（Energy-Based Models, EBMs）的马尔可夫链蒙特卡洛（MCMC）混合问题。PTT利用优化路径的连续性，在整个学习过程中维持平衡采样，从而在高度多模态且数据稀少的科学数据集上实现稳定快速训练。与持久对比散度（Persistent Contrastive Divergence）相比，PTT的计算成本相当，并能直接估计热化时间、平衡样本和对数似然。在受限玻尔兹曼机（Restricted Boltzmann Machines）实验中，PTT持续超越现有EBM训练方法；在离散表格数据上，它同样优于当前最先进的深度生成模型，生成更高质量的样本且对过拟合和有限数据更具鲁棒性。

论文 Energy-Based Models Parallel Trajectory Tempering Restricted Boltzmann Machines

推荐理由：这篇论文提出了PTT方法，让能量模型训练又快又稳，在RBM上成绩比现有方法好，还能顺便算热化时间，值得看看。

原文

09:31

官方一手arXiv: Anthropic@Desiree Cho, Cameron Tice, Bernie Hogan, Hunar Batra, Puria Radmard, Jun Zhao, Nigel Shadbolt

精选

研究在120B参数规模上测试了宪法中期训练（constitutional midtraining），使用394M token的宪法语料库（基于Anthropic's Constitution）进行2x2因子设计（curriculum ordering × deliberative reasoning）。与仅回放的对照组相比，宪法中期训练的模型在对齐泛化和持久性上表现更好，尤其在blackmail测试中降低了17.5pp，且优势在良性微调后依然存在。该优势不适用于需要主动抵抗上下文压力的场景，且在SFT后减弱。宪法中期训练对MMLU、ARC-Easy、piqa、GSM8K等能力指标无平均损失。

论文 Constitutional Midtraining Anthropic 模型对齐

事件专题

推荐理由：Anthropic提出了在模型训练中期加入宪法性内容来提升对齐持久性，在blackmail任务上降了17.5pp，而且不牺牲MMLU等能力，值得搞对齐的人看看。

原文

09:29

官方账号arXiv cs.LG@Kindeep K. Dhatt, Tengyue Wu, Hanbang Hua, Yayun Du

该研究提出一种轻量级多模态可穿戴框架，实现单搏水平的无袖带连续血压估计。系统集成同步胸部心电图和耳夹反射光电容积描记术，每个都配备6轴惯性测量单元提供运动上下文。混合学习架构使用一维卷积神经网络从单个PPG搏动中提取64维嵌入，并与30个生理学特征融合，经LightGBM回归。在10名受试者的多阶段压力协议和PulseDB公共数据集上，模型对收缩压的平均绝对误差为4.02±0.21 mmHg，舒张压为1.79±0.05 mmHg，相比基线模型综合MAE降低28.2%。该框架支持无长时上下文的逐搏估计，适用于资源受限的可穿戴部署。

论文 Ear-PPG ECG LightGBM

推荐理由：想搞可穿戴血压监测？这篇论文用耳夹PPG加ECG，单搏就能估血压，误差才4/1.8 mmHg，比传统方法准28%，代码还开源。

原文

仅展示最近 2000 条内容。更早的内容请查阅 AI 日报存档（侧边栏 → AI 日报 → 顶部「往期日报」）。