全部 AI 动态 · AI 热点

7月14日

12:03

官方账号arXiv cs.LG@Raktim Bhattacharya

研究团队为Mamba等选择性状态空间模型开发了一种精确测量状态使用的工具，该工具基于对角状态矩阵将输出分解为每个模态贡献，并通过Gram张量计算任意子集剪枝的精确误差。在Mamba-1家族（130M至2.8B参数）上验证，与参考实现相对误差仅2.3×10⁻⁷；该工具预测一层剪枝误差的中位相对偏差为5×10⁻⁷（基于4,464个配置）。分析Mamba-1、已部署的7B Falcon-Mamba及Mamba-2发现，模型会随输入重新分配状态空间，哪些模态承载信号会随上下文迁移；基于输入调度的模态剪枝在各级别（130M至7B）均优于静态、Hankel及自适应排名，在半预算下匹配未剪枝模型性能。

论文 Mamba 选择性状态空间模型模型剪枝

推荐理由：这篇论文给出了一个能精确测量Mamba状态使用情况的工具，还发现模型会根据输入动态调整哪些状态起作用——基于这个发现做剪枝，效果比之前的方法好很多，7B模型上预算减半性能不变。

原文

12:02

官方账号arXiv cs.AI@Aastha Sharma, Guangjing Wang

VoxENES 2026是一个双语（英语和西班牙语）基准，包含53,628个音频样本，使用10种现代语音合成方法生成，在10种标准化后处理条件下评估。8个预训练检测器未经微调测试，最佳模型总体EER为28.98%，大多数接近或低于随机水平。结果凸显当前检测器依赖脆弱伪影，难以泛化到LLM驱动的TTS和语音转换。

论文 VoxENES 2026 语音欺骗检测 TTS

推荐理由：新基准VoxENES 2026用5万多样本和10种现代语音合成方法，测了8个检测器，最佳EER才28.98%，说明现有检测器对LLM语音基本失效，做语音安全的朋友可以看看。

原文

12:00

官方账号arXiv cs.LG@Michael Rizvi-Martel, Satwik Bhattamishra, Guillaume Rabusseau, Michael Hahn

这篇论文聚焦Transformer的理论理解，指出已有研究大多分析其表达性，但很少涉及可学习性。受损失景观分析启发，作者初步提出了学习C-RASP构造的样本复杂度边界。该工作为理解Transformer在有限样本下的学习能力提供了理论基础。

论文 Transformer C-RASP 样本复杂度

推荐理由：这篇论文讲了Transformer的理论短板——表达性研究够了，但学不学得会还不知道。他们用C-RASP给出了样本复杂度的初步界限，对想深挖模型理论的人很有用。

原文

11:59

官方账号arXiv cs.AI@Xutao Mao, Xiang Zheng, Cong Wang

73°

论文提出AHA框架，通过自动化研究环境对Claude Code和Codex等生产智能体进行红队测试。AHA构建漏洞假设、生成攻击、在沙箱中执行并反思，将结果汇入Vulnerability Concept Graph（VCG）。实验覆盖直接与间接攻击场景，VCG无需额外搜索即可在单次攻击协议下超越最强基线14.2个百分点。VCG可跨模型和攻击渠道迁移，为安全团队提供可审计的漏洞知识库。

论文 Claude Code Codex AHA

推荐理由：想了解如何自动化挖Claude Code和Codex的漏洞？这篇论文提出了AHA方法，比现有方法强14%，还能跨场景复用。搞智能体安全的值得看。

原文

11:58

官方账号arXiv cs.LG@Haozhe Huang, Yudong Xu, Abhijoy Mandal, Alán Aspuru-Guzik

离散扩散模型通过组合多个预训练专家实现复杂推理生成，但现有方法基于全样本加权，忽略了专家在空间或功能上的特化。本文提出FactorDiff，将生成样本分解为更小的因子，并在采样过程中动态路由每个因子到最相关专家。FactorDiff在ARC-AGI基准上验证了空间/像素级组合，其简单因子级路由在需要逻辑一致性和空间解耦的任务上持续优于复杂的全局标量加权方案。

论文 FactorDiff ARC-AGI 离散扩散模型

推荐理由：这篇论文把专家组合从全局加权改成了因子级路由，在ARC-AGI上效果更好，适合研究离散扩散或组合生成的人看。

原文

11:57

官方账号arXiv cs.AI@Huan Zhu

沙漏推理(Hourglass)是一种新的少样本归纳推理框架，通过强制推理阶段间的上下文隔离来提升大语言模型的归纳能力。在ARC-AGI-2视觉抽象基准上，使用GPT-5.5时，沙漏推理将5次尝试的最佳准确率比迭代改进基线提高了14个百分点。在ChipBench硬件综合任务中，使用GPT-5.5将Verilog综合准确率从31%提升至58%，几乎翻倍。在国际语言学奥林匹克的BBEH-Linguini谜题上，沙漏推理逆转了显式言语化对性能的损害趋势。消融实验证实，改进来源于阶段隔离和初始归纳质量，而非提示措辞或符号形式。

论文 Hourglass GPT-5.5 Gemini 3.1 Pro

推荐理由：这篇论文提出沙漏推理，让GPT-5.5和Gemini 3.1 Pro在ARC-AGI、ChipBench等基准上大幅提升，不是靠新模型，而是靠精巧的推理结构设计，值得搞推理的人看看。

原文

11:55

官方账号arXiv cs.AI@Yuanzhi Liang, Xufeng Zhan, Haibin Huang, Chi Zhang, Xuelong Li

这篇论文回顾了世界动作模型（WAMs）的演变，指出当前研究存在三个耦合差距：模型角色和表示、目标和标准化、系统组合。基于此，提出以embodied brain为核心的协同进化路线图，这是一个长期模型目标，能整合多模态上下文、比较候选干预、发出状态转换或能力请求。论文还介绍了物理束缚（physical harness）、共享合同和闭环后训练等组件，构建了一个模块化的物理智能堆栈。

论文 World Action Models Embodied Brains 世界模型

推荐理由：这篇论文梳理了从世界动作模型到具身大脑的路线图，对搞具身智能的研究者很有参考价值。

原文

11:54

官方账号arXiv cs.LG@Yibo Hu, Ren Wang

73°

本文揭示多智能体系统中的分布式后门攻击，恶意负载被分割到多个智能体，使局部监控每个步骤都通过，但组合后形成攻击。作者形式化定义了“可观测边界”：若片段在监控视角下看似良性，则任何检测器都无法捕获。实验表明，局部监控在0.874 mean AUROC下无法检测到攻击，只有监控看到组合对象时才恢复信号。解码视图门控可阻断所有测试攻击，但需知道编码族。

论文多智能体系统 LLM 后门攻击

推荐理由：这篇论文用具体实验证明，多智能体系统里单独检查每个智能体的信息根本不够，分布式后门能让所有局部检查都正常，但组合起来就成攻击了。

原文

11:53

官方账号arXiv cs.LG@Shambhavi Balamuthu Sampath, Behzad Shomali, Nael Fasfous, Moritz Thoma, Judeson Anthony Fernando, Lukas Frickenstein, Pierpaolo Mori, Manoj Rohit Vemparala, Alexander Frickenstein, Walter Stechele

HiFi-LLP是一种基于图注意力网络的延迟预测器，引入置信度指标来判断预测可靠性。在LatBench数据集的六个设备上，HiFi-LLP的Spearman秩相关系数最高达0.996。相比先前平台特定预测器，它在10%准确率边界上提升最多9个百分点。混合NAS框架将低置信度预测路由至硬件在环测量，实现8.6倍加速同时保持竞争性的Pareto前沿。

论文 HiFi-LLP LatBench NAS

推荐理由：想用更少的样本准确预测模型在手机上的延迟？HiFi-LLP带置信度打分，NAS提速8.6倍。

原文

11:51

官方账号arXiv cs.LG@Ziheng Zhang, Wei Zhang

精选

该论文针对预制装配式建筑模块工厂中的柔性作业车间调度问题，提出一种时间延迟感知的深度强化学习求解器。混凝土养护、闭水试验和油漆干燥等工序造成的长时间滞后使最优参考工期平均增加约67%。方法在原始双注意力DRL基础上引入三项扩展：延迟感知动态与可接受奖励边界、两个预测延迟特征通道、以及活跃性屏蔽的操作与工位类型嵌入。在基准实例上，学习到的调度策略比所有调度规则和遗传算法元启发式更强，与约束规划参考的差距约4%，且优势在产能紧张时扩大。无需求解器可在数秒内重新规划，并开源了基于国家指南的基准生成器。

论文 PPVC DRL 柔性作业调度

推荐理由：这篇论文给出了一个能自动处理混凝土养护延迟的调度方法，比遗传算法和调度规则都强，接近最优解的4%，还开源了测试基准，搞工厂排程的值得看看。

原文

11:50

官方账号arXiv cs.LG@Alper Kamil Bozkurt, Shangtong Zhang, Yuichi Motai

该论文聚焦离线到在线强化学习（O2O-RL）中有限交互预算下的策略选择问题。提出一种主动策略选择方法，通过上置信界（UCB）平衡策略评估与微调的交互分配。UCB基于局部线性性能预测，在在线评估中拟合观测数据。实验表明该方法在多个基准任务上优于现有O2O-RL基线。这是首个系统研究该问题的学术工作。

论文离线强化学习在线强化学习主动策略选择

推荐理由：这篇论文解决了离线到在线RL中一个关键难题：在有限交互次数下，如何主动挑选微调策略而不是盲目均分预算。实验结果挺实在，值得做RL方向的朋友看看。

原文

11:46

官方一手arXiv: OpenAI@Sheng Li, Jing Li, Felix Schijve, Jun Hu, Emilia Barakova

本文综述了自动语音识别（ASR）在机器人系统中的集成方法，涵盖在线API和本地模型两种方案。重点分析了从传统方法到OpenAI Whisper等深度学习模型的演变，并列举了LibriSpeech、Common Voice等大规模数据集以及Kaldi、ESPnet等开源工具包。系统梳理了基于ROS、云服务和混合架构的部署策略，以及Pepper、NAO等真实机器人平台的应用案例。最后探讨了在动态嘈杂环境中实现多模态交互的挑战，为社交机器人研究者提供了语言交互领域的导航。

论文 Whisper ROS 语音识别

事件专题

推荐理由：这篇综述把机器人语音识别的在线API和本地模型方案都讲透了，尤其适合想用Whisper做离线识别的开发者，ROS集成部分很有实操参考。

原文

11:45

官方账号arXiv cs.LG@Jakob Solberg Berntzen, Safia Fatima, Leon Moonen

该论文提出一种两阶段视觉恢复方法，针对仅依赖单摄像头和无GPU的低成本无人车（UGV）在室内导引线丢失时的恢复问题。第一阶段通过原地旋转并逐步放松颜色检测阈值重新找线；第二阶段使用单目视觉里程计将机器人回溯到保存的轨迹点。系统包含深度门控HSV线跟踪器、YOLOv8n障碍物检测器和视觉里程计面包屑映射器，在CPU上以20Hz运行。在Webots模拟的三个赛道共119次故障注入测试中，成功率为86.6%，中位恢复时间3.26秒。

论文视觉里程计 YOLOv8n UGV

推荐理由：这篇论文教你怎么用单摄像头和CPU让无人车自己找回丢失的导引线，测试了119次，86%成功，三秒多就恢复。适合做低成本导航的开发者参考。

原文

11:22

官方一手arXiv: DeepSeek@Sridhar Mahadevan

精选

这篇论文提出LASKO框架，将Markdown技能建模为李代数胚的基础类别，编辑策略作为截面，锚映射到可见效果，核表示潜在结构。LASKO通过微秒级的Lie-bracket筛选测试替代昂贵的LLM验证，实现数量级加速。在因果提取任务上，LASKO比暴力搜索（使用DeepSeek V3.1 4-bit 671B参数模型）快约15倍。

论文 LASKO DeepSeek V3.1 智能体

推荐理由：想省时间调智能体技能？这篇论文用李代数胚帮你快速找到最优编辑，比暴力搜快15倍。

原文

11:21

官方一手arXiv: DeepSeek@El Hassane Ettifouri, Ayoub Belfatmi, Mahaman Sanoussi Yahaya Alassan, Walid Dahhane

论文指出低比特量化使得小推理模型如DeepSeek-R1-Distill-Qwen-1.5B成本降低但可能削弱推理链，传统使用token对数概率增量作为解码监控指标是无效的，因其在模型自身采样下是均值为零的鞅，无法反映轨迹健康度。作者提出一种训练无关的解码控制器，结合退化感知报警分数和校准的e-process时序检测器。在GSM8K上测试FP16和INT4版本，原始监控触发93-95%生成，校准后变成选择性检测失败轨迹（φ≈0.3，精度约0.6，基准0.38）。INT4准确率从63%提升至69%（配对McNemar p=0.18，n=100），代价为28% token预算。

论文 DeepSeek-R1-Distill-Qwen-1.5B GSM8K 量化推理模型

推荐理由：这篇论文告诉你为什么监控量化的DeepSeek小模型不能用token概率，还给出了一个更靠谱的校准方法，真正提升了准确率。

原文

11:17

官方一手arXiv: DeepSeek@Tahmid Al Hannan, Diego Garcia, Alex Njoroge, Suha Al Juboori, Tarek Sakakini

该论文提出FATE（FLC AI Tutor Evaluator），一个8B参数的语言模型，专门用于评估AI导师的教学质量。FATE基于BEA 2025共享任务的四个核心评估轨道（Mistake Identification、Mistake Location、Guidance、Actionability）进行对齐。通过从前沿LLM进行知识蒸馏生成额外监督数据，FATE在评估性能上最高提升22.63个百分点。论文还使用FATE对ChatGPT、Claude、Gemini、DeepSeek等主流商业模型的教学响应进行基准测试：Gemini 2.5 Flash表现最好（82.88%），其次是ChatGPT 5.5 Instant（80.75%）、DeepSeek V4 Flash（80.13%）和Claude Sonnet 4.6（74.00%）。

论文 FATE 知识蒸馏 BEA 2025

推荐理由：论文搞了个8B的小模型FATE，专门给AI老师打分，比蒸馏前涨了22个点。还顺便测了Gemini、ChatGPT等，Gemini 2.5 Flash得分最高，挺有意思。

原文

11:14

官方一手arXiv: DeepSeek@Ilia Karpov

MafiaScope是一个开源测试平台，将社交推理游戏“黑手党”转化为测量机器理论心智的工具。在32场DeepSeek案例研究中，它收集了13815个结构化探针回答，发现智能体的置信度校准误差为0.17，且高估自己被怀疑的概率达1.5倍。该平台支持交互式可视化、反事实重放，并已发布200+跨模型游戏语料库。

论文 MafiaScope DeepSeek 社交推理

推荐理由：想研究LLM在社交推理中的真实信念？MafiaScope用探针实验和反事实回放，让你看到智能体表面的伪装。DeepSeek案例数据很硬核。

原文

11:14

官方一手arXiv: DeepSeek@Jinglan Gong, Jiefan Lu, Hewei Guo, Kehan Li, Zhiyuan Han, Jihang Jiang, Wenwen Tong, Lewei Lu

EYT-Bench是一个评估LLM多轮对话能力的基准，采用三部分解耦设计：基于人工语料库（Nemotron-Personas-USA和PersonaMem-v2）的特定角色用户模拟器、分离意图感知与回复生成的目标模型、以及独立第三方LLM评判器。在17个目标模型×200段对话的评估中，闭源与开源模型在主观维度（共情/人格化等）差异不超过0.3，但客观意图追踪差距可达9倍。开启推理模式后，Gemma-4的长上下文潜在意图准确率提升0.47-0.50。交叉评判消融实验通过DeepSeek-v4-pro验证了目标排名和最终意图满意度的一致性。

论文 EYT-Bench 多轮对话基准测试

事件专题

推荐理由：这篇论文提出了EYT-Bench，能更真实地测出LLM在多轮对话中的意图追踪能力。用16/17模型发现推理模式大幅提升长上下文准确率，值得关注。

原文

11:04

官方一手arXiv: DeepSeek@Qiqi Duan, Changlun Li, Chen Wang, Fan Zhang, Mengxiang Wang, Dayi Miao, Peixian Ma, Jiangpeng Yan, Liyuan Chen, Shuoling Liu, Preslav Nakov, Yuyu Luo, Nan Tang

现有LLM交易系统评估忽视智能体经济可行性。论文提出TradeLens工具，从交易记录、运行时轨迹和部署配置重建交易轨迹，归因利润与成本。在DeepSeek-V3.2、GLM-4.7等骨干模型及多种资本规模、交易频率上测试，发现智能能否盈利取决于“智能到利润”转换效率：DeepSeek-V3.2资产选择差，GLM-4.7时机判断为负。资本规模和频率仅放大或削弱决策时机价值，并不改变根本模式。

论文 TradeLens DeepSeek-V3.2 GLM-4.7

推荐理由：想知道LLM交易模型到底能不能赚钱？这篇论文给了诊断工具TradeLens，实测DeepSeek-V3.2选股不行，GLM-4.7择时也翻车，不吹准确率而看利润转化。

原文

11:03

官方一手arXiv: DeepSeek@Tiancheng Ma, Nasir U. Eisty

该研究基于Defects4J中10个真实bug（Lang 1、3-11），提出需求驱动流水线，比较5个LLM（DeepSeek-V3、Gemma-3n、Llama-3、Mistral-7B、Qwen-3）生成Java测试预言的正确性与泛化能力。实验表明LLM生成的预言与需求预言（REQ）的一致性高于与系统（SUT）的一致性，宏平均准确率、精确率、召回率和F1均报告，但不同bug和模型间方差显著。需求技术性/模糊性评分与预言准确率之间的相关性弱且置信区间宽，未发现可检测的线性关系。研究结论为初步可行性证明，旨在推动更大规模实证。

论文 Defects4J LLM 测试预言

推荐理由：这篇论文用10个真实bug和5个流行LLM测试了它们能否直接从业务需求写测试断言，发现效果还行但差异大。如果你想了解LLM在自动化测试中的实际能力，这篇值得看看。

原文

11:02

官方一手arXiv: DeepSeek@Cedric Waterschoot, Nava Tintarev, Francesco Barile

该论文研究如何让LLM根据群体内偏好分布（如少数派或联盟）动态选择最佳聚合策略。研究人员从DeepSeek-V3.1蒸馏出推理数据，并基于人类真实评估微调出Judgmental Llama和Judgmental OLMo模型。提出的管道先生成多个推荐候选，再通过模型预测人类评价来动态选择最优方案。在284人参与的用户研究中，该方法在满意度和群体共识上取得最高分，且LLM判断与人类感知高度对齐。

论文 DeepSeek-V3.1 Judgmental Llama Judgmental OLMo

推荐理由：如果你想用LLM做群体推荐，这篇论文给出了一个基于微调和动态策略选择的新方案，284人的实验验证比传统方法更让人满意。

原文

11:00

官方账号arXiv cs.LG@Pierre-Louis Barbarant, Florent Meyniel, Bertrand Thirion

arXiv 论文提出 SpectralOT，一种针对 fMRI 数据的功能对齐方法。它通过将皮层几何嵌入 Laplace-Beltrami 特征模态来正则化对齐过程，平衡功能特征保留与解剖结构保持。该方法在计算效率上优于传统算法，在跨被试解码任务中验证了性能提升。SpectralOT 解决了个体间脑响应变异导致的解码器泛化问题。

论文 SpectralOT fMRI 功能对齐

推荐理由：这篇论文讲了一个新的fMRI对齐方法SpectralOT，在保留解剖结构的同时提高了跨被试解码的准确性，做神经科学研究的可以看看。

原文

10:56

官方账号arXiv cs.LG@Byung Gyu Chae

该研究在Pythia语言模型中提取Transformer层雅可比矩阵的松弛谱，直接测量了弛豫态密度（TDOS）、记忆自能、遗忘间隙、记忆核和红外临界指数。测量发现慢弛豫模式呈现红外累积，产生近似平坦的TDOS（ρ(λ)~λ^{-0.1}）和标度无关的记忆核（K(t)~t^{-1}）。记忆自能在早期优化中出现瞬态最大值，随后松弛到近临界亚稳态，此时遗忘间隙最小、集体磁化率最大。这些定量实验证据表明Transformer动力学受红外集体组织支配，且该行为在不同训练阶段、网络深度和模型规模下均可复现。

论文 Pythia Transformer 认知场理论

推荐理由：这篇论文用Pythia模型实测了Transformer内部动力学的红外组织现象，发现记忆核呈标度无关性，挺硬核的理论研究。

原文

10:55

官方账号arXiv cs.LG@Johannes Kruse, Kasper Lindskow, Michael Riis Andersen, Ryotaro Shimizu, Julian McAuley, Pierre-Alexandre Mattei, Jes Frellsen

NAILS是一种简单可扩展的方法，通过内部标签转移将推荐系统输出与物品属性的目标分布对齐。它不需要重训练现有模型，只修改用户条件物品分布来诱导指定的边际分布。实验在多个推荐基准上显示，NAILS能持续改善属性级对齐度，且对用户参与度影响极小。该方法适用于公平性、多样性等规范性目标。

论文 NAILS 推荐系统规范对齐

推荐理由：NAILS不用重训练就能让推荐结果更符合公平、多样性的规范，而且几乎不牺牲用户参与度，很实用。

原文

10:54

官方账号arXiv cs.LG@Jan Eckwert, Julija Zavadlav

TWIN（Transferable Water Implicit Network）是一种基于等变图神经网络参数化的隐式水机器学习势，完全使用从头算和实验标签训练，无需经验力场数据。在药物分子、肽和蛋白质上展现了可转移性，在从头算和实验晶学及NMR基准上优于以往的机器学习隐式溶剂或粗粒化模型。TWIN在匹配DFT显式溶剂MLP精度的同时，时间步评估快了两个数量级，为生物分子系统的高效从头算水平模拟铺平了道路。

论文 TWIN 隐式溶剂分子模拟

推荐理由：TWIN这个新模型可让药物和蛋白质模拟达到从头算精度，而且比DFT快100倍，值得做分子模拟的人看看。

原文

10:52

官方账号arXiv cs.LG@Cédric Gerbelot, Jean-Christophe Mourrat

本文研究无限宽两层神经网络联合优化学习错误指定的单指标模型，通过摄动参数调节第一层和第二层的相对训练速度。作者证明常数和线性分量在预测的时间尺度内以精确显式阈值恢复。进一步分析二次分量的学习起始，并表明早期学习的分量持续影响后续动态。证明基于奇异摄动流的定量近似，现象上权重测度在达到二次分量时出现奇异行为。

论文两层神经网络奇异摄动分层学习

推荐理由：这篇论文严格验证了Berthier等人的分层学习时间尺度猜想，对理解深度网络训练动态很有帮助。

原文

10:49

官方账号arXiv cs.AI@Eli Bar-Yosef, Amir Averbuch, Eli Turkel

该研究提出Singularity Space框架，将信号表示为复数平面上的奇点配置（pole-residue）。框架具备三项关键性质：可解释性（奇点对应物理参数）、结构稳定性（抑制Gibbs伪影）、无分辨率重建（任意网格无需重训）。在1D Burgers激波测试中，32个预测奇点替代1024点网格（8倍压缩），零样本子分辨率推广下重建误差比网格基线降低4.2倍，物理参数恢复精度达10^-4绝对误差。

论文 Singularity Space 扩散模型信号表示

推荐理由：想用更少的点表示信号？这篇用复数奇点，32个点顶1024个网格，重建更准还能恢复物理参数，值得看看。

原文

10:02

官方账号arXiv cs.AI@Parastou Fahim, Constantino Lagoa, Rômulo Meira-G'oes

现有LTL学习方案通常假设演示正确，但实际中传感器故障或数据丢失会导致轨迹不确定。本文提出用汉明距离建模不确定性，为每条观测轨迹生成多个可能估计，并通过约束确保每组至少一条与学习公式一致。问题归约为伪布尔优化，在评估中恢复的规范比现有LTL学习方法更接近真实公式。

论文 LTL 时序规范不确定性

推荐理由：这篇论文解决了现实场景中演示数据不确定的问题，用汉明距离和伪布尔优化改进LTL学习，结果更靠谱，适合做形式化验证的朋友看看。

原文

10:01

官方账号arXiv cs.AI@Filip Klubicka, Vasudevan Nedumpozhimana, Sneha Rautmare, Bora Caglayan, Mingxue Wang, John D. Kelleher

该论文系统性分析了NL2SQL翻译流水线的多个扩展组件，包括NatSQL中间表示、预处理步骤、基于合成数据的微调以及新型重排序器。基于SmBoP和RASAT两个主干架构进行消融实验与Shapley分析。结果表明简单组合所有组件并不最优，组件效果依赖于与基线系统的交互。研究为轻量化模型开发提供了指导。

论文 NL2SQL NatSQL SmBoP

推荐理由：这篇论文把NL2SQL的优化组件拆开对比，告诉你NatSQL、微调、重排序器怎么搭配才最有效，不是堆砌就行。

原文

10:00

官方账号arXiv cs.AI@Giansalvo Cirrincione, Filippo Grassia

论文提出一种拓扑感知代理框架，利用增量变换器(INCRT)进行物理约束的逆向设计，应用于地质聚合物混合料设计。方法集成内在维度分析、混合变量设计空间表示、表格代理预测、INCRT流形合理化及约束逆优化。在飞灰和矿渣基地质聚合物混凝土混合物公开基准上，高维设计空间围绕少数有效混合体系组织。抗压强度需非线性表格代理，碳排放主要由组成决定且正则化线性模型即可恢复。三种策略比较显示：无约束优化可匹配目标强度但可能产生物理无效候选；仅物理约束不保证数据支撑；拓扑感知策略平衡目标符合度、碳减排、物理合理性和流形接近性。

论文 INCRT 地质聚合物逆向设计

推荐理由：想用小样本数据做材料逆向设计？这篇用INCRT处理复杂物理约束，给出一套比单纯优化更靠谱的候选筛选方法。

原文

09:59

官方账号arXiv cs.AI@Qijia Shen, Zhiqi Huang, Vamsidhar Kamanuru, Aznaur Aliev, Jay Rainton, Ahmed Awelkair, Zhichen Zeng, Jiajun Li, Shi Dong, Yueming Yuan, Boyuan Ma, Qizheng Zhang, Jiwei Fu, Yuzhen Mao, Wendong Fan, Ping Nie, Philip Torr, Bernard Ghanem, Changran Hu, Jonathan Lingjie Li, Urmish Thakker, Guohao Li

SETA是一个可扩展框架，用于生成可验证的终端环境以支持强化学习。其构建的SETA-Env数据集包含超过4500个环境，是当前最大的开源可验证终端RL数据集。使用Qwen3-8B在SETA-Env上训练，在Terminal-Bench 2.0上达到12% pass rate，为8B规模RL训练模型的最佳结果。在DeepSeek-V4-Flash上，同一终端代理基准的pass@1从40%提升至43%，pass@5从54%提升至58%。SETA-Env为终端代理研究提供了高质量的训练环境。

论文 SETA Qwen3-8B DeepSeek-V4-Flash

推荐理由：终端代理训练数据难找，SETA开源了4500+环境的RL数据集，Qwen3-8B训后Terminal-Bench拿到12%，顺带还让DeepSeek-V4涨了分，搞终端AI的别错过。

原文

09:58

官方账号arXiv cs.AI@Christoph Benzmüller, Daniel Kirchner

论文在Isabelle/HOL中扩展了之前从命题到一阶模态逻辑（FML）的深-浅嵌入方法，提供了三种嵌入：深嵌入、weighty maximal-shallow嵌入和lightweight minimal-shallow嵌入。minimal-shallow嵌入以Isabelle/HOL locale形式呈现，参数化于可达关系、世界索引解释、世界全域和变量赋值，并证明了全局忠实性定理。核心贡献是机械化了FML在恒定域Kripke语义下的可数向下Löwenheim-Skolem定理，解决了个体域不可数时变量赋值（可数域V=nat）的满射性问题。论文还为一阶量词开发了替换机制，包括自由/约束变量谓词、新鲜变量函数、避免捕获的替换、字母重命名、可替换性谓词、替换引理和基于大小的归纳原则。

论文 Isabelle/HOL 一阶模态逻辑深嵌入

推荐理由：这篇论文用Isabelle/HOL把一阶模态逻辑的深和浅嵌入都严格形式化了，还自动化证明了忠实性，做形式化逻辑或模态逻辑验证的值得看。

原文

09:57

官方账号arXiv cs.AI@Yuma Ichikawa, Yamato Arai, Kosaku Kimura, Akira Sakai, Hiromichi Kobashi

LOGOS是一个可插拔层，用于强化现有多智能体框架，而不是替换它们。它编译异构多模态输入（文档、图像、音频、表格、数据库、API、人类指令）为版本化的agent packs，包含智能体、工具、知识、测试、权限和策略。操作中，LOGOS将智能体活动转化为可审计的事件轨迹，并在框架和后端之间应用失败关闭验证。每个学习到的提示、记忆、技能、工具、角色或工作流被视为未信任发布候选，直到通过保留执行证据、人类控制的策略和明确授权才允许升级。该架构实现了可验证的人-智能体循环工程，支持智能体提议改进而人类控制目标、权限和不可逆操作。

论文 LOGOS 智能体治理人机协作

推荐理由：这篇论文提出了LOGOS，一个让AI团队自我进化同时受人类控制的框架。它不替换现有系统，而是增加了治理层，确保问责。

原文

09:56

官方账号arXiv cs.AI@Asher Sprigler, Yang-Yang Feng, Iftach Amir, Jonathan E. Bogard, Todd S Braver, Yi Ding, David Kinney, Yixue Zhao

论文提出一个模块化、可扩展的评估框架，旨在系统评估和增强大语言模型在心理健康领域的对齐表现。该框架集成了正念、同情、非二元推理等沉思原则，可无缝接入新模型、评估指标和基准。实验重现了现有SOTA结果，并通过灵活组合模型、指标和基准实现公平交叉评估。框架设计领域无关，可扩展至决策、道德推理与人-AI协作等场景。

论文 LLM 心理健康对齐

推荐理由：一篇论文搞了个模块化框架，用沉思原则来评估和提升LLM在心理健康领域的对齐，还能套用到其他领域。

原文

09:55

官方账号arXiv cs.AI@Yunbo Lyu, David Williams, Jieke Shi, Zhensu Sun, Chao Peng, Zhou Yang, Federica Sarro, David Lo

本研究通过对12家组织的20名从业者半结构化访谈和80名从业者在线调查，首次系统揭示SE Agent的构建实践。随着实现成本降低，瓶颈从编码转向需求、协调、审查与部署等非编码工作。论文总结了一个七阶段工作流，并发现评估驱动开发成为新范式——评估迭代指导规格，规格成为人机共享的版本化工件。研究识别了六大挑战，包括不可靠的评估信号、理解债务以及模型更新引发的行为变化。

论文 SE Agent 评估驱动开发开发流程

推荐理由：这篇论文采访了20位一线从业者，总结出SE Agent开发的真实流程和六类坑，做智能体项目前建议先看看。

原文

09:52

官方账号arXiv cs.AI@Zhenyu Zhao, Nanshan Jia, Jihyeon Je, Yifu Tang, Alvin Chan, Michael Spedden, Michael V. Palleschi, Sui Huang, Jingshen Wang, Zeyu Zheng

3D-DefectBench是一个用于系统分析基于视觉语言模型（VLM）的3D缺陷检测管道的基准和框架。它涵盖9种细粒度二分类缺陷（几何、纹理、提示遵循），通过平衡因子设计，在84种推理设计和约320万评分缺陷决策上变化4个管道因子（VLM、相机协议、视觉输入、提示方案）。模型选择是与人标注一致性最大的决定因素，但其他因子也影响性能并与模型选择交互。紧凑的六视图RGB协议与更密集的多视图设置性能相当。最佳VLM法官仍落后于经过训练的人类标注者。

论文 3D-DefectBench VLM 视觉语言模型

推荐理由：想搞3D生成质量自动评估？这篇论文告诉你：光选模型不够，整个评估管道都得调。六视图RGB就够用，省成本。

原文

09:51