全部 AI 动态 · AI 热点

7月16日

09:49

官方账号arXiv cs.AI@Mohammad Allahbakhsh, Mohammad Hassan Bahari, Moslem Attar-Raouf

传统渗透测试侧重评估对手能否通过漏洞获取资源，但AI系统中攻击者可通过提示注入、数据投毒、传感器操纵等路径改变行为而不入侵基础设施。论文重新定义AI系统渗透测试为操作目标驱动的行为评估，提出六步工作流：识别操作目标、映射AI行为、分析影响面、定义失败标准、执行场景测试、报告证据。以AI安全运营中心助手为例，演示提示注入可导致误判而不触发基础设施入侵。

论文 AI安全渗透测试提示注入

推荐理由：这篇重新定义了AI渗透测试，从入侵系统变成操纵行为，提示注入、数据投毒都算，还给了具体测试步骤和案例，搞AI安全可以看看。

原文

09:48

官方账号arXiv cs.AI@Wenxiao Wang, Priyatham Kattakinda, Soheil Feizi

大多数智能体优化研究仅测试一次性固定基准，忽略连续优化场景。本文使用Terminal-Bench 2.0的困难任务设计两阶段持续学习评估，对比GEPA、Meta Harness和RELAI-VCL三种方法。静态评估中三者均提升基线（58.7%），但引入新任务后分化明显：RELAI-VCL既正向转移又持续改进，每阶段通过率最高，终身平均达76.4%，远超GEPA（66.0%）、Meta Harness（64.6%）和基线（58.7%）。关键发现是优化增益仅在优化循环内置回归控制时才能累积。

论文 GEPA Meta Harness RELAI-VCL

推荐理由：这篇论文用Terminal-Bench 2.0测试三种Agent优化方法，发现只有RELAI-VCL能持续累积提升，终身平均76.4%远超其他。做智能体持续学习的人必看。

原文

09:47

官方账号arXiv cs.AI@Sai Srikanth Madugula, Peplluis Esteva de la Rosa, Daya Shankar

传统客户忠诚度模型在AI智能体时代失效，因为它们未考虑算法有限理性和构造自主性。为此，论文提出DVM-HALL（动态可验证多智能体人机忠诚循环）模型，通过softmax概率公式整合人类情感权益、智能体机器体验效用、校准信任、委派权限和可验证执行。模型引入递归更新机制，每次交互后动态校准信任与委派，并集成DeFi可验证执行层，将gas成本、滑点、MEV暴露和智能合约漏洞作为品牌偏好的核心预测因子。同时提出NHAS（净人机评分）指标，这是一个基于人类反馈、执行日志、基准比较和可验证收据的可审计风险加权度量。论文规划了三阶段实证验证计划，包括受控购物实验、多智能体市场模拟和DeFi测试平台。

论文 DVM-HALL NHAS DeFi

推荐理由：这篇论文提出了衡量AI智能体忠诚度的新模型DVM-HALL和评分NHAS，专门针对自主商业和DeFi场景，值得研究参考。

原文

09:38

官方账号arXiv cs.AI@Niels Mündler-Sasahara, Hristo Venev, Dawn Song, Martin Vechev, Jingxuan He

精选

本研究提出生成式编译（Generative Compilation），其核心设备sealor能将部分程序转换为完整程序，使标准编译器可诊断。在核心Rust-like演算上形式化证明了sealor满足不拒绝可能完成的部分程序等性质，并扩展到真实Rust。在仓库级Rust编程任务上，相比传统后生成反馈，该方法减少了非编译输出数量并提升了功能正确性。

论文 Rust Generative Compilation sealor

推荐理由：这篇论文让编译器在AI写Rust代码时实时纠错，而不是写完再报错，对写复杂项目特别有用。

原文

09:37

官方账号arXiv cs.AI@Jiangang Han

精选

论文 LLM 验证器级联部分相关

推荐理由：这篇论文用数学证明加更多验证门不如换不同模型或模态，部分相关会让可靠性提升远不如预期。

原文

09:36

官方账号arXiv cs.AI@Michal Štefánik, Philipp Mondorf, Andreas Waldis, Qianying Liu, Chuan Yang, Michal Spiegel, Josef Kuchař, Marek Kadlčík, Adam Vawda-Oomerjee, Chaoran Liu, Simon Frieder, Barbara Plank, Fazl Barez, Pontus Stenetorp

AIMO可解释性挑战赛旨在通过模型内部机制区分前沿数学语言模型的鲁棒推理与虚假推理。比赛基于AI数学奥林匹克（AIMO）问题及Fields Model Initiative资源，提供新发布的奥林匹克级数学推理题及其符号表示。参赛者可访问前沿推理模型及其对抗鲁棒性评估，开发识别鲁棒推理的方法。比赛将创建开放的鲁棒性基准和基线系统，推动数学推理与可解释性研究。

论文 AIMO Fields Model Initiative 可解释性

推荐理由：想测试数学推理模型是真会思考还是靠蒙？这个挑战赛提供了新基准和资源，帮你判断模型的鲁棒性。

原文

09:35

官方账号arXiv cs.AI@Wenjun Wang, Yuchen Fang, Fengrui Liu, Zibo Liang, Kai Zheng

71°

提出Experience Memory Graph (EMG)框架，将智能体失败恢复转化为图匹配问题。训练时将失败轨迹和专家轨迹转化为有向动作决策图，通过图匹配提取公共子图（成功工作流）和图编辑路径，存储于记忆图中。测试时无需试错循环，单次执行即可纠正错误。在ALFWorld和ScienceWorld基准上，EMG在成功率和平均奖励上持续优于现有反思基线。

论文 EMG 智能体错误纠正

推荐理由：这篇论文用图匹配让智能体一次纠正错误，不用反复试错，在ALFWorld和ScienceWorld上效果比现有方法更好。

原文

09:33

官方账号arXiv cs.AI@Ting Lei, Jialin Liu, Zhu Xu, Yuxin Peng, Yang Liu

AgentHOI 提出一个无需训练的智能体框架，将多模态大模型的推理能力用于人-物交互检测。它通过上下文感知多轮推理和多方面交互定位两个机制，实现开放场景下的语义推理与空间定位。在真实世界设置中，AgentHOI 超越现有有监督和弱监督方法，且无需任何 HOI 检测训练数据。

论文 AgentHOI 人-物交互检测多模态大模型

推荐理由：这篇论文搞了个 AgentHOI，不用训练数据就能做开放世界的人-物交互检测，靠多模态大模型推理，效果还比有监督方法好。

原文

09:32

官方账号arXiv cs.AI@Yannick Kalff, Katharina Simbeck

该研究调查了德国公司中AI在人力资源管理中的整合。研究通过访谈、小组讨论和调查（N=410）发现，生成式AI和预测分析被用于优化HR功能。AI工具增强了HR分析能力，但主要服务于效率和合理化目标。组织因素如数字基础设施和伦理影响塑造了AI工具的采用。研究强调了人才发展的战略潜力和数据治理挑战。

论文生成式AI 预测分析人力资源管理

推荐理由：德国公司怎么用AI管人？这篇论文用410份样本告诉你，效率是主因，战略潜力还有待挖掘。

原文

09:31

官方账号arXiv cs.AI@Nan Chen, Zemin Liu, Bryan Hooi, Bingsheng He, Jun Hu, Jia Chen

论文提出NodeImport框架，针对图神经网络在类不平衡场景下对少数类过拟合的问题。该方法通过构建平衡元集来测量节点重要性，筛选出能提升无偏模型性能的标签、未标签及合成节点。理论推导出直接评估节点重要性的公式，并引入阈值用于节点选择。在多个数据集上使用GCN、GAT等架构进行测试，结果优于现有基线方法。

论文 NodeImport 图神经网络类别不平衡

推荐理由：这篇论文讲怎么解决图数据里类别不平衡的问题，NodeImport能动态挑出重要节点，不用重新生成太多假数据，效果还比现有方法好。做图神经网络、节点分类的可以看看方法细节。

原文

7月15日

11:37

官方账号arXiv cs.AI@Junjie Yin, Xinyu Feng

该论文提出E3（Estimate, Execute, Expand）框架，让LLM Agent先估计任务难度，再执行最小可行路径，仅在验证失败时扩展范围。在MSE-Bench基准（121次编辑任务）上，E3在保持100%成功率的同时，将成本降低85%，tokens减少91%，检查文件数减少92%，并比强适应性检索基线高出16%。在gpt-4o真实库编辑实验中，E3是同等成功率下最轻量最快的策略。

论文 E3 MSE-Bench LLM agent

推荐理由：这篇论文解决了AI agent过度读取文件的问题，E3方法能自动判断任务简单就少干活，在MSE-Bench上省了85%成本，效果很实在。

原文

11:33

官方账号arXiv cs.AI@Harsha Vardhan Khurdula, Abhinav Kumar Singh, Yoeven D Khemlani, Vineet Agarwal

本文提出用离散扩散语言模型DiffusionGemma（26B MoE）替代自回归解码器进行语音识别。方法冻结Whisper编码器提取声学特征，通过轻量投影器和低秩适配器将音频映射到模型空间，仅训练约42M参数（占0.16%）。研究发现自然训练目标梯度无法有效传递，引入连接主义时序分类（CTC）损失后成功训练。在LibriSpeech test-clean上达到6.6%词错误率，并行解码仅需8步且与语速无关，单适配器训练六种语言（评估了英语、印地语和普通话）。

论文 DiffusionGemma Whisper LibriSpeech

推荐理由：这个研究用DiffusionGemma做语音识别，并行解码8步就达到6.6%错误率，只训练了0.16%的参数，挺高效的。

原文

11:31

官方账号arXiv cs.LG@Jorge Diaz Chao, Konpat Preechakul, Yuxi Liu, Yutong Bai

论文通过多球硬球动力学实验发现，标准双向视频扩散模型在因果链长度增加时性能显著下降，即使增加去噪步数也无法缓解。长度匹配的单球控制实验排除了视频长度的影响，证明依赖事件结构才是主因。自回归/逐块生成和增加架构深度等方法能有效提升序列推理性能，但去噪步数本身不增加序列计算。作者将此模式定义为序列性差距，并证明确定性视频预测中，去噪步数无法提供可扩展的序列计算能力。

论文视频扩散模型 Seriality Gap 多球硬球动力学

推荐理由：这篇论文用多球碰撞实验揭示了视频扩散模型做因果推理时的短板，增加去噪步数没用，但自回归和加深网络有效。对做视频生成和物理模拟的人很有启发。

原文

11:30

官方账号arXiv cs.LG@Zhouchonghao Wu, Akshay Rangesh, Weixin Li, Wei-Jer Chang, Zachary Lee, Tim Wang, Wei Zhan

TerraZero 是一个程序化驾驶模拟器与自博弈训练框架，在单 GPU 上达到每秒 130 万 agent-step，远超同类模拟器。它基于真实地图几何随机生成交通场景，无需人类演示，仅靠强化学习从头训练策略。该策略在 InterPlan 长尾基准上首次超越所有学习型规划器，并在 Waymo 开放模拟智能体任务中优于其他无演示方法。此外，在常规驾驶基准 val14 上，TerraZero 取得最低碰撞率和最佳碰撞时间分数。

论文 TerraZero 自动驾驶模拟强化学习

推荐理由：TerraZero 用程序化模拟+零演示强化学习搞定了自动驾驶长尾场景，跑得巨快，还拿了 InterPlan 和 Waymo 的 SOTA，你不想看看怎么做到的？

原文

11:28

官方账号arXiv cs.LG@Mert Onur Cakiroglu, Mehmet Dalkilic, Hasan Kurban

该论文指出，基于频谱的可预测性分数不能回答'添加上下文（如更长回看窗口、检索插件或预训练模型）是否有帮助'的问题。频谱指标在相位随机化下不变，而上下文价值依赖操作点，并非序列固有属性。作者提出无标签的配置级诊断'覆盖亏缺'（coverage deficit），其主项衡量超越频谱的结构增益。在7个基准上验证：基于窗口的检索价值在代理对中从中位数+33%降至-35%（p<10^{-40}），而频谱指标不变；基础模型的价值仅有小的超越线性部分。

论文时间序列预测频谱上下文

推荐理由：这篇论文澄清了一个常见误解：别拿频谱指标来判断加上下文有没有用。作者给出了新诊断方法，实验做得扎实。

原文

11:10

官方账号arXiv cs.LG@Xiaoyu Li, Zheng Gao, Xiaoyan Feng, Jiaojiao Jiang, Yulei Sui, Jiankun Hu

该论文从信息论角度研究生成模型水印的取证能力，包括归属用户、提取载荷和定位编辑幸存部分。定义信息轮廓ν(t)=I(S;X_t|X<t)并证明检测由分布距离决定，归属和提取由信息总量决定。主要定理给出统计无失真方案下归属N个用户需Θ(log N/h)个token（h为熵率），提取ℓ位载荷需Θ(ℓ/h)。在GPT-2、Pythia-410M、Qwen2.5上的实验验证了理论常数。

论文水印信息论生成模型

推荐理由：这篇论文用信息论精确测量了水印取样的代价：归属N个用户需要多少个token，提取载荷需要多少，并在GPT-2等模型上验证了理论预测。

原文

11:09

官方账号arXiv cs.LG@Zhuoyuan Li, Yue Zhao, Ming Li

精选

论文提出集成控制流滤波（EnCF）用于隐式数据同化，通过随机控制流和伴随匹配学习观测依赖控制。针对模拟器定义观测，EnCF-LF从样本学习替代条件能量。理论证明理想精确性并建立一步误差分解。数值实验显示，EnCF在非高斯、多对一、多模态和隐式观测模型上优于Kalman型滤波器。

论文 EnCF 数据同化隐式模型

推荐理由：处理非高斯多模态观测数据？试试这篇的EnCF方法，比传统卡尔曼滤波灵活。

原文

11:05

官方账号arXiv cs.LG@Dandan Chen, Yan Zhao, Xuepeng Chen

该论文提出一个基于仿真的物理约束鲁棒性评估框架，使用虚拟光伏功率作为受控响应变量，研究NWP预测误差对模型的影响。评估了PatchTST、GRU、N-HITS、LightGBM等六种模型在动态NWP扰动下的表现。结果表明，在中等至高等干扰下，序列模型（如PatchTST、GRU）比LightGBM基线具有更强的噪声滤波和时间鲁棒性。SHAP和IG分析显示，模型在输入扰动时会将预测依据从未来预报转向历史观测和物理先验。Pareto分析综合了纯净精度、鲁棒性和计算延迟，为工程选型提供了参考。

论文 PatchTST GRU NWP

推荐理由：这篇论文用具体模型和实验告诉你，哪些深度模型在光伏功率预测里更扛NWP天气误差，不是空谈。

原文

11:03

官方账号arXiv cs.LG@Louis Sharrock, Lachlan Astfalck, Henry Moss

LatentFlow是一个无需训练的通用框架，用于条件化随机过程。它通过将随机过程表示为可处理潜变量的确定性变换，将条件推断转化为潜空间采样。该框架在目标水平上精确，近似只来自有限噪声、蒙特卡洛引导和时间离散化，且每个误差项可系统降低。LatentFlow在单个桌面CPU上数秒内完成条件采样，适用于经典空间先验、非线性随机动力学、物理/生命科学机制模型、随机偏微分方程、重尾与极值、点过程与离散状态过程以及神经或模拟器定义过程。

论文 LatentFlow 随机过程条件采样

推荐理由：这篇论文提出了LatentFlow，一个无需训练就能对随机过程做条件采样的框架，比传统方法快得多，还适用各种过程类型，值得一看。

原文

11:02

官方账号arXiv cs.AI@Jakub Kowalski, Adam Ciężkowski, Artur Krzyżyński, Mark H. M. Winands

该论文针对高不确定性对抗游戏（如Jaipur、Lost Cities、Splendor）中的蒙特卡洛树搜索（MCTS）进行改进，提出两种动态资源分配方法：Dynamic Number of Determinizations根据搜索表现动态调整当前使用的determinization树数量；Dynamic Simulation Allocation根据模拟间决策非均匀分配模拟预算到不同树中。在迭代和时间限制测试下，特定配置相比基线算法在统计上显著提升了强度（p<0.05）。实验基于三个流行桌面游戏，展示了方法在随机和隐藏信息环境中的有效性。

论文 MCTS 蒙特卡洛树搜索游戏AI

推荐理由：这篇论文给做游戏AI的同行提供了一个很实用的优化思路：不用固定分配计算资源，而是根据搜索情况动态调整，实测对三个桌游都有明显提升。

原文

11:01

官方账号arXiv cs.AI@Aleh Manchuliantsau

一篇论文研究了LLM计划评估器的漏洞：计划可通过省略必要工作提高得分。在26条路线组成的队列中，所有57次合法删除都匹配了分析恒等式，且每条路线至少有一次得分提升的删除。评分优化器在21/26条路线中发现了未被覆盖的结构。GATE机制在26/26条静默路线上拒绝得分释放，0次诚实暂停；之后47/54次修订转为覆盖结构，严格覆盖改进从1/26升至13/26。自适应编译器感知合著者揭示了注册表-来源边界：义务通道规避在v1/v1.5条件下保持6/6，而delta索引成本下限将诚实路线从6/6降至3/6，静默可融资性从5/6降至0/6。

论文 LLM GATE AI安全

推荐理由：这篇论文深挖了一个漏洞：计划评估器可能因为计划含糊就给高分。他们用数学证明并在26条路线上验证了。搞LLM安全或评估的值得一读。

原文

11:00

官方账号arXiv cs.AI@Sen Yang, Yuen-Hei Yeung

对齐LLM在非证据激励（如用户信心）下会误报，违背内部激励相容（IC）。研究提出反事实报告协调（CRC）方法，通过因果交换干预识别低秩报告坐标（答案、置信度、预警）。在Bayesian-witness基准上，两遍夹钳实现联合resist和update得分1.00（Wilson 95% CI [0.99,1.00]）。单遍编译有损耗，resist和update为0.73和0.97。方法在三个模型家族和SycophancyEval上复现，提供激活级因果不变性作为内部IC的结构原语。

论文 LLM 激励相容反事实干预

推荐理由：这篇论文用因果干预把LLM的内部报告拆解成抵抗压力和更新证据两个维度，在测试中做到满分，比一般对齐方法更扎实。

原文

10:59

官方账号arXiv cs.AI@Ruoran Xu, Wending Gao, Qiufeng Wang

FormalAnalyticGeo 是一个可扩展的框架，利用 CDL（条件描述语言）作为形式中间表示，通过 SDF（符号距离场）引擎连接问题文本与精确图形渲染。框架包含四个 LLM 组件：Generator、Formalizer、Measurer 和 Quality Verifier，实现全自动闭环生成，无需人工标注。基于该框架构建的 AnalyticGeo7K 数据集包含超过 7,000 个经过验证的多模态问题，其中位相对误差为 0.70%，82.3% 的答案与精确符号解偏差在 5% 以内。论文表明该方法在解析几何问题生成上优于现有模板和生成模型。

论文 FormalAnalyticGeo CDL 解析几何

推荐理由：想要自动生成带精确几何图形的数学题？FormalAnalyticGeo 用 CDL 形式语言和 SDF 渲染，造出了 7000+ 带标注的解析几何题目，误差不到 1%。

原文

10:56

官方账号arXiv cs.AI@Mehmet Iscan

PoPE（Popperian Placebo-Controlled Evaluation）是一种用于测量代码模型能否利用错误证据进行自修复的评估方法。在0.5-1.5B参数的冻结小型代码模型上，通过提示通道和权重通道（小数据适配器训练）进行测试。提示通道中，内容消融安慰剂组解锁12单元，真实错误模式组解锁10单元（40单元抗性带），未发现机制差异。权重通道中，错误内容适配器与无干预基线打成8-8平局（p=1.0），而SHA扰乱安慰剂适配器以10个解锁领先。结果未证实错误内容可带来显著优势。

论文 PoPE 代码生成自我修复

推荐理由：这篇论文用严格安慰剂对照方法戳穿了代码模型自修复的假设，在0.5-1.5B模型上实测发现错误内容并没带来明显改善，想了解模型能力边界可以看看。

原文

10:55

官方账号arXiv cs.AI@Minh Hoang Nguyen

ViHoRec 数据集包含来自 Booking.com、Traveloka 和 Ivivu 三个平台的 18,267 条用户-酒店交互记录，涉及 6,832 名用户和 560 家酒店。数据集采用可复现的构建流程，包括跨平台实体解析和定量质量控制，并通过 HMAC 假名保护隐私。在时序留一法冷启动分割下，BPR-MF 的 Recall@10 从 0.120（长历史用户）降至 0.065（短历史用户），而 UserKNN 整体表现最优，凸显了该数据集的稀疏和冷启动特性。所有数据已在 GitHub 开源。

论文 ViHoRec Booking.com Traveloka

推荐理由：越南语推荐研究缺数据？ViHoRec 提供了 18K 条跨平台高质量交互，还附带了冷启动基准，方便你对比模型在稀疏场景下的表现。

原文

10:54

官方账号arXiv cs.AI@Jonas Ehrhardt, René Heesch, Oliver Niggemann

本文研究参数化动作马尔可夫决策过程（PAMDP）中的强化学习问题。现有算法通常采用单次估计器确定参数，导致训练样本效率低下。作者提出KGRL算法，利用Datalog知识库中的领域知识修剪非适用动作并约束参数空间，再通过梯度参数精化环优化参数。在多个PAMDP基准环境中，KGRL在样本效率和情节回报上均优于现有基线。

论文 KGRL PAMDP 强化学习

推荐理由：这篇论文的KGRL算法把领域知识直接融入强化学习训练，比传统基线更省样本、回报更高，适合做PAMDP相关研究的人参考。

原文

10:09

官方账号arXiv cs.LG@Blanca Cano-Camarero, Ángela Fernández-Pascual, José R. Dorronsoro

论文提出CoCo损失函数，通过鼓励类内坍缩和类间对比来学习归一化且结构良好的表示。理论分析表明，CoCo相比点回归和交叉熵损失具有更接近最优配置的初始化、更有信息量的梯度和更强的类坍缩激励。在OpenML-CC18基准的多个表格数据集上，CoCo实现了与核SVM、随机森林、点回归和基于交叉熵的神经网络相当的性能。实验还证明CoCo促进了更紧的类聚类和更快的收敛速度。这些结果表明CoCo损失在保持竞争性预测性能的同时，能有效学习判别性表示。

论文 CoCo 损失函数表征学习

推荐理由：这篇论文搞了个新损失函数CoCo，训练收敛快，在OpenML-CC18上跟SVM打成平手，做表格分类任务的可以试试。

原文

10:07

官方账号arXiv cs.LG@Jing Qin, Muhao Chen

本文提出一个能量基学习框架，用于簇状张拉整体结构的形式发现和物理属性预测。该方法将总势能最小化与构型关系纳入训练目标，同时预测平衡节点构型和杆件力、力密度等物理量。数值实验在棱柱和着陆器系统上验证了框架的可扩展性和准确预测能力。该框架提升了物理一致性、鲁棒性和数据效率。

论文 Tensegrity 物理信息学习形式发现

推荐理由：这篇论文用物理信息学习解决张拉整体结构的形式发现难题，能同时预测构型和内力，比传统方法更鲁棒。

原文

10:06

官方账号arXiv cs.LG@Sigma Jahan

Deep4ge是一个由14,227次训练运行组成的基准数据集，基于59个TensorFlow/Keras程序生成，通过27种源代码转换引入7类已知故障。包含9,845个故障运行和4,382个正确基线运行，记录每轮训练的4个评估指标和26个特征（权重、梯度、激活值、准确率和损失趋势、学习率、硬件使用）。支持二进制故障检测、多类故障诊断和早期故障预测。数据集和故障注入框架已发布。

论文 Deep4ge TensorFlow Keras

推荐理由：想研究深度学习实现故障？这个新基准Deep4ge包含1.4万次训练运行、27种故障注入方式，帮你做检测和诊断。

原文

10:05

官方账号arXiv cs.LG@Sigma Jahan

研究者提出ROBIN方法，通过敏感度分析排序注意力头并移除偏见子空间。在四个模型的实验中，ROBIN在所有模型上降低了WinoBias差距，同时保持了语言建模质量，优于整体置零方法。这些初步结果表明头级偏见修复不仅要考虑选择哪些头，还要考虑如何修改。

论文 Transformer ROBIN WinoBias

推荐理由：这篇论文给出了一个白盒方法ROBIN，能精准定位模型中的偏见注意力头并修复，比直接抹掉整个头效果好。

原文

10:04

官方账号arXiv cs.LG@Takumi Shioda, Kohei Terashima, Tatsuo Nagai

本研究采用带可验证奖励的强化学习（RLVR）微调开源推理模型，用于建筑热能存储调度。仅用30条训练提示，强化微调（RFT）将排放从70.5降至61.2 kg-CO2，接近动态规划最优值60.8。GPT-5无需微调即接近最优，而GPT-4o（非推理模型）排放高于无存储基线。分析表明，RFT主要稳定了候选比较、前瞻和可行性检查等规划模式，并在预测误差和未见条件下保持鲁棒。

论文 RLVR RFT GPT-5

推荐理由：这篇论文用30条提示微调开源模型，让建筑冷负荷调度排放从70.5降到61.2，逼近最优，比GPT-4o强得多。

原文

10:02

官方账号arXiv cs.LG@Rajdeep Pathak, Archi Roy, Tanujit Chakraborty

ANGLE是一种针对圆形响应数据的轻量级深度生成框架，通过广义圆形能量分数(GCES)损失优化生成映射，学习给定欧几里得和圆形协变量的全条件分布。理论性质包括损失严格性、估计量旋转等变性，支持加性噪声前后模型。在物体姿态估计和风向预测任务中，相比传统条件均值回归，ANGLE在处理多模、偏斜数据时展现出更优的预测性能和不确定性量化。实验覆盖模拟数据和真实应用，包括视频监控、自动驾驶和能源系统场景。

论文 ANGLE Engression 圆形数据

推荐理由：想处理角度或方向数据？ANGLE用深度生成模型做圆形回归，比传统方法更准，能搞定多模风向和物体姿态估计。

原文

09:55

官方账号arXiv cs.LG@Trinh Tran, Binh Nguyen, Truong X. Nghiem

论文提出了基于学习加速的ADMM算法，用于高效求解场景模型预测控制（SBMPC）问题。该方法将SBMPC重写为共识形式，通过ADMM分解实现场景和时间步的并行更新，并引入Moreau envelope学习加速原始更新。在微电网能量管理问题上，与IPOPT和MadNLP求解器相比，该方法在保持可靠闭环性能的同时实现显著计算加速。

论文 SBMPC ADMM Moreau envelope

推荐理由：这篇论文用学习加速ADMM让场景模型预测控制跑得更快，在微电网问题上比IPOPT和MadNLP快很多，适合做实时控制的人看看。

原文

09:46

官方一手arXiv: DeepSeek@Jincheng Xie, Runheng Liu, Heyan Huang, Yawen Ling, Hanbin Dai, Yu Zheng, Wen Hu

精选

稀疏混合专家（MoE）模型在扩展LLM时依赖专家激活模式，现有投机解码忽视专家激活成本，导致专家散射增加内存流量。EcoSpec通过轻量级专家预测器和动态专家缓冲区，在保持高接受率前提下优先复用了当前验证集的专家路径。在DeepSeek-V3.1（671B）、Qwen3-235B-A22B、GPT-OSS-120B三个大规模MoE模型上，于推理、编码、问答和对话基准测试中，EcoSpec持续减少活跃专家足迹，最高实现1.62倍解码速度提升。

论文 EcoSpec MoE 投机解码

推荐理由：这篇论文提出EcoSpec，在DeepSeek-V3.1等MoE模型上通过成本感知投机解码最高提速1.62倍，值得关注。

原文

09:41

官方一手arXiv: DeepSeek@Wei Liu, Weisong Sun, Tingting Xu, Hanwei Qian, Yi Zhao, Chunrong Fang, Xia Feng

本研究针对方法名预测（MNP）任务，发现现有评估多依赖token相似度指标（如BLEU）与人类判断不一致，且LLM直接代码-名称映射不及人类先理解再命名的过程。实验对比6种指标评估器、5种LLM评估器（包括DeepSeek）和6名人类评估者，显示DeepSeek评估器与人类判断更一致。进一步比较直接生成与摘要-精炼策略，后者提升了语义质量。基于此提出SMNP方法，融合MNP导向摘要和链式精炼，在5个LLM和2个数据集上验证了有效性。

论文 SMNP LLM Method Name Prediction

推荐理由：这篇论文告诉你：给代码自动取名时，先写摘要再命名比直接硬猜更靠谱。他们用DeepSeek做评估，效果比传统指标好十倍。

原文

09:40

官方账号arXiv cs.AI@Wenjun Xia, Zhicheng Peng, Haopeng Li, Zhengdi Zhang

该论文首次将物理信息融入跌倒检测，提出双LTC（Liquid Time-Constant）神经网络架构，分别建模质心（CoM）和支撑面（BoS）两个子系统的动态。通过可学习耦合模块模拟物理交互，并使用基于Lyapunov的稳定性度量在联合隐空间检测边界跨越。网络参数小于50K，能够在资源受限的边缘设备上实时推理，在二分类数据集（Normal vs. Falling）上验证了核心稳定性判别能力，兼顾准确性与物理可解释性。

论文 LTC CoM BoS

推荐理由：这篇论文用双LTC网络模拟人体稳定性，模型不到5万个参数，在低算力设备上也能实时跑，适合做边缘端的跌倒预警。

原文

09:39

官方账号arXiv cs.AI@Xixuan Hao, Zeyu Zhang, Zehao Lin, Yihang Sun, Ziliang Guo, Xichong Zhang, Yuxuan Liang, Feiyu Xiong, Zhiyu Li

MemOps基准将对话记忆重新定义为生命周期操作序列,包括记住、遗忘、更新、反思及其组合。它通过可控生成流水线在长任务对话中嵌入操作,产生六类操作级探针,并在相邻证据与长上下文两种设置下评估。实验对比了长上下文、检索、参数化和托管记忆系统,发现会话级检索优于回合级检索,而长上下文模型在重构有序记忆状态轨迹上表现明显较弱。该基准揭示出仅靠最终答案准确度无法暴露的多种失败模式,推动记忆评估向可解释的操作级诊断转变。

论文 MemOps LLM 记忆操作

推荐理由：想测AI的记忆系统到底靠不靠谱？这个新基准MemOps把记忆拆成6种操作来测，比只看最终答案准多了，搞记忆研究的必读。

原文

09:38

官方账号arXiv cs.AI@Lirui Zhao, Modi Shi, Li Chen, Qi Liu, Ping Luo, Hongyang Li

UR-VC是一种无监督、无需训练的方法，专门修正时间衍生的进度标签噪声。它利用演示数据中相似状态跨片段出现的规律，聚合时间标签来获得更准确的进度估计。在真实双臂布料折叠任务数据上，UR-VC修正的标签能捕捉局部回归和非均匀进度，而原始时间标签无法做到。将修正后的信号用于VLA训练的advantage标签后，实际机器人任务成功率呈现积极趋势。

论文 UR-VC 机器人操作值函数

推荐理由：给机器人训练加进度标签太麻烦了，UR-VC能自动修正常见的时间噪声，不用额外标注，在布料折叠任务上实测有效。

原文

09:35

官方账号arXiv cs.AI@Cameron Cagan, Pedram Fard, Jiazi Tian, Jingya Cheng, Shawn N. Murphy, Hossein Estiri

Pythia是一个多智能体系统，可自主编写并优化临床概念提取提示词，无需人工工程或微调。在本地运行的开源模型上，Pythia利用开发集的敏感度和特异度选择提示词。与基于词典的方法在72个症状和400份临床笔记上比较，Pythia的平均敏感度为0.76，特异度为0.95；词典则分别为0.82和0.76。对于词典将所有笔记均标记为正的14个概念，Pythia通过要求现在时、患者归因的发现，恢复了平均0.97的特异度。在低于2%患病率的概念上，Pythia的敏感度转移出现0.25的平均差距，而BERT分类器在相同开发集上微调后，敏感度仅为0.23，且低于约5%患病率时降为零。

论文 Pythia 多智能体提示词优化

推荐理由：看这篇论文你就知道，不用微调也能高效提取临床症状。Pythia靠多智能体自己写提示词，敏感度0.76、特异度0.95，比传统词典和BERT都稳，还能本地部署。

原文

09:34

官方账号arXiv cs.AI@Yize Mi, Jianan Li, Liang Li, Shiyu Zhao

论文提出EEC解释框架，包含新分析工具Agent Response Map (ARM)。ARM揭示机器人隐含学习环境几何场并用作协调运动目标。在合作的多机器人形状组装任务中，ARM发现机器人将未占用的目标内部作为导航目的地区域，随中心被占自动移向边界。在竞争的捕食者-猎物追击任务中，ARM识别捕食者Voronoi图边界作为猎物汇聚目的地。

论文 MARL Agent Response Map EEC

推荐理由：想弄明白为啥机器人从简单奖励就能自动集群？这篇用ARM工具看到机器人内部学到的几何场，合作和对抗场景都适用。

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」）。