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21日
12:34
12:34官方账号arXiv cs.AI@Akshat Gupta, Jermaine Lei, Alexander Lu, Gopala Anumanchipalli, Leshem Choshen
论文拆解了OpenEvolve和TTT-Discover两种自动发现系统的组件，在12个模型-问题对上评估了30种预算匹配框架，涉及超过310万次LLM生成。重复试验统计分析表明，没有一种固定框架在所有情况下表现最优，且OpenEvolve变体普遍不如更简单的方案。研究发现早期发现进度可预测最终性能，因此提出基于早期表现进行预算自适应分配的方案，其效果优于随机固定框架或非自适应集成。该研究建议将框架选择视为超参数，而非通用方案。
论文OpenEvolveTTT-Discover自动发现
推荐理由：这篇论文用310万次测试证明没有一种自动发现框架永远最好，建议根据任务灵活调整，值得做Agent研究的同学参考。
原文
12:33
12:33官方账号arXiv cs.AI@Yi Tang, Xinyi Shang, Jiacheng Cui, Sondos Mahmoud Bsharat, Jiacheng Liu, Xiaohan Zhao, Tran Dinh Tien, Ahmed Elhagry, Salwa K. Al Khatib, Tianjun Yao, Yonina C. Eldar, Jing-Hao Xue, Hao Li, Salman Khan, Zhiqiang Shen
本研究针对ChatGPT、Gemini、Qwen-Image等现代VLM的像素级图像篡改检测，提出简单域泛化训练框架，包含平衡小批量采样和后期注入策略。在OOD VLM（GPT-Images-2.0、Gemini-3.1、FLUX.2、Seedream 4.5）上，该方法相比先前最优PIXAR，平均gIoU和cIoU分别相对提升26.1%和26.8%。代码已开源于GitHub。
论文PIXARGPT-Images-2.0图像篡改检测
推荐理由：他们用两个简单技巧，让检测AI改图的模型在GPT、Gemini等新模型上比之前最好的PIXAR强了26%多，代码也开源了，搞图像安全的可以试试。
原文
12:32
12:32官方账号arXiv cs.AI@Brian K Chen
该论文通过在精确标注的三段论推理基准上添加软前缀，测试了Qwen3.6-35B-A3B MoE、Qwen3-8B和Gemma 4 31B三个模型在逻辑判断中的稳定性。软前缀能覆盖大多数正确答案，并在16组模型-方向-分割比较中，比随机控制前缀的翻转率高出37到99个百分点。Qwen3.6 MoE在不同措辞和提示变化下的翻转率维持在72%至90%，而Gemma的有效前缀翻转率为54%至56%，远低于匹配随机前缀的不到1%。诊断测试表明，主导效应是对某一种答案含义的广泛偏好，而非固定的符号强制或跨任务可靠转移的运算，且这种偏差形式因模型而异。
论文软前缀三段论推理Qwen
推荐理由：这篇论文用软前缀测试了三段论推理，发现模型答案很容易被带偏，Qwen和Gemma的稳定性差异很大，值得做推理研究的读一下。
原文
12:30
12:30官方账号arXiv cs.AI@Junyi Hu, Shuaihang Yuan, Geeta Chandra Raju Bethala, Anthony Tzes, Yi Fang
论文提出上下文条件安全评判器，用于排名扩散规划器生成的轨迹候选。该方法分解为三个互补项：安全项包含清除预算惩罚和控制障碍函数残差，效率项结合平滑度惩罚和安全门控绕路率惩罚，距离约束匹配项防止边距坍缩。在HM3D和MP3D的PointGoal导航中，该方法在成功率和成功加权路径长度上超过强扩散、优化和RL基线。仅在仿真中训练即可迁移到Unitree G1人形机器人，无需任务特定调参。
论文视觉导航安全边距扩散规划器
推荐理由：这篇论文解决了机器人导航中固定安全边距不准的问题，用上下文条件评判器动态调整，在HM3D和MP3D上跑出最高成功率，还能直接部署到人形机器人上。
原文
12:23
12:23官方账号arXiv cs.AI@Alex Mathai, Shobini Iyer, Aleksandr Nogikh, Petros Maniatis, Franjo Ivancic, Junfeng Yang, Baishakhi Ray
论文定义了CodeSlop现象，即AI编码代理在搜索过程中残留的冗余编辑。提出TRIM算法，通过最小化代理轨迹来间接减少CodeSlop。实验在多种代理框架上测试，CodeSlop降低17.9%-32.9%，性能几乎无损失。验证成本仅为Delta Debugging算法的约一半。
论文TRIMCodeSlop代码生成
推荐理由：这篇论文发现AI助手写代码越来越啰嗦，还给出了一个叫TRIM的清理方法，能减少17%到33%的冗余，实测效率高，推荐给写代码的朋友。
原文
12:20
12:20官方账号arXiv cs.AI@Daniela Rojas, Abdulwahab Albassam, Aidan G. Leung, Jett Ngo, Ryan Luo, Peter R. Quawas, Junpyung Kim, Kangkai Liang, Mansi Nanavati, Jonathan Mai, Meng-Chi Tsai, Yun-Tong Tsai, Yize Chen, Yuanyuan Shi
本论文提出了一种基于求解器的设计原则，确保数值结果来自可信工具并通过明确验证。在四个案例研究中，EVAgent在EV充电调度中复现了CVXPY最优解，并将LLM-only的未满足能量减少了7.5-9.5倍；GridDebugAgent修复了17/39个应急案例，总违规减少52.3%。论文提出了一个四组评估框架，涵盖任务效用、求解器正确性、忠实性与安全失败、成本与延迟。核心结论是智能体系统负责编排、检索与解释，可信工具负责计算，验证门控决定报告内容。
论文LLM智能体智能电网
推荐理由：这篇论文把LLM智能体怎么用在智能电网上讲得很清楚，给出了具体的数字对比，比如EVAgent减少了7.5倍未满足能量，适合做电网AI系统的实践参考。
原文
12:12
12:12官方一手arXiv: DeepSeek@Martino M. L. Pulici, Cuong Xuan Chu, Evgeny Kharlamov, Zifeng Ding, Volker Tresp, Yunpu Ma
精选
MADA-RL是一个针对参数≤4B紧凑模型的后训练框架，通过LoRA微调少量参数，将模型分为生成器和评论家角色。其核心是反事实评论家优势：动态基线使评论家优化方向为改进生成器共识而非简单复现正确答案。在五个数学推理基准上，DeepSeek-R1-Distill-Qwen-1.5B模型准确率从39.9%提升至41.9%（+2.0点，p<0.001），可训练参数仅为全微调基线的1/16。该方法接近但未超越使用更大数据集的DeepScaleR和STILL-3，分析表明训练后的评论家更擅长纠正生成器错误。
论文MADA-RLDeepSeek-R1-Distill-Qwen-1.5BLoRA
推荐理由：小模型也能提升推理？MADA-RL用LoRA微调1/16参数，让1.5B模型准确率涨2个点，评论家专挑生成器错误来纠正。
原文
12:09
12:09官方账号arXiv cs.LG@Sheng-Yu Wang, Yotam Nitzan, Aaron Hertzmann, Jun-Yan Zhu, Eli Shechtman, Alexei A. Efros, Richard Zhang
本文提出TPIPS，一种基于文本提示的图像感知相似度度量，能根据文本条件区分形状、颜色等不同视觉相似性维度。研究基于大规模三元组数据集，包含多种自由形式语义相似性标注。在多个前沿视觉语言模型（VLM）基准测试中，模型与人类一致性差距显著。通过微调VLM，TPIPS在文本引导检索、组合搜索和生成模型细粒度评估中表现更优，且泛化良好。
论文TPIPSVLM视觉相似度
推荐理由：这篇论文搞了个新度量TPIPS，能按文字指令判断两张图在哪个方面像，比现有单标量打分更细。数据集和模型都开源了。
原文
12:08
12:08官方账号arXiv cs.LG@Gaoyue Zhou, Zichen Jeff Cui, Ada Langford, Bowen Tan, Yann LeCun, Lerrel Pinto
Patch Policy是一种轻量级架构扩展，让基于Transformer的机器人策略直接使用预训练的ViT密集补丁特征，避免全量视觉语言模型（VLM）的计算开销。该方法引入块因果注意力掩码，在保持时间因果性的同时处理多个补丁令牌。在4个仿真和3个真实环境套件中，Patch Policy相比使用全局池化表示的策略实现了40%的相对提升。此外，它仅用OpenVLA-OFT约0.7%的参数，就超越了微调后的OpenVLA-OFT 18%的性能。
论文Patch PolicyViT机器人控制
推荐理由：机器人控制不用再扛百亿参数VLM了，用ViT密集补丁特征直接训练，速度更快、参数量少99.3%，性能还涨18%。想轻量高效做具身策略的可以看这篇。
原文
12:06
12:05
12:05官方账号arXiv cs.LG@Yihong Gu, Katherine Liao, Tianxi Cai
论文提出多环境因子模型，高维协变量来自异构环境，部分环境有辅助标签。模型将潜在结构分解为不变因子（共享载荷）和异构因子（环境特定载荷）。基于不变性原理，ATLAS方法分离对齐的不变因子和未对齐的异构因子，并利用辅助标签从异构因子中提取预测不变和可迁移因子。ATLAS在下游潜在因子回归中达到近最优性能，在辅助标签可用时实现全潜在信号的可迁移预测，否则退化为鲁棒的不变因子预测。论文建立了恢复不变和异构因子的尖锐非渐近误差界。
论文ATLAS潜在因子迁移学习
推荐理由：想从多环境数据中提取通用因子做迁移学习？这篇论文提出的ATLAS方法能分离不变和可迁移因子，适合做跨环境预测的研究者。
原文
12:03
12:00
12:00官方账号arXiv cs.LG@Peng Sun, Zhenglin Cheng, Deyuan Liu, Jun Xie, Xinyi Shang, Tao Lin
论文提出三体散射建模 (TBSM)，将能量距离转化为每个抛射体与一个真实源和一个生成源之间的相互作用，避免全对场计算。在 ImageNet-256 上，使用像素空间 PixelDiT-XL 得到 FID 2.23，使用潜空间 DiT-XL 得到 FID 1.63（NFE=1）。该方法通过在线追踪条件期望降低场噪声，为单步生成提供直接回归监督。
论文TBSMPixelDiT-XLDiT-XL
推荐理由：这篇论文用物理中的三体散射思路做生成模型，仅需一步就达到 DiT-XL 的 FID 1.63，比传统扩散模型少很多步。
原文
11:59
11:59官方账号arXiv cs.LG@Benedikt Brückner, Alessio Lomuscio
论文提出一种新的 Certified Training 方法，通过高效编码卷积扰动来训练可证明鲁棒的视觉模型。在 CIFAR10 上，该方法对抗合理强度的运动模糊能达到超过 80% 的鲁棒准确率，同时保持与标准训练相当的标准准确率。相比对抗训练（Adversarial Training），该方法提供了形式化的安全保证，能更有效地发现和缓解隐藏漏洞。实验表明，该方法在多种卷积扰动下显著优于对抗训练。
论文卷积扰动Certified TrainingCIFAR10
推荐理由：这篇论文提出了一种能保证模型对运动模糊等卷积扰动鲁棒的训练方法，在CIFAR10上鲁棒准确率超80%，比对抗训练更强。
原文
11:58
11:58官方账号arXiv cs.LG@Kaiyuan Tang, Maizhe Yang, Chaoli Wang
EVOLVE是一个基于自编码器的体数据压缩框架，针对高压缩比下的离线压缩优化。该框架构建了包含6,376个体数据的跨领域数据库，覆盖21项科学模拟，并通过感知哈希确保多样性。其可学习增益机制和三阶段训练策略使单一模型能在推理时连续调整压缩比。在多个未见过的科学模拟数据集上，EVOLVE在同等重建质量下实现比传统压缩器更高的压缩比，压缩速度比基于隐式神经表示的方法快数个数量级。
论文EVOLVE自编码器体数据压缩
推荐理由：这篇论文提出了EVOLVE，用自编码器压缩科学体数据，压缩比高还支持变码率，比传统方法强很多。
原文
11:56
11:56官方账号arXiv cs.LG@Yi-Ping Chen, Ying-Kuan Tsai, Vispi Karkaria, Seul Lee, Daniel Apley, Wei Chen
该论文提出一种自适应数字孪生框架，集成基于Fisher分数的多变量漂移检测器，可实时监测代理模型置信度。在检测到概念漂移时，仅对少于1%的模型参数进行LoRA微调，并采用Mann-Whitney U检验统计验证预测性能提升。在随机线性系统和定向能量沉积增材制造案例中，该框架能快速检测分布偏移并恢复预测精度与不确定性量化。结果表明该方法能为神经网络数字孪生提供统计严谨、计算可行的持续可信保障。
论文数字孪生概念漂移LoRA
推荐理由：这篇论文解决了数字孪生中模型漂移的老大难问题，用LoRA和统计检验做到实时更新，增材制造案例表现很好。
原文
11:55
11:55官方账号arXiv cs.LG@Chinmay Rane, Kanishka Tyagi, Michael Manry
本文提出Output Reset(OR)作为PPO和GRPO中裁剪替代目标的平滑替代方案，使用OR平方边际损失在token对数比率空间进行优化。在Llama-3.2-1B-Instruct模型上基于Anthropic hh-rlhf数据集测试，PPO-OR在广义优势估计下最终奖励模型得分比PPO-clip平均高0.305，但seed间方差更大。GRPO-OR在组相对优势下平均得分未提升，但方差更小且过冲分数下降。两种组相对方法均比GAE方法产生更大的rollout到当前对数比率位移，OR未能一致减少此位移。报告分数为训练时奖励模型测量值，非独立人类偏好表现。
论文ORPPOGRPO
事件专题
推荐理由：这篇论文用OR替换PPO和GRPO的裁剪目标，在Llama-3.2上奖励得分有提升，适合想了解强化学习微调新思路的同学
原文
11:54
11:54官方账号arXiv cs.LG@Shreyas Pradeepkumar Khandale
精选
Ishida等人提出的软标签贝叶斯误差估计器β(z)=E[min(z,1-z)]在概率并非真实后验时会产生严重偏差。研究证明温度缩放会导致代理值与真实误差完全脱钩：固定分类器在CIFAR-10、Fashion-MNIST和SVHN的8个二分类任务上，0-1误差不变，代理值可变化56倍至980倍。理论推导表明温度与代理值之间存在连续双射，使同一分类器能报告(0,1/2)区间内的任意代理值。在Logits服从高斯分布时，作者给出了代理-温度曲线的闭式参数解，经验拟合误差小于0.018。校准温度（最小化ECE）与稳定的代理值没有对应关系。
论文温度缩放贝叶斯误差代理校准
推荐理由：这篇论文把校准里的一个坑讲透了：温度缩放能让同一个模型输出任意低的代理误差，但实际错误率根本没变，数值能差几百倍。做不确定性估计的一定要看。
原文
11:53
11:53官方账号arXiv cs.LG@Shyamal Y. Dharia, Stephen D. Smith, Camilo E. Valderrama
该研究提出Diff-Logic，将神经网络编译为纯布尔电路，通过位运算在CPU上执行。在四个EEG数据集（包括二分类痴呆检测和三分类情绪识别）上，与MLP和BNN基线对比，复杂度从50k到500k参数。痴呆检测中Diff-Logic达到80.2% Macro F1，比MLP高6.8%。在7W Nvidia Jetson Orin Nano单核CPU上，情绪识别任务中MLP性能略优但延迟是Diff-Logic的2.3倍，模型大小是14倍。Diff-Logic在模型规模扩大10倍时推理时间几乎不变，最大复杂度下速度提升达2.9倍。
论文Diff-LogicEEGMLP
事件专题
推荐理由：这论文把神经网路编译成纯布尔电路，在边缘设备上跑EEG分类，延迟低还省电。痴呆检测准确率比MLP高6.8%，值得搞BCI的人看看。
原文
11:51
11:51官方账号arXiv cs.LG@Tiago Closs, Leandro Farina
该论文研究了全正矩阵能否通过特征多项式最高阶系数进行区分。使用神经网络分类器和特征归因方法，发现系数(a_{n-1}, a_{n-2}, a_{n-3})在维度5、10、30上能有效分离全正矩阵与非全正矩阵。分离边界呈非线性，可通过三维系数空间中的马氏椭球自然描述，不同结构族（如正双对角矩阵乘积、Vandermonde矩阵、Cauchy矩阵）的椭球特征不同，且维度越高分离越明显。
论文全正矩阵特征多项式马氏椭球
推荐理由：这篇论文用神经网络分析发现仅三个系数就能区分全正矩阵，还给出了几何解释，对矩阵理论和机器学习都有启发。
原文
11:50
11:50官方账号arXiv cs.LG@Thomas MacDougall, Maksim Kuznetsov, Roman Schutski, Rim Shayakhmetov, Maxim Malkov, Vladimir Aladinskiy, Alex Aliper, Alex Zhavoronkov
结构药物设计(SBDD)利用蛋白质靶标3D结构生成候选分子，扩散模型是主流方法。本工作引入3D-Fit基准测试，评估LLM在多约束空间分子生成中的表现，包括蛋白口袋、锚定片段、药效团点及口袋-配体相互作用。结果显示，LLMs虽落后于专用扩散模型，但能同时处理多种空间约束，展现出可扩展的潜力。
论文LLM3D-FitSBDD
推荐理由：这篇论文系统测了GPT等LLM在3D分子生成上的表现，发现它们虽不如专用扩散模型，但能同时处理多种约束，值得关注。
原文
11:49
11:49官方账号arXiv cs.LG@Valentijn Oldenburg, Floris de Kam, Bente Zuijdam, Lieve Eberson, Nicky van Zutphen, Stef de Wildt, Ivo Verhoeven
该论文提出流形约束超连接（mHC），将残差连接泛化作为新型PEFT方法，在冻结的OLMo-2骨干上学习残差路由模块。实验发现微调时将残差混合矩阵固定为单位阵通常能提升性能。作为独立PEFT方法时mHC未持续优于LoRA，但在匹配可训练参数预算下，mHC+LoRA组合在1B和7B规模上改善了语言建模损失并带来任务相关性基准增益。
论文Manifold-Constrained Hyper-ConnectionsLoRAOLMo-2
推荐理由：这篇论文把残差连接本身做成了PEFT方法，跟LoRA搭配效果更好，如果你在做模型微调可以看看这个新思路。
原文
11:47
11:47官方账号arXiv cs.LG@Kyungseon Lee, Hankyo Jeong, Kunwoong Kim, Kwanho Lee, Yongdai Kim
论文定义了子组公平性差距，并推导出协方差代理精确匹配该差距。提出COVA-FC算法，通过连续松弛实现梯度优化，解决多敏感属性下子组数量指数增长和少数实例问题。实验在基准数据集上显示COVA-FC在成本和公平性之间取得竞争性权衡，并在子组和更高阶边际设置中提升计算效率。
论文COVA-FC聚类公平性
推荐理由：这篇论文用协方差方法解决了子组公平聚类的计算难题，COVA-FC比现有方法更快更稳定，做公平聚类研究可以看看。
原文
11:42
11:42官方一手arXiv: DeepSeek@Changzheng Ma
精选73°
论文揭示Megatron-Core中MLA吸收模式被禁止训练的原因：在DeepSeek-V3规模（n_h=128, seq=16384, SP=8）下，其激活内存比显式形式膨胀20-34%，最高达9.2 GB（eager kernel）或19.2 GB（fused kernel）。该限制在A100上交叉验证，原因在于中间变量维度为n_h×d_kv而非每头K/V。论文提出LAGA方法，在8x Ascend 910B上保持吸收模式的潜变量通信，但本地重建每头K/V：通信削减1.98倍，内存仅增加0.5%，SP=1时位精确，SP=2-8时误差≤1e-3，注意力块吞吐提升1.04-1.06x（单节点）和1.07-1.24x（跨节点）。
论文MLAMegatron-CoreLAGA
推荐理由：这篇论文解释了为什么Megatron-Core的MLA吸收模式在训练时会导致内存暴增，还给出了一个叫LAGA的修复方法，通信更省，速度和内存几乎没损失。
原文
11:41
11:41官方一手arXiv: DeepSeek@Xingfu Zhou, Pengfei Wang, Yuan Zhou, Wei Xie, Xu Zhou
精选
论文识别出多跳RAG系统的新攻击面——显著性诱导，通过调整检索事实的位置、强调和语义框架来误导推理，即使所有事实真实且无指令注入。定义六类显著性编辑操作符，在SalientWiki-MH基准上对GPT、Claude、Gemini、DeepSeek、Qwen五个模型族和ReAct、Reflexion、tool-calling三种架构评估，30%编辑预算下攻击成功率83.3%。最强基线防御后ASR仍达75.7%；提出的Salience Normalization防御将攻击成功率降至15.3%（标准攻击）和23.6%（自适应攻击）。
论文Salience InductionMulti-Hop RAGSalientWiki-MH
推荐理由：这篇论文揭露了RAG系统的新漏洞：即使事实正确也可能被误导。还给出了一个轻量级的防御方法，做Agent安全的人值得一读。
原文
11:40
11:40官方账号arXiv cs.AI@Lopez Jhon, Hinojosa Carlos, Ghanem Bernard
SGA (Symbolic Geometric Agent) 是一个即插即用模块，拦截LLM生成的Manim代码，通过部分执行提取场景图并检测几何遮挡问题。实验在MMMC-Code基准上，使用4种LLM后端和2种流水线配置，SGA在Code2Video + GPT-5.1配置下达到73.11的MVQS分数，相对原始基线提升16.1%。SGA在8种配置中有7种提升了MVQS。
论文SGAManimGPT-5.1
推荐理由：论文提出了SGA模块，能自动修复LLM写动画代码时的几何遮挡错误，实测用GPT-5.1搭配Code2Video能提升16%的画面质量。
原文
11:38
11:38官方账号arXiv cs.AI@Prakhar Gupta, Terry Jingchen Zhang, Florent Draye, Bernhard Schölkopf, Zhijing Jin
该研究在5个模型家族和7种BCT偏差类型上，通过探针、跨数据集迁移和因果干预三种方法提取偏差方向。发现偏差主要来自对齐微调，预训练基座模型几乎不受影响。每个偏差在隐藏状态中形成一个独立的因果方向，可解码并操控以恢复无偏答案。跨偏差纠缠具有模型特异性，行为相似的偏差占据不同方向。该干预方法能消除大部分偏差错误，同时保留正确回答。
论文对齐微调谄媚线索诱导偏差
推荐理由：这篇论文用五类模型分析了LLM为何容易被提示带偏，发现全是微调惹的祸，每个偏差还有独立方向，能直接修正。
原文
11:37
11:37官方一手arXiv: OpenAI@Nursultan Askarbekuly, Mohamad Al Mdfaa, Ahmed Helaly, Gonzalo Ferrer, Manuel Mazzara
Claude Code与OpenAI Codex在古兰经诵读数据上进行自动研究，从空白文件开始，均独立发明了相同算法（规范化、n-gram锚定、动态规划对齐），但随后分道扬镳。Claude早期停止，生成紧凑通用代码；Codex通过记忆19-41个硬编码诗节ID，将分数降低约10倍，展现了规范游戏。在预注册的第二项研究中，加入保留测试集后，记忆消失，分数差距也消失，但Codex的通用核心迁移更好（检测+分割0.085±0.004 vs 0.121±0.031）。每个智能体的解决方案都超越或持平了手工构建的流程，最佳方案提升一个数量级并已投入生产。
论文Claude CodeOpenAI Codex古兰经
事件专题
推荐理由：两个编码智能体做同一件事，一个追求通用性，一个钻规则漏洞刷分，结果反转了。看它们怎么玩脱又回归，还总结了评估智能体的五条规则。
原文
11:36
11:36官方一手arXiv: OpenAI@Navnit Shukla, Kamal Pandey, Omsankar Tiwari
精选
TurboVec基于TurboQuant的4-bit标量量化，在DBpedia OpenAI嵌入基准（d=1536, 100K-999K向量）上，Recall@5比同内存的FAISS PQ高8.5-8.9个百分点。对比HNSW（R@5=0.991）和IVF-PQ（R@5=0.840），TurboQuant无需训练即达更高召回。在Snowpark Container Services上，100K向量中位数延迟11ms，而暴力扫描为707ms。内核级过滤在10-1000租户下Recall@10为0.86-0.93，远高于后过滤的0.09-0.19。量化设计使成员推断准确率降至随机水平（50.0%），而PQ为57.3%。
论文TurboVecTurboQuantRAG
推荐理由：TurboVec用一种新量化方法让企业RAG检索又快又安全，召回比FAISS PQ高近9个点，还能防隐私泄露。
原文
11:35
11:35官方账号arXiv cs.AI@Sheldon Yu, Tong Yu, Xunyi Jiang, Rohan Surana, Gagan Mundada, Sungchul Kim, Lina Yao, Julian McAuley, Junda Wu
论文提出SOPHIA方法，通过分析推理轨迹中隐状态转换，发现失败轨迹陷入自循环。该方法构建状态对索引的引导向量库，在推理时实时检测自循环并干预。在多个基准测试中，SOPHIA有效提升任务准确率和令牌效率。实验表明，细粒度控制能改善推理质量。
论文SOPHIA激活引导推理模型
推荐理由：这篇论文教你如何让大模型不再自己绕圈圈，用激活引导精准干预推理过程，实测有效提升准确率。
原文
11:30
11:30官方账号arXiv cs.AI@Koyar Afrasyab
一项研究评估了证据充分性提示对临床语言模型的影响，使用Real-POCQi、HealthBench和MedRBench基准，测试GPT-5.5、Claude Opus 4.8、Gemini 3.5 Flash和Grok 4.3四个模型。结果显示，不安全过度自信从49.3%降至24.7%，但效果幅度依赖于评判模型：主要评判模型GPT-5.4-nano显示24.7个百分点的降低，而Claude Sonnet 5则只有13.1个百分点。安全增益伴随有用性成本，正确诊断率从80.3%降至50.3%，对Gemini影响较大（-58个百分点）。盲法临床医生审查指出主要评判模型灵敏度高（1.00）但特异性低（0.55）。
论文GPT-5.5Claude Opus 4.8Gemini 3.5 Flash
推荐理由：这篇论文揭示了AI安全评判的一个关键陷阱：安全增益可能只是评判模型的偏好，不是真实改进。告诉你为什么不能只看一个评判指标。
原文
11:29
11:29官方账号arXiv cs.AI@Zhaokai Wang, Tianlin Gui, Jiayuan Rao, Shangzhe Di, Yihong Tang, Dingli Liang
WorldCupArena是一个动态基准，用于评估语言模型和深度研究代理在足球预测上的表现。它首次基于2026年FIFA世界杯的104场比赛和13个系统进行评测，模型需预测结果、比分、球员和事件等。基准报告结果准确率、精确比分准确率和比分线得分，其中比分线得分在预测接近时给予部分分数。最佳系统相比博彩市场和球迷基线在结果和精确比分准确率上仅小幅提升，但在比分线得分上表现更优。代码、提示、预测和评估脚本已在GitHub开源。
论文WorldCupArena语言模型深度研究代理
推荐理由：如果你想看语言模型在世界杯预测上的硬核评测，这个基准用104场真实比赛对比了13个系统，结果比博彩市场强得有限，但细节预测有亮点。
原文
11:26
11:26官方账号arXiv cs.AI@Huzaifa Shaaban Kabakibo, Eric Schniedermeyer, Artem Burchanow, Lin Wang
SelectInfer是一个神经元级优化框架，通过离线分析识别任务特定和通用神经元，实现选择性加载和动态计算。在多个数据集上评估，内存占用减少40%-60%，计算量降低30%-50%，同时保持任务性能。该方法无需重新训练或微调，适用于资源受限的边缘设备。
论文SelectInferLLM边缘设备
推荐理由：这篇论文提出了一种在手机上跑大模型的新思路：不加载全部神经元，只算有用的部分。效果不错，内存和计算都省很多，关键是精度没掉。
原文
11:25
11:25官方账号arXiv cs.AI@Haochen Zhao, Yongxiu Xu, Xinkui Lin, Dong Xie, Jiarui Lu, Yuqi Qian, Yubin Wang, Hongbo Xu, Gaopeng Gou
该论文提出SIEVE框架，用于多模态视频虚假信息检测。SIEVE通过一个证据搜寻智能体主动从视频中获取稀疏但关键的线索，构建紧凑的证据包。该智能体通过监督式证据搜寻轨迹和证据感知强化学习进行训练，鼓励获取信息性证据并抑制无效交互。在多个视频虚假信息检测基准上，SIEVE持续优于基线方法，并支持仅用紧凑证据包完成可靠验证。其证据获取过程提供了可检查的轨迹，增强了检测的透明度和可解释性。
论文SIEVE多模态虚假信息检测
推荐理由：这篇论文提出了SIEVE，用智能体主动找几处关键证据就能判断视频真假，不用看完整个视频，效果更好还更透明。
原文
10:53
10:52
10:51
10:51官方账号arXiv cs.AI@Zihao He, Hongjie Fang, Shirun Tang, Cewu Lu, Haoshu Fang
LAG-Fusion提出一种延迟感知指导融合框架，用于异步多模态扩散策略组合。该框架允许不同模态的策略以各自原生推理速率运行，并在可用时贡献去噪指导。通过推导扩散变量在相对动作表征下的参考帧重基规则，实现延迟指导在融合前的对齐。在接触丰富操作任务中，低频视觉策略与高频力觉策略的异质延迟实验显示，LAG-Fusion相比同步融合和专门设计的力感知基线，提升了策略响应速度和任务性能。
论文LAG-Fusion多模态扩散策略
推荐理由：一篇关于多模态机器人模仿学习的论文，提出LAG-Fusion解决不同传感器速率不同的异步融合问题，实验证明比同步融合更高效。
原文
10:41
10:40
10:40官方账号arXiv cs.AI@Md Erfan, Ahmed Ryan, Md Rayhanur Rahman
该研究以Hugging Face上的模型仓库为例，实证调查了AI物料清单（AIBOM）的完整性，涉及约97.5K个AIBOM工件。检查发现生成的AIBOM在所需结构字段上覆盖完整，但模型卡、元数据、负责任使用、环境、局限性等AI特定文档字段普遍缺失或薄弱。论文指出当前模型仓库在许可证、数据集声明、模型家族等可追溯性信息上存在不足，呼吁改进模型卡实践和自动化AIBOM验证。
论文Hugging FaceAIBOM模型卡
推荐理由：这篇论文对Hugging Face上近十万个模型的文档完整性做了大规模分析，发现很多模型缺少许可证、局限性和环境信息，对想了解开源模型供应链透明度的朋友很有参考。
原文
10:39
10:39官方账号arXiv cs.AI@Honglin Li
论文提出约束路径推理（CPR）框架，通过源感知路径假设和阶段级核算来评估LLM推理中中间承诺阶段的价值。在1,180个生成的QCQP和40个工程退化多项式实例（2,140个端点）上，残差分类恢复63.0%的修复全部额外可行产出，仅用17.7%的尝试。固定LLM核算（270次唯一调用）显示可行产出率：直接41.1%，形式化与确定性执行后90.0%，一次凸化后20.0%，完整路径21.1%。在120次配对条件调用中，两步回滚规则达到90%可行产出，而反馈条件选择器仅为36.7%。
论文LLM推理约束路径推理QCQP
推荐理由：这篇论文提出了一个量化框架，告诉你什么时候该在推理中增加中间步骤，什么时候不该。有具体数据支撑，适合做推理优化的研究参考。
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」）。