全部 AI 动态 · AI 热点

8月7日

12:37

官方账号arXiv cs.LG@Xian Sun, Wei Chow, Yingshuo Wang, Junhao Liu, Wei Gao, Qing Wu, Lingdong Kong

论文提出MIST基准，将每道推理题置于干净、误导、正确上下文、无关上下文四种条件下。配套SC2W指标衡量误导信号使原本正确答案变错的频率。作者发现该脆弱性在多种开源模型上普遍存在。提出的SCOPE方法通过匹配偏好对优化DPO目标，在保持干净上下文准确率的同时显著降低SC2W。

论文 MIST SC2W SCOPE

推荐理由：这篇论文把“信不信上下文”当成独立问题来训练，用MIST测出模型容易被一条错误信息带偏，SCOPE能减少这种翻车还不影响正常表现。

原文

12:36

官方账号arXiv cs.LG@Soorya Ram Shimgekar, Michelle Hu, Dorisa Shehi, Daniel Kang, Roy Ka-Wei Lee, Koustuv Saha, Christian Poellabauer, Christopher Lee, Sajeev Singh, Piyum Zonooz, Navin Kumar, Zeeshan Ahmed, Priyadarshini Kachroo

电子病历特征工程占数据科学家39%-45%工作量，心衰领域尤其棘手。研究者提出Nimblemind多智能体系统（nMAS），在500份模拟患者记录、9张EHR源表上生成132个结构化特征和70个评分聚合特征。加入聚合特征后，HFrEF分型的held-out AUROC从0.895升至0.963，HFpEF从0.870升至0.910。独立LLM对证据支撑与方法学评分为最高分的81.5%。

论文 nMAS 心力衰竭电子病历

推荐理由：心衰数据特征工程又慢又容易出错，nMAS自动管线把HFrEF的AUROC拉到0.963，还能审计特征来源。

原文

12:34

官方账号arXiv cs.LG@Boning Li, Yu Chen, Longbo Huang

AV-AIVAT将方差缩减工具AIVAT与连续监测的置信序列结合，实现随时有效的提前停止。在15个LLM智能体配置、共71,439手HUNL牌局中，AIVAT使方差中位降低54倍。标称95%置信水平、目标精度±1大盲下，原始结果需要中位74倍于AIVAT修正结果的手数才能停止。精确有限样本认证采用Empirical-Bernstein置信序列，需独立推导修正收益的上界；HUNL描述性运行显示中位停止时间比为1.37倍。

论文 AV-AIVAT AIVAT 智能体评估

推荐理由：比智能体强弱怕烧钱？AV-AIVAT在证据够了就立刻停，牌局评估能便宜74倍，还保留可审计证据。

原文

12:32

官方账号arXiv cs.LG@Fanzhe Meng, Guoxin Chen, Jiale Zhao, Shuang Sun, Zhiyu Lin, Wayne Xin Zhao, Ruihua Song, Ji-Rong Wen, Kai Jia

CalibForge 是一种自动终端任务合成系统，利用验证过的求解器行为，通过对抗性求解器校准来修订候选任务。多求解器校准针对异构求解器池的分歧，对比求解器校准则针对强通过/弱失败关系。该系统构建了5,431个校准终端任务。在Terminal-Bench 2.0上，基于完整集合训练的模型达到32.58%和47.57%的成绩。相比基础模型，最大提升分别达24.71个百分点（Terminal-Bench 2.0）、27.68个百分点（SWE-bench Pro）和30.04个百分点（Doc2Repo）。

论文 CalibForge Terminal-Bench SWE-bench

推荐理由：想给智能体造训练任务？CalibForge 让多个求解器互相挑毛病来调任务难度，比人工标靠谱，Terminal-Bench 上能涨二十多个点。

原文

12:30

官方账号arXiv cs.LG@Chenglong Wang, Ziming Zhu, Yifu Huo, Bei Li, Qiaozhi He, Yan Ding, Xiaoyang Hao, Yuxin Gao, Tianhua Zhou, Xiaojia Chang, Tongran Liu, Jingbo Zhu

生成式奖励模型在响应排序上表现出色，但其比较性输出与强化学习要求的标量奖励不匹配。为此论文提出 RRC（Ranking-based Reward Construction），通过相对偏好排序构造奖励信号。RRC 包含自竞争排序和锚定引导排序两种互补策略，分别利用采样响应间的比较和小规模参考响应实现可扩展构造。实验在开放对话和推理基准上验证，RRC 相比现有方法持续提升强化学习训练效果。

论文 RRC 生成式奖励模型强化学习

推荐理由：这篇论文提出 RRC，能把生成式奖励模型的排序结果转成强化学习能用的信号，在对话和推理任务上比现有方法更稳定地提升训练效果。

原文

12:28

官方账号arXiv cs.LG@Yijiang Li, Bingyang Wang, Yijun Liang, Yunjie Tian, Di Fu, Nuno Vasconcelos

U-OPSD 提出只用模型自身生成做 on-policy 自蒸馏，不依赖真实标签、环境反馈或更大模型。它通过多次采样后多数投票构造伪答案，并把教师分布建立在最短伪答案上，蒸馏到模型最长错误补全的前缀。在 AIME24、AIME25、HMMT25、MATH500、AMC23 上，U-OPSD 让 Qwen3 4B/8B 非思考模式相对基座提升 8.5%/10.7%，平均超过 OPSD 3.2%/2.3%。思考模式下，U-OPSD 在 4B 超 OPSD 0.9%，8B 持平，并分别超 GRPO 0.7%/1.1%。

论文 U-OPSD Qwen3 OPSD

推荐理由：不需要标注和外部反馈，U-OPSD靠投票让Qwen3数学成绩再涨一截，追平甚至超过OPSD和GRPO。

原文

12:21

官方账号arXiv cs.AI@Jerzy Stefanowski

该论文指出可解释人工智能（XAI）在评估不足方面的局限性，并以DetoxAI图像识别系统为例说明偏见检测与概念遗忘中的问题。论文展示了一种人工地面评估图像分类解释方法的具体案例，并探讨了在概念漂移下适应解释的方法。作者还分享了为概念漂移问题调整反事实解释的经验，并讨论了数据、模型与解释共同演化带来的追踪挑战。该文已收录于IJCAI-ECAI 2026的EASi研讨会论文集，由Springer CCIS第3107卷出版。

论文 XAI DetoxAI 概念漂移

推荐理由：XAI评估怎么做才靠谱？这篇论文用DetoxAI和概念漂移案例讲清了不足和应对思路，适合搞模型解释的人读。

原文

12:19

官方账号arXiv cs.AI@Arya Labroo, Mengjie Qian, Kate Knill

该研究将概念激活向量（CAV）方法扩展至基于BERT的文本评分器和基于Whisper的多模态语音文本评分器，用于检测L2口语评估中因母语或年龄等无关属性产生的偏差。CAV通过激活空间方向表示概念，并用梯度敏感度区分概念是否被编码及是否影响分数。研究发现概念的可恢复性主要取决于模型表示和架构，而非概念本身。稀疏自编码器（SAE）虽使概念更线性可恢复，但会削弱原始激活空间的敏感度，尤其在低维层。

论文 Concept Activation Vectors BERT Whisper

推荐理由：这篇论文教你怎么用CAV和稀疏自编码器查口语评分模型有没有偏袒某类考生，结果发现模型架构影响很大，别光看概念能不能被提取出来。

原文

12:17

官方账号arXiv cs.AI@Varun Ursekar, Apaar Shanker, Yash Maurya, Shehab Yasser, Vijay S. Kalmath, Veronica Chatrath, Yuan Xue

论文提出 HarnessOpt-Bench，专门评测 LLM 在自动优化 agent harness（提示词、工具、控制流、记忆与编排代码）时的端到端表现。优化器需要在固定评估预算下修改种子 harness，并在搜索过程不可访问的测试分区上按归一化增益打分。实验覆盖 5 个前沿 LLM、4 个下游任务，共 111 次评分运行。结果显示，优化器模型之间的能力差异大于其所用的编码 harness 差异，原生 harness 并不总是更优，增益在不同任务和种子设定下波动明显。

论文 HarnessOpt-Bench 智能体提示词工程

推荐理由：想比较哪些大模型最会自己改提示词和工具编排？这个新基准用4个任务111次运行测了5个模型，结果挺反直觉。

原文

12:13

官方账号arXiv cs.AI@Praphul Chandra, Sujit Gujar, Ganesh Ghalme

该论文在 arXiv（2608.06353v1）提出名为 Resourced Authority 的机制设计模型，用于对已部署 AI 代理进行持续参与式治理。其核心是把授权与计算资源分配绑定，通过计算预算让治理决定自我执行，并把这套方案定位为部署方之上的合规/共享层。治理周期被建模为序贯到达的验证人类利益相关者参与的扩展式博弈，贡献以独立于代理计算的治理货币计。净支持经资金聚合器转为广度加权有效支持，再由两阈值滞回门变为二元授权，经安全上限耦合映射释放计量计算预算。作者还刻画了该机制可治理的代理类别，并把被治理代理操纵选民国度的挑战列为开放问题。

论文 AI治理机制设计计算预算

推荐理由：论文提出 Resourced Authority，用计算预算让治理决定自动执行，比纯靠审批更硬核。

原文

12:09

官方账号arXiv cs.AI@Sarvesh Baskar, Zikui Cai, Shayan Shabihi, Anirudh Satheesh, Muhammad R. Islam, Udari Madhushani Sehwag, Tom Goldstein, Furong Huang

新论文提出trace-grounded参数化测试方法，在2,190个视频上审计事件计数能力。Gemini 3.6 Flash在80%可靠性阈值下最多可靠计数12个持续状态转换事件（0.5和1.0 Hz），对瞬时闪烁事件则无可靠计数区间。高计数高频率场景下仅0.2%的最终计数正确，模型只能恢复18.1%的真实事件。提高采样率将Bounce Ball准确率从19.6%提升至29.3%，但报告序列与真值一致率仅3.7%。

论文 Gemini 3.6 Flash 视频语言模型事件计数

事件专题

推荐理由：用可执行真值逐帧审计视频模型计数，发现Gemini 3.6 Flash处理瞬时事件几乎失效，加帧只虚涨分数，值得看。

原文

12:06

官方账号arXiv cs.AI@Yunjia Qi, Zehua Yin, Xintong Shi, Hao Peng, Songyuanyi Lu, Yixian Liu, Richeng Xuan, Yuhong Liu, Zhichao Hu, Xiaozhi Wang, Lei Hou, Bin Xu, Juanzi Li

TrajDebug提出错误生命周期追踪框架，通过多粒度历史压缩和基于证据的错误识别，解决长轨迹中的错误发现难题。该框架追踪每个错误的解决状态和终端影响，实现关键归因。研究构建了TrajErrBench基准，包含来自Tau2Bench和SWE-Bench Pro的486个手动标注失败轨迹。实验表明TrajDebug在多个智能体基准上优于现有基线，其诊断结果可提升下游智能体成功率。

论文 TrajDebug TrajErrBench SWE-Bench Pro

推荐理由：TrajDebug能从长轨迹里精准揪出导致最终失败的那个错误，486条真实数据验证过，比现有方法都靠谱。

原文

12:05

官方账号arXiv cs.AI@Donna Hooshmand, Shubham Shahi, Cameron Barrie, Abhratanu Dutta, Marko Sterbentz, Harper Pack, Kristian J. Hammond

TYTAN是一个从关系数据库自动构建分析语义模式的系统，结合符号分析和LLM推理来提出实体、分配角色并命名。在八个数据库的评估中，TYTAN在七个参考域上达到100%的实体与特征覆盖率。其1,678条自生成检索指令全部正确执行，语义角色在92-100%的匹配属性上与参考一致。在一张无声明键的十表实时数据库盲测中，TYTAN恢复了完整实体结构并满足五位独立标注者100%的可满足期望。

论文 TYTAN 语义模式关系数据库

推荐理由：TYTAN这篇论文教系统自动看懂数据库结构，不用手写语义层，测试里百分之百跑通，挺实在。

原文

12:04

官方账号arXiv cs.AI@Noam Koren, Roy Bar-Haim, Abigail Goldsteen

该研究提出一种无参考评估框架，利用LLM评判员从一致性、复杂度和策略覆盖三个维度检查对话代理基准质量。框架与独立人工标注结果吻合，并在不同能力LLM生成的基准及受控降质扰动的基准上验证了区分效果。实验表明该指标能稳定区分基准质量等级，且适用于手工精选基准。

论文基准评估对话代理 LLM评判

推荐理由：这篇论文教你如何判断一个评测集靠不靠谱，用LLM当裁判自动挑毛病，省人工还靠谱。

原文

12:03

官方账号arXiv cs.AI@Zahra Khodakarami, Yue Li, Pulkit Khandelwal, John Detre, Sandhitsu Das, Christopher Brown, David Wolk, Paul Yushkevich

研究用ADNI队列29人的1mm各向同性高清FLAIR扫描，模拟3mm和5mm层厚退化。对比多对比隐式神经表示、单对比自监督ECLARE和三次插值三种超分方法。在MARS-WMH分割下，超分的主导效应是抹除小的真实病灶，而非幻觉生成，且层厚越厚抹除越严重。所有重建方法都比原始厚层扫描提升病灶检测，其中ECLARE在两种层厚下恢复小病灶信号最好，INR效果不优于三次插值。

论文 FLAIR WMH ADNI

推荐理由：FLAIR超分注意：小病灶主要被抹除而非幻觉。ADNI 29例上ECLARE最好，INR不如三次插值。

原文

12:02

官方账号arXiv cs.AI@Sagar Tamang, Ayush Vyas, Tabarakul Hazarika

论文提出READ（Reliable Embedding-free Agentic Document-search），用三种确定性操作——归一化词法搜索、结构导航、有界跨度读取——替代传统Top-K嵌入检索。在780页政府财务报告上，86.8%的内容行是表格行，数值单位依赖上方中位数13行的表头，导致分块经常切断数字与其单位的关联。READ在51个验证问题上达到58.8%准确率，而密集检索仅15.7%（p_Holm=2×10^-5）。控制实验显示，使用Top-K工具的同款智能体只能达到27.5%，说明增益来自接口而非迭代。作者也报告BM25与READ在统计上无差异，因此结果区分的是嵌入型与非嵌入型检索，而非智能体与词法检索。

论文 READ RAG 智能体

推荐理由：论文提出READ，在780页财务报告上准确率58.8%，比向量检索的15.7%高出一大截，每次检索还能当成审计轨迹回放。

原文

11:52

官方账号arXiv cs.LG@Alex Buna, Shirley Xiaoqi Liu, Patrick Rebeschini

该论文研究过参数化分类中，线性可分数据下梯度下降（GD）在逻辑损失上范数发散但方向收敛到最大间隔分类器，其隐式偏差在统计上可能次优。作者证明在带标签翻转噪声的高斯混合模型下，于适当oracle时间早停的GD可对具有快速连续衰减协方差谱（包括多项式与指数衰减）实现极小极大最优的excess zero-one风险。分析结合了早停迭代的尖锐上界与任意分类器的匹配统计下界，并通过实验验证了最优速率。核心技术贡献是一个新的校准结果，将excess logistic风险转换为excess zero-one风险，去除了标准界中的平方根速率。此外，线性插值器达到相同excess风险所需样本量可能指数级多于早停。

论文 Gradient Descent early stopping Gaussian mixture

推荐理由：这篇论文告诉你，训练到过拟合之前提前停一下，GD在带噪声的高斯混合分类上能拿到理论最优错误率，比插值器省指数级样本。

原文

11:39

官方账号arXiv cs.AI@Mutasim Fuad Sarker, Adiba Rahman Namira, Wafa Binte Alam, Md Adnan Arefeen, Mahzabeen Emu, Sumaiya Tabassum Nimi

QuanTiMedAI结合智能体LLM与量子循环网络，构建心脏骤停死亡风险预测模型。在MIMIC-IV心脏骤停队列上，模型仅用605个参数达到AUROC 0.852，较当前最先进基线提升约2.9%。智能体LLM引导的特征选择优于传统方法，量子非线性增强则让模型以极少参数取得竞争力。

论文 QuanTiMedAI MIMIC-IV 智能体

推荐理由：这个QuanTiMedAI挺有戏：605个参数就把心脏骤停死亡预测AUROC做到0.852，比原来最好的还高2.9%。

原文

11:38

官方账号arXiv cs.AI@Johann Birnick, Rayan Saab

精选

BaKron 是一种新的神经网络量化求解器，利用 Kronecker 分解的 Hessian 信息做自适应取整。它在 m×n 权重矩阵上把顺序步骤数降到 O(m+n)，总工作量从 O(m²n²) 降到 O(mn(m+n))，与 GPTQ 的立方复杂度同级。BaKron 基于 BoA 和 YAQA 的两侧自适应取整框架，并兼容不同基础量化器和 Hessian 估计器。论文给出了多种 Hessian 估计器下的量化效果评测。

论文 BaKron GPTQ 模型量化

推荐理由：BaKron用Kronecker曲率做量化，速度和GPTQ同级，能换量化器和Hessian估计器。

原文

10:41

官方账号arXiv cs.LG@Fardin Afdideh, Fernando Seoane, Farhad Abtahi

一项新综述系统梳理了大模型后训练适配技术，提出按机制、目标、数据需求、持久性、结构范围、模型类型六个维度分类。该分类法区分了微调、检索增强、提示等常被混用的概念，并梳理了技术间的继承、取代、混合与分层关系。研究者认为这套统一词汇可用于技术文档、模型变更追踪和AI治理分析。论文还指出评估、可复现性、遗忘、多模态适配等开放挑战。

论文微调 RAG AI治理

推荐理由：Arxiv上这篇综述把微调、RAG、对齐这些概念理清了，还给了六个维度的分类框架，做AI治理和模型管理的人可以拿来当参考。

原文

10:28

官方一手arXiv: OpenAI@Xinwei Liu, Junyuan Liang, Jianting Zhang, Wuhui Chen

精选

ProDVI是一个利用大语言模型为强化学习智能体提供初始化先验的新框架。它让代码生成模型输出Python函数，编码对环境动力学的粗略假设，再生成合成转移数据。这些数据用于预训练actor-critic价值网络的状态-动作编码器，使智能体在在线强化学习开始前获得动力学感知的表示。在OpenAI Gym和DeepMind Control Suite任务上，ProDVI显著提升了无模型强化学习算法的样本效率。

论文 ProDVI 强化学习大语言模型

事件专题

推荐理由：这篇论文用大语言模型写代码来初始化强化学习，不用模拟器和预收集数据，在Gym和Control Suite上都能省样本。

原文

10:22

官方账号arXiv cs.LG@Yixiong Xiao, Congxi Xiao, Jingbo Zhou

TS-RAG提出将检索增强生成（RAG）应用于时间序列预测，通过设计专门的参考标记来融合输入序列与检索到的相似序列。该方法旨在解决传统时序模型数据规模小、参数少、生成能力不足的问题。在多个真实世界预测基准上，TS-RAG取得了持续的最优性能。实验表明，参考标记能更有效地捕获复杂的时间动态特征。

论文 TS-RAG RAG 时间序列预测

推荐理由：TS-RAG把RAG用在时间序列预测上，用参考标记融合相似序列，多个基准拿SOTA，做预测的可以看看。

原文

10:11

官方账号arXiv cs.LG@Omid Bazgir, Md Nasir, Jacob Hoffman, Yang Yang, Manu Agrawal, Anusua Trivedi, Vinay Rao Dandin, Chris Gibbons, Christine Swisher

论文提出在效用约束下改进合成临床基准的真实性。基线基准的配对缺失率达79.44%，仅12.75%的行可操作，38.94%的患者无可操作指标。两种确定性修订方案在保持效用下限的同时改善了上述指标。与朴素加密控制相比，修订避免了不现实的模板化。研究还发现内部真实性与对聚合操作参考的源保真度是不同目标。

论文 Synthea 临床基准合成数据

推荐理由：这篇论文教你如何不让合成临床数据看起来像模板：两个修订方法在保住效用下限的同时把真实感拉上来，适合做医疗AI基准的人参考。

原文

10:08

官方账号arXiv cs.LG@Farzana Nasrin

该框架利用强化学习在持久图空间上构建随机动力学，通过拓扑感知的局部编辑操作驱动图演化。研究者证明其马尔可夫链满足不可约、非周期和几何遍历条件，从而保证唯一平稳分布存在。目标函数结合分布匹配、任务特定拓扑统计和结构保持压缩，兼顾保真度与复杂度降低。在合成及神经影像持久图数据上，该方法在降低图复杂度的同时保留了主要拓扑结构。

论文持久图强化学习拓扑数据分析

推荐理由：这篇论文用强化学习让拓扑图动态演化，既能压缩复杂度又能保留关键结构，比静态分析多了一条时间维度。

原文

10:07

官方账号arXiv cs.LG@Robin Trombetta, Carole Lartizien

OTLesMix是一种面向医学影像的数据增强方法，利用Wasserstein重心和最优传输计划生成新样本。研究者在三个脑病灶分割任务上测试，与不使用合成数据的模型相比，Dice分数提升2.9到6.6个点。该方法在生成病灶的形状和位置多样性上优于现有基于混合的方法。

论文 OTLesMix Wasserstein重心最优传输

推荐理由：OTLesMix用Wasserstein重心造形状位置更多样的病灶，脑分割Dice提升2.9-6.6，比现有mix方法都强。

原文

10:05

官方账号arXiv cs.LG@Zonghuan Xu

这篇论文研究模型评估中测试选择策略：固定全部测试还是根据已有回答动态选择后续测试。作者在有限结果空间 |X|=N 的条件查询模型下证明，两类分布可区分当且仅当它们的成对条件概率存在正分离；若分离为零，任意有限查询预算下最坏误差恰为 1/2。对任意 T 次自适应策略和 ρ∈(0,1)，他们构造了一个非自适应随机程序，只需预先选择 O(N^2(T+log(1/ρ))) 对查询，模拟记录与自适应记录的总变差距离不超过 ρ。匹配下界给出常数自适应查询复杂度与 Ω_ε(N^2) 非自适应复杂度，因此最坏情况自适应优势为 Θ_ε(N^2)。结论是交互最多带来二次方查询减少，而非指数级优势。

论文假设检验条件查询自适应查询

推荐理由：如果你搞模型评估设计，这篇理论文章用严格上下界讲清楚了交互测试比固定测试省多少查询：最多二次方，不是指数级。

原文

10:05

官方账号arXiv cs.LG@Yiting Zheng, Cheng Fang, Anthony Donofrio, Haote Li

RxnCLF是一种自监督对比学习框架，基于压缩反应图（CRG）统一反应物与产物信息，显式学习反应中心及侧链上下文。该模型在170万条Pistachio反应数据上预训练，得到紧凑连续且化学可解释的隐空间。在Buchwald-Hartwig、钯催化BH偶联及专有HTE C-N偶联和酰胺形成等产率预测基准上，RxnCLF一致优于图和序列基线，R2指标显著提升。

论文 RxnCLF Pistachio Buchwald-Hartwig

推荐理由：这个模型把反应物和产物揉进一张图，用对比学习预训练，多个产率预测任务上超过现有基线，做反应预测的值得看看。

原文

10:03

官方账号arXiv cs.LG@Dohyun Ku, Min Gu Kwak, Francisco J. Pasquel, Jing Li

研究团队提出代谢组学专用大模型MetaboLLM，通过持续预训练、监督微调和结构化检索整合生化知识。配套的MetaboLLM-GIN将生成描述转换为代谢物图，用于患者级预测。在四个骨干模型家族上，MetaboLLM在代谢组学知识、关系和描述任务上优于对应基础模型和医学适配模型。MetaboLLM-GIN在冠状动脉搭桥术后应激性高血糖预测中AUC达0.8616，在绝经后激素方案分类中AUC为0.8123，超过传统模型和替代图构建方法。模型解释还产生了具有生物学意义的发现。

论文 MetaboLLM MetaboLLM-GIN 代谢组学

推荐理由：做代谢组学或临床预测的可以看看，MetaboLLM把生化知识变成图谱，两个预测任务的AUC都挺能打。

原文

10:00

官方账号arXiv cs.LG@Sam Levang, Fran Bartolic, Ty Dickinson, Chase Dwelle, Paulius Rauba, Viktor Cikojevic

GEM-3是面向全球天气预报的概率模型，通过显式多时间步推理解决固定时间步的权衡。它用一组训练权重在推理时配置模型时间步，混合时间步训练比时间步专用模型更稳定。该模型是轻量邻域注意力Transformer，约134M参数，架构相对GEM-2有多项改进。它在中期概率预测上接近当前最优水平，并支持稳定扩展的长时间滚动预报。

论文 GEM-3 天气预报 Transformer

推荐理由：GEM-3让你用一套权重随时切换1到24小时预报时间步，跑得稳还实用，比固定时间步的模型灵活多了。

原文

09:55

官方账号arXiv cs.LG@Mikhail Solonko, Molozhavenko Alexander, Maxim Rakhuba

Muon是一种矩阵感知优化方法，用于Stiefel流形（正交列矩阵集合）上的优化。以往将Muon扩展到该流形的做法依赖启发式或迭代近似。新论文证明Stiefel Muon更新存在精确闭式解，并据此实现高效算法Skewon。Skewon在平滑非凸条件下具有一阶收敛保证。

论文 Muon Skewon Stiefel流形

推荐理由：Muon在矩阵优化里挺火，但上Stiefel流形一直靠近似。这篇论文给了精确闭式解，还做了个Skewon，收敛性有保障，做正交约束优化的值得看。

原文

09:54

官方账号arXiv cs.LG@Zhiyan Hou, Dan Zhang, Tao Feng, Liyuan Wang, Wei Li, Xiangzhao Hao, Hongyan An, Junfeng Fang, Haokai Ma, Zhaohui Xu, Haiyun Guo, Jinqiao Wang, Tat-Seng Chua

该论文从When、How、Where三个维度梳理持续学习（CL）的演进，指出其正从参数中心学习转向系统级适应。How维度涵盖off-policy、on-policy及超越梯度的优化机制；When维度横跨预训练、后训练与推理时阶段；Where维度区分内部参数更新与外部结构约束。论文系统综述了代表性方法，并讨论了这一范式转变的关键挑战与未来方向。

论文持续学习测试时训练系统级适应

推荐理由：这篇论文把持续学习的新玩法梳理清楚了，不再只盯着参数调整，连测试时训练、外部记忆都算进去了。搞AI系统的可以看看。

原文

09:45

官方账号arXiv cs.AI@Chen Yang, Jiashuo Tian, Ziqi Wang, Xinyin Liu, Meiru Ye, Junjie Chen

GSE 是一个全局化技能进化框架，通过联合优化技能兼容性和泛化性，解决现有方法容易过拟合的问题。它维护技能关系图来显式建模技能间关联，并用聚类整合与重放验证来提升泛化能力。在 bug 揭示测试生成和假阳性 bug 报告过滤两项任务上，GSE 在 OpenHands 和 mini-SWE-agent 上均取得最佳精确率、召回率和 F1。相比现有进化技术，测试生成的精确率和召回率分别提升 6.1%~34.1% 和 31.8%~180.0%，假阳性过滤分别提升 15.4%~96.4% 和 13.1%~19.8%。内部工业智能体部署进一步带来 61.4% 的 F1 提升。

论文 GSE OpenHands mini-SWE-agent

推荐理由：编码智能体老学不会新技能？试试 GSE 这套框架，在测试生成和假阳性过滤上比现有方法准不少，还通过了工业级验证。

原文

09:40

官方账号arXiv cs.LG@TaeHo Yoon, Nicolas Loizou

该论文研究随机外梯度（SEG）方法用于单调变分不等式。作者证明，同样本SEG（S-SEG）对逐样本Lipschitz参数敏感，仅靠均方Lipschitz和有界方差无法保证收敛。他们对可能无界的可行集建立了两种SEG变体的高概率受限间隙收敛，并指出这些结果无法再一般性改进。此外，论文构造了一个随机单调VIP，其中对I-SEG有效的非对称双步长会导致S-SEG几乎必然发散。

论文 S-SEG I-SEG 变分不等式

推荐理由：刚看到一篇论文，把同样本和独立样本随机外梯度的收敛性区别讲透了，还有反例。

原文

09:40

官方账号arXiv cs.AI@Jia Xiong, Runkai Li, Chenxu Niu, Guangyuan Gao, Changwen Xing, Yifan Zhang, Xinlai Wan, Jieran Cui, Chen Bai, Yusheng Hua, Ying Wang, Ming Ling, Xi Wang, Tao Xie

论文提出MicroEvo框架，将现成LLM与蒙特卡洛树搜索（MCTS）结合用于多目标微架构优化。该框架包含LLM驱动的进化算子、Pareto感知树策略、主动知识积累机制和状态感知指令。实验显示，MicroEvo相比NSGA-II将Pareto前沿质量最高提升36.2%，搜索效率提升10.6倍。该方法在复杂工业级核心上展现出强可扩展性，代码已在GitHub开源。

论文 MicroEvo MCTS LLM

推荐理由：MicroEvo用LLM引导芯片微架构设计搜索，比NSGA-II质量高36.2%，效率提升10倍多，代码已开源。

原文

09:37