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12日
16:39
16:25
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
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-SPFESWG-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
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
04:03
8月11日
23:42
12:58
12:48
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
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
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
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
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
12:40官方账号arXiv cs.LG@Hernan J. Silva-Sosa
该论文提出一个用于实时气候风险评估的方法框架，利用数据驱动的临近预报技术增强哥伦比亚农业供应链的韧性。框架整合基于历史气象观测的短期气候预报与供应链风险建模，构建概念性早期预警系统架构。原型在受控计算环境中实现，使用官方统计和再分析产品的历史气象与农业时间序列，不依赖卫星图像或计算机视觉。实验表明，短期降水临近预报可转化为可操作的风险指标，支持库存、采购和运输的预判决策。
论文气候风险评估供应链韧性临近预报
推荐理由：这篇论文把气候预报和供应链风险结合，用哥伦比亚农业数据做了原型验证，适合关注气候风险建模和供应链管理的人看。
原文
12:39
12:38
12:38官方账号arXiv cs.LG@Samaneh Rezaeimanesh, Mohsen Behradfar, Mohammad Fili, Guiping Hu
Child Mind Institute使用Helios腕戴设备收集数据，结合惯性测量单元、热电堆传感器和飞行时间传感器，捕捉运动、热感和距离信息。研究团队开发了结合卷积神经网络和门控循环单元的深度学习框架，并加入模态专用自编码器和晚期融合分类器。该框架在二元检测中F1分数达0.985，AUC为0.997，九类分类中宏平均F1为0.700，AUC为0.963。Shapley解释显示飞行时间和惯性模态主导判别力，层级聚类表明误分类主要由手势解剖区域驱动。研究证明多模态融合可实现准确、客观、连续的行为监测，为可穿戴辅助心理健康诊断奠定基础。
论文多模态融合可穿戴设备深度学习
推荐理由：这个研究用腕带传感器加深度学习，检测拔毛、抠皮这类小动作，F1到0.985，比单模态准多了，对心理健康监测挺有参考价值。
原文
12:34
11:57
11:57官方账号arXiv cs.AI@Oluwanifemi Bamgbose, Simon Rosen, Jash Shah, Lindsay Devon Brin, Hoang H Nguyen, Anke Koelzer, Rachel Hansen, Tara Bogavelli, Fanny Riols
arXiv论文提出首个维度级TTS元评估基准，将自然度拆解为10个语言学感知维度，包含860条由语言学家标注的语音样本。基准测试4个MOS预测器和4个Audio-LLM评判器后发现，MOS预测器仅反映声学信号质量，Audio-LLM评判器对特定提示有选择性检测且无法跨维度泛化。两类方法均不能可靠捕捉语言学结构化的语音错误。数据集、标注模式和评估代码已公开。
论文TTSMOSAudio-LLM
推荐理由：做TTS评测的可以看看，这篇把自然度拆成10个维度，实测发现MOS和Audio-LLM都测不全，还公开了数据集和代码。
原文
11:56
11:56官方账号arXiv cs.AI@Hunar Batra, Lachin Naghashyar, Ashkan Khakzar, Philip Torr, Christian Schroeder de Witt, Constantin Venhoff, Ronald Clark
MMDiff是一个多模态模型差分框架，通过训练多模态稀疏自编码器（SAE）来发现和控制多模态大模型（MLLM）的内部特征。该框架支持特征隔离、任务特定特征检测和特征级控制三种用途。研究团队在LLaVA-MORE、PaliGemma 2和InternVL3.5三个模型家族上训练了多模态SAE，并在视觉空间理解、多模态安全和OCR任务上进行了评估。移除MMDiff发现的特征可使空间任务性能平均下降12%、OCR下降17%，多模态安全攻击成功率降低24%，且不影响VQA性能。特征引导在空间和OCR任务上分别比标准单层引导基线平均提升+3.6%和+1.8%。
论文MMDiff多模态大模型稀疏自编码器
推荐理由：想搞懂多模态模型内部怎么运作？MMDiff能找出是哪些特征让模型变聪明，还能精准控制它们，安全性和效果都有数据支撑。
原文
11:55
11:55官方账号arXiv cs.AI@Laurens Samson, Iva Gornishka, Gossa Lô, Yuki M. Asano, Sennay Ghebreab
荷兰研究者提出“Grip on LLMs”评估框架，针对政府场景的荷兰语大模型。该框架涵盖事实性、诚实性、社会偏见、能耗、成本和训练数据透明度六个维度，测试了30多个多语言及荷兰语专用模型。结果显示没有模型在所有维度上表现最佳，高质量模型通常伴随更高能耗和成本，而偏见与两者无关。事实性和诚实性由不同属性决定，高事实性不意味着高诚实性。研究团队发布了面向非技术用户的公开模型概览。
论文Grip on LLMs荷兰语评估基准
推荐理由：荷兰政府项目组做的评估框架，测了30多个模型，告诉你哪个模型在事实性、能耗、成本上表现如何，选型时直接参考。
原文
11:54
11:54官方账号arXiv cs.AI@Alban Puech, Matteo Mazzonelli, Tamara R. Govindasamy, Mangaliso Mngomezulu, Héctor Maeso-García, Thomas Tolhurst, Javad Bayazi, Ali Moeini, Naomi Simumba, Celia Cintas, David Nelischer, Romeo Kienzler, Jonas Weiss, Anna Varbella, Florian Dörfler, Gabriela Hug, Martin Mevissen, Juan Bernabé-Moreno, François Mirallès, Hendrik F. Hamann, Etienne Vos, Thomas Brunschwiler
GENCO（几何神经校正优化器）是一个统一神经求解器，用于稳态输电网分析，涵盖潮流（PF）、最优潮流（OPF）和状态估计（SE）。在PFDelta和OPFData基准上，GENCO在大规模PF中比牛顿-拉夫逊法快30倍，同时匹配DC-PF的功率平衡残差。在OPF中，它比IPOPT快85倍，并提高了可行性和最优性。在SE中，GENCO对噪声和参数误差的鲁棒性优于加权最小二乘法。配套的开源GridFM开发框架和百万级数据集支持可复现的基准测试。
论文GENCOGridFM电力系统
推荐理由：电力系统工程师看过来：GENCO一个模型搞定潮流、最优潮流和状态估计，比传统求解器快几十倍，还开源了框架和数据集，想上手试试的别错过。
原文
11:53
11:53官方账号arXiv cs.AI@Derin Gezgin, Jim O'Connor, Tanner Goodwin, Gary B. Parker
DSLE是一个容器化平台，将《黑暗之魂：重制版》的22个Boss战作为Gymnasium风格基准。DSLE-5子集包含5个代表性Boss，用于评估随机策略、专家系统、进化基线和PPO/DQN智能体。专家系统和进化基线分别以63%和43%的胜率击败教程Boss，但其他方法均未击败其余Boss。PPO和DQN在教程Boss上胜率最高仅0.33%，其余为0%。研究通过生存时间和伤害量报告失败案例。
论文DSLEDark Souls强化学习
推荐理由：想测强化学习在硬核动作游戏里的极限？DSLE把黑暗之魂Boss战变成基准，PPO和DQN连教程Boss都打不过，看看专家系统怎么赢的。
原文
11:52
11:52官方账号arXiv cs.AI@Congfeng Cao, Pengyu Zhang, Jelke Bloem
本文系统研究了思维模式融合（TMF）训练中思考与非思考模式的数据比例和训练调度对数学推理的影响。作者构建了包含多种数据比例和三种训练调度的基准测试，发现增加非思考监督比例会降低思考模式准确率，两者存在不对称交互。不同训练调度可调节这种权衡，最优调度取决于数据比例。研究还量化了两种模式监督间的负相关，为TMF训练设计提供实践指导。代码和数据已在Fusion Bench开源。
论文TMF数学推理训练调度
推荐理由：想搞懂思考模式和非思考模式怎么配比训练？这篇论文用数学题做了系统实验，告诉你数据比例和调度怎么影响推理准确率，还开源了基准。
原文
11:51
11:51官方账号arXiv cs.AI@Björn Engdahl, Adrian Kosowski, Jan Chorowski, Zuzanna Stamirowska, Przemysław Uznański, Junlin Jiang, Rohan Phadke, Remigiusz Kinas, Richard Zhong
BDH-CQ 是一种结合上下文学习与循环潜在推理的推理模型，推理时输入持续更新模型记忆，并在高维潜在空间迭代计算，不输出中间推理过程。在 ARC-AGI-1 公开评测集上，150M 参数配置达到 29.5% pass@2，单任务推理成本仅 0.0007 美元。该结果突破了 ARC-AGI-1 此前报告的成本-准确率帕累托前沿，树立了新的基准成本效率标杆。研究还通过受控 ARC 干预实验，分析了模型从演示中学习的内容、应用推断变换的一致性及难点概念。
论文BDH-CQARC-AGI-1推理模型
推荐理由：这个模型用循环潜在推理做上下文学习，150M 参数在 ARC-AGI-1 上花 0.0007 美元就拿到 29.5% 的 pass@2，性价比直接刷新纪录，值得看看它怎么做到的。
原文
11:48
11:48官方账号arXiv cs.AI@Wanying Qu, Qinghua Mao, Yu Li, Jiyao Liu, Xin Zhang, Dadi Guo, Yanxu Zhu, Qingyu Liu, Leitao Yuan, Xi Lin, Shanfeng Zhu, Yanwei Fu, Jing Shao, Xia Hu, Dongrui Liu
SHE框架将智能体安全机制分解为系统提示、规则库、安全记忆和工具策略四个组件，每个组件有明确的安全职责。该框架通过归因引导的进化循环，将轨迹失败转化为结构化诊断，并学习组件特定的边界优化。在Agent-SafetyBench上，SHE相比静态SafeHarness将攻击成功率降低3.1倍，同时提升良性效用。进化后的安全机制在AgentHarm基准上泛化到未见风险，并无需额外进化即可跨智能体模型迁移。
论文SHELLM智能体AI安全
推荐理由：SHE把智能体安全从模型权重扩展到运行框架，分解成四个可独立进化的组件，实测攻击成功率降3.1倍，还能跨模型迁移，搞AI安全的值得看看。
原文
11:47
11:47官方账号arXiv cs.AI@Yapeng Liu, Yuanzhao Zhai, Bo Ding, Huaimin Wang, Lin Wang
arXiv 新论文提出能量结构潜在世界模型（ELWM），将能量和动量显式编码进潜状态，通过耗散和控制端口保证严格因果转换。基于 RGB-D 和惯性交互历史训练，ELWM 确保预测物理一致。配套的物理条件神经时间场（PC-NTF）通过 Eikonal 方程集成到到达时间场，生成导航策略。在跨场景评估中，PC-NTF 将 0.8 秒运动预测 NRMSE 从 0.36 降至 0.29，导航成功率从 81.3% 提升至 89.7%，SPL 从 0.64 升至 0.73，物理碰撞率从 12.1% 降至 5.8%。
论文ELWMPC-NTF运动规划
推荐理由：这篇论文把物理规律直接塞进潜空间，导航成功率涨了 8 个点，碰撞率砍半，做具身智能的值得看看。
原文
11:46
11:46官方账号arXiv cs.AI@Abraham Gonzalez, Raghav Gupta, Akanksha Jain, Hanna Alam, Alexander Novikov, Po-Sen Huang, Matej Balog, Marvin Eisenberger, Sergey Shirobokov, Ngân Vũ, Hank Levy, Borivoje Nikolić, Sagar Karandikar, Martin Dixon, Parthasarathy Ranganathan
ArchAgent v2 将自动化微架构搜索扩展到多级数据预取。它引入级联进化搜索，按缓存层级依次进化和冻结预取器，并加入硬件可实现性反馈回路，在进化过程中实时估算硬件规模。在 DPC4 规则下，ArchAgent v2 自动设计的三级预取器比人工设计的冠军方案表现更好，几何平均 IPC 较基线提升 3.8%，较前冠军 BertiGO 提升 0.3%。在低带宽单核配置下，其性能提升达 4.6%，而 BertiGO 仅为 2.6%。
论文ArchAgentDPC4数据预取
推荐理由：AI 自动设计芯片预取器，居然跑赢了 DPC4 冠军方案，单核低带宽下提速 4.6%，搞硬件架构的值得看看。
原文
11:45
11:45官方账号arXiv cs.AI@Diandian Zhang, Tingyu Song, Lin Fu, Zheyuan Yang, Yilun Zhao
Sci-VBench 是一个评估科学领域视频生成的新基准，包含 1,253 个专家标注示例，覆盖 60 个主题和四个学科。该基准要求模型生成具有科学推理和知识基础的视频，而非仅表面视觉合理性。研究显示，非专家评估者和 MLLM-as-Judge 系统与专家判断有较高一致性。对 16 个模型的测试发现，自动感知质量分数相近，但提示接地和科学因果正确性差异显著，且专有模型与开源模型差距明显。这表明视觉真实性的进步尚未转化为对科学和因果动态的可靠建模。
论文Sci-VBench视频生成科学推理
推荐理由：想知道视频生成模型在科学推理上有多靠谱？这个新基准测了 16 个模型，发现视觉好看不等于科学正确，专有和开源差距不小。
原文
11:44
11:44官方账号arXiv cs.AI@Alexander Panfilov, David Schmotz, Ilia Shumailov, Luca Beurer-Kellner, Joachim Schaeffer, Ameya Prabhu, Jonas Geiping, Maksym Andriushchenko
精选76°
Anthropic、OpenAI和Google等主流LLM提供商将推理轨迹加密后返回客户端，但研究发现这些加密块在会话、用户和模型间可互换。攻击者将加密轨迹注入同提供商的较弱模型，可强制其明文输出推理内容，无需直接越狱更强模型。通过解码315,320个推理块，研究者恢复了367个PII和182个凭证。该漏洞还支持隐形提示注入，可污染智能体部署。论文提出加密和系统级缓解措施。
论文推理模型AI安全Anthropic
事件专题
推荐理由：这篇论文揭露了Anthropic、OpenAI和Google推理加密的漏洞，能跨模型解密，还挖出大量隐私数据，搞AI安全的必看。
原文
11:43
11:43官方账号arXiv cs.AI@Mahvish Nagda, Jihyeon Lee, Matthew Thompson, Chunjong Park, Tim Strother, Valentin Liévin, Roma Ruparel, Akshay Goel, Teya Bergamaschi, Suhana Bedi, Meet Shah, Pavel Dubov, Liviu Panait, Toshiyuki Fukuzawa, Sam Schmidgall, Craig Schiff, Joseph Xu, Aliya Rysbek, Yana Lunts, Jan Freyberg, Rebecca Hemengway, Sunny Virmani, David Racz, Carey Radebaugh, Joëlle Barral, Kavi Goel, Dale R. Webster, Katherine Chou, Avinatan Hassidim, Yossi Matias, James Manyika, Gregory Wayne, Tao Tu, Yun Liu, Ethan Goh, Christina Chen, Ryutaro Tanno, Po-Hsuan Cameron Chen, Mike Schaekermann, Anil Palepu
71°
谷歌研究团队推出AMIE（Video），一个基于Gemini的多智能体系统，支持低延迟对话、临床推理和实时视听感知。在包含30名初级保健医生、15名患者演员和100个临床场景的随机OSCE研究中，AMIE（Video）在病史采集、诊断、管理和体格检查方面与医生评分相当或更优。患者演员更偏好AMIE的病情评估和解释方式，但医生在建立融洽关系和伙伴关系上更受青睐。模态消融显示，患者更偏好视频界面而非纯文本聊天。研究指出在精细解剖精度、细微情感表达和高频动作方面仍有局限。
论文AMIEGemini医疗AI
推荐理由：谷歌把医疗AI做到视频问诊了，AMIE视频版在100个临床场景里和真人医生打平甚至更好，患者还更喜欢它的解释方式，想看看AI看病到底行不行可以读这篇。
原文
11:42
11:42官方账号arXiv cs.AI@Rohan Bhagra, Mahantesh Halapannavar, Uddhav Bhattarai
该论文提出在机器人规划与执行之间加入LLM驱动的验证层，评估动作的可行性。采用LLM-as-a-Judge集成，结合多模型链式推理与专家输出合成，类似专家混合与自一致性方法。该层作为中间件，在计划到达MCP服务器前进行门控，支持批准、拒绝或升级人工审查。系统在批准/升级/拒绝类别上达到近85%的精确度，对对抗性攻击的遏制率达97%。错误主要出现在升级边界，接受与拒绝任务间的误差可忽略。
论文Agentic HarnessesLLM-as-a-Judge机器人自主性
推荐理由：这篇论文给机器人规划加了个AI裁判，能拦下不安全或不合规的动作，对抗攻击遏制率97%，做机器人安全的值得看看。
原文
11:41
11:41官方账号arXiv cs.AI@Yifeng He, Jicheng Wang, Yinzhe Zhao, Jiachen Liu, Hao Chen
arXiv 论文提出自主研究智能体的 generate-and-rank 范式忽略了稀疏反馈问题。研究者认为其控制循环与灰盒模糊测试器一致，需在每次实验暴露廉价密集的认知进步信号。该信号应指导下一步干预，使智能体搜索而非重复采样，最终验证仍需保护性证据避免自适应复用。论文提出测试候选信号预测验证进步、反馈导向搜索比重复采样单位成本更多验证发现、保护性验证减少假发现。
论文自主研究模糊测试反馈架构
推荐理由：这篇论文把自主研究比作模糊测试，点出反馈架构才是瓶颈，不是生成。想搞懂 AI 科研智能体该往哪走，值得一看。
原文
11:40
11:39
11:39官方账号arXiv cs.AI@Zichao Yu, Chengzhi Yu, Shengze Xu, Yujin Han, Bingqing Jiang, Xu Wang, Difan Zou
精选
在线策略蒸馏（OPD）是LLM后训练的核心环节，但存在退化一致性问题：学生通过重复循环获得与教师近乎完美的token一致，但整体回答有缺陷。论文将焦点转向师生不匹配，发现不匹配token分为学生多余和学生缺失两类。提出的TIDE方法采用有界Hellinger整形抑制多余token，并通过教师top-K注入恢复缺失token的概率质量。在Qwen3多个师生对上的数学推理基准中，TIDE优于标准OPD及近期基线，在强不匹配场景下Avg@8从6.9%提升至20.3%，平均响应长度缩短3.6倍。
论文TIDE在线蒸馏Qwen3
推荐理由：这篇论文讲了个反直觉的事：蒸馏时师生token一致反而可能有害。TIDE方法在数学推理上把准确率从6.9%拉到20.3%，还让回答短了3.6倍，值得做LLM后训练的人看看。
原文
11:38
11:37
11:36
11:36官方账号arXiv cs.AI@Haoyu Yang, Meixing Shi, Zengjie Chen, Haoran Sun, Haitao Leng, Xiaoming Shi, Yuxiang Cai, Yankai Jiang
MedPixel是一个统一的医学像素-语言模型，通过共享的语言-掩码接口连接临床语言、视觉推理与像素级定位。研究团队构建了MedPLG-440K数据集，包含约44万个像素-语言任务样本，通过临床驱动的合成流程生成，无需外部LLM标注。模型采用联合多任务监督微调和像素级偏好优化训练，后者利用真实掩码作为离线验证器，从掩码质量推导响应偏好。MedPixel支持显式定位、隐式推理、空间交互、可解释分割和医学VQA等任务，在像素级预测和响应生成上均表现强劲，并具备对零样本外部基准和模糊空间提示的鲁棒性。
论文MedPixel医学图像分割视觉语言模型
推荐理由：医学图像分割和语言模型终于打通了，MedPixel一个模型搞定定位加问答，还自带44万样本的数据集，搞医学AI的值得看看。
原文
11:26
11:26官方账号arXiv cs.AI@Ghanshyam Verma, Simanta Sarkar, Devishree Pillai, Hotaka Shiokawa, Yourong Xu, Fiona Veazey, Peter Hubbert, Hui Su, Paul Buitelaar
KGCaRe是一种混合方法，结合神经检索与符号推理，通过多提示提取策略从文档构建知识图谱并存入图数据库，同时将文档嵌入向量库。它采用LLM引导的迭代图遍历提取相关三元组，并在初始遍历不足时利用线索实体再次遍历。在Mistral、Mixtral、GPT-3.5和GPT-4o等多个LLM上，KGCaRe在两个复杂条件问答数据集上持续优于Vanilla LLM、Vanilla RAG、Think-on-Graph等基线。该方法已公开软件管道。
论文KGCaRe知识图谱RAG
推荐理由：KGCaRe把知识图谱和RAG结合，复杂条件问答比普通RAG更准，多个模型上都赢了，代码也开源了。
原文
11:24
11:24官方账号arXiv cs.AI@Pinzhen Chen, Koel Dutta Chowdhury, Xiaoya Xu, David Tan, Doreen Osmelak, Ona de Gibert, Ariun-Erdene Tumurchuluun, Ashok Urlana, Fedor Sizov, Hale Sirin, Jesujoba Alabi, Karrar Talib Abed, Mateusz Klimaszewski, Nikolay Bogoychev, Niyati Bafna, Patricia Schmidtova, Preksha Manjunath Shanbhag, Sherrie Shen, Vilem Zouhar, Vivek Iyer, Yasser Hamidullah, Yusser Al Ghussin, Zheng Zhao
Cultivar 是一个基于 FLORES 的本地化翻译基准，用于评估模型在特定地区文化语境下的翻译能力。该基准通过源语言对比设计，将未本地化版本与本地化版本配对，以检测数据污染和本地化鲁棒性。研究对 32 个开源权重模型进行测试，发现机器翻译专用模型鲁棒性较差，部分模型可能过拟合 FLORES，且模型普遍更擅长翻译美国内容而非其他地区内容。
论文CultivarFLORES翻译基准
推荐理由：想测翻译模型有没有背答案？Cultivar 用本地化对照来抓数据污染，32 个开源模型跑下来，发现 MT 专用模型反而更脆，美国内容翻译得最好。
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」）。