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
8月11日
10:48
10:48官方一手arXiv: DeepSeek@David M. Markowitz, Timothy R. Levine
该研究构建了7个基于主流欺骗理论的RAG模型，在5个公开数据集、700条陈述上测试，涉及gpt-4o、claude-sonnet-4-6、ollama/llama3、deepseek-v4-flash四个大模型，共生成39,200次欺骗判断。RAG模型准确率54.5%，基线模型54.6%，两者无显著差异，均与人类水平相当。RAG模型（57.0%）比基线模型（59.7%）更少出现真实性偏差，但效应量很小。不同理论对准确率影响不大，但对响应偏差影响显著，从可验证性方法的32.2%到真相默认理论的88.1%。
论文RAG欺骗检测gpt-4o
事件专题
推荐理由：想看看AI能不能识破谎言？这篇论文用4个模型做了近4万次测试，结论是准确率跟人差不多，但不同理论引导下AI的倾向差异很大。
原文
10:47
10:47官方一手arXiv: DeepSeek@Zongfei Li
精选
一项新研究质疑稀疏MoE路由器中专家选择与输出加权是否应使用相同分数。在预训练的OLMoE-1B-7B上，仅改变集合内聚合方式，结构化oracle将全周期交叉熵提升0.0160±0.0039。研究者训练了301K参数的FDAA后处理头，在冻结主干、路由器和专家的情况下，将WikiText-103测试集Delta CE提升至-0.1523±0.0031。在DeepSeek-V2-Lite上复现固定调度审计，路由器Top1识别最佳选中专家的比例仅为12.5%和16.7%。结果表明专家选择与专家承诺应跨架构区分。
论文MoEOLMoEDeepSeek-V2-Lite
推荐理由：这篇论文用OLMoE和DeepSeek-V2-Lite实测证明，MoE路由的选专家和加权输出不该共用一套分数，FDAA方法能白捡性能提升，做MoE优化的值得看。
原文
10:46
10:46官方一手arXiv: DeepSeek@Abdalla Doleh, Toni Somers, Ratna Babu Chinnam
该研究开发了一个自动化流程，用大语言模型生成结构化决策场景，并通过基于任务复杂度理论的复合框架验证其复杂度。研究评估了4,238个场景，五个独立模型家族的一致性近乎完美，组内相关系数达0.997，kappa值为0.971。已知组效度显示各复杂度层级间分离明显，eta-squared为0.587，所有配对比较p值小于0.001。因子分析显示一个主导的复杂度构念，载荷在0.87到0.96之间，交互性构成较弱的次要维度。Llama 4 Maverick生成速度最快，每分钟134个场景，而DeepSeek Chat V3.2在领域覆盖和模式合规性上更均衡。
论文LLM决策场景复杂度验证
推荐理由：这篇论文讲怎么用LLM自动造认知决策场景，还验证了复杂度靠谱，做AI评估或心理学实验的可以看看。
原文
10:45
10:44
10:44官方一手arXiv: DeepSeek@Jiayi Li, Di Wu, Qingxu Li, Hongxiao Zhao, Jiaqi Yang, Anjunyi Fan, Wenbin Zhang, Boqiang Wu, Shuting Liu, Shifeng Fang, Jianbo Dong, Dimin Niu, Bonan Yan
精选
C2C-Explorer是一个自适应贝叶斯设计空间探索框架，用于优化大语言模型云计算系统中的芯片间互连架构。该框架集成了LLM工作负载驱动的流量生成器、可扩展互连模拟器（支持交换机/全网格，最多512芯片）和指标引导评估器。模拟器经FPGA原型验证，端到端时序误差为2.46-8.23%，混合周期事件模型比纯周期精确基线加速7.8倍。在32-XPU DeepSeek-R1-671B推理工作负载上，C2C-Explorer将goodput提升44.1%，内存减少98.4%。该框架已开源。
论文C2C-Explorer芯片间互连LLM云计算
推荐理由：做LLM集群硬件设计的朋友可以看看，这个框架能自动探索芯片间互连方案，在DeepSeek-R1上吞吐提升44%，内存省98%，还开源了。
原文
10:43
10:43官方一手arXiv: DeepSeek@Issac Zhu, Hscos Zhang, Keith Jiang, Jack Li, Hugh Yin, Jason Zhao
精选
FlashBoot是SGLang上的权重加载子系统，针对MoE模型弹性部署中的延迟问题。它通过FabricArena连续内存布局和FlashLoad零拷贝批量传输，将单节点权重加载从20.1秒降至0.4秒，加速50倍。FlashClone利用远程映射替代NCCL初始化，将跨节点复制时间从10-110秒降至约10毫秒。在NVL72上测试DeepSeek-V4-Pro和DeepSeek-V4-Flash，并发机架级加载从87秒降至0.32秒，加速超270倍。
论文FlashBootSGLangDeepSeek-V4
事件专题
推荐理由：SGLang团队搞的FlashBoot，把大模型权重加载从20秒压到0.4秒，跨节点复制只要10毫秒。跑DeepSeek-V4系列，NVL72上实测数据，做弹性部署的值得看。
原文
10:42
10:42官方一手arXiv: DeepSeek@Tailin Zhou
Hierarchical Self-Improvement (HSI) 框架提出让单个冻结的LLM在三个层级上运作：任务harness执行任务、evolver重写harness、meta-evolver重写evolver策略。在BALROG基准上以DeepSeek-V4-Flash-Preview为骨干，HSI在中等难度任务上比初始harness提升显著：BabyAI +39.3、Crafter +33.0、TextWorld +25.0、MiniHack +15.0（均为原始% Progress）。在BabaIsAI子套件上表现出强泛化，BreakStop最佳测试0.98、GoTo达1.00（来自20%未见分割）。当任务超出骨干能力（如NLE）时，harness进化无改善，揭示了反馈保真度和骨干能力两个边界。
论文HSIDeepSeek-V4-Flash-PreviewBALROG
推荐理由：想用冻结模型提升agent性能？HSI让模型自己改写执行脚手架，在BabyAI等任务上涨了39个点，代码已开源，值得一看。
原文
10:41
10:41官方一手arXiv: DeepSeek@Bo Cheng, Qiaolin Lu, Yi Chang, Yuan Wu
该研究用Top-K稀疏自编码器分析DeepSeek-R1-Distill-Qwen-7B在数学题上的中间表征，对比思维链（Thinking）与直接作答（NoThinking）两种模式。结果显示，Thinking模式依赖稀疏高强度特征驱动语言演绎，与题目难度无关；NoThinking模式则呈自适应扩散模式，侧重符号操作。通过抑制激活量最大的三个稀疏特征，发现推理与句法结构紧密耦合，干预会破坏LaTeX和框式答案格式。研究还发现，思维链的连贯性依赖特化特征间的脆弱协调，扰动后出现补偿性过度生成和低信息重复。
论文DeepSeek-R1稀疏自编码器思维链
推荐理由：想搞懂大模型“思考”和“直接答”到底差在哪？这篇用稀疏自编码器拆解了DeepSeek-R1的推理机制，结论挺反直觉。
原文
10:40
10:40官方一手arXiv: DeepSeek@Fengrong Wan, Chengcan Wu, Ningtao Lyu
SodaMem是一种为长期对话LLM智能体设计的记忆框架，通过提取带来源证据的FactEvents，并记录提及时间、发生时间和有效性，构建时间图。在LongMemEval-S基准上，SodaMem达到92.8%的准确率（464/500），每次查询平均成本约0.00161美元，使用deepseek-v4-flash模型。相比扁平RAG日记和Markdown日志，SodaMem更擅长处理时效性、来源和有序时间推理。其代码已在GitHub开源。
论文SodaMemLongMemEval-S时间图记忆
推荐理由：做长期记忆的智能体开发者可以看看，SodaMem用图结构加证据链，在LongMemEval-S上准确率92.8%，成本还低，比普通RAG日记靠谱。
原文
10:39
10:39官方一手arXiv: OpenAI@Prishita Ray
该论文提出一种基于单向梯度优化的重参数化课程生成框架，用于在连续环境参数（如转弯率、障碍物、摩擦、坑洞、坡度）中自动设计训练课程，提升自主智能体的导航策略泛化能力。方法在包含图像和标量的多模态观测空间中引入分布偏移正则化目标，以学习更细粒度的潜在表征。在OpenAI Gym的Car Racing和Bipedal Walker两个连续控制环境中，该方法在五个随机种子上优于普通策略训练、随机参数采样、手动课程、前沿方法、SPRL、ALP-GMM和反向课程学习等基线。消融实验验证了重参数化课程机制的有效性，并揭示了辅助正则化目标在不同环境中的依赖效果。
论文课程生成导航策略OpenAI Gym
事件专题
推荐理由：想让导航策略适应各种环境参数？这篇论文的自动课程生成方法在Car Racing和Bipedal Walker上打败了SPRL等基线，值得一看。
原文
10:38
10:38官方账号arXiv cs.AI@Mengnan Zhao, Geyong Min, Lihe Zhang, Tianhang Zheng, Jie Cui
CGRm 是一种用于长尾对抗训练的插件式框架，利用有向鲁棒误差作为训练信号。它通过周期性鲁棒评估推导源类损失权重、类级鲁棒系数和有向混淆几何图。该方法将反馈加权鲁棒优化与图引导的边界校正相结合，提升脆弱类别的鲁棒性。在长尾基准上的实验显示，CGRm 相比现有方法取得一致的鲁棒性能提升，消融实验验证了各组件贡献。
论文CGRm长尾分布对抗训练
推荐理由：CGRm 解决了长尾对抗训练中类别不平衡和对抗放大双重问题，用混淆几何图精准定位关键边界，实验效果不错，值得做对抗训练的人看看。
原文
10:37
10:36
10:36官方账号arXiv cs.AI@Shulin Tian, Ziqi Huang, Fan Zhang, Hongyuan Zhu, Yu Qiao, Ziwei Liu
Open Evaluation Agent 提出一种模仿人类快速评估策略的智能体框架，将自然语言评估请求分解为子方面，动态生成提示并采样图像或视频，调用评估工具迭代更新计划。实验显示，该框架将评估时间降至传统方法的 10%，同时结果相当。作者还构建了 EA-CoT-10K 语料库，训练出基于 Qwen2.5-3B-Instruct 的 EA-3B 本地规划模型，减少对专有后端的依赖。在 T2I/T2V 基准和开放查询上验证了 API 版智能体，并在四个域内和三个域外 T2V 生成器上测试了 Open-EA。
论文Open Evaluation Agent视觉生成模型评估
推荐理由：评估视觉生成模型不用再烧算力了，这个框架能把时间砍到十分之一，还支持自然语言定制评估，值得搞生成模型的人看看。
原文
10:27
10:26
10:25
10:24
10:24官方账号arXiv cs.AI@Zian Li, Litong Gong, Borui Liao, Pengfei Liu, Xinyu Wang, Xinyuan Wei, Yifan Gao, Tiezheng Ge, Muhan Zhang
扩散模型视频生成采样成本高，DUET提出将轨迹级蒸馏sCM与分布级蒸馏DMD按噪声层次分工：sCM负责高噪声步保留结构多样性，DMD负责低噪声步细化外观。基于Wan2.1-T2V-1.3B，DUET让两步生成质量接近DMD，同时多样性约为DMD两倍。DUET+通过RL引导专家适配进一步提升整体质量并维持多样性优势。
论文DUETsCMDMD
推荐理由：想看两步视频生成怎么同时保质量和多样性？DUET让sCM和DMD各管一段，在Wan2.1上做到质量接近DMD、多样性翻倍，路子很巧。
原文
8月10日
11:32
11:31
11:31官方一手arXiv: OpenAI@Viktor Fredslund-Hansen, Shay Mozes, Oren Weimann
论文针对无向无权平面图，研究顶点到指定面上所有顶点的距离向量模式。作者将Li和Parter在STOC'19给出的O(k^3)上界改进到O(k^2)，匹配已知下界，并解决了ISAAC'22中的猜想。新界直接改进了Okamura-Seymour度量的压缩、常数时间精确距离预言机的空间，以及分布式直径算法。另外还给出集中式O~(n^{8/5})时间直径算法，优于SODA'18的O~(n^{5/3})。简单证明由OpenAI的GPT 5.6-Sol模型发现。
论文GPT-5.6-Sol平面图距离模式
事件专题
推荐理由：这篇把平面图距离模式上界从O(k^3)压到O(k^2)，还顺手改进了直径算法，连GPT-5.6-Sol都参与证明了。
原文
11:30
11:27
11:27官方一手arXiv: OpenAI@Ivan Majic, Zexian Huang, Franziska Hübl, Krzysztof Janowicz, Meilin Shi, Mina Karimi, Zilong Liu, Alexandra Fortacz-Lazan
论文提出一种模态转移任务，要求LMM先用文本描述规则网格中的彩色方块图像，再用新的LMM实例根据文本描述重新生成原空间场景。实验采用OpenAI的近期LMM，结果显示其在重新生成简单彩色方块网格图像时仍存在困难。研究表明，LMM的强健地理空间理解需要严格的多模态对齐，当前模型在图像和文本模态间转移空间信息的能力仍是瓶颈。
论文LMMOpenAI多模态
事件专题
推荐理由：这篇论文拿彩色方块网格考OpenAI的多模态模型，让它们看图写话再画图，结果画不对，做自动GIS得先解决这问题。
原文
11:25
11:25官方一手arXiv: DeepSeek@Devin Pereira, Willem Zuidema
精选
论文研究Transformer在河内塔规划任务中的表现，发现小型自训练模型能涌现出线性可解码的几何世界模型（谢尔宾斯基三角），该模型与解题存在因果关联。对Qwen3.6-27B和DeepSeek-R1-Distill-Qwen-32B两个前沿推理模型的分析显示，它们能在提示末尾近乎完美地编码该世界模型，但圆环数超过3个时仍会在多数任务上失败。探针实验表明失败源于规划过程中世界模型表征的衰减，而非缺失。在推理时注入提示阶段的表征可部分恢复性能。
论文Qwen3.6-27BDeepSeek-R1-Distill-Qwen-32B世界模型
推荐理由：这篇论文说推理模型其实能建出世界模型，但解题中途就弄丢了。它用小模型和可解释性方法把问题定位得很清楚，还给出了补救办法。
原文
11:24
11:24官方一手arXiv: DeepSeek@Zhongchao Zhou, Yixuan Xie, Wenwei Yu, Yuxi Lu, Yaonan Zhu, Qian Niu, Yutaka Matsuo, Yusuke Iwasawa
精选
论文提出CoDyControlBench基准，包含132个系统配置，覆盖自由度、系统类型、耦合度等五个维度。评估了GPT、Gemini、Claude、GLM、DeepSeek、Qwen六款模型，GPT设计成功率最高达94.8%，Qwen最低为50.0%。分析显示自由度与控制器类型对成功率影响最大，差距主要来自增益选择与瞬态限制机制。通过推理蒸馏得到1.5B参数模型，在基准上胜过答案蒸馏模型，并在气动人工肌肉机械臂的三次物理试验中全部成功跟踪目标。
论文CoDyControlBenchGPTQwen
推荐理由：论文搞了个新基准CoDyControlBench，测了6款模型，GPT成功率最高94.8%，还蒸馏出1.5B小模型能上机械臂干活。
原文
11:23
11:23官方一手arXiv: DeepSeek@Jiahao Zhang, Yifan Zhang, Yu Huang
PMCoder是一种用于软件问题修复的LLM智能体，核心是将层次化阶段规划器与情景记忆双向耦合。在SWE-bench Verified基准上，它比匹配基线的设置平均多解决25个案例（+5.0个百分点）。在Verified-500上，Claude Haiku 4.5、DeepSeek-V4-Flash和OpenHands移植版均至少多解决14个案例（+2.8个百分点）。消融实验显示，规划与记忆联合使用优于单独使用任一组件，并显著减少重复失败动作和上下文耗尽。
论文PMCoderSWE-bench VerifiedClaude Haiku 4.5
事件专题
推荐理由：PMCoder把规划和记忆绑在一起，SWE-bench Verified上多解25个issue，换Claude或DeepSeek也有效，思路挺巧。
原文
11:22
11:22官方一手arXiv: DeepSeek@Senhao Wang, Chenghao Cai, Haitao Hu, Mingxing Huang, Xingguang Wang, Wenhao Li, Zecheng Lin
精选
现有强化学习RL训练对话智能体时通常针对固定对手，导致策略利用对手特定规律，作者将其称为静态对手不匹配问题。为此提出的IB-RL让对话双方通过联合轨迹共同进化，但各自用独立优势、动作掩码和更新路径优化自身奖励。在Vehicle TeleSales任务上，IB-RL取得89.6%的Success@1，超过最优单边基线84.6%。在Deal-or-NoDeal任务中，IB-RL对DeepSeek V4 Pro达到98.4%的一致率，而最优单边基线仅86.4%。
论文IB-RLDeepSeek V4 Pro强化学习
事件专题
推荐理由：IB-RL让对话双方独立对练，不靠固定对手。车销任务89.6% vs 基线84.6%，还胜过DeepSeek V4 Pro。
原文
11:21
11:21官方账号arXiv cs.AI@Ananya Sahu, Mohit Bansal, Elias Stengel-Eskin
CreativeInstruct是一种可扩展的指令微调方法，通过让模型学习注入[StartCreativity]标记来平衡创造性与后训练质量。该方法引入基于图编辑距离的结构多样性指标，捕捉叙事层面的变化。在叙事生成任务中，CreativeInstruct匹配或超过了多模型基线及蒸馏变体的多样性，且无需牺牲质量。人工评估中，70.3%的评分者认为CreativeInstruct的生成比后训练模型更有创造力。将GRPO应用于CreativeInstruct检查点，在AMC上提升约4%，在MATH上提升约5个百分点。
论文CreativeInstructGRPO指令微调
推荐理由：CreativeInstruct用特殊标记让模型在保持质量的同时更会编故事，人类测评七成认为更有创造力，还能给强化学习带来几个点的提升。
原文
11:19
11:19官方账号arXiv cs.AI@Bella Xinrui Li, Frank Yingjie Huo, Neil F Johnson
arXiv论文2608.07457用两个AI做了交互实验。两个AI共享相同的解码温度，但subordinate却进入独自运行时不存在的异类状态。当boss倾听回复时，两个AI会进入相似的异类动态，论文用一个动力学理论解释了该现象。
论文智能体多智能体AI交互
推荐理由：这篇arXiv论文发现，两个AI互相聊天时会出现单个AI没有的怪行为，比如一个AI一直发指令不理对方，另一个就会陷入陌生状态。用物理的视角看AI，挺有意思。
原文
11:18
11:18官方账号arXiv cs.AI@Daniel Armstrong, Xuan-Vu Nguyen, Octavian Susanu, Gabriel Gibberd, Théo A. Neukomm, Taddäus Strunden, Dan Forster, Morgane Delattre, Shawn Teh, Clément Rols, John Federice, Hayden Leatherwood, M. Lavelle Barnes, Maarten R. Dobbelaere, Peter Wipf, Jon T. Njardarson, Jieping Zhu, Philippe Schwaller
SynthEx是一个基于大语言模型的智能体框架，用于规划复杂天然产物的全合成路线。它能够提出多种竞争策略，并自行评判和改进路线设计，其路线比传统目录式工具更具收敛性。在盲评中，专家化学家认为SynthEx的关键步骤与已发表的人工合成相当，这是算法路线预测首次获得这样的回应。该团队发布了SynthAtlas，一个开放交互数据库，包含超过一千条天然产物的合成路线，其中许多缺乏现有文献路线。
论文SynthExSynthAtlas自然产物
推荐理由：SynthEx用LLM规划天然产物合成路线，盲评中专家觉得它设计的关键步骤不输人类，还开源了上千条路线数据库。
原文
11:17
11:17官方账号arXiv cs.AI@Mingxuan Zheng, Yujin Zhou, Chuxue Cao, Boqin Yin, Yuyao Zhang, Jiapeng Sun, Shuaishuai Gong, Sirui Han, Yike Guo
SkillProx 提出一种受近端梯度启发的正向-反向框架，用闭环诊断与效用感知的近端细化来更新智能体的技能库。前向阶段在同一任务批次上执行诊断驱动的编辑并回滚回归，反向阶段把技能拆成知识单元，用留一效用审计估算贡献。在分布内和分布外基准上、多种骨干 LLM 下，SkillProx 比最强的基于梯度的基线平均准确率提高 3.0 个百分点。消融实验显示闭环诊断与近端细化具有互补效果。
论文SkillProx智能体技能学习
推荐理由：SkillProx 用近端梯度下降让智能体技能自进化，平均准确率比最强基线高 3 个百分点，值得搞 Agent 技能的看看。
原文
11:16
11:16官方账号arXiv cs.AI@Afreen Alam, Evgenija Popchanovska, Ana Gjorgjevikj, Maryan Rizinski, Lubomir T. Chitkushev, Irena Vodenska, Dimitar Trajanov
论文提出用LLM辅助的RAG管道分析21个开源AI安全工具，将其能力映射到MIT AI风险分类的32个子类。三名评审的评估显示中等一致性（Fleiss' Kappa = 0.509）。结果显示工具集中在技术和运营控制，而治理、法律和金融控制几乎空白。多数投票后映射协议F1分数达75.5%。
论文开源工具AI安全RAG
推荐理由：把21个开源AI安全工具对照MIT风险分类，发现都堆在技术防护，法律金融没人管。做治理的值得翻翻。
原文
11:15
11:15官方账号arXiv cs.AI@MY Pitsane, Hope Mogale
Blast Radius提出预测性内存管理层，估算输入提示在上下文和代码通道中的影响范围。通过NECROPHORESIS将死上下文逐字存档实现可逆驱逐，RDM识别并掩埋重复出现的转录。在七个OpenAI模型上，token消耗减少17-26%，溢出率低于所有对比策略，且保持字节级可逆。在450份被掩埋内容中，378份为重复死内容，零份被召回。该方法在HCRC之下运行，决定哪些记录被掩埋及提示可触及的代码范围。
论文Blast RadiusOpenAI智能体
事件专题
推荐理由：代理编码老烧token，Blast Radius在七个OpenAI模型上省17-26%，还能完整恢复，溢出率最低，很实用。
原文
11:14
11:14官方账号arXiv cs.AI@Mohammad Amanlou, Parham Abed Azad, Farbod Davoodi, Mostafa Masumi, Behnam Bahrak, Abdol-Hossein Vahabie
PsychoAgent是一个面向LLM智能体的认知架构，将事实记忆与情感记忆分离，并通过冲突感知执行控制器整合。在三个受控冲突场景中，完整架构检索冲突关键记忆的得分达0.933，优于语义情感基线的0.500和单记忆RAG的0.667，仅付出少量语义相似度代价。5名盲评者评估了27个输出，经评分者内标准化后，完整架构的平均分最高（+0.22 SD），但校正后的两两差异未达显著。三天的示例轨迹展示了持续情感、离线记忆重组和选择性记忆加权。研究支持情感敏感检索作为模拟人类冲突效应的可检查机制。
论文PsychoAgentLLM智能体情感记忆
推荐理由：这篇论文给LLM智能体加了情感记忆模块，在冲突场景下找关键记忆比普通RAG强不少，做Agent记忆方向的朋友可以看看。
原文
11:13
11:11
11:11官方账号arXiv cs.AI@Zixuan Lan, Luzhe Sun, Matthew R. Walter, Jiawei Zhou
SABRE是一个可扩展的自动化流水线，能把Markdown任务设计转化为结构化规格、图像和问答对，用于构建视觉语言模型压力测试。该流程通过自动化过滤和人工审查保证题目质量。作者用SABRE-Prior实例测试模型是否依赖世界先验而非视觉证据，包含600张图像和1000个问题。六个VLM在宏观平均准确率上仅达17.8%至31.3%，平均22.6%。SABRE-Counting和SABRE-Spatial的试点证明该工作流可扩展至其他压力测试场景。
论文SABREVLM压力测试
推荐理由：这论文给了一个能自动造VLM压力测试的框架，比现有基准更能暴露模型短板，做评测的可以看看。
原文
11:10
11:10官方账号arXiv cs.AI@Yan Zhou, Yue Ouyang, Kaiyang Zheng, Suncheng Xiang
论文提出 TEPA，一种可撤销证据记忆机制，将有效性设为记忆的显式状态。在受控隐藏机制漂移的 50 次实验中，完整逆转时 append-only 和 last-write-wins 得分均为 0.210，无记忆为 0.309，而 TEPA 达到 0.950。真实文件执行场景再现同一模式：append-only 为 0.203，无记忆为 0.298，TEPA 为 0.950。在干净 MemoryAgentBench SH-6k 上，TEPA 匹配强 last-write-wins 缓存。多跳和长上下文边界测试暴露出检索链与上下文选择瓶颈，证明生命周期撤销是智能体记忆的核心操作。
论文TEPAMemoryAgentBench智能体
推荐理由：TEPA 这篇论文把记忆过期当成核心问题，用可撤销机制让智能体不被陈旧信息带偏。逆转测试里从 0.21 提到 0.95，效果很明显。
原文
11:08
11:08官方账号arXiv cs.AI@Bhavika Jalli, Nikhil Korati Prasanna, Jayanta Choudhury
论文提出用视觉语言模型处理数值时间序列，将KPI窗口编码为2D图，在Llama-3.2-90B、Qwen2.5-VL-72B和Pixtral-12B上实现3.6-10.4倍输入token缩减。实测推理能耗降低1.8-2.5倍，在电信边缘部署中每天节省约7.2MJ。微调的Llama-3.2-90B-Vision异常检测精度比文本版高220.7%，比LSTM和ARIMA高144%。Pixtral-12B在公共基准上J/F1提升20.6倍，平均F1为0.82。
论文Llama-3.2-90BQwen2.5-VL-72BPixtral-12B
推荐理由：这篇论文告诉你，把数据画成图再给模型看，能省电还更准。电信场景实测能耗降2.5倍，精度翻倍，值得做时序分析的人看看。
原文
11:07
11:07官方账号arXiv cs.AI@Yan Zhou, Yue Ouyang, Kaiyang Zheng, Suncheng Xiang
CoBa是一种计算平衡路由策略，将测试时推理视为算力分配问题，决定下一步算力用于生成、验证还是停止。在涵盖MATH-500、AIME 2024/2025、AMC 2023及程序符号推理的3,129项评估中，CoBa-Routed-Strong达到85.13%的宏平均准确率，仅比自评估加权投票代理低0.07个百分点，却节省49.1%的参数加权token。与最佳16选多数投票相比，准确率差距在0.01个百分点以内，同时减少58.9%的参数加权token。配对bootstrap检验表明其显著优于单样本解码，但距池化oracle仍有提升空间。
论文CoBa测试时扩展MATH-500
推荐理由：算力有限时该先验证还是再生成？CoBa用路由策略帮你分配，省近一半token，准确率不掉。
原文
11:06
11:06官方账号arXiv cs.AI@Valentin Liévin, Samuel Schmidgall, Tim Strother, Alex Bijamov, Akshay Goel, Anil Palepu, Chunjong Park, Vahid Balazadeh, Min Woo Sun, Marius Guerard, Justin Chen, Dave Steiner, Vikram Dhillon, Ibrahim Azar, Akhil Mehta, Nicholas Spetsieris, Shilpan Shah, Maen Abdelrahim, Amit Dahiya, Yun Liu, Katherine Chou, Yossi Matias, Avinatan Hassidim, Dale R. Webster, Quoc V. Le, Raia Hadsell, Joelle Barral, Carey Radebaugh, Aleksandra Faust, Shekoofeh Azizi, Mike Schaekermann, Po-Hsuan Cameron Chen, Tao Tu, David Racz, Lin Yang
ResidencyRL通过强化学习在模拟临床环境中训练医疗AI，每个轨迹最多包含60轮对话和8次工具调用。在对抗条件下，该智能体的诊断准确率达到88.0%，比基础模型提升7.0%。漏诊红旗率降低31%，表明能有效减少过早闭合。盲审临床专家在87.6%的对比中更偏好训练后的智能体。在AMIE多访基准的六个临床轴上均超过基础模型。
论文ResidencyRL强化学习医疗AI
推荐理由：医疗AI训练新方法ResidencyRL，模拟临床对话，诊断准确率涨7%，漏诊率降31%，专家更看好。
原文
11:05
11:05官方账号arXiv cs.AI@Shibo Gao, Chongxiao Wang, Chenglong Huang, Jie Ma, Haolin Shi, Fei Ding, Jing Li, Qiang Lyu, Yangyang Liu, Yang Liu, Jun Liu, Linlin Huang, Peipei Yang
该论文提出ICQ任务，要求模型同时关联输入视频和人物参考图像，完成身份定位、行为理解与时间推理。配套的ISYV-Bench包含1,377个真实复杂视频和1,377个问答对，分为6个难度等级。训练集ISYV-75K提供75K个高质量样本，经自动标注和人工审核构建。实验显示主流闭源和开源多模态模型在ISYV-Bench上表现吃力，尤其在跨域身份匹配和长时跟踪方面；ISYV-Model超过强基线，部分指标接近闭源模型。
论文ISYVICQ视频推理
推荐理由：这篇论文搞了个新任务ICQ，让AI对着人像照片在视频里找人、看行为，还放出1377个视频测试集和75K训练集，开源模型里ISYV-Model效果最好。
原文
11:04
11:04官方账号arXiv cs.LG@Youjun Zhao, Alex Warren, Gary K. L. Tam, Rynson W. H. Lau
MirrorWorld 提出一种反射感知的视频修复框架，用于解决视频扩散模型生成镜像反射时内容不一致的问题。其引入语义关系蒸馏（SRD），借助冻结的视觉基础模型将可见场景与镜像区域的语义关联传递给生成过程。同时设计几何变换对齐（GTA）模块，学习反射内容在镜面内的空间排列变换。在由四个现有视频镜像数据集统一构建的基准上，MirrorWorld 的反射重建质量优于基于图像的反射生成方法和强视频修复基线。
论文MirrorWorld视频扩散模型镜像反射
推荐理由：MirrorWorld 把镜像反射生成做成视频修复任务，用 SRD 和 GTA 分别管反射内容和位置，效果比图像方法和视频修复基线都好。
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」）。