综述相关 AI 资讯

8月13日

18:01

官方账号arXiv cs.AI@AmirHossein Eshghi, Hamid Saadatfar, Seyyed Ali Hoseini, AmirMohsen Eshghi, Siavash Arjomand Bigdel

该综述聚焦类激活映射（CAM）这一可解释视觉技术家族，梳理了自2016年首个CAM提出以来的57篇方法论文。文中按归因机制、架构依赖和评估目标构建分类体系，涵盖梯度法、无梯度评分、高分辨率上采样、弱监督定位、Transformer token归因以及基于CLIP、DINO、SAM的方法。综述指出研究趋势正从单层低分辨率类别分数解释转向多层、概率化、token感知和基础模型感知的比较式解释。评估协议仍碎片化，忠实度、定位、鲁棒性、计算成本和人类信任缺乏统一标准。

论文 CAM 类激活映射可解释性

推荐理由：想系统搞懂CAM方法演进，这篇57篇论文的综述把梯度法、Transformer归因、CLIP/DINO/SAM时代的新做法都梳理清楚了，还指出了各方法留下的坑。

原文

8月12日

18:23

官方账号arXiv cs.LG@Pavel Averin, Theodoros Moysiadis, Ioannis Katakis

该综述系统梳理了约束因果发现中的条件独立性检验方法，涵盖PC和FCI算法中骨架剪枝与方向判定的核心环节。文章将CI测试分为偏相关、列联表、回归、最近邻、核和机器学习六大家族，并重点分析各族的鲁棒性局限。综述指出CI检验的统计功效随条件集规模增大而衰减，且I型/II型错误不对称会影响图级骨架恢复和v结构定向。文章还比较了主要R和Python库的采用情况，并总结了混合类型数据、小样本误差控制等开放挑战。

论文条件独立性检验因果发现 PC算法

推荐理由：做因果发现的朋友可以看看，这篇把PC和FCI背后的CI检验方法按六个家族梳理清楚了，还讲了每种方法什么时候会失效，省得自己踩坑。

原文

18:16

官方账号arXiv cs.LG@Songlin Du, Xiaoyong Lu, Zeyu Wu, Xiaobo Lu, Guobao Xiao, Bin Fan, Jiayi Ma, Takeshi Ikenaga

该综述系统梳理了跨视角特征匹配领域，提出涵盖特征提取、单类型匹配器、多类型匹配器、视觉基础模型方法、训练策略和鲁棒估计的分类体系。文章对代表性方法在统一协议下进行基准测试，比较性能差异。综述指出领域正从任务特定模型转向统一可泛化的对应模型，并讨论了效率、极端条件鲁棒性和跨域泛化等开放挑战。

论文跨视角特征匹配视觉基础模型综述

推荐理由：想了解跨视角匹配的现状和未来？这篇综述把方法分类、基准测试和基础模型趋势都讲清楚了，适合快速入门。

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

8月7日

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

7月14日

12:33

官方账号arXiv cs.AI@Gabrielle Kaili-May Liu, Areeb Gani, Jacqueline Lu, Jordan Thomas, Mark Steyvers, Arman Cohan

这篇论文首次系统梳理了大型语言模型（LLM）的元认知研究现状。作者提出了一个分类框架，涵盖测量和评估元认知能力的方法与基准，如自一致性检测和校准评分。总结了提升LLM元认知的技术，包括提示策略和训练方法。讨论了元认知在提升LLM可靠性、透明度和安全性方面的应用与挑战。

论文 LLM 元认知综述

推荐理由：想了解LLM怎么学会自我反思？这篇综述盘点了最新进展，包括怎么测量和提升元认知，对研究AI透明度很有参考。

原文

7月3日

09:36

官方账号arXiv cs.AI@Javier Irigoyen, Roberto Daza, Aythami Morales, Julian Fierrez, Ruben Tolosana, Ruben Vera-Rodriguez, Francisco Jurado, Alvaro Ortigosa

这篇论文基于欧盟AI Act等新兴监管框架，分析了AI系统风险评估与管理的需求。它梳理了从技术故障到伦理社会影响的风险谱系，并评述了多种AI风险识别与分析的方法论。论文还指出了当前方法论中的最佳实践与研究空白，为后续研究提供了方向。

论文 AI Act 风险评估智能系统

推荐理由：想了解AI风险评估的学术框架？这篇综述覆盖了AI Act等监管背景，适合研究者快速掌握现状。

原文

6月30日

11:45

官方账号arXiv cs.AI@Tianyu Ding, Aditya Nannapaneni, Bingfan Liu, Ling Zhang

该综述聚焦于“永远在线”的LLM智能体，将其视为持久状态系统，涵盖可检索记忆、任务账本、权限、凭证等。论文提出了六个诊断轴（权威性、范围、可变性、来源、可恢复性、可操作性）和生命周期（写入、验证、组织、检索、行动、更新、遗忘、审计、回滚）。基于435篇论文的编码语料库，发现当前研究集中在状态积累与检索，而忽视治理、恢复与放弃。为此，作者引入了Always-On Evaluation Protocol（AOEP-v0），一种通过评分状态突变和恢复义务来测试治理需求的评估合同。该议程将永远在线智能体与数据库、分布式系统、形式化方法、能力安全和机器遗忘等领域联系起来。

论文 Always-On Agents LLM智能体持久状态

推荐理由：一篇很扎实的综述，把LLM智能体“一直在线”带来的状态管理问题系统化了。有435篇论文支撑，还提出了自己的评估协议AOEP-v0，适合想深入理解智能体持久化设计的读者。

原文

6月26日

09:30

官方一手arXiv: OpenAI@Haoxiang Sun, Tao Wang, Li Yuan, Jian Zhao, Jiancheng Lv

这篇来自 arXiv 的论文系统梳理了多模态大语言模型（MLLM）中视觉-语言感知的演变，首次将其视为统一的跨模态能力。论文提出了五阶段分类法，涵盖从早期方法到 OpenAI O-series、DeepSeek R-series 等最新模型带来的感知中心范式转变。它总结了每个阶段的代表性方法，并指出了开放挑战与通向通用智能的研究方向。该综述为 MLLM 感知研究提供了结构化理解与可操作的路线图。

论文 O-series R-series OpenAI

事件专题

推荐理由：想搞懂多模态模型怎么从分开看图文进化成统一感知？这篇综述用五阶段框架讲清了O-series和R-series带来的转变，比碎片化教程系统得多。

原文

6月24日

09:38

官方一手arXiv: Anthropic@Guruprakash J, Krithika L. B

该综述将Transformer架构分为encoder-only、decoder-only、encoder-decoder、长上下文、置换基与生成对抗等变体，并涵盖2023年后指令微调、RLHF、DPO、MoE、RAG等进展。它梳理了OpenAI、Anthropic、Google、Meta、Mistral、DeepSeek等主流模型家族。在应用侧调研了医疗、金融、法律、教育等7个领域的部署。论文从参数规模与能耗的权衡、对齐方法、数据溯源及基准饱和四个维度评估模型。它还点名了值得关注的开放研究问题。

论文 Transformer 语言模型综述

事件专题

推荐理由：想快速搞懂主流Transformer架构和各家模型？这篇综述帮你理清了架构分类和应用场景，还比较了参数和能耗，适合做调研入门。

原文

6月9日

11:32

官方账号arXiv cs.LG@Siyu Lou, Hao Xu, Wenguan Wang, Lu Lu, Hao Sun, Yang Liu, Linfeng Zhang, Dongxiao Zhang, Yuntian Chen

精选

这篇综述论文提出了一个面向问题的视角来理解数据驱动微分方程发现领域。作者首先引入了一个二维相图，根据结构复杂度和系数复杂度对发现问题进行组织，展示了该领域如何从发现稀疏方程发展到更复杂的物理定律。然后提出了表示-评估-优化（REO）框架作为发现过程的基本抽象，将讨论从具体算法转向决定可发现性的基本原则。论文还讨论了这些视角在物理学及相关科学中的应用，并指出下一个挑战不仅是恢复方程，而是利用它们修正现有理论、提炼机制和形成新的科学概念。

论文微分方程发现物理建模 AI for Science

推荐理由：这篇综述为做物理建模或AI for Science的研究者提供了一个清晰的领域地图和思考框架，看完能快速理解不同方法适合解决什么问题，建议点开看看。

原文

6月8日

09:28

官方账号arXiv cs.AI@Jiahao Meng, Yue Tan, Qi Xu, Kuan Gao, Weisong Liu, Yanwei Li, Jason Li, Lingdong Kong, Haochen Wang, Qianyu Zhou, Jiangning Zhang, Guangliang Cheng, Yunhai Tong, Lu Qi, Minghsuan Yang

这篇综述从人类视角出发，系统梳理了多模态大语言模型（MLLM）在视频理解中的三大核心能力：观看（感知）、记忆（上下文保持）和推理（生成可靠输出）。文章提出统一框架，将视频理解系统分解为感知表征、记忆状态、推理轨迹和最终预测，并分析了时空感知、长视频高效处理、流式理解、忠实推理等关键挑战。作者按功能分类介绍了代表性方法，涵盖细粒度感知、多模态对齐、离线/流式记忆、纯文本与视频推理等方向，并讨论了第一人称、体育、教学、医疗等应用场景及评估基准。最后指出了可扩展、记忆感知、证据驱动的视频智能的未来方向。

论文多模态大语言模型视频理解综述

推荐理由：做视频理解或 MLLM 研究的同学，这篇综述帮你把碎片化的方法统一到“观看-记忆-推理”框架下，省去自己梳理文献的时间，值得收藏作为 roadmap。

原文

5月21日

08:00

elvis@omarsar0

76°

一篇超过100页的综述报告《Code as Agent Harness》系统总结了将代码作为智能体框架（Agent Harness）的方法与应用。报告认为，代码作为智能体框架可能是迈向更广泛的“框架工程科学”的关键。论文提出未来系统必须具备四个属性：可执行、可检查、有状态、可治理。该报告为AI智能体开发者提供了全面的技术路线图，值得收藏和深入研究。

论文智能体框架工程代码即框架

推荐理由：做智能体框架开发的团队，这篇百页报告帮你理清了代码作为框架的核心逻辑和未来方向，建议直接收藏细读。

原文

5月19日

14:22

官方账号arXiv cs.AI@Xuying Ning, Katherine Tieu, Dongqi Fu, Tianxin Wei, Zihao Li, Yuanchen Bei, Jiaru Zou, Mengting Ai, Zhining Liu, Ting-Wei Li, Lingjie Chen, Yanjun Zhao, Ke Yang, Bingxuan Li, Cheng Qian, Gaotang Li, Xiao Lin, Zhichen Zeng, Ruizhong Qiu, Sirui Chen, Yifan Sun, Xiyuan Yang, Ruida Wang, Rui Pan, Chenyuan Yang, Dylan Zhang, Liri Fang, Zikun Cui, Yang Cao, Pan Chen, Dorothy Sun, Ren Chen, Mahesh Srinivasan, Nipun Mathur, Yinglong Xia, Hong Li, Hong Yan, Pan Lu, Lingming Zhang, Tong Zhang, Hanghang Tong, Jingrui He

精选72°

本文提出“代码即智能体框架”概念，认为代码不仅是输出，更是智能体推理、行动、环境建模和执行验证的操作基础。论文从三个层次系统梳理：框架接口（代码连接推理与行动）、框架机制（规划、记忆、工具使用与反馈控制）、框架扩展（单智能体到多智能体协作）。覆盖编程助手、GUI/OS自动化、具身智能、科学发现、DevOps等应用场景，并指出评估、验证、状态共享等开放挑战。该视角为构建可执行、可验证、有状态的AI智能体系统提供了统一路线图。

论文智能体代码生成框架/架构

推荐理由：这篇综述把代码在智能体系统中的角色从“输出”提升到了“基础设施”层面，做智能体框架设计或工具链开发的团队值得一读，能帮你理清当前方法的脉络和未来方向。

原文

5月17日

01:29