AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
7月28日
10:35
10:35官方账号arXiv cs.AI@Wenxuan Zhang, Yuhui Wang, Donggang Jia, Xiaoqian Shen, Jian Ding, Ivan Viola, Jürgen Schmidhuber, Mohamed Elhoseiny
HyGAE是一种针对视觉-语言模型（VLM）智能体的强化学习框架，提出混合优势估计（Hybrid Advantage）和统一评价器（Unified Critic），同时优化令牌级和回合级目标。在五个多回合决策环境中的评估显示，HyGAE的平均成功率达到91%，相比其他方法提升了10%。理论分析表明，混合优势和回报的精确解析形式对优化至关重要。
论文HyGAEVLM强化学习
推荐理由：这篇论文提出了HyGAE方法，让VLM智能体在多个回合的决策任务里表现更好，平均成功率91%，比别的方法高了10%，值得搞强化学习和多模态的研究者看看。
原文
10:34
10:34官方账号arXiv cs.AI@Liangyu Li, Qingwen Liu, Mingqing Liu
论文揭示基于采样和潜在世界模型的控制器存在“提议过度生成”问题：当候选动作序列池从72增加到288，可行性从0.375降至0.062（位置目标）、0.344降至0.031（位置加偏航目标），即使大池中始终包含可行序列。作者提出相邻集动作重建(ASAR)方法，通过测量低代价序列的密度并从相邻集重建完整动作。在Carry and Release评估的75个查询中，Kernel ASAR在72、144、288个提议下分别将事件完成成功率提升28.0、24.0、18.7个百分点（潜在成本下）及18.7、20.0、17.3个百分点（轨迹可达性成本下）。
论文ASARCube世界模型
推荐理由：这篇论文发现了世界模型选动作的隐性陷阱：候选越多反而越容易选错。ASAR用相邻集合重建的方法，在75个机器人任务上提升了最多28%的成功率，值得搞机器人控制的看看。
原文
10:33
10:33官方账号arXiv cs.LG@Baptiste Mathevon, Farah Cherfaoui, Amaury Habrard, Marc Sebban
这篇论文针对偏微分方程（PDE）发现领域的事后评估问题，提出了首个PDE评估指标分类法。作者系统梳理了来自机器学习和数值分析的文献，指出评估需同时考虑预测准确性、物理一致性、可解释性和分布外泛化能力等四个冲突维度。现有指标仅部分覆盖整体问题，可能导致对物理理论有效性的过度解读。论文提供了标准化实践建议，旨在推动可靠评估方法的发展。
论文PDE发现评估指标物理信息机器学习
推荐理由：这是PDE发现评估的第一篇系统综述，适合ML和物理科学交叉领域的研究者。它帮你理清预测精度与物理一致性之间的权衡，避免用单一指标误导结论。
原文
10:32
10:32官方账号arXiv cs.LG@Ye Shi
本文提出软约束优化方法以平衡VAE的编码容量与解纠缠。在dSprites数据集上，熵约束（EC）使聚合潜在变量激活得分提升43%-62%，FactorVAE得分达0.891（对比β-VAE变体的0.847），重建误差降低38%。在MNIST上，权重过滤将下游分类器所用潜在维度从10降至2，精度保持在90%以上且收敛轮次减少37%。研究发现，低熵离散因子倾向于合并到单个潜在变量，高熵连续因子则分散到多个变量中。
论文Variational AutoencoderSoft-Constrained OptimizationdSprites
推荐理由：想提升VAE解纠缠又不想牺牲重建质量？这篇论文用软约束同时搞定，dSprites上FactorVAE得分刷到0.891，值得看看。
原文
10:31
10:31官方账号arXiv cs.LG@Anurag Roy, Riddhiman Moulick, Vinay Kumar Verma, Saptarshi Ghosh, Abir Das
持续测试时适应(CTTA)中常用的教师-学生框架采用固定高动量值更新教师模型，导致不同数据分布下模型漂移。该论文提出动态设置动量值的受控教师适应方法，并利用源预训练模型类原型对齐目标数据，无需任何源数据或统计信息。在多个基准数据集上的实验表明，该方法优于需要源数据的多种现有适配框架。
论文CTTA教师-学生模型无源适应
推荐理由：这篇论文解决了持续测试时适应的关键问题，无需源数据就能动态调整教师模型，效果超过那些需要源数据的方法，很实用。
原文
10:28
10:28官方账号arXiv cs.LG@Muhammad Umar Farooq Qaisar, Lin Zhang, Zhen Chen, Wajdy Othman, Shehzad Ashraf Chaudhry, Chang Liu
该论文提出了TRUAV框架，一种基于独立表格Q学习的分布式多智能体强化学习方法，用于无人机辅助车联网中的联合轨迹规划和路由增强。每个无人机使用本地可观测信息（车辆密度、数据包队列状态、邻居无人机位置）进行决策，无需全局状态交换。在包含200辆移动车辆的大规模城市区域仿真中，TRUAV实现了与集中式深度强化学习方法相当的网络覆盖率和数据包投递率，同时降低了中继延迟并提升了能效。论文还讨论了下分布式多智能体无人机辅助物联网系统的挑战和未来方向。
论文TRUAV多智能体强化学习轨迹规划
推荐理由：这篇论文用表格Q学习做分布式无人机轨迹规划，在200辆车场景下效果逼近集中式深度强化学习，还省带宽省电，值得一看。
原文
10:27
10:27官方账号arXiv cs.LG@Foster Provost, Panos Ipeirotis
房地产经纪公司Compass的两个AI项目结果截然不同：Likely-to-Sell推荐项目带来了九位数的年佣金收入，而Time-on-Market定价工具被合理搁置。单纯的ROI估算无法区分二者。新提出的eROI框架将项目分解为三个独立组件：成功价值、成功可能性和所需投资。每个组件对应高管在开发前可以回答的问题，从而打破先有项目才能估算ROI的循环。该框架还要求先确保有足够的好点子，再对项目排序，并组合投资组合而非仅资助排名第一的项目。
论文CompasseROILikely-to-Sell
推荐理由：Compass用eROI框架区分了两个看似相当的AI项目，一个赚九位数，另一个被砍掉。想避开AI投资坑的可以看看这个拆解方法。
原文
10:26
10:26官方账号arXiv cs.LG@Guoqing Ma
在线策略蒸馏（OPD）中教师提供的token级似然度常被局部解读，但本研究发现这种解读受到最终回答正确性的混淆。论文引入一种结果解析诊断方法，交叉评估点状师生分歧与最终答案正确性。在Qwen3-8B学生与Qwen3-32B教师的数学推理实验中，67.84%的响应token属于“同意但失败”（agreement-on-failure）；Qwen2.5-7B/32B组合为67.68%。即使教师四轮均正确回答的提示，学生准确率达86.91%，但仍有14.76%的token存在同意但失败。三种训练策略（模仿、遮蔽、对比）均未能显著改善该现象，表明需要过程标签或教师延续等额外位置信息来解决定位局限。
论文Qwen3Qwen2.5知识蒸馏
推荐理由：论文用实验数据揭示了一个反直觉现象：学生在模仿老师时，67%的token在“同意但失败”，说明局部蒸馏有盲区。做模型蒸馏的朋友可以看看这个诊断方法。
原文
10:21
10:21官方账号arXiv cs.LG@Zahra Abdalla Elashaal, Afef Hfaiedh, Nahla Khraief, Issmail Ellabib, Giansalvo Cirrincione
论文提出一种两层分层强化学习（HRL）框架，高层负责策略规划，底层采用连续控制算法Soft Actor-Critic（SAC），并通过熵正则化策略优化。该框架在Search-and-Rescue-2（SAR-2）数据集上训练和评估。HRL-SAC在成功率、覆盖效率和收敛速度上均优于普通SAC基线，有效解决延迟奖励和连续控制问题。实验表明分层熵正则化策略是处理长视野稀疏奖励任务的有前景方案。
论文Hierarchical Soft Actor-CriticSACSAR-2
推荐理由：这篇论文教你用分层SAC解决稀疏奖励的长期任务，比普通SAC成功率更高，代码已开源。
原文
10:20
10:20官方账号arXiv cs.LG@Silas Koemen
该研究在诚实森林框架内系统实现并比较了多种分布分裂准则，包括各向同性随机傅里叶特征最大平均差异（MMD）、各向异性对角带宽变体、自适应逐分裂频率选择变体以及切片Wasserstein准则，并测试了后验核均值收缩。通过配对种子比较，在合成分位数机制、真实单变量基准、加州住房子样本曲线以及多变量合成和真实响应上评估各扩展的性能。三个主要发现：各向同性MMD已接近最优，基于均值的CART分裂在标量表格回归中仍是稳健默认，多变量响应是分布分裂的明确优势场景，其中能量得分能区分各准则而边际CRPS不能。所有准则和森林实现已开源在drforest库中。
论文随机森林MMDCART
推荐理由：这篇论文系统比较了随机森林的各种分布分裂方法，发现各向同性MMD就够了，多变量响应才是分布分裂的用武之地，干货多结论扎实。
原文
10:13
10:07
10:07官方一手arXiv: OpenAI@Priyansh Srivastava
该研究使用FLORES-200平行语料库，量化了六种分词器下十四种印度语言的Tokenizer Tax。在GPT-3.5和GPT-4使用的cl100k_base分词器中，印度语言平均token化代价是英语的8.0倍，马拉雅拉姆语高达13.0倍，有效上下文窗口缩减至英语用户的12%。主要机制是失败的字节对合并导致单字节token碎片化，merge失败率与代价高度相关（Pearson r=0.89）。多语言分词器如XLM-R和o200k_base可将平均代价降低73%，表明该问题可通过设计修复。固定上下文预算下，印度语言文档保留的原始内容显著少于英语，Belebele基准上的阅读性能差异主要由语言资源丰富度而非分词器行为解释。
论文Tokenizer TaxFLORES-200XLM-R
推荐理由：这篇论文用数据证明印度语言在LLM中平均被吃掉8倍token，马来语更高达13倍，还分析了原因和修复方向，做多语言应用的朋友值得看看。
原文
10:06
10:06官方一手arXiv: OpenAI@Carlo Iacono
这篇论文审计了2025年7月18日至2026年7月17日期间40条实证记录，发现最新命名模型出现时中位年龄为281天（四分位距75-478天，范围11-939天）。其中25篇期刊文章的中位年龄为395天，14篇预印本为56天，1篇实验室报告为49天。35条记录包含已被取代的模型系列，仅7条提供了精确的日期标识符。论文将模型年龄与声明货币性区分开，提出六项报告实践，并展示了作者借助GPT-5.6 Sol Pro在两天内完成研究的反思性案例。
论文GPT-5.6 Sol ProOpenAI模型评估
事件专题
推荐理由：这篇论文研究了AI模型评估结论过时的速度，发现模型发布后近一年结论可能已失效。如果你做AI评测或读评测报告，它能帮你判断证据是否还新鲜。
原文
10:01
10:01官方一手arXiv: OpenAI@Thien Le, Melanie Weber
精选
Monical、Tokcan和Yong的猜想被证明：对每个固定偶数幂k≥4，Vandermonde行列式的k次幂在足够多变量时是非SNP的，即牛顿多面体中存在系数为零的格点。奇数幂情况由交替性保证，二次幂情况此前已知。证明利用Dyson常项恒等式，并通过有限变量Jack内积和Macdonald特殊化公式实现。构造和证明思路来自OpenAI Codex（GPT Sol 5.6 Extra High），完整对话记录在附录。Lean形式化证明已开源在GitHub。
论文VandermondeSNP牛顿多面体
事件专题
推荐理由：这篇论文证明了Vandermonde行列式偶次幂在够多变量时总缺某些单项式，用了Codex生成思路和Lean形式化，挺有意思的组合。
原文
09:47
09:47官方账号arXiv cs.LG@Peng Xie
该论文提出了一种谱分布定律，用于预测LoRA微调中出现的入侵维度（intruder dimensions），即与预训练奇异向量几乎正交的新奇异向量，这些向量会导致灾难性遗忘。通过推导每层临界更新强度s*=θ̄/(γσ₁(BA))，基于矩形尖峰变形变换（rectangular spiked-deformation transform）和精确的谱方程，无需拟合参数即可预测。在涵盖18个适配器、9840层扫描的实验中，该定律在82%的层上将阈值定位在2倍误差内，区分入侵层与非入侵层的平均AUC为0.89。结合两种预定的边缘评估，准确率达98%，并在第三方适配器上验证为0.997。基于阈值推导的尖峰预算规则（spike-budget rule）仅需一次SVD，无需验证扫描，即可在最脆弱的模型上将遗忘减少62%。
论文LoRAfine-tuningcatastrophic forgetting
推荐理由：这篇论文用数学公式解释了LoRA微调为什么会破坏模型原有知识，而且实验覆盖了9000多层，结果很扎实。如果你做LoRA微调，能帮你预测什么时候会出现遗忘。
原文
09:46
09:46官方账号arXiv cs.LG@Ishpuneet Singh, Shreyas Mahajan, Gurjot Singh, Maninder Singh
一项研究评估了5款AI编码助手（如GitHub Copilot、Amazon CodeWhisperer等）在生成认证代码时的安全性，采用静态代码分析加动态渗透测试的双模态评估框架，并映射到NIST SP 800-63B标准。结果发现，基础或通用安全提示下生成的代码普遍缺少暴力破解防护、会话管理和密码处理等关键保护。即使给出一次性NIST提示，合规性虽有提升但仍结构不足。只有通过迭代重提示（Reprompting）迫使模型进行上下文自审计，才能实现完整的深度防御安全架构。研究证实当前AI编码助手无法默认生成安全代码，企业需从一次性提示转向持续、标准驱动的验证流程。
论文LLMAI安全代码生成
推荐理由：想了解AI写代码到底安不安全？这篇论文用具体基准和测试告诉你，目前主流的编码助手都靠不住，必须用迭代重提示才能堵上漏洞。
原文
09:45
09:45官方账号arXiv cs.LG@Kevin Lee, Benjamin Letham, Zhiyuan Jerry Lin, Elodie Samson, Eric Onofrey, Poppy Zhang, Shawndra Hill, Eytan Bakshy
该研究提出一种离线到在线的广告创意优化流程，利用生成模型产出候选创意，并通过基于历史A/B测试数据训练的预测模型在推理时进行排序筛选。最终测试集在在线自适应实验（50臂）中验证，最佳创意比人类作者创意提升45.1%互动率，另两个实验分别提升46.7%和36.2%。尽管预测模型无法直接选出最优创意，但能有效引导生成模型产出强候选，再通过自适应实验高效评估。
论文生成模型自适应测试A/B测试
推荐理由：这篇论文教你用历史A/B数据+生成模型筛选创意，50臂实验最高提升45%，比人类写的强很多。
原文
09:44
09:44官方账号arXiv cs.LG@Jin Qian, Zhangzhi Xiong, Mingrui Li, Zhen Liu
论文提出AAMSF（异常增强多信号融合）半监督框架，在CSI 300数据集（791个训练日仅约80个正样本）上，AAMSF实现测试AUC-ROC 0.680，优于最强无监督基线（0.630）和神经网络基线（0.588）。T-AAMSF时间扩展版本将PR-AUC提升至0.291。消融实验显示GDELT事件与国内财经新闻提供互补风险信号，而英文媒体持续降低性能。研究建议在标签稀缺的金融风险预警中，稳健异常几何与源可靠性比监督表示能力更重要。
论文AAMSFT-AAMSF异常检测
推荐理由：这篇论文告诉你，当数据标签很少时，用半监督异常融合比复杂神经网络更靠谱。AAMSF在沪深300上AUC达0.68，而且发现英文新闻反而干扰预警。
原文
09:43
09:43官方账号arXiv cs.LG@Heyang Zhao, Tianyuan Jin, Weixin Wang, Vincent Y. F. Tan, Pan Xu, Quanquan Gu
这篇论文针对固定动作集的异方差噪声线性Bandit问题，提出了方差自适应算法VAEE。VAEE通过主动探索未淘汰动作集中信息增益最大的动作，实现了简单遗憾界接近谐波均值依赖，打破了此前依赖总方差Λ的界限。对于有限动作集，论文还提出了基于G-optimal设计的方差感知变体，并证明了近乎匹配的下界。这是首个在异方差线性Bandit中突破√Λ屏障的工作。
论文VAEE线性Bandit异方差噪声
推荐理由：这篇论文提出了VAEE算法，首次在异方差线性Bandit中打破了总方差屏障，实现了更紧的遗憾界，适合对Bandit理论感兴趣的研究者。
原文
09:43
09:37
09:37官方账号arXiv cs.LG@Nour Jamoussi, Ikram Dridi, Giuseppe Serra, Marios Kountouris
本文提出DP-IVON-Gradsq，一种基于改进变分在线牛顿（IVON）优化器的差分隐私训练方法。它通过噪声校正的平方梯度估计器从私有化梯度构建曲率估计，减少后验采样噪声与隐私噪声的交互，同时保持IVON类似Adam的计算效率。在CIFAR-10上与DP-SGD和DP-Adam对比，在弱到中等隐私预算（ε较大）下表现具有竞争力，但在强隐私约束下性能下降。代码已开源。
论文IVONDP-SGDDP-Adam
推荐理由：想在不牺牲太多性能的前提下给贝叶斯神经网络加差分隐私？这篇论文的DP-IVON-Gradsq方法在CIFAR-10上中低隐私保护时表现不错，兼容Adam效率，值得一看。
原文
09:36
09:36官方账号arXiv cs.LG@Gengyu Zhan
CALMRec使用冻结多模态语言模型将用户物品内容和反馈转换为证据基础语义原子，并维护短期、长期和暴露三种记忆。通过倾向性加权更新减少策略引起的暴露偏差，保守离线批评者重新排序候选以优化延迟满足。在电商类、新闻类和短视频类三个环境中，CALMRec相比最强基线将折扣长期价值分别提升6.1%、7.6%和6.7%。二十种子消融实验显示，缺失倾向性校正或保守支持正则化后价值显著下降（0.739±0.191和0.523±0.234）。冻结指令语言模型在语义原子NDCG上比TF-IDF提升超过一倍。
论文CALMRec推荐系统因果推断
推荐理由：这篇论文提出CALMRec框架，通过分离记忆和因果校正解决推荐系统的反馈循环，在三个场景提升长期价值6-7%，做推荐系统的值得看看。
原文
09:35
09:35官方账号arXiv cs.LG@George A Kevrekidis
本文开发了接触哈密顿系统作为优化算法中速率证书精确传递的框架。作者提出的主要定理在三个可独立验证的假设下，证明阶为r的接触分裂（步长h）能在有限时间区间内将连续时间速率证书传递给离散算法。离散衰减包络由修正共形因子控制，误差为O(h^r)加上后向误差影缺陷。以二次重球为例，其投影耗散-跳跃谱与已知共形辛优化理论一致。数值实验验证了共形因子跟踪阶，并在病态基准和深度学习任务中展现了竞争性能。
论文接触哈密顿系统优化算法收敛分析
推荐理由：这篇论文把连续优化理论的收敛证书精确传递到离散算法，用接触哈密顿系统给出通用框架，二次重球例子很透彻。想理解优化加速机制可以读。
原文
09:34
09:34官方账号arXiv cs.LG@Chunjing Li, Tiange Zhao, Xiaohui Yuan
本文研究去中心化分布式学习网络中的卷积秩回归（CRR），提出一种新的去中心化CRR框架，通过核平滑秩损失与共识约束优化求解估计量。该方法仅依赖本地节点数据和邻居节点共享信息，实现隐私保护和高效通信。在异构网络设定下，论文为去中心化CRR估计量建立了有限样本误差界，并为稀疏去中心化CRR LASSO估计量推导了精确的支持恢复保证。通过广义共识ADMM求解局部子问题，数值模拟和真实数据实验验证了方法的优越性能。
论文Convolution Rank Regression去中心化网络ADMM
推荐理由：这篇论文提出了去中心化网络下的卷积秩回归新框架，用ADMM高效求解，还给出了理论保证，做分布式学习的值得一看。
原文
09:33
09:33官方账号arXiv cs.LG@Ilia Barutkin, Maxim Fofanov, Sergey Belokonny, Vladislav Makeev, George Chernishev
该论文研究了概率函数依赖 (pFD) 在数据剖析中的应用，并在开源工具 Desbordante 中实现了 pFD 发现算法。通过对比 pFD 与近似函数依赖 (AFD) 在脏数据场景下的表现，发现 pFD 在某些情况下比 AFD 更有优势。论文还评估了 pFD 发现算法的运行时间和内存消耗，并与 AFD 发现算法进行了比较。实验结果显示 pFD 和 AFD 的输出不能互相替代。
论文DesbordantepFD函数依赖
推荐理由：这篇论文在开源数据剖析工具 Desbordante 里加了概率函数依赖发现，对比了传统近似依赖，做数据清洗的话可以看看具体差异。
原文
09:32
09:31
09:31官方一手arXiv: Anthropic@Paul Simpson, John Kozak, Lisa Doake
精选
论文《Confidently Wrong》揭示前沿LLM在嵌套条件规则（如“要求A，除非B，除非C覆盖B”）的错误模式——异常链崩溃。GPT-5.4在建筑保险场景的准确率从96.6%突然升至100%（同一提示和测试框架），表明模型准确率边界不可控。作者提出Aethis Eligibility Module，由LLM从权威源编写规则、SMT层确定性执行。在225个跨领域场景基准中复现该模式，20个对抗场景中引擎与GPT-5.4（低推理努力）均获20/20，而其他三个前沿模型失败。在949个LegalBench任务中，引擎比三个前沿模型显著更准确（组合McNemar p≤0.003），最高领先Anthropic模型41个百分点。
论文LLM异常链崩溃神经符号架构
推荐理由：这篇论文揭露了GPT-5.4和Claude在资格评估规则中会莫名崩溃，还给了个能稳定执行的神经符号方案，搞合规或应用LLM的得看看。
原文
09:30
09:30官方账号arXiv cs.AI@Zhaoxi Zhang, Xiaomei Zhang
该论文提出授权连续性概念，解决长期运行AI Agent在部署后进化导致的授权失效问题。作者设计了状态边界模型，在授权时固定一个转换包络和不可变效应上限，确保Agent演化不会突破用户设定的效应边界。模型区分请求效应和实现效应，证明在完全中介、合理抽象、衰减委托和监控完整性条件下，演化无法放大保护效应。论文还映射了六类Agent突变的授权后果。
论文AI安全智能体授权连续性
推荐理由：这篇论文给AI Agent授权画了一条红线，解释了为什么进化后的Agent可能不是你原来授权的那个，以及如何用固定上限保证安全。做Agent框架的值得一看。
原文
7月27日
12:22
12:22官方账号arXiv cs.AI@Shing Ho J. Lin, Wenzhao Zheng, Dong Zhuo, Yuqi Wu, Jie Zhou, Jiwen Lu
SM4RT提出了一种结构化运动4D重建Transformer，将场景运动分解为紧凑的运动基，每个基表示为SE(3)中的6D扭转时序。不同于现有方法将运动视为独立点位移，SM4RT利用刚体运动学，通过稀疏、时间共享的逐像素分配权重恢复稠密场景运动。在单目RGB视频输入下，SM4RT联合推断3D几何、世界坐标运动和运动学结构。实验表明，SM4RT在4D重建任务上取得了强劲的运动重建性能，同时保留了场景运动的几何结构。
论文SM4RT4D重建刚体运动
推荐理由：想从单目视频中重建4D动态场景？SM4RT用刚体运动基分解运动，比独立点流更物理合理，结果更准确。
原文
12:21
12:21官方账号arXiv cs.AI@Anduel Mehmeti, Gabriella Gigante, Salvatore Venticinque
该论文探索可解释强化学习（RL）在空管（ATC）中的应用。研究人员在简化ATC环境中训练RL智能体，使其决策替代航线以规避禁飞区。他们采用显著图分析输入特征对智能体决策的影响，揭示关键因素。
论文强化学习空管可解释AI
推荐理由：想理解AI在空管这种高风险场景怎么解释自己？这篇论文用显著图告诉你智能体为什么选择某条航线，很实在。
原文
12:20
12:20官方账号arXiv cs.AI@Darshan Tank, Baran Nama
该论文分析LLM Agent添加技能后的双面影响，基于近6,000次实验和两个办公自动化基准（如OfficeWorld和MiniWoB++），发现技能导致的回归（先前能完成的任务失败）频率高到足以使最佳技能的优势主要来自更少回归而非更多增益。论文识别三种回归原因：技能描述渗透（仅在上下文中存在即改变行为）、接地位移（技能流程覆盖输入解释）和验证位移（流程抑制输出检查）。分析持续失败发现现有技能过度强调程序指导（失败主因并非在此），而接地和验证支持不足。通过纠正评估伪影和轨迹分析，许多回归和持久失败可通过更好的接地和验证恢复。
论文LLM Agent回归效应接地位移
推荐理由：这篇论文用大量实验告诉你，给Agent加技能可能适得其反。它揭示了三个具体原因，并指出减少回归比堆砌技能更重要，值得每个开发者读一读。
原文
12:18
12:18官方账号arXiv cs.AI@Davide Scarso, Hugo Noronha de Almeida, Joaquim Pina
研究测试了Claude、Grok、GPT、Gemini四大家族模型在2025年10月至2026年2月四个时间点对Frank Salter生物社会框架伪科学主张的评估。Grok的Fast版本（X默认体验）持续给出70-75可信度分数，是其他模型（15-40）的2-5倍。一个静默补丁一夜之间将Grok行为从混乱转为稳定高验证，且无公开文档。同一Grok模型标识三个月后通过API输出75分、Web输出5.5分。Claude Opus 4.1（Web）和GPT-5.1 Chat（API）间歇性拒绝评估该主张，但后继版本中消失。
论文ClaudeGrokGPT
推荐理由：这篇论文用四个主流模型实测了伪科学评估，发现Grok的Fast版本评分奇高，而且同一个模型API和Web结果差十几倍。看完你就知道模型答案多不可靠，值得所有AI用户看看。
原文
12:15
12:15官方账号arXiv cs.AI@Zhen Zhao, Qihang Yang, Feifei Dai, Xiangfang Li, Bo Li
MineValiCoder 提出一种协作闭环测试驱动开发（TDD）框架，包含三个模块：测试用例质量挖掘（TCQM）通过自验证过滤缺陷测试，并行TDD迭代优化生成高质量代码候选，二分图代码-测试互验（BiCoTeV）动态建模代码-测试交互进行可靠选择。在 HumanEval 上 Pass@1 达 96.34%，MBPP 上 87.40%，APPS 上 64.00%，LiveCodeBench 上 51.33%，显著优于现有方法。MineValiCoder 有效缓解了 LLM 随机性导致的不稳定代码生成问题。
论文MineValiCoder测试驱动开发代码生成
推荐理由：这篇论文用MineValiCoder框架搞定代码生成不可靠问题，HumanEval跑出96.34%通过率，比之前的方法强一截，搞LLM代码的同学值得看看。
原文
12:05
12:03
12:01
11:58
11:58官方账号arXiv cs.AI@Hai-Long Nguyen, Trung Thanh Nguyen, Lars Holm, Dennis Alveringh, Duc Viet Le
PRIMS是一种物理感知的多模态Transformer，通过三个模块将物理知识融入表示学习和注意力机制。在五流体基准上，PRIMS达到98.92%平均F1分数，参数量仅0.46M，比最先进Transformer方法缩小14倍。在未见过的温度范围和流速范围分布外偏移下，PRIMS持续优于现有最佳模型，展现出对未训练工况的强鲁棒性。
论文PRIMS多模态物理引导
推荐理由：PRIMS把物理规则直接写进模型结构，用0.46M参数在5种流体识别上拿到98.92% F1，比大模型小14倍还更抗干扰，适合微流控场景。
原文
11:57
11:57官方账号arXiv cs.AI@Fin Gentzen, Marla Grunewald, Iulisloi Zacarias, Mounir Bensalem, Admela Jukan
该论文提出一种自校准智能体AI框架，通过集成ARIMA预测器动态逼近真实值，减少LLM驱动系统中的运行漂移。在零知识工作负载的边缘资源使用场景中，该框架的资源使用预测准确率比基线LLM智能体高91.7%，预测速度提升71.7%。自校准机制采用的ARIMA跳跃算法比标准ARIMA生成真实值快52%，且精度相同。实验验证了该框架在去中心化基础设施中部署自主AI的可靠性。
论文智能体ARIMA零知识工作负载
推荐理由：这篇论文讲了一个能自己校准的智能体框架，用ARIMA预测把资源分配准确率提了91.7%，速度还快了71.7%。搞边缘计算或零知识证明的可以看看。
原文
11:56
11:56官方账号arXiv cs.AI@Yifei Zhao, Xiangxin Zhou, Wenhao Yang, Jiaqi Tang, Pu Jian, Huanjin Yao, Jiarui Yao, Haowei Lin, Chunchao Guo, Zhuo Chen, Wenkai Lyu, Jianzhu Ma, Xueqian Wang, Wenxi Zhu
SceneActBench 是一个评估视觉语言模型（VLM）代理在3D场景中行动能力的基准，包含5个任务，覆盖210个源实例和520个任务案例。每个任务在统一的代理-环境循环中运行，使用任务特定的几何指标评估最终输出。在11个专有VLM配置上测试，总体得分范围为38.6到50.2，没有任何配置在所有任务上表现一致。论文分析了失败模式，指出当前模型在多对象3D场景中的行动能力仍有显著不足。
论文SceneActBench3D场景视觉语言模型
推荐理由：想测测视觉语言模型能不能真在3D空间里干活？SceneActBench给你5个任务、520个案例，开源又公平，看哪个模型分高。
原文
11:55
11:55官方账号arXiv cs.AI@Chao Fang, Jun Yin, Man Shi, Marian Verhelst
HiKV是一种算法-硬件协同设计的KV缓存压缩方法，通过两阶段重要性感知实现高压缩率：第一阶段在固定预算内驱逐不重要的token，第二阶段对每个保留token仅加载显著元素。基于可重构重要性排序器的专用加速器统一两阶段的数据通路，仅增加8%系统面积。在代表性LLM上，HiKV实现高达7.95倍加速和90%能耗降低，精度损失小于1%。在等精度约束下，相比其它重要性方法额外减少1.82~4.87倍外部内存访问。
论文HiKVKV缓存硬件加速
推荐理由：这篇论文提出HiKV，用两阶段KV缓存压缩加专用硬件，7.95倍加速、90%省电，精度几乎不掉。做长上下文LLM推理加速的可以看看。
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」）。