Papers

AI papers from arXiv and journals, each with a summary and why it matters · 7704 papers

All papers arXiv cs.AI arXiv cs.LG Journals Health →This week →

Oct 23

PapersMulti-source10:51

Chinese contentLean 4 完整形式化证明：细致平衡质量作用系统全局收敛性

数学定理证明全流程交给 Claude Opus 5.5 做决策、GPT 6 Astra 执行，最后 Lean 内核验证，AI 代理做形式化数学的完整案例。

#Lean 4 #Claude Opus 5.5 #GPT 6 Astra #形式化验证

arXiv: OpenAI@Haoran Lv et al. (4)11 sourcesSource

PapersMulti-source10:50

Chinese contentOpenAI 生成的 Barnette 猜想证明被整理成论文

OpenAI 生成了 Barnette 猜想的证明，有人把它整理成 arXiv 论文，想看模型在数学难题上的真实水平可以看看。

#OpenAI #Barnette猜想 #数学证明

arXiv: OpenAI@Zhentao Li5 sourcesSource

Chinese contentMETTA：基于神经记忆的元强化学习测试时适应方法

这篇论文搞了个叫 METTA 的方法，用神经记忆替代 transformer 回看历史，ML10/45 上成功率超 50%，算力开销还更低。

#METTA #元强化学习 #神经记忆 #PointMaze

arXiv cs.AI@Ali Najar et al. (5)Source

Papers Builders10:49

Chinese contentEpiSEM-Bench：评测 LLM 智能体在证据缺失下的安全表现

一个专门测智能体“证据不全时会不会乱来”的基准，300 组任务对测了十款模型，做 agent 安全的人可以直接拿来用。

#EpiSEM-Bench #LLM #智能体 #AI安全

arXiv cs.AI@Qijin Zhang et al. (7)Source

Papers BuildersMulti-source10:49

Chinese content论文提出低比特存储 n-gram 嵌入表，可节省约 75% 表内存

DeepSeek 的 n-gram 表动辄上千亿参数，这篇论文用 4 比特量化砍掉四分之三内存，性能几乎不掉，做本地部署的可以看看。

#DeepSeek-V4.1-Flash #Qwen3.8-Flash-Next #n-gram #模型量化

arXiv cs.AI@Stephen Chung, Wenyu Du3 sourcesSource

Papers Builders10:49

Chinese contentCausalCoT：用上下文隔离提升思维链的因果可信度

这篇论文指出了 CoT 一个老毛病：推理步骤可能是事后编的。CausalCoT 把问题拆成依赖图逐个隔离求解，因果敏感度平均涨了 12 个百分点。

#CausalCoT #Chain-of-Thought #推理模型 #可解释性

arXiv cs.AI@Gabriele Dominici et al. (5)Source

Papers Builders10:49

Chinese contentOLMo-3 检查点研究：RLVR 训练不必然加剧模型的趋同工具行为

用 OLMo-3 的 13 个中间检查点实际测了 RLVR 会不会让模型更爱追求权力，结果先升后降，数据挺有意思。

#OLMo-3 #RLVR #InstrumentalEval #AI安全

arXiv cs.AI@Barış Alparslan et al. (3)Source

Papers Builders10:49

Chinese content面向乳腺病灶管理的 RAG 系统证据感知检索评估方法

一项临床 RAG 评估研究：混合检索加 cross-encoder 在乳腺病灶文献上拿到 0.94 的 Recall@3，还发现标注范围会直接影响分数，做 RAG 评测的可以看看方法细节。

#RAG #cross-encoder #DeepEval #检索评估

arXiv cs.AI@Miguel Mochizuki Silva et al. (6)Source

Papers BuildersSelected10:49

Simulated Control Evals Predict AI Safety With Lower Error

Control evals have so far been limited to purpose-built settings whose transfer to real deployment is questionable; SCEs let safety teams test safeguards against deployment-specific environments cheaply, without executing every task. The 3.6 vs 10.1 percentage-point RMSE gap against BashArena is the concrete benchmark to cite when arguing simulation fidelity. AI safety researchers and red-team builders can apply the technique by generating simulated tool responses for their own target environments.

#AI safety #LinuxArena #BashArena #control evaluations

arXiv cs.AI@Jeffrey Olmo et al. (3)2 sourcesSource

Products Policy10:48

Chinese contentVERA 开源仪表盘：按 EU AI Act 要求评估 LLM 部署

一家欧洲银行用的开源合规仪表盘，把 EU AI Act 的 12 项可测要求跑成分数，还统计能耗，做模型合规评估的可以直接抄作业。

#EU AI Act #VERA #LLM #AI合规

arXiv cs.AI@Robin Quériaux et al. (7)Source

Papers Builders10:48

Chinese content研究：面对自信出错的 GPT-5-mini，人类反向谄媚且信任校准崩塌

反着研究谄媚挺有意思：模型自信但说错时，人反而全盘照收。1040 条数据显示信任校准会失效，做 AI 教育产品的可以看看。

#GPT-5-mini #谄媚效应 #AI安全 #信任校准

arXiv cs.AI@Deepthika S et al. (3)Source

Papers Builders10:47

Chinese content四个开源模型参加西班牙 MIR 医学住院医师考试：8B-27B 准确率与局限性

让 8B 到 27B 的开源模型做 1,552 道西班牙医学执业考试真题，能排进前几千名，但换掉图片成绩不变，细节挺扎心。

#MIR #开源模型 #医学AI #置信度校准

arXiv cs.AI@Miguel Fernandez-de-Retana et al. (5)Source

Papers Builders10:47

Chinese content扩散语言模型解掩码策略研究：856K参数策略提升LLaDA-8B推理效率

LLaDA-8B 上的研究，教你训练一个 856K 参数的小策略，让扩散语言模型解码更快更准，还能迁移到 Dream-7B。

#LLaDA #Dream-7B-Instruct #扩散语言模型 #GSM8K

arXiv cs.AI@Jinya Sakurai et al. (3)Source

Papers Builders10:47

Chinese contentSocial-HUMINT：用 LLM 量化社交媒体信息暴露程度

研究者用 LLM 把社工攻击前的“你能被挖出多少信息”变成了可量化指标，提取 F1 到 97.3%，做安全的人可以拿来测自己的暴露面。

#LLM #SOCMINT #社会工程学 #多智能体

arXiv cs.AI@Pellegrino Casoria, Simon Pietro RomanoSource

Papers Builders10:47

Chinese contentAOPD 提出按优势加权教师动作，改进在线策略蒸馏

一篇蒸馏方法论文：AOPD 不让学生照抄老师每一步，只学真正有帮助的动作，实验覆盖数学、编程和 Medqa，效果超过蒸馏和 RL 基线。

#AOPD #蒸馏 #强化学习 #SFT

arXiv cs.AI@Mahdi Sabbaghi et al. (4)Source

Papers Builders10:46

Chinese content可争议智能体治理框架：让 LLM 生成的元数据经人工审核留痕

工业企业的元数据靠少数专家维护，这篇论文让 LLM 智能体出提案、人做裁决、全程留痕，还附开源实现，做数据治理的可以看看。

#智能体 #数据治理 #元数据 #Brick Schema

arXiv cs.AI@Humza Akhtar, Brian FreemanSource

Papers Builders10:46

Chinese content论文揭示自适应序列模型中隐藏的未来Token泄漏问题

训练损失降了一半多但生成质量反而更差，这篇论文告诉你怎么用前缀不变性审计和 LeakScore 抓出这种假进步。

#LeakScore #前缀不变性 #teacher-forcing #因果注意力

arXiv cs.AI@Huiting Liu, Jinsong WuSource

Papers Builders10:46

Chinese contentJev-DLC：从类型化反馈中做决策级持续学习

一篇讲个性化持续学习的新论文，用户的每次采纳或撤销都能变成可复用的决策信号，还附带 TCPA-Bench 基准，做个性化系统可以看看。

#Jev-DLC #TCPA-Bench #持续学习 #个性化

arXiv cs.AI@Yangyang Feng et al. (4)Source

Chinese content用机制可解释性技术探测并控制 LLM 中的隐喻表征

有人用机制可解释性把模型里的“隐喻开关”找到了，能让输出变比喻或变直白，研究文本生成风格的可以看看方法细节。

#机制可解释性 #LLM #隐喻

arXiv cs.AI@Shihui Li et al. (3)Source

Papers Builders10:46

Chinese content论文：用 Golden Data Model 检索时上下文替代提示词规则，制药文案合规生成提效

一家药企把提示词规则改成检索时查结构化数据库，合规文案准确率涨了六七成，API 费用还省了近三成，做法有详细工程路径。

#LLM #RAG #提示词工程 #制药合规

arXiv cs.AI@Suyash Mishra et al. (6)Source

Papers PolicyMulti-source10:21

Chinese content研究揭示语言模型对信息来源的隐性概率偏差

这篇论文做了 6600 次实验，发现模型光是看到报告者是 Black 就直接不评估信息，警告提示反而让情况更糟，方法部分对做模型评测的人很有用。

#OpenAI #Anthropic #AI安全 #模型评测

arXiv: Anthropic@Christian Arnold et al. (5)11 sourcesSource

Papers Builders10:00

Chinese contentInside-JEPA：用逆动力学损失让潜空间世界模型理解实体关系

JEPA 潜空间一直像黑盒，这篇论文加 16 个关系通道再用逆动力学损失，不用关系标注就能让模型理解谁对谁做了什么，实验数据给得挺扎实。

#JEPA #世界模型 #逆动力学 #自监督学习

arXiv cs.LG@Hossein Resani, Javen Qinfeng ShiSource

Papers Builders10:00

Chinese content研究表明：LLM 生成博物馆文物描述时，更多元数据字段反而可能引入无据推断

给做数据到文本生成的朋友：这篇用博物馆藏品做实验，发现多给 LLM 字段不一定更准，图像也会让它瞎猜，评估方法值得换个思路。

#LLM #数据到文本 #元数据 #RAG

arXiv cs.LG@Clemencia Siro, Laura HollinkSource

Chinese contentRaSFNet 提出：面向 LiDAR 点云语义分割的射线对齐融合网络

一篇 LiDAR 语义分割新论文，把射线几何和扫描模式融进投影方法，SemanticKITTI 跑到 70.2% mIoU，做自动驾驶感知的可以看看。

#LiDAR #点云分割 #RaSFNet #SemanticKITTI

arXiv cs.LG@Chuang ChenSource

Chinese content粒子物理基础模型用于径迹重建与粒子鉴别

物理学家拿 Foundation Model 重建粒子径迹，效果超过传统方法，还能迁移到别的任务，研究思路挺有意思。

#Foundation Model #粒子物理 #径迹重建

arXiv cs.LG@Shuhang Li et al. (11)Source

Papers Builders10:00

Chinese content研究：LLM-as-a-Judge 提示策略效果依赖评审模型与语言

用 27 种语言和超百万条评分实测发现：CoT 这类提示技巧换个评审模型可能就失效，做多语言评测的得看看。

#LLM-as-a-Judge #提示词工程 #多语言 #评测基准

arXiv cs.LG@Asal Mehrabi et al. (3)Source

Papers Builders09:59

Chinese contentWholeBodyMem 为人形机器人引入记忆机制，突破 VLA 策略只看当下的局限

人形机器人转身走动就忘了刚才看到的东西，这篇用 SAM3 加关键帧记忆把真机成功率从 36.7% 拉到 88.3%，做机器人方向值得看看具体做法。

#WholeBodyMem #SAM3 #Unitree G1 #VLA

arXiv cs.LG@Chenyuan Chen et al. (5)2 sourcesSource

Chinese content预测不确定性可控的计算机模型校准方法提出，区间宽度约为 KOH 的 20%

教 AI 学校准仿真参数的新招，区间比 KOH 窄 80% 还能保证覆盖率，做流行病建模的可以看看。

#flow-matching #conformal-prediction #SEIR 模型 #统计校准

arXiv cs.LG@Ryan Heejoon Byun et al. (3)Source

Papers Builders09:59

Chinese content可穿戴IMU职业活动识别研究：LOSO评估下个体准确率差异达27个百分点

如果你在做可穿戴传感器或活动识别，这篇把 LOSO 评估的水分挤得很实在：同样模型有人 88.7% 有人 61.9%，还给出了什么时候该用个性化校准、什么时候别碰 CTGAN 的实用结论。

#VTT-ConIoT #CTGAN #人体活动识别 #可穿戴设备

arXiv cs.LG@Ihsan Ul Haq et al. (4)Source

Papers Builders09:59

Chinese content研究表明工具调用会放大模型基准对比对措辞的敏感度

用 6 个开源模型实测发现加工具后改个问法就能改变排名，做基准评测的人应该看看这套拆步骤的协议。

#arXiv #开源模型 #基准评测 #工具调用

arXiv cs.LG@Mateusz Modrzejewski, Tomasz RadzikowskiSource

Papers Builders09:59

Chinese contentPriMa-Causa：用因果基础模型改进预测性维护

这篇论文把因果推理塞进了工厂维护流程，用预训练的因果基础模型省掉逐案例建模，搞工业AI的值得看看。

#PriMa-Causa #因果推理 #预测性维护 #表格模型

arXiv cs.LG@Felix SaretzkySource

Chinese contentGM-GReFEL：几何引导的状态空间网络用于动态表情识别

一篇论文提出 GM-GReFEL，用状态空间网络替代 ViT 做视频表情识别，算力线性增长，还用几何锚点纠错，MAFW 上跑赢所有对比方法。

#GM-GReFEL #GroupMamba #动态表情识别 #状态空间模型

arXiv cs.LG@Yudhistira Arditya Pratama, Yi-Zeng HsiehSource

Chinese content研究比较 Transformer 与 Mamba 的证据位置偏差

把同一份证据在不同位置挪来挪去，测出 Transformer 有开头优势而 Mamba 没有，做长文本应用前值得看看这些曲线。

#长上下文 #Mamba #Transformer #位置偏差

arXiv cs.LG@Aman Behera et al. (3)Source

Papers Builders09:58

Chinese contentFedGRC：面向联邦学习的几何共识个性化框架

这篇论文做了个 FedGRC 框架，专治联邦学习里本地准确率高但稀有类翻车的问题，在 CIFAR-10/100 和 FedRS 上比 21 个基线都强。

#FedGRC #联邦学习 #CIFAR-10 #FedRS

arXiv cs.LG@Junyu Lin et al. (4)Source

Papers Builders09:58

Chinese contentPost-Audit Mirage：离线审计无法识别智能体部署后安全性的理论边界

一篇讲智能体安全审计盲区的论文：两个更新离线看起来一样，上线后果可能完全相反，作者还做了配套 benchmark 和监测工具。

#智能体 #AI安全 #Post-Audit Mirage #基准测试

arXiv cs.LG@Aman Behera, Payal PayalSource

Chinese contentDelta N-gram：无需反向传播的模型 N-gram 记忆持续写入方法

论文提出往模型 N-gram 表里“只前向写入”新知识，不用反传，删掉补丁就能还原原模型，持久性比梯度写入强很多。

#Delta N-gram #Qwen3.8-Flash-Next #持续学习 #N-gram

arXiv cs.LG@Hao Wu2 sourcesSource

Papers Builders09:58

Chinese contentRUNES：结合符号规则与残差网络的可解释事件序列预测

一篇把可解释性做进事件预测的论文：RULES 学出人能看懂的规则，RUNES 再叠残差网络补准确率，还能看到每条预测背后哪些规则在起作用。

#RUNES #神经符号 #事件预测 #可解释性

arXiv cs.LG@Tim Nico Bauerschmidt et al. (3)Source

Papers Builders09:58

Chinese contentDRAFT：从 fMRI 信号和相机轨迹重建 3D 房间布局

不靠一帧画面，只用脑部扫描和运动轨迹就能还原房间的 3D 结构，还当插件白给七个解码器涨分，思路挺妙。

#DRAFT #fMRI #3D重建 #视觉皮层

arXiv cs.LG@Chi-Wei Lee et al. (5)Source

Chinese content研究：Transformer 的 CoT 训练中自发涌现 Heavy-Ball 加速算法

这篇理论论文挺有意思：CoT 推理不只是抄老师算法，训练后自己悟出了比梯度下降更快的 Heavy-Ball 方法，说明推理过程真能发现新算法。

#CoT推理 #Heavy-Ball #Transformer #算法涌现

arXiv cs.LG@Yuxuan Cai, Yuan CaoSource

Models Builders09:57

Chinese contentnnInteractive Agent：用通用 AI Agent 自动完成 3D 医学影像标注

德国团队把 3D 医学影像标注交给 Claude Code 这类 Agent 干，说一句“分割咀嚼肌”就能出结果，代码开源了，搞医学影像的可以上手试试。

#nnInteractive #Claude Code #MCP/工具 #医学影像

arXiv cs.LG@Fabian Isensee et al. (6)Source