全部 AI 动态 · AI 热点

8月12日

18:10

官方账号arXiv cs.LG@He-Yen Hsieh, H. T. Kung

ReRound是一种后训练量化方法，针对标准RTN在量化接近区间中点的权重时固有的中点模糊性问题。它训练一个条件扩散模型生成低比特权重的连续重建，作为确定舍入方向的引导信号。ReRound引入容差度量，对中点附近权重用扩散重建，对边界附近权重用RTN，并通过扫描容差参数选择与原始全精度权重奇异值最匹配的候选。在3比特和4比特量化下，ReRound在小型LLM上持续优于RTN，且精度超过多种无校准方法，与依赖校准的方法相当，推理时无额外开销。该方法适用于LLM之外的AI模型，论文聚焦于小型LLM。

论文 ReRound 量化扩散模型

推荐理由：如果你在做低比特量化，ReRound用扩散模型解决RTN的中点模糊，3/4比特下比RTN更准，还不用校准数据，值得看看。

原文

18:09

官方账号arXiv cs.AI@Wenrui Bao, Tianyun Jiang, Zhiben Chen, Ser-Nam Lim, Peter D. Peng, Yuzhang Shang

Surgical WAM 是一个基于 Cosmos Policy 构建的统一生成模型，能同时预测内窥镜观察和可执行的手术机器人动作块。它先从无动作视频中学习手术视觉动态，再在固定数量的动作标注数据上微调。在四项模拟手术任务中，视频预训练将平均成功率从 63.5% 提升至 77.8%，其中 PegTransfer 任务绝对提升 20 个百分点。接触密集和双臂协调任务受益最大，表明无动作视频可提供可迁移的视觉动态先验。

论文 Surgical WAM Cosmos Policy 手术机器人

推荐理由：手术机器人数据难搞，这个模型用便宜的视频预训练把成功率拉高了 14 个点，PegTransfer 直接涨 20%，搞机器人学习的可以看看。

原文

18:08

官方账号arXiv cs.AI@Chen Lyu, Xingwei Tan, Simon Cullen, Shelley Wilson, Lois Arthurs, Arshad Jhumka, Gabriele Pergola

ConVAWG 是一个用于生成暴力侵害女性（VAWG）场景多轮对话的检索增强框架。它利用英国国家统计局的人口统计数据、官方犯罪定义和家庭凶杀案审查案例构建场景，并生成超过 6,000 个多轮对话事件，覆盖 200 个场景。框架采用分层事件时间线生成多场景角色扮演对话，并通过激活导向的毒性控制调整不当表述。人工评估和 LLM-as-Judge 评估显示其对话质量和领域保真度较高。该研究旨在解决敏感领域真实对话数据难以获取的问题。

论文 ConVAWG 合成对话生成检索增强

推荐理由：想研究敏感场景对话生成？ConVAWG 用检索增强和毒性控制，造出 6000 多轮高质量对话，还带详细元数据，值得一看。

原文

18:07

官方账号arXiv cs.AI@Alan Li, Rahul Saha, Anton Xue, Swarat Chaudhuri, Adam Klivans, Pravesh K Kothari, Raghu Meka

精选

arXiv论文展示了AI在数学研究中改进Grothendieck常数K_G界限的案例。研究者将K_G的已知界限收紧至6π/11 ≤ K_G ≤ π/(2log(1+√2)) - 10^-4。AI系统提出了领域专家认为新颖的见解。论文详细讨论了AI在数学研究中的优缺点，以及创造理想条件让AI产生突破性见解的经验。

论文 Grothendieck常数 AI数学研究 arXiv

推荐理由：想知道AI怎么帮数学家干活？这篇论文用Grothendieck常数当例子，讲AI怎么把已知界限又收紧了一截，还聊了AI的强项和翻车点，挺实在的。

原文

18:06

官方账号arXiv cs.AI@Ke Ma, Yamin Mao, Weiming Li, Shuai Tan, Yijie Zhong, Hao Chen, Haofen Wang, Meng Wang

R4DSG提出一种相对4D场景图记忆方法，用于长时程第一人称视频中的对象中心问答。该方法将视频转换为按时间、地点、持久对象和锚点相对变化索引的紧凑可查询记忆，而非存储原始图序列。它利用可提示视频分割和相对3D提升等RGB-only技术，在EgoLifeQA的255个对象相关问题子集上，相比EgoRAG-Text在仅问题检索下整体提升6.7分，在“何时”类问题上提升12.5分。

论文 R4DSG EgoLifeQA 4D场景图

推荐理由：做长视频问答的可以看看，R4DSG用相对锚点记录物体变化，比纯文本记忆强不少，在EgoLifeQA上比EgoRAG-Text高了6.7分。

原文

18:04

官方一手arXiv: DeepSeek@Hejia Zhang, Sheng Lu, Zhongming Yu, Chia-Tung Ho, Brucek Khailany, Jishen Zhao

CHORUS是一个面向硬件验证测试激励生成的后训练框架，利用分阶段监督微调产生行为多样的检查点，再通过密集奖励强化学习将其转化为任务级优势互补的专家模型。该框架通过无训练模型合并或进一步后训练整合专家优势，最终将多个专家合并为单个4B模型。CHORUS在CVDP-ECov基准上达到88.0%的Pass@1，比DeepSeek-R1（671B）高出13.5个百分点。

论文 CHORUS 硬件验证测试激励生成

推荐理由：做硬件验证的可以看看，CHORUS用4B小模型在CVDP-ECov上干翻了671B的DeepSeek-R1，靠的是把多个专家模型合并起来，思路挺巧。

原文

18:02

官方账号arXiv cs.AI@Davide Rinaldi, Luciano Serafini

sLTN扩展了逻辑张量网络（LTN），将时间步、序列位置或图节点等结构维度作为语言的一等公民。它允许在逻辑层面直接表达时间、序列和关系约束，并形式化了语法和模糊张量语义。在无结构维度时，sLTN可退化为原始LTN语义。论文提供了基于PyTorch的实现，并在时间与序列推理示例上进行了演示。

论文 sLTN 逻辑张量网络神经符号

推荐理由：想给逻辑张量网络加时间或序列结构？sLTN把结构维度做进语言里，还能退化成原版LTN，有PyTorch代码可玩。

原文

18:01

官方账号arXiv cs.AI@Girma Yohannis Bade, Olga Kolesnikova, Jose Luis Oropeza, Grigori Sidorov

该研究针对社交媒体政治话语，设计并评估了基于XGBoost和BERT的两种多类情感分析模型。在标注的政治社交媒体帖子数据集上，XGBoost模型测试集F1分数为0.2835，BERT模型为0.2806。结果显示政治话语情感分类的复杂性，为未来多类政治情感分析提供基线。

论文 XGBoost BERT 情感分析

推荐理由：想了解政治文本情感分类的难度？这篇论文用XGBoost和BERT实测，F1都不到0.3，看看数据有多难搞。

原文

18:00

官方账号arXiv cs.AI@Shutong Zhu, Tianxing Wu, Runfeng Liu, Yuang Gu, Xuan He, Yuan Zhu

RTSKG是一个专门为城市级轨道交通站点任务设计的知识图谱数据集，显式建模了站点、道路段和兴趣点等异构城市实体间的空间与语义交互。该数据集采用统一模式组织数据，并以Linked Data形式在https://w3id.org/rtskg/开放访问。在站点周边商店推荐和知识增强的客流预测两项评估中，RTSKG展现了有效性，表明其能支持城市级轨道交通站点分析。

论文 RTSKG 知识图谱轨道交通

推荐理由：做城市计算或交通预测的可以看看，这个数据集把站点、道路、POI串成了知识图谱，还开放了链接数据，比纯表格好用。

原文

17:57

官方账号arXiv cs.AI@Kushal Chakrabarti

精选

该研究分析了1,867个仓库中247,694条指令的生命周期，发现智能体提示词无界增长，平均增长226%，每次提交净增4.9条指令。指令越旧越难删除，对数风险为-0.032/提交。通过反转IFEval生成可验证世界，提示注释可移除99.3%的多余指令，将增长率从+211.3%降至+1.4%。在WildIFEval上，提示注释使真实智能体指令遵循率提升23.1%。

论文 CLAUDE.md 智能体提示词工程

推荐理由：如果你用CLAUDE.md这类文件，会发现它越写越长不敢删。这篇论文告诉你为什么，还给了个注释技巧，能砍掉99%的冗余指令。

原文

17:56

官方一手arXiv: OpenAI@Uma Ranjan, Kunal Tilaganji, Aditya Koul, Anurag Mahipal, Dashpreet Singh, Hriday Rana, Manan Jain, Sidharth Gupta, Ajo Babu George, Vineeth Balasubramanian, Nagarajan Natarajan, Amit Sharma

arXiv新论文提出两阶段框架，针对医疗假设验证的选择题场景，仅在模型不确定时进行本体论接地，管理覆盖率与准确率的权衡。实验显示，弃权并非随机，而是反映真实不确定性，弃权预测的置信度较低。在GPT-5.5和DeepSeek-R1两个前沿模型上，该框架将问题级准确率从82.9%提升至92.5%，提升9.6个百分点；假设级准确率从92.0%提升至96.2%，提升4.2个百分点。在MedReason和MedQA基准上的实验表明，弃权可作为选择性推理精修的控制信号，无需显式构建知识图谱即可达到图谱级性能。

论文 GPT-5.5 DeepSeek-R1 MedQA

推荐理由：这篇论文教你怎么用弃权信号做推理精修，不用建知识图谱，医疗问答准确率直接涨9.6个点，GPT-5.5和DeepSeek-R1都试过。

原文

17:52

官方账号arXiv cs.AI@Ming Yang

该论文证明了在特定AI状态追踪任务中，推理时量子协调优势的存在。研究者提出边界保持语义编译定理，将有限单向、流式或自适应因果任务映射到语义AI接口，同时保留事件顺序和过去输入访问。在匹配实体概要问答中，量子方法仅需O(log N)量子比特，而经典边界状态需要Ω(√N)比特。持续需求审计中，量子递归求解器用O(log^5 n log(1/δ))量子比特获得0.7172近似，经典单遍求解器需Ω(√n)协调宽度。稳定子潜在状态对话使用n量子比特，经典精确有限状态实现需B+M≥1/2n^2+(3/2-log2 3)n+O(1)。

论文量子计算状态追踪语义编译

推荐理由：这篇论文用数学证明了量子在状态追踪任务上的内存优势，不是跑分，是理论分离，适合想了解量子AI理论底层的朋友。

原文

17:51

官方账号arXiv cs.AI@Rahul Gupta, Abhinav Mohanty, Anaelia Ovalle, Anil Ramakrishna, Anubrata Das, Apurv Verma, Jwala Dhamala, Ninareh Mehrabi, Tharindu Kumarage, Yada Pruksachatkun, Yang Trista Cao, Kai-Wei Chang, Aram Galstyan

TrustNLP研讨会自2021年起与ACL系列会议联办，论文数从8篇增至41篇，六届共144篇。综述按六类信任维度分类，发现2025-2026年真实性主题占37%，公平性最稳定，可解释性呈U型回升。与ACL等约2000篇论文对比，TrustNLP主题分布接近领域平均水平。

论文 TrustNLP 可解释性 AI安全

推荐理由：想快速了解NLP信任研究六年的演变脉络，看这篇综述就够了，它把144篇论文的规律都总结好了。

原文

17:49

官方账号arXiv cs.AI@Nicola Giuseppe Marchioro, Gabriele Padovani, Amal Gueroudji, Rafael Ferreira da Silva, Wesley Brewer, Valentine Anantharaj, Sandro Fiore, Renan Souza

Workflow Cards是一种新文档形式，将工作流执行的机器可读溯源数据压缩为人类和LLM可读的结构化摘要。论文定义了基于溯源问题集的Workflow Card模板，并评估LLM使用其理解工作流执行的效果。结果显示，Workflow Cards提供了Model Cards和Data Cards缺失的执行级信息，填补了文档空白。与基于schema的查询相比，Workflow Cards在LLM-as-a-Judge和人工评估中答案质量几乎翻倍。

论文 Workflow Cards 溯源数据 LLM

推荐理由：论文提出Workflow Cards，把工作流执行记录变成人和AI都能读的摘要，比直接查数据库答案质量高一倍，做AI文档的可以看看。

原文

17:41

官方账号arXiv cs.AI@Minsoo Kim, Sungyoung Ji, Kisung Moon, Ilyong Yoon

ASMI是一种免训练的估计器，通过掩码注意力头并测量子网络间的BALD互信息来检测模型对token预测的不确定性。在接地问答任务中，ASMI在单次置信度和熵之外增加了错误预测信息，可将置信过滤器的保留错误减半。在12个接地基准设置中，Sem-ASMI在10个上追平或超越语义熵基线，最佳ASMI变体在8个中领先。在参数化问答中，所有变体回归到零成本MSP基线，符合预期。

论文 ASMI 不确定性估计注意力机制

推荐理由：这篇论文提出了一种不用训练就能测模型不确定性的新方法，在接地问答上比现有基线更准，还能自己判断什么时候适用。

原文

17:34

官方账号arXiv cs.AI@Shiyu Xuan, Zechao Li

该论文提出Test-Time Self-Evolving框架，让GUI智能体在部署后无需人工标注即可自我改进。框架构建探索、评估、反思、内化的闭环，通过MLLM反射器评估预测结果并生成推理反思。反射引导的On-Policy自蒸馏将高层推理转化为密集token级监督，对比校准防止错误前缀污染监督信号。在六个基准上平均准确率提升7.4%，是首个将on-policy自蒸馏用于GUI视觉定位测试时适配的工作。

论文 GUI视觉定位 Test-Time Self-Evolving 自蒸馏

推荐理由：GUI智能体部署后不会自我进化的问题有解了，这个框架用反射引导自蒸馏，六个基准平均涨7.4个点，做智能体适配的可以看看。

原文

17:26

官方一手arXiv: OpenAI@Audrey Quessada-Vial

arXiv 论文提出 Agentic Configuration Management (ACM)，一个框架无关的治理与配置参考模型，用于异构智能体系统。ACM 结合类型化且独立版本化的配置项、不可变修订与基线、配置与运行时分离、生命周期与保障语义、依赖感知影响传播及运行时溯源。作者提供 Python 参考实现，适配 LangGraph、CrewAI 和 OpenAI Agents SDK，并用 27 个治理场景和 9 个量化影响传播案例评估。结果显示三个框架在投影后产生治理等价的 ACM 表示，影响语义在有限格上单调传播，保证收敛与唯一最小不动点。

论文 Agentic Configuration Management 智能体 LangGraph

事件专题

推荐理由：搞多智能体配置管理头疼的可以看这篇，ACM 把 LangGraph、CrewAI 这些框架统一成一套治理模型，还能做依赖分析和审计。

原文

17:20

官方账号arXiv cs.AI@Orr Paradise, Oliver Richardson, Yoshua Bengio, Shafi Goldwasser

该论文研究概率预测器回答多个条件概率查询时，其答案是否自洽以及能否在多项式时间内验证。作者构建了一个交互式PCP协议，验证器只需在少数点评估电路(P,Q)并读取证明预言机的少量位置，即可验证近似一致性。论文将显式概率声明的l2近似一致性置于NP中，证书长度为O(mn+log B)。该工作为AI安全中概率预测的自洽性认证提供了复杂性理论基础。

论文交互式PCP 概率一致性 AI安全

推荐理由：这篇论文给AI安全提供了新思路，用交互式PCP验证概率预测的自洽性，数学严谨，值得做安全对齐的人看看。

原文

16:56

官方账号arXiv cs.AI@Ismail Ismail Tijjani, Sunusi Muhammad Ibrahim, Amina Ibrahim Khaleel, Lanre Olusegun Akinola, Fatima Isa Jibrin, Muhammad Bashir Aliyu, Abdullahi Abdussalam Dalhat, Abdullahi Suiudeen

一项研究在非洲尼日利亚农田采集的AgriAISeg数据集上，对比了YOLOv5、YOLOv8、YOLO11、YOLO26、Faster R-CNN和RT-DETR六种目标检测模型。数据集包含3,382张芝麻、卷心菜和番茄图像，覆盖光照变化、遮挡和视角差异等真实条件。RT-DETR表现最佳，精度达0.768，mAP@0.5:0.95为0.624；YOLOv8和YOLO11表现稳定。Faster R-CNN的mAP@0.5仅0.466，准确率明显偏低。YOLO系列模型训练效率也优于Faster R-CNN。

论文 YOLOv8 RT-DETR Faster R-CNN

推荐理由：想看真实农田里哪个检测模型靠谱？这篇用非洲实地数据测了六个模型，RT-DETR和YOLO系赢了，Faster R-CNN掉队，结论直接。

原文

16:50

官方一手marktechpost@Michal Sutter

精选

小米MiLM Plus团队发布PROVE，一套面向视频物体移除的感知对齐评估指标，包含RC-S和RC-T两个新指标。现有PSNR、SSIM、LPIPS等指标在扩散模型输出上常给出错误排序，因为物体移除是病态的一对多任务。PROVE引入真实世界视频基准，通过感知对齐方式评估移除质量。该工作旨在解决评估指标滞后于模型能力的问题。

论文小米 MiLM Plus PROVE

推荐理由：小米发了套新评估指标RC-S和RC-T，专门测视频物体移除效果，比PSNR那些老指标靠谱，搞视频编辑的可以看看。

原文

16:49

Hunyuan@TXhunyuan

精选

腾讯混元团队发布《Diving into Reliable Self-Evolving Agents: A Survey》综述，系统梳理智能体自我进化机制。该综述定义了L0到L4的五级自进化分类法，并引入可靠性阶梯用于评估每次更新的可信度。研究团队整理了549篇相关论文，建立开放配套目录。核心原则是任何更新都不能仅用自身产生的证据来验证，确保进化过程可审计。

论文腾讯混元智能体自进化

推荐理由：腾讯混元团队整理了549篇论文，给自进化智能体分了L0-L4五个等级，还提出一套验证更新靠不靠谱的方法，做Agent研究的朋友可以看看。

原文

16:46

官方账号arXiv cs.AI@Kiran Madhusudhanan, Christian Klötergens, Lars Schmidt-Thieme, Vijaya Krishna Yalavarthi

TORF框架将均值预测与不确定性估计解耦，第一阶段用预训练确定性模型生成准确均值，第二阶段用严格奇函数的受限归一化流学习残差分布，无需采样即可保证均值保持。实验表明TORF在短长期预测中同时达到最优确定性精度（NMAE）和强密度估计性能（CRPS）。该方法解决了传统参数方法在联合NLL训练下点精度下降和生成模型采样成本高的问题。

论文 TORF 时间序列预测归一化流

推荐理由：时间序列预测想同时要准均值和好分布？TORF用两阶段把这两件事拆开做，不用采样就能保住均值，短长期都跑赢了现有方法。

原文

16:43

官方账号arXiv cs.AI@Xiaofan Bai, Hongqiang Lin, Chao Liu, Yantao Zhang, Xuan Jin, Xipeng Cao, Yuhong Li

SkillZip 是一种免评估的技能压缩方法，旨在解决自进化智能体技能库膨胀问题。它通过最短忠实结构解释，将重复规则上提至作用域、重复动作序列提取为共享过程，并保留唯一罕见规则。该方法基于类型化最小描述长度目标，满足硬覆盖约束，支持一次性模式和持续 Zip-on-Write 模式。实验表明，SkillZip 在压缩性能、泛化性和成本开销上均优于现有方法。

论文 SkillZip 技能压缩自进化智能体

推荐理由：智能体技能越攒越乱？SkillZip 不用跑评估就能压缩，把重复规则提出来、动作序列抽成共享过程，还保住罕见规则。一次性或持续更新都行，省成本。

原文

16:39

16:39官方账号Latent Space (swyx)（博客/媒体）

本期AINews探讨了通过投机解码技术窃取推理模型思维链的方法。文章指出，投机解码不仅能加速推理，还能被用来提取模型的内部推理过程。这种技术可能对模型安全构成威胁，因为推理轨迹包含敏感信息。文章还讨论了蒸馏与推理轨迹窃取之间的界限。

论文投机解码推理轨迹模型安全

推荐理由：想知道怎么从推理模型里偷思维链？这篇讲透了投机解码的另类用法，安全研究者必看。

原文

16:25

官方账号arXiv cs.AI@Ali Saleh, Abdul Karim Gizzini, Mohamad Ghassany, Ali J. Ghandour

该论文提出一种以熵为中心的可解释AI（XAI）方法，用于遥感图像的语义分割。作者还设计了一种新的XAI评估方法，以高效衡量所提方法高亮区域的相关性。实验结果表明，该方法在性能上优于近期为语义分割适配的XAI方法。研究旨在提升黑盒模型在遥感等关键领域的透明度和信任度。

论文可解释AI 遥感图像分割熵

推荐理由：这篇论文给遥感图像分割的可解释性带来了新思路，用熵做核心，还配了新的评估方法，比现有方法效果更好。

原文

16:24

官方账号arXiv cs.AI@Alam Noor, Luis Almeida, Mohamed Daoudi

本文提出3D-SPFES系统，利用单目RGB相机和VideoDepthAnything估计3D空间，将SPFES面部标志（如耳朵、眼睛、鼻子）嵌入3D欧几里得空间。系统采用加权几何图神经网络（WG-GNN），包含K=3层几何感知消息传递和缩放点积注意力，增强解剖相关标志间信息。节点嵌入聚为O=3个疼痛级别簇，并整合为范围[0,100%]的归一化疼痛评分（NPS）。该方法避免专用深度硬件，提升疼痛评估的3D解剖准确性。

论文 3D-SPFES WG-GNN 绵羊疼痛评估

推荐理由：这篇论文用3D图神经网络给绵羊做疼痛评估，不用深度相机，单摄像头就能算，比传统2D方法更准，做动物福利或AI应用可以看看。

原文

15:59

官方账号arXiv cs.AI@Alicia Larsen, Victoire Laurent, Aulia Kharis Rakhamsari, Lara Turgut, Nino Antulov-Fantulin

V-FiLLM 是一个新的金融推理基准框架，通过可执行计算树在真实表格上生成题目，答案由构造保证正确，无需人工标注。基准提供四个难度控制维度：计算深度、表达式广度、金融概念复杂度和上下文规模。评测显示，推理深度增加时准确率最高下降51%，对抗性数值扰动下下降47个百分点。对开源模型进行轻量 LoRA 微调后，在留出问题上准确率从81.1%提升至85.6%，并在 FinQA 上比基础模型高5个百分点。

论文 V-FiLLM 金融推理基准测试

推荐理由：想测金融表格推理？V-FiLLM 用计算树自动生成题目，不用人工标注，还能控制难度，微调后效果提升明显。

原文

07:59

07:59IT之家（博客/媒体）

天文学家发布了迄今规模最大的宇宙二维地图，由DESI Legacy Imaging Surveys团队制作，包含5.6万亿像素，覆盖近40亿个天体，整合了超过26.3万次望远镜曝光数据，历时十余年完成。该地图覆盖约四分之三的天空，观测波段包括可见光和近红外，为恒星、星系等宇宙现象提供了全景视图。该数据已支撑DESI项目绘制超过4700万个星系和类星体的三维地图，并可能揭示暗能量随时间变化的证据。此前数据集已被超过1800篇科学论文引用，最新数据将有助于寻找罕见天体、研究星系演化，并训练AI系统分析未来巡天数据。

论文 DESI 宇宙地图暗能量

推荐理由：DESI团队发布了史上最大的宇宙二维地图，5.6万亿像素、近40亿天体，还帮暗能量研究提供线索，天文爱好者别错过。

原文

04:05

官方账号NVIDIA AI@NVIDIAAI

NVIDIA在发布Lightning模型的同时，推出了Nemotron-RL-Agentic-Terminal-Pivot数据集。该数据集是用于后训练编码智能体能力的开放智能体强化学习数据集。数据集已上传至Hugging Face平台，供开发者使用。

论文 NVIDIA Nemotron-RL-Agentic-Terminal-Pivot Hugging Face

事件专题

推荐理由：NVIDIA开源了训练编码智能体的数据集，想搞强化学习或智能体开发的可以看看。

原文

04:03

AI Will@FinanceYF5

一项新研究首次证明，模型从未在机器人轨迹上训练，却能通过人类数据提升机器人任务表现。研究显示，人类数据量越大，模型在未见过的机器人任务上表现越好。这证实了跨越“具身鸿沟”的缩放定律存在。该发现为机器人学习提供了新路径，减少对机器人数据采集的依赖。

论文具身智能缩放定律机器人学习

推荐理由：这篇讲的是用人类数据直接训练机器人，不用机器人轨迹数据也能变强，跨具身缩放定律首次被证明，值得搞机器人的朋友看看。

原文

8月11日

23:42

elvis@omarsar0

精选

Alexander Panfilov等人发现了一种利用前沿AI公司API漏洞提取隐藏推理过程的方法。该方法在大多数查询中，推理token计数与API计费思考token实现1:1匹配。这一发现表明，在不破坏加密的情况下，蒸馏推理轨迹可能早已可行。相关讨论在X平台上引发关注。

论文推理模型 API漏洞 token

推荐理由：有人发现了从各家前沿模型API里偷看隐藏推理的漏洞，还验证了计费token对得上，挺有意思的。

原文

12:58

AK@_akhaliq

精选

SWE-Bench ProMax 是一个新基准，用于评估 AI 智能体在大规模多语言代码重构任务上的表现。该基准基于 SWE-Bench 扩展，覆盖多种编程语言，任务规模更大。论文已在 Hugging Face 发布，旨在测试智能体处理复杂重构的能力。初步数据显示，现有模型在该基准上仍有较大提升空间。

论文 SWE-Bench ProMax 代码重构智能体

推荐理由：想测测你的 AI 编程助手在多语言重构上到底行不行？这个新基准 SWE-Bench ProMax 就是干这个的，比原来的 SWE-Bench 更狠。

原文

12:48

官方账号arXiv cs.LG@Valentijn Oldenburg, Floris de Kam, Stef de Wildt, Jarno Nilson Balk

Mattos等人2025年提出，人口统计均等（Δ_DP）无法检测链接排名中的曝光偏差。本复现研究证明，即使某些子群链接被系统排名靠后，Δ_DP仍可能显示总体均等。研究验证了排名感知的归一化KL散度（NDKL）能有效检测此类差异，并复现了后处理方法MORAL在保持效用的同时改善曝光公平性。实验覆盖合成同质性设置、分类敏感属性及多种公平性指标，结果显示MORAL在多样场景中仅以极小效用损失减少偏差。代码已开源。

论文链接预测公平性 NDKL

推荐理由：想搞懂链接预测公平性指标怎么选？这篇复现研究告诉你Δ_DP会漏掉排名里的偏见，NDKL和MORAL才是真能打的。

原文

12:47

官方账号arXiv cs.LG@Lecheng Kong, Like Hui, Haitao Mao, Jun Huan

论文指出基于置信度的无验证器测试时扩展（VF-TTS）方法在复杂任务上会崩溃，因为高置信度常表示探索失败。作者提出Consilience框架，通过评估推理中置信度的时间不对称性，惩罚初始高置信度并要求最终确定性。在研究生级数学问题和自由形式代码生成实验中，Consilience优于现有基线。

论文 Consilience 测试时扩展推理模型

推荐理由：如果你做推理模型，这个框架能解决置信度评分在复杂任务上失效的问题，用时间不对称性挑出真正靠谱的答案。

原文

12:45

官方账号arXiv cs.LG@Seongjin Choi

该研究提出一个双层框架评估足球控球质量。第一层是事件侧垃圾控球指数，基于预期威胁网格定价控球序列，并排除领先保护性传球，在2026年世界杯103场比赛中，该指数与积分负相关（r=-0.37），与xG差负相关（r=-0.51）。第二层通过广播视频投影测量空间创造指数（SCI），在35个标记窗口中发现74%为非空间创造，19%为弱推进，6%为空间创造。该框架能区分空间创造但未转化与死球权，这是仅基于事件的有球价值模型无法做到的。

论文足球分析控球质量空间创造指数

推荐理由：这篇论文用世界杯数据证明控球率是骗人的，60%控球可能全是无效倒脚。它用视频分析区分了死球和创造空间的控球，对看球和战术分析都有启发。

原文

12:44

官方账号arXiv cs.LG@Xu Ouyang, Moontae Lee

FinATOM提出一种无任务特定头部的统一接口，通过约束token生成直接进行三步股票收益预测和五ETF动态配置。预测模型自回归输出波动率标准化收益token，结合序数和排序监督及单轮token级策略训练。配置模型生成归一化多头权重，SFT模仿因果均值-方差锚点，GRPO优化21天夏普比率。2023-2025年ETF测试中，配置策略将毛夏普从1.428提升至1.529，净夏普从1.394升至1.494。在FinTexTS上，SFT和策略方法分别实现73.52%/2.68和73.72%/2.69的累计收益/夏普。

论文 FinATOM 金融预测资产配置

推荐理由：想看看大模型能不能直接干金融预测和调仓？FinATOM用token生成搞定，夏普从1.428提到1.529，还开源了思路，值得一读。

原文

12:41

官方账号arXiv cs.LG@Dongchi Huang, Hongyin Zhang, Bohan Hou, Siteng Huang, Zhian Su, Hang Guo, Tong Lu, Zhaofeng Xu, Jiahao Tang, Jianfei Yang, Donglin Wang, Peixi Peng, Mingxiu Chen, Deli Zhao, Xin Li

精选

RynnValue是一个开源的机器人操作价值基础模型，用时间距离替代偏好或进度作为监督信号，可从时间戳直接生成标签，无需额外标注。该模型在7000多小时、约300万条指令条件片段上训练，在RBM-EVAL-OOD基准上平均Kendall's tau_a达0.675，超过偏好监督的SOTA（0.655），并是仅进度监督基线（0.292）的两倍多。通过势能塑形转为稠密奖励后，RynnValue将真实世界策略成功率从52.5%提升至72.5%（在线），离线从63.8%提升至82.5%。

论文 RynnValue 机器人操作价值模型

推荐理由：想搞机器人奖励模型但被标注烦死的看过来，RynnValue直接用时间戳当监督，不用偏好标注，效果还反超SOTA，成功率涨了20个点。

原文

12:40