全部 AI 动态 · AI 热点

7月15日

09:32

官方账号arXiv cs.AI@Jhen-Ke Lin

ChartGenEval是一个包含六个问题的评估框架，其核心采用自动抗扰动测试。它通过匹配官方谱面的时间映射锚定节奏，但允许音符选择自由。在80组歌曲的测试中，七个输出轴满足预设的敏感性和不变性标准。相位估计可恢复15、30、60毫秒的注入偏移，同时谱面输出基本不变。常见模式重写使语言模型困惑度降低37%，循环折叠使自相似度提高62%。

论文 ChartGenEval 节奏游戏谱面生成

推荐理由：想自动评估节奏游戏谱面生成质量？ChartGenEval用抗扰动测试给出多维反馈，比单一得分靠谱多了。

原文

09:31

官方账号arXiv cs.AI@Zhengfei Chen, Alex Welbourne, Matthew O. A. Ellis, Dan A. Allwood, Eleni Vasilaki, Thomas J. Hayward

这篇论文研究了超顺磁纳米点集合在储层计算中的温度敏感性。由于系统动力学受热激活效应支配，环境温度波动会降低任务性能。通过模拟发现，引入不同尺寸纳米点的异质图案可稳定性能。在NARMA-10基准任务上，优化异质性使储层在5-35°C范围内性能稳定。研究还揭示了性能与温度稳定性之间的可调权衡。

论文储层计算超顺磁纳米点温度敏感性

推荐理由：用不同尺寸纳米点组合，让储层计算在5-35°C下性能稳定，不惧温度变化。想了解新型低功耗计算硬件的人可以看看。

原文

09:30

官方账号arXiv cs.AI@Daehoon Gwak, Minhyung Lee, Junwoo Park, Jaegul Choo

本文对扩散大语言模型（dLLM）的推理加速技术进行了系统综述。研究指出，并行生成并不天然带来实际速度提升，需要专门推理机制如扩散感知缓存与复用。作者提出了一个统一的延迟分解框架，用于解耦算法、架构和系统层面的因素。文章从算法创新、架构与系统优化、推理时缩放三个维度对加速技术进行了分类。最后，给出了可重复基准测试的指南，并指出了实现并行生成潜力所面临的开放挑战。

论文扩散模型大语言模型推理优化

推荐理由：想了解怎么让扩散大模型跑得快？这篇综述把加速方法分了三个维度，还给了评测框架，搞推理优化的值得看。

原文

09:29

官方账号arXiv cs.AI@Evgenii Vityaev

该论文针对Carl Hempel提出的归纳-统计推理中的统计模糊性问题，使用Nancy Cartwright的因果定义（概率提升）引入因果规则概念，定义了一种语义概率推理程序逐步精炼因果规则，得到最大特定因果关系（MSCR）。论文证明（Theorem 1）基于MSCR的预测是一致的，从而解决了统计模糊性问题。该语义概率推理程序可作为一种概率因果学习系统，用于因果AI和因果机器学习领域。

论文 Hempel Causal AI MSCR

推荐理由：这篇论文用因果规则和MSCR证明解决了统计模糊性问题，理论扎实，适合想深入因果AI原理的人看。

原文

09:28

官方账号arXiv cs.AI@Eranga Bandara, Ross Gore, Asanga Gunaratna, Ravi Mukkamala, Nihal Siriwardanagea, Gihan Siriwardanagea, Sachini Rajapakse, Isurunima Kularathna, Pramoda Karunarathna, Chalani Rajapakse, Sachin Shetty, Christopher K. Rhea, Ng Wee Keong, Kasun De Zoysa, Amin Hass, Shaifali Kaushik, Wathsala Herath, Preston Samuel, Anita H. Clayton, Atmaram Yarlagadd

该论文分析了人类与AI助手、编码协作或图像生成等交互中的迭代循环，指出每次请求-反馈-再调整过程会高频触发条件反射，强化不耐烦、完美主义等消极神经通路。作者提出，通过在三层观察（预认知感受、调节间隙、后反应）和两种模式（用户引导与代理辅助）中打断反应链条，可以利用长期抑制替代长时程增强来弱化不良回路。论文以生成式图像提示为例，说明同一挫败会话在观察与否时行为相似但神经效果相反。

论文 AI agent 神经可塑性条件反射

推荐理由：这篇论文把日常AI交互解读成神经训练，教你用观察来打断反应回路，实操感强，图像提示例子很直观。

原文

09:26

官方账号arXiv cs.AI@Hiroto Osaka, Shohei Taniguchi, Gouki Minegishi, Kai Yamashita, Masahiro Suzuki, Yutaka Matsuo

论文提出Visual Access Sweep方法，通过遮蔽生成token到图像token的注意力，定义Visual Access Boundary (VAB)。在Qwen2.5-VL-32B和InternVL3的14B、38B规模上，CoT的VAB层与无CoT全访问目标差异最多两层。CoT提升受限于感知读出：当视觉属性可可靠读出时CoT有效，否则无效。符号属性oracle显示，提供真实属性文本后CoT可改善计数。单目标探针-解码检查表明，困难属性可从隐藏状态线性恢复但模型难以输出。

论文 Qwen2.5-VL InternVL3 CoT

推荐理由：这篇论文用实验告诉你，视觉语言模型做CoT推理时，图像其实只在开头看一次，后面全靠语言处理。想知道为什么CoT有时没用？进来看看

原文

09:25

官方账号arXiv cs.AI@Sarthak Chittawar, Vansh Garg, Aditya Vadali, Krish Pandya, Rohit Jayanti, Sourav Garg, Madhava Krishna

PixelLoop提出在像素空间直接引入闭环，不同于SLAM中的稀疏图像级边或位姿图校正，其像素级闭环作为密集拓扑快捷方式改变规划连通性和成本传播。在模拟实验中，相比图像相对基线，PixelLoop在成功率和SPL上绝对提升超过35%。该方法在真实机器人部署中得到验证，证明密集像素级闭环为拓扑视觉导航提供了鲁棒基础。

论文 PixelLoop 拓扑导航闭环

推荐理由：这篇论文提出PixelLoop，在像素级做闭环导航，比图像级方法成功率高35%以上，还能在真实机器人上跑通，值得看看。

原文

09:24

官方账号arXiv cs.AI@Wei-Hao Liou, Teng-Hu Cheng

该研究为配备云台相机的固定翼无人机提出统一控制框架，实现从目标检测到精确拦截的端到端任务。系统采用三阶段策略：基于YOLO的视觉目标获取、基于NMPC的跟踪以及基于BPNG的终端制导。在跟踪阶段，无迹卡尔曼滤波器（UKF）融合YOLO检测与惯性测量，鲁棒估计未知动态目标状态。为防自遮挡，引入含控制障碍函数（CBF）的约束感知NMPC。高保真仿真验证了框架在无人机动力学与相机视场约束下的稳定跟踪与终端命中。

论文固定翼无人机 YOLO NMPC

推荐理由：这篇论文给固定翼无人机装上云台相机，用YOLO+UKF做跟踪，加CBF防自遮挡，最后用BPNG精准制导。整套方案仿真验证了效果，挺扎实的。

原文

09:23

官方账号arXiv cs.AI@Tapan Parikh

研究让44个语言模型在“选一个词”这类开放任务中作答，结果41%的模型选择了“serendipity”。实验使用31个单轮提示（如“说一种树”），每个提示重复4次，无系统提示，通过精确匹配分析。模型间趋同严重：31个类别中有7个类别超过80%的回答相同。但不同模型遵从度差异超4倍，人格化/社区调优模型最分散，最新旗舰模型最聚合。在Claude、GPT、Qwen、Grok四个家族内，各代模型趋同度递增，但最新旗舰Claude和GPT出现反转。

论文 Claude GPT Qwen

推荐理由：这篇论文发现44个模型在选词时高度趋同，41%都选了同一个词，而且新模型比旧模型更爱跟风。想了解AI的集体“从众心理”可以看看。

原文

09:22

官方账号arXiv cs.AI@Roman Prosvirnin, Victor Minchenkov, Alexey Soldatov, Vladimir Bashun

该论文提出JADR（Jacobian Assessment of Danger Recognition）协议，利用Jacobian空间（J-space）在模型生成第一个token前衡量其危险识别能力。协议将每个层级的top-k J-space tokens映射到6个行为轴，并使用StrongREJECT构建危险样本、XSTest和OKTest构建安全对照。方法不依赖外部裁判模型，完全在模型激活上本地运行。研究者测试了Qwen3-1.7B、Qwen3-4B、Qwen3-8B、Qwen3-Uncensored-4B、Qwen3-SafeRL-4B和Gemma 2 9B共6个模型在BF16、INT8、INT4三种量化精度下的表现，使用SafetyAUC指标及bootstrap置信区间进行统计比较。结果能显著区分模型内部安全机制的强弱并揭示不同量化带来的差异。

论文 Qwen3 Gemma 2 JADR

推荐理由：JADR协议能从模型内部直接测出危险识别能力，不用外部裁判，还能对比Qwen3和Gemma 2在不同量化下的安全表现，挺实用。

原文

09:20

官方账号arXiv cs.AI@Xing Zhang, Guanghui Wang, Yanwei Cui, Ziyuan Li, Wei Qiu, Bing Zhu, Peiyang He

这篇论文指出，自进化智能体系统依赖一个隐藏假设：存在可靠的评估指标，但现实中往往没有。作者提出演化指标方法，通过搜索小缺陷检测器的组合形成可检查的指标，使用十项锚定参考集训练，并采用共识正则化和留出审计。在代码生成（MBPP+）、企业文本到SQL（Spider 2.0-Snow）和无参考报告生成任务中，共进化方法Double Ratchet保留了由真实指标驱动下的88-110%的提升效果。安全方面，移除锚定守卫会导致指标退化，独立裁判能捕获技能游戏行为，且任务感知裁判在77%的判定对中偏好演化输出。

论文 LLM 智能体评估指标

推荐理由：这篇论文解决了自进化AI的一个核心漏洞：没有可靠指标怎么办。他们让指标和技能一起进化，在多个基准上验证了有效性，还能防作弊。值得研究Agent自改进的人读一读。

原文

09:19

官方账号arXiv cs.AI@Kaiwen Zheng, Junchen Fu, Wenhao Deng, Hu Han, Joemon M. Jose, Xuri Ge

论文针对多模态情感识别（MER）中大模型（如7B参数）推理慢、难以部署的问题，提出轻量级框架Light-MER，模型参数小于1B。通过知识蒸馏将大教师模型的知识迁移至学生模型，引入两种优化策略：基于Sliced Wasserstein距离与隐藏状态对齐的最优传输损失，以及基于GRPO的多奖励优化以平衡性能与效率。在9个基准数据集上，Light-MER取得SOTA性能，同时推理速度显著提升。代码已在GitHub开源。

论文 Light-MER 知识蒸馏多模态

推荐理由：他们挑战了多模态情感模型必须大的假设，用知识蒸馏搞出<1B的Light-MER，9个基准超了大模型还更快，做部署的可以看看。

原文

09:18

官方账号arXiv cs.AI@Mehdi Saeedi, Eddie Richter, Paul Hartke

本文研究用44.8M参数的编码器-解码器Transformer进行量子电路合成。在参数化电路（2-6 qubits）上，混合方法（结构来自Transformer，角度来自经典优化）对3-6 qubit电路实现中位数保真度1.000。在Clifford+T电路（3-6 qubits）上，模型虽能学习有效语法和准确T计数，但精确等价率从≤9门的88%跌至超过26门时接近零。推理时生成多候选并通过等价验证选择，将精确匹配率从7%提升至22.5%；训练数据扩展2.5倍则提升至39.5%，但长电路退化仍存在。结论：当需要完全离散正确性时，自回归漂移限制可靠性，推理时搜索和数据扩展有效，而微调和模型多样化无效。

论文 Transformer 量子电路 Clifford+T

推荐理由：这篇论文揭示了量子电路合成里Transformer的一个关键问题：自回归漂移让长电路精确匹配率从88%几乎归零，即使数据翻倍也只能部分缓解，值得搞量子计算和AI交叉的人看。

原文

09:14

官方一手arXiv: DeepSeek@Ziqi Yin, Jianyang Gao, Peiqi Yin, Jiangneng Li, Gao Cong

本文针对长上下文稀疏注意力中的Indexer-TopK操作，指出现有GPU内核如DeepSeek Sparse Attention（DSA）存在全局内存开销大、同步成本高问题。作者利用高维空间中向量距离分布集中的特性，提出LiteTopK内核：通过采样小部分数据估计查询-数据分数范围，在线分桶，维持紧近似阈值并回写有潜力候选。实验在GLM 5.2的预填充阶段实现1.2倍加速，同时降低内存开销，且保持精确Top-k结果。

论文 LiteTopK DeepSeek Sparse Attention GLM 5.2

推荐理由：这论文用维度诅咒的视角，搞了个LiteTopK算子，比DeepSeek的DSA更快更省内存，GLM 5.2预填充直接快1.2倍。

原文

09:10

官方账号arXiv cs.LG@Usman Haider, Karl Mason

该论文提出约束感知聚合方法，用于联邦强化学习中的分布式能源协调。与标准FedAvg不同，惩罚基聚合规则(w_i ∝ R_i - αV_i)在DairyGridEnv基准上实现奖励与安全性的可靠权衡。使用芬兰和德国FIELD数据集评估，惩罚基聚合显著减少约束违规并提高奖励。

论文 FedRL 约束感知聚合微电网

推荐理由：这篇论文提出了一种简单的联邦强化学习聚合方法，在微电网场景下比FedAvg更安全高效，能同时提升奖励和降低违规。

原文

09:08

官方账号arXiv cs.LG@Gunner Levi Howe

该论文通过188次新实验研究了表征先验在Grokking中的作用。错误特征族（幅度带）像随机划分一样阻止泛化（1/15 vs 0/20 grok，p=0.43）。完全无标签的不变性先验（仅交换对）在15/15次运行中泛化，中位加速2.7倍，且比标签监督先验更可靠（p=0.038）。早期窗口（前2000个epoch，占4%预算）即可实现10/10泛化及2.7倍加速，优于连续应用（8/10，1.25倍）和后期窗口（2.1倍）。结合权重范数钳制的先验达到中位17倍加速（5/5），而普通交叉熵仅在精确临界范数下才匹配此速度。

论文 Grokking 表征先验无标签不变性

推荐理由：这篇论文搞清了Grokking延迟的可控关键：用无标签特征族先验就能加速17倍，而且只在训练早期用一小会儿就够，比你想的简单实用。

原文

09:07

官方账号arXiv cs.LG@Julius Steiglechner, Lucas Mahler, Gabriele Lohmann

Elenchos是一个基于lambda演算系统的生成式评估框架，用于测试大语言模型（LLM）的溯因推理能力。评估发现，前沿和中端模型在检测系统是否被修改时表现较好，但识别具体规则修改的能力显著不足。在交互突变场景下，模型性能大幅下降，通常只能恢复部分突变。初步证据显示，增加推理时间预算仅带来微小改进，收益递减。

论文 LLM Elenchos 溯因推理

推荐理由：这篇论文用Elenchos框架测了LLM的溯因推理，发现模型能发现异常但猜不准具体改了啥，挺有意思的。

原文

09:06

官方账号arXiv cs.LG@Sarah Al-Shareeda, Gulcihan Ozdemir, Heung Seok Jeon

该论文提出一个统一的一日前概率预测框架，用于比较模块化事后残差分位数与集成模型内分位数学习两种方案。使用三种深度学习骨干网络（循环、混合循环、Temporal Fusion Transformer）在相同输入下进行评估。结果表明TFT上的集成分位数学习性能最优，MAPE为2.2-3.6%，RMSE为28-83W，且区间宽度比模块化方案窄约5倍。重建敏感性测试显示重建输入使分位数得分增加106%，但区间宽度几乎不变，说明模型未自动吸收重建不确定性。该研究揭示事后残差分位数在依赖重建输入时的局限性，并通过非DL基线和季节性验证支持排名。

论文 TFT 负荷预测概率预测

推荐理由：这篇论文教你怎么选负荷预测模型——TFT内部做分位数学习比事后校正靠谱，区间窄5倍，适合做精确调度。

原文

09:05

官方账号arXiv cs.LG@Jorge Alda, Jacobo Asorey, Alejandro Mir, Siannah Peñaranda

该论文提出使用梯度提升回归树（XGBoost）构建机器学习仿真框架，以高效处理高能物理和宇宙学中高维参数空间的复杂非高斯似然函数。方法在B介子衰变味异常分析中验证，能准确解析具有弯曲退化等复杂相关性的置信区域。框架可推广至轴子粒子或宇宙学全局拟合等场景，并通过SHAP值实现特征重要性透明分析，确保预测与物理一致性。

论文 XGBoost SHAP 高能物理

推荐理由：用XGBoost搞物理参数拟合，还能用SHAP解释结果，做物理AI的值得看。

原文

09:04

官方账号arXiv cs.LG@Alaa Almouradi, Erchan Aptoula

论文提出Label-Decoupled Style Augmentation框架，针对多标签遥感场景分类中的域泛化问题。该方法通过逐标签注意力和特征统计，将风格扰动限定在标签特定区域，并与共享标签的跨域样本混合。在UCM、AID、DFC15构建的多源基准上，最佳变体达到71.5%平均精度。相比经验风险最小化提升5.0个百分点，比最强全局统计基线高1.3个百分点，在最难迁移任务上提升达7.7个百分点。参数量仅增加0.35%，推断过程不变。

论文多标签分类域泛化遥感场景分类

推荐理由：这篇论文给多标签遥感域泛化提了个新思路，用标签解耦增强比全局统计强1.3个点，参数量几乎没加。

原文

09:03

官方账号arXiv cs.LG@Junyu Ren

精选

EG-VAR提出基于Lean 4的形式化验证架构，通过工具调用公理和源声明确保每个输出都结构性地源自可验证的工具调用（定理3.1）和内核检查的有效推理链（定理3.2）。在TableBench数值推理子集（n=120）上，EG-VAR达到120/120，而相同工具基线为95%。在覆盖5个领域×2个模型的反事实压力测试中，EG-VAR保持100%源忠实度，相同工具下降至80-90%，无工具则为50-80%。LLM作为部署时形式化器时，Sonnet上的残余语义形式化错误率为3.3%，Opus为1.7%。

论文 EG-VAR Lean 4 TableBench

推荐理由：这论文搞了个叫EG-VAR的框架，用Lean内核做形式化验证，让LLM的推理结果100%可追溯，在TableBench上满分，比普通工具调用靠谱太多了。

原文

09:01

官方一手arXiv: OpenAI@Minh Hua, Rita Raley

2019年OpenAI发布了200万个GPT-2的不完整输出以辅助检测机器生成文本。作者将后续的对齐技术视为优化文化的新表现，认为它继承了那种相信可测量改进能穷尽价值问题的信念。通过追溯预训练、解码、偏好调优、基准测试和接口中的优化逻辑，论文指出优化过程能衡量生成文本的不可概率性，却无法区分这种反常是错误还是创新。然而在过去五年内，这一缺乏判断能力的优化机制已取代学术和语法机构，掌握了设定合法语言协议的权威。

论文 OpenAI GPT-2 语言模型

事件专题

推荐理由：这篇论文从GPT-2讲到对齐，批评优化文化把语言判断交给了损失函数，值得所有做AI的人反思。

原文

7月14日

12:33

官方账号arXiv cs.AI@Gabrielle Kaili-May Liu, Areeb Gani, Jacqueline Lu, Jordan Thomas, Mark Steyvers, Arman Cohan

这篇论文首次系统梳理了大型语言模型（LLM）的元认知研究现状。作者提出了一个分类框架，涵盖测量和评估元认知能力的方法与基准，如自一致性检测和校准评分。总结了提升LLM元认知的技术，包括提示策略和训练方法。讨论了元认知在提升LLM可靠性、透明度和安全性方面的应用与挑战。

论文 LLM 元认知综述

推荐理由：想了解LLM怎么学会自我反思？这篇综述盘点了最新进展，包括怎么测量和提升元认知，对研究AI透明度很有参考。

原文

12:26

官方账号arXiv cs.AI@Shijie Wang, Honglu Zhou, Ziyang Wang, Ran Xu, Caiming Xiong, Silvio Savarese, Chen Sun, Juan Carlos Niebles

当前视频大语言模型在问答中表现优异但缺乏可验证的视觉依据。研究人员提出E-VQA（Evidence-Backed Video Question Answering）新任务，要求模型同时输出语义答案和精确的时空证据：时间片段与密集跟踪物体分割掩码。为此构建了首个经人工验证的像素级定位基准ST-Evidence，包含判别与生成两种任务。对现有模型的评估显示，问答准确率与真实视觉感知之间存在显著脱节，仅靠扩展规模无法解决。团队开发了自动化生成流程，创建16万规模的ST-Evidence-Instruct数据集，微调后的7B模型在UniPixel基线上获得+27.2 t-mean和+13.8 J&F的提升。

论文 E-VQA ST-Evidence Salesforce AI Research

推荐理由：Salesforce AI Research 发布了 E-VQA 任务和 ST-Evidence 基准，解决了视频问答无法验证视觉证据的问题。如果你想理解视频模型真正“看到”了什么，这篇论文值得一读。

原文

12:25

官方账号arXiv cs.AI@Divya Mereddy, Jeevan Beedareddy

该论文提出一种基于低秩适配（LoRA）的级联多模态融合框架，用于医疗培训环境中的动作识别。框架先整合相关性高的模态（如RGB、骨骼），再逐步加入异质模态（如音频），无需重新训练先前组件。在NurViD和Nurse Training两个数据集上评估，级联融合策略优于单模态模型，与先前报告的数据集特定基线（如基于Transformer的方法）性能相当。代码已在GitHub开源。

论文 LoRA 多模态融合动作识别

推荐理由：想用LoRA做多模态融合？这篇用级联方式逐步整合不同模态，在医疗动作识别上效果不错，还开源了代码，可以看看。

原文

12:23

官方账号arXiv cs.AI@Kaixin Ma, Di Feng, Alexander Metz, Jiarui Lu, Eshan Verma, Afshin Dehghan

MM-ToolSandBox是一个面向视觉驱动工具调用智能体的基准与评估框架，提供包含500多个工具、覆盖16个应用领域的有状态执行环境，支持多图像、多轮任务。框架通过自动场景生成流程产出258个人工验证的标准场景和50个交互式UI变体。评估12个模型（从4B开源到前沿闭源）后发现，最佳模型成功率仍低于50%。失败分析表明53%的失败源于图像信息提取错误，而非规划问题；小模型主要失败在决策，大模型则失败在感知。

论文 MM-ToolSandBox Apple 智能体

推荐理由：苹果推出了MM-ToolSandBox框架，帮你测测视觉智能体到底行不行，结果很扎心：最强模型成功率不到一半，而且问题出在“看图”而不是“想事”。

原文

12:22

官方账号arXiv cs.LG@Shikai Qiu, Marc Finzi, Yujia Zheng, Kun Zhang, Andrew Gordon Wilson

精选

传统参数压缩方法如量化产生码长随模型参数缩放，而prequential coding码长取决于数据熵。本文提出的requential coding使码长独立于参数数和数据熵，通常比prequential短数个数量级。在PAC-Bayes界中，该方法为十亿参数LLM提供了当前最优的泛化保证。实验还发现低熵文本比高熵图像包含更多可学习结构。

论文 Requential Coding 模型压缩 PAC-Bayes

推荐理由：这篇论文提出Requential Coding，码长不跟着模型大小和数据熵跑，比之前的方法短好几个数量级，还给十亿参数大模型给出了最牛的泛化保证。

原文

12:21

官方账号arXiv cs.AI@Antonio San Martin, Catherine Trekker

这篇论文提出了一个基于人本AI（HCAI）的框架，用于AI辅助词典编纂。它识别了四个关键维度：增强的词典编纂者、AI整合的社会技术背景、偏见以及AI词典工具的设计。该框架强调AI应增强而非取代词典编纂者，在高自动化水平下保持有意义的人类控制。论文指出要保护专业自主权、减轻AI生成偏见，并围绕词典编纂者的需求设计工具。

论文 HCAI AI-assisted lexicography 词典编纂

推荐理由：这篇论文给出了AI怎么真正帮词典编纂者干活的具体框架，不是空谈取代，而是四个维度讲清楚怎么合作。

原文

12:20

官方账号arXiv cs.LG@Tiberiu Musat, Tiago Pimentel, Nicholas Zucchet, Thomas Hofmann

这篇论文提出了一个理论框架，解释Transformer语言模型如何涌现归纳推理能力。它统一了包括in-context n-grams和多跳推理在内的多种合成任务。作者证明，注意力模型的训练动力学可以限制在高度可解释的低维不变流形上，该流形用少量坐标而非数百万参数描述学习过程。利用该框架，他们分析了数据统计如何决定in-context学习与in-weights学习的竞争，并展示了流形坐标可自动检测模型学到的电路。这为预测Transformer学习行为提供了理论步骤。

论文 Transformer 归纳推理学习动力学

推荐理由：这篇论文用数学方法搞清楚了Transformer在归纳推理任务中怎么学习不同策略，还解释了in-context和in-weights学习谁赢跟数据统计有关，挺有启发性。

原文

12:19

官方账号arXiv cs.AI@Yu-Han Huang, Chih-Kai Yang, Ke-Han Lu, An-Yu Cheng, Hung-yi Lee

IAAN（Identifying and Amplifying Acoustic Neurons）是一种无需训练和标签的方法，通过对比真实波形与噪声参考的激活值，对音频编码器中的每个前馈神经元进行评分并放大得分最高的少量神经元。在10种非语义语音属性上，IAAN在Audio-Flamingo-3上平均准确率提升25.7个百分点，在Qwen2.5-Omni上提升21.4，在Kimi-Audio上提升9.7。实验表明，仅在编码器内部以神经元级粒度干预才能产生增益，而解码侧或语言模型内部干预效果微弱甚至退化。该方法还能进一步改善已经专门微调用于强调声学证据的模型。

论文 IAAN Audio-Flamingo Qwen2.5-Omni

推荐理由：想提升音频模型对语气、情感等非语义信息的识别？试试IAAN，在不重训模型的情况下，通过对编码器内部特定神经元做微调就能显著提分，多模型实测有效。

原文

12:19

官方账号arXiv cs.LG@Yunhai Feng, Natalie Leung, Jiaxuan Wang, Lujie Yang, Haozhi Qi, Preston Culbertson

REGRIND提出一种极简的重定向引导强化学习管线，仅需单个人类演示即可学习灵巧操作策略。该方法将人手与物体的运动重定向到机器人参考，保留空间和接触关系，并在仿真中训练残差RL策略以跟踪物体中心关键点。通过精细的系统识别，策略零样本迁移到真实硬件，在两个多指手上成功完成剪刀和螺丝刀等接触丰富的工具使用任务。实验系统性地分析了影响仿真到现实迁移的关键因素。

论文 REGRIND 灵巧操作强化学习

推荐理由：复旦等团队用REGRIND，只看一段演示就让机械手学会用剪刀和螺丝刀，零样本上手，动作和人一样自然。

原文

12:17

官方账号arXiv cs.AI@Seung Hyun Hahm, Minh T. Dinh, SouYoung Jin

StoryTeller 是一种无需训练的框架，用于长格式音频描述（AD），可保留角色、事件和故事上下文。它维护经过验证的叙事记忆，跨场景传递故事相关信息，无需字幕、脚本或微调。在标准 AD 基准和多种长视频上，StoryTeller 在自动评估、QA 评估和人工评估中一致提升了叙事连贯性和事实准确性。作者还引入了 StoryAD-QA 基准来测试生成描述的故事理解能力。

论文 StoryTeller 长格式音频描述叙事接地

推荐理由：这个框架不用训练就能让AI给长视频生成连贯的旁白，特别适合帮助视障观众理解剧情。

原文

12:16

官方账号arXiv cs.LG@Esteban U. Vega Barajas

该研究基于一个此前提出的教学评价反馈分类协议，该协议使用2019年的冻结嵌入在西班牙语语料上取得良好效果。研究者在三个表示世代（稀疏词特征、冻结Transformer嵌入、提示大语言模型）上重新测试，并将情感分类任务迁移到英语（使用45,000条评论的平衡语料与方面标注数据集对比）。结果显示，2026年的前沿模型在西班牙语最难任务上取得最高主题F1分数，但情感任务上没有对廉价模型表现出优势；模型选择成为部署决策而非方法属性。

论文文本分类教学反馈跨语言迁移

推荐理由：这篇论文验证了旧的教学反馈分类协议是否还能用，发现即使用最新的LLM也不一定有优势，选什么模型看预算就行。

原文

12:15

官方账号arXiv cs.AI@Umm-e- Habiba, Lucas Mauser, Jonas Fritzsch, Justus Bogner, Stefan Wagner

这篇论文报告了在Daimler Truck公司进行的定性研究，涉及8位从业者。通过think-aloud协议和小组讨论，研究者分析了需求获取、规格和验证阶段。初步发现包括概念模糊、可测试性不足和验证碎片化等挑战。研究指出当前RE实践难以系统化处理可解释性需求，并提出了一个基于实证的可解释RE框架愿景。

论文 Daimler Truck 可解释性需求工程

推荐理由：想知道工业界怎么搞AI可解释性需求？Daimler Truck的8位工程师实战经验，告诉你现有方法哪里不好使。

原文

12:14

官方账号arXiv cs.LG@Zixiang Xu, Sixian Li, Huaxing Liu, Xiang Wang, Shuai Li, Zirui Song, Xiuying Chen

该论文从机制可解释性角度研究LLM作为评判者的评分偏见，覆盖7种评判模型、7种偏见类型和9个基准。研究发现偏见输入在隐藏状态中沿低维子空间位移，且该子空间在深层网络中更为显著。通过沿该子空间进行因果控制，可在清洁输入上复现偏见过打分，在偏见过输入上恢复基线打分。线性投影到偏见方向特征可预测模型在3个未见基准上的失败，效果远超基于文本的替代方法。

论文 LLM-as-Judge 偏见机制可解释性

推荐理由：这篇论文用几何视角解释LLM评判偏见，发现偏见隐藏状态的低维子空间，还能预测模型在未知基准上的失败，挺有意思。

原文

12:13

官方账号arXiv cs.AI@Ziv Ben-Zion, Teddy Lazebnik

一篇发表于arXiv的现场实验研究了AI辅助写作对职场邮件接收者行为的影响。121名员工在3周内发送了16,880封邮件，对比无辅助、GPT-5俏皮改写和GPT-5专业改写三种条件。俏皮改写使情绪正向性提升（B=+0.068, p<0.001），专业改写则降低（B=-0.041, p<0.001）。但两种改写均未直接改变邮件打开率、回复率或响应时间。进一步分析发现，发件人的情绪正向性显著预测打开（OR=2.05）和回复（OR=3.32, p<0.001），表明AI通过改变语言情感间接影响行为。

论文 GPT-5 AI写作职场沟通

推荐理由：这篇论文不是教你怎么用AI写邮件，而是用真实实验数据告诉你：AI改写邮件语气不会直接提高回复率，但会让读邮件的人感觉更积极，从而更愿意打开和回复。

原文

12:12

官方账号arXiv cs.LG@Junrui Zhang, Zemin Chen, Lusi Li, Mohammad Ghasemigol, Daniel Takabi, Rui Ning

精选

量子神经网络（QNN）易受后门攻击，但现有攻击多使用固定触发器，易被视觉检测或频谱签名等防御识别。本文提出Q-DIBA，首个输入感知动态后门攻击，联合训练经典触发器生成器和受害者QNN，采用三模式小批量策略及集成密度对比损失。在MNIST和Fashion-MNIST数据集上，针对多种QNN架构的测试显示，Q-DIBA保持了高清洁准确率，同时达到高攻击成功率，且攻击具有输入特异性。该攻击还能抵御视觉检测、频谱签名检测和微调等现有防御手段。

论文 Q-DIBA 量子神经网络后门攻击

推荐理由：这篇论文提出了一个针对量子神经网络的新后门攻击Q-DIBA，能根据输入动态生成触发器，效果比固定触发器好，还扛得住几种常见防御。

原文

12:10

官方账号arXiv cs.LG@Romain Amigon

该论文提出了一种结合自回归Transformer控制器（强化学习训练）和人工蜂群算法（ABC）的混合NAS框架，可在消费级GPU（NVIDIA RTX 3060）上运行。在CIFAR-10数据集中，该方法用3小时搜索到参数量约17.4万的架构，达到84.85%准确率，规模和搜索成本均低于ResNet-20。在信用卡欺诈检测任务上，优化F1-Score达到0.71，模型仅需约4600参数。该框架解决了元启发式方法的冷启动问题，并通过深度惩罚抑制模型臃肿。

论文 NAS Transformer 神经架构搜索

事件专题

推荐理由：这篇论文告诉你，不用几千GPU天也能搜出好架构，普通3060显卡3小时就能找到比ResNet-20更小的CIFAR-10模型，还能直接优化欺诈检测的F1分数。

原文

12:07

官方账号arXiv cs.LG@Bijan Mazaheri, Jiaqi Zhang, Caroline Uhler

该论文针对因果发现中传统忠实性假设（faithfulness）导致错误移除真实因果依赖的问题，提出干预-即时忠实性（intervention-immediacy faithfulness）这一更温和的假设。该假设允许因果路径相互抵消，仅利用硬干预（hard interventions）即可非参数地识别因果结构。实验表明，相比依赖条件独立性检验的两阶段方法，干预信息能更可靠地判断因果链接的存在与否。论文还给出了当干预范围不足时识别条件的等价类。

论文因果发现干预忠实性假设

推荐理由：这篇论文换了个思路：别死磕条件独立性检验，用干预信息直接做因果发现，还放宽了忠实性假设，挺颠覆的。

原文

12:04

官方账号arXiv cs.AI@Ahmed Omar Salim Adnan, Yogananda Manjunath, Shivanjali Khare

该系统将单消息钓鱼检测扩展到对话级诈骗，并发布ConScamBench-278基准（含8类诈骗）。在单消息检测器上实现100%钓鱼召回，在LoveFraud02语料库中识别全部83个对话诈骗，在ConScamBench-278上达97.8%准确率（95% CI [95.4, 99.0]）。两项用户研究（N=100和N=45）表明用户对基于AI的诈骗检测的信任和自信显著提升（p<0.001，Wilcoxon符号秩检验）。系统可用性评分74.7（95% CI [72.5, 76.9]），高于可用性基准。

论文 ConScamBench-278 LoveFraud02 智能体

推荐理由：这篇论文发了一个能识别跨周对话诈骗的系统，在公开数据集上准确率接近98%，还有用户研究证明它真的管用。

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」）。