Skip to content

All updates

Today 133 items
Nov 3Tue
  1. arXiv 自然语言处理31

    通过 Token 事件证据替换构建受预算限制的 KGW 水印规避Chinese

    研究人员提出一种基于 Token 事件证据替换的 KGW 水印规避方法，利用独立大语言模型重写短语来最大化移除原始计分 Token 对。在无需密钥和检测器反馈的受控测试中，82 个样本中有 39 个在 20% 预算下将检测得分降至 Z < 4，平均实际 Token 编辑成本为 16.0%。但对比显示，该方法相比更简单的选择及常规受限重写并未确立明显优势。

  2. arXiv 人工智能45

    作弊还是单纯失败？更强大的 LLM 监控器能更好区分奖励作弊与诚实失败Chinese

    研究显示，更强能力的大语言模型监控器 Gemini 3.1 Flash-Lite 能更有效区分智能体的奖励作弊与诚实失败，检测 AUC 达到 0.80，显著优于小型本地 Llama 8B 监控器的 AUC 0.64。面对未在提示词中明确指出的作弊动作，Gemini 虽能正确描述动作却未予标记，而基于两条规则的确定性检查成功捕获了所有已知作弊。研究团队已开源该沙盒环境、标注数据与判定日志。

  3. arXiv 自然语言处理53

    判例标签与事实对大语言模型审批决策产生反向影响Chinese

    研究发现大语言模型在参考历史案例执行政策审批时，案例的判决标签与案件事实会对决策产生相反方向的引导。在案例基本相似的情况下，仅将历史判决从拒绝改为批准，可使 DeepSeek V4.1 Flash、GPT-5.6 Luna 与 Claude Haiku 5.5 的批准率提升 30 至 55 个百分点；但若仅展示案件事实而隐去判决，偏向批准的事实反而会导致模型降低批准率。

  4. arXiv 人工智能35

    CalVLA：利用结果监督塑造视觉-语言-动作策略的原生置信度Chinese

    研究人员提出 CalVLA，通过结果监督与动作-置信度对齐（ACal）损失调整 OpenVLA-7B 的原生动作 token 置信度，无需辅助检测器即可指示任务失败。在 500 个 LIBERO-10 配置测试集上，其失败判别 AUROC 从适配前的 0.4485 提升至 0.7327。但平均任务成功率从 58% 降至 55%，表明该方法主要改善了失败判别能力而非控制表现。

  5. arXiv 自然语言处理54

    模型量化重构潜在学习偏好：安全审计须匹配实际部署精度Chinese

    最新研究表明模型量化会显著改变潜在学习偏好的外在表达，导致 16-bit 精度下的安全审计无法可靠约束实际部署风险。在以 Qwen2.5-7B-Instruct 开展的实验中，8-bit 量化表现相对稳定，但 4-bit 下 HQQ 将隐藏偏好的净强度放大至 16-bit 的约 1.3 倍，而 NF4 则将其削弱至约 0.3 倍。

  6. arXiv 人工智能38

    AI 智能体防护系统的相关性感知风险评估与最优设计Chinese

    研究提出一种考虑决策相关性的多组件 AI 智能体防护系统风险评估与最优设计框架，并配套开源算法包 DAPOA。实验显示若忽视组件间相关性，基于独立性假设的设计在 8 个场景中有 6 个违反安全要求。在针对 4 种大语言模型防护系统的实证测试中，相关性感知选择在主要运行设置下将总成本降低了 39.6%。

  7. arXiv 自然语言处理37

    ElectrochemLLM：面向高保真电化学信息学的多模态 LLM 流水线Chinese

    研究人员推出多模态信息提取流水线 ElectrochemLLM，结合混合文档解析与视觉能力 LLM，可从科学文献的文本、表格和图像中联合提取结构化电化学记录。在包含 232 篇论文的电池电解质标注基准上，该流水线取得了 0.97 的 F-1 分数。该方法已用于构建涵盖 15,000 篇电化学论文的数据库 ElectroChemDB，并成功支持训练电解质性能预测模型。

  8. arXiv 自然语言处理37

    通过结构化多层次建模增强语言模型推理能力Chinese

    研究提出多层次推理方法 MLR，通过轻量级 LoRA 规划器与基座模型执行器交替协作，将长 CoT 生成重构为双层随机过程以解决长程规划漂移。该方案结合 TSMC 提出迭代 Step-DPO 提供步级监督，在仅使用 DeepSeek-R1 蒸馏设置 10% SFT 和 5% 偏好数据的预算下，在数学与逻辑推理任务中超越强 RL 基线，长程推理更具鲁棒性。

  9. arXiv 人工智能34

    基于图神经网络的高效大函数 NPN 分类Chinese

    研究人员提出首个基于学习的布尔函数 NPN 分类方法，将布尔函数表示为 AIG，并利用双向异构图神经网络预测输入置换以及输入输出的取反动作。该方法结合图重写技术以减少结构模糊性并恢复对称性，规范化质量优于启发式基准。实验表明，该方案在实际基准测试中逼近精确求解方法，并可扩展处理多达 16 个输入的布尔函数。

  10. arXiv 自然语言处理36

    多估计诱导未能一致消除大语言模型判断偏差Chinese

    研究表明，在单次回复中诱导5个加权估计的多估计诱导方法未能一致消除大语言模型的判断偏差。该研究在锚定、事后聪明、基准概率、合取及现状任务中评估了 gpt-6.1-sol、claude-sonnet-5.5 与 Qwen3-8B（禁用推理）。在23项预注册确认性测试中，经 Holm 校正仅6项被拒绝且点估计均低于预设最小效应量。

  12. arXiv 自然语言处理34

    Saidzoda-Tajik-E5-Large：微调 560M 嵌入模型用于塔吉克语检索Chinese

    Saidzoda-Tajik-E5-Large 是基于 560M 参数 multilingual-e5-large-instruct 微调的塔吉克语文本嵌入模型。该模型在 235,140 个问答对上训练，使未见法律和税务文档检索的 top-10 命中率分别提升至 93.6% 与 94.5%。在同风格测试中，其表现追平 5 倍参数规模的 Giga-Embeddings-3B，且保留了俄语与英语能力。

  13. arXiv 人工智能56

    研究团队推出无编排器多智能体代码协同基准 ParallACTChinese

    研究团队推出针对无中心编排器的多智能体代码协作基准 ParallACT，专门测试多个 AI 智能体在共享代码库中处理互补与冲突任务的表现。测试显示并行多智能体表现远逊于集中式单智能体，在冲突任务中 Claude Code 搭配 Claude Opus 4.8 的成功率从 62% 骤降至 16%；仅告知同伴存在或开放通信通道难以有效弥合性能差距，并伴随额外的 token 成本。

  14. arXiv 自然语言处理47

    从表面搜索增益到选择失效：结构化工作流规划中的测试时推理审计Chinese

    一项针对 DisasterBench 结构化工作流规划的测试时推理审计发现，名义树搜索并未带来实际自适应收益，独立采样即可复现其候选发现。多数投票在 10-19% 的任务中未选出已发现的正确工作流，且工具规范感知验证器推翻的正确决策多于其修复数量。研究建议将推理流水线按候选发现、结构验证与最终选择三个阶段分别进行审计。

  15. arXiv 人工智能34

    量化非线性嵌入的局部与全局保真度Chinese

    研究人员提出通过局部轮廓曲线量化降维映射局部保真度 L（k=10）与全局保真度 G 的方法，并推出对比两种降维映射的 LG 反转检验。该方法在 12 个数据集共 156 个映射（最高 1.38M 点）上验证，G 与既有全局得分一致性达 0.89 和 0.96；在含 100 万段落的 AI 智能体记忆中，两类映射在 150,000 段落处交叉（p = 2.6e-5）。

  16. arXiv 自然语言处理41

    基于语法透镜基准区分 GPT-5.5 Pro 的推理水平Chinese

    研究人员提出基于计算理论的形式语法透镜基准，以区分语言模型在不同测试时推理水平下的计算能力。评测显示，GPT-5.5 及 GPT-5.5-Pro-Medium、-High 和 -XHigh 的数据接受率逐步提升，分别为 16%、40%、43% 与 52%。研究还发现，随着测试时计算量增加，模型输出与人类回答的分歧扩大，暴露出模型能力与对齐之间的潜在冲突。

  17. arXiv 人工智能35

    基于三角标准矛盾的一阶逻辑自动定理生成Chinese

    研究者提出一种基于三角标准矛盾的一阶逻辑自动定理生成（ATG）构造性框架，通过构建极小不可满足子句集，实现定理无需独立证明即可“构造即正确”。该研究在已有 $\Delta_1$ 生成器基础上拓展出 $\Delta_2$ 至 $\Delta_8$ 等 7 种方法，构建了包含 8 种方法的生成体系，并已开源发布 $\Delta_1$ 至 $\Delta_4$ 四个生成器。

  18. arXiv 自然语言处理35

    DAPE：针对政策变迁推理的双轴政策蕴涵基准Chinese

    研究提出评估政策变迁推理的双轴政策蕴涵基准 DAPE，包含 1,000 对中国政府政策指令的专家标注数据集。14 款开源模型和 4 款前沿 API 旗舰模型零样本评测均表现不佳，最佳模型 Cohen's $\kappa$ 仅约 0.29，远低于人类上限 0.53。经 LoRA SFT 微调的千问（Qwen3-14B）取得 $\kappa = 0.524$，成功追平人类一致性上限（0.527）。

  19. arXiv 人工智能43

    用于计算脑影像的生成式基础模型 BrainGFMChinese

    研究人员提出计算脑影像生成式基础模型 BrainGFM，基于约 130 万张 MRI 和 CT 切片预训练，通过可重构先验支持数据合成与图像重建。该模型在 48 个下游任务中提升了分割与分类表现，并在涵盖 4,796 名中风患者的多中心临床验证中得到证实。人机协作测试中，BrainGFM 辅助使放射科医生中风亚型平均诊断准确率相对提升 14%。

  20. arXiv 自然语言处理43

    AStockArena：超越收益率，我们能否将真实资金托付给金融智能体的决策？Chinese

    研究团队推出针对中国 A 股连续交易的实时决策审计基准 AStockArena，评估 13 款开源与闭源模型在 3,198 次序列决策中的表现。该基准通过涵盖执行可追溯性、证据充分性与金融元认知的 8 项检查审计交易动作，发现在 1,070 个交易点中 72.99% 存在审计缺陷，模型级缺陷率介于 52.2% 至 91.2% 之间。

  21. arXiv 人工智能36

    Taurus：LLM 在环 CT 标注性能匹敌编码智能体且成本减半Chinese

    研究人员提出 LLM 在环 CT 标注框架 Taurus，其主动脉标注主要指标追平了基于 Claude Opus 5.5 的自由形态编码智能体。Taurus 结合自动化流程、规则平滑与模型单选题式纠错，单例标注成本仅为 $1.22，不足自由形态智能体 $2.71 的一半。测试表明其竞争力主要源自框架自动化设计，能推动医学专家从手动绘制标签转向核对审查。

  22. arXiv 自然语言处理32

    识别机器痕迹：人类与 LLM 的对话式幽默即兴创作对比Chinese

    多智能体环境下的 LLM 对话虽然连贯且富有创意，但难以复现人类在幽默即兴创作中自发口语互动的关键特征。分析显示 LLM 生成的交互倾向于表现出强烈的礼貌与正面评价，缺乏人类幽默即兴中丰富多样的态度范围。该研究结合自动化语言度量与系统功能语言学（SFL）人工标注，揭示了当前 LLM 建模对话幽默的优势与局限。

  23. arXiv 人工智能41

    OmniPiano：涵盖标准、鲁棒、安全及多智能体强化学习的灵巧钢琴演奏评测基准Chinese

    OmniPiano 是一个灵巧操作评测基准，支持 1 至 5 只 Shadow Hand，并在统一钢琴演奏任务中涵盖标准、鲁棒、安全与多智能体强化学习。该基准提供至少 912 种任务设置与 36 种基线算法，并引入基于 LLM 的智能体；评测显示 SOTA 强化学习算法与前沿 LLM 智能体在演奏任务上仍表现吃力。代码、数据集及演示均已公开。

  24. arXiv 自然语言处理34

    引导读者动态：基于大语言模型的轨迹引导故事生成Chinese

    一项新研究提出利用轨迹引导大语言模型进行故事生成的框架，通过学习人类作品中的读者动态改善叙事体验。该方法先训练小型 LLM 将未来读者反应预测为低维轨迹，再由能力更强的大型现成 LLM 依此轨迹生成相应故事片段。测试表明，该框架将基于轨迹的人类故事保真度提升了 12%-35%，同时基本保持了故事连贯性。

  25. arXiv 人工智能35

    RE-SciVQA：通过上下文相关检索与轻量级 MLLM 适配改进科学 VQAChinese

    RE-SciVQA 通过上下文相关检索增强与 LoRA 轻量微调优化科学视觉问答。在 SciVQA 基准上，该方法取得 73.9% 的 ROUGE-1 F1 分数，大幅超越 UniChart（14.7%）与 ChartGemma（6.9%），相比标准 RAG 基线实现 14.3% 的整体增益。针对闭口无限视觉问题，采用图表数字化替代合成说明带来了 18.5% 的提升。

  26. arXiv 人工智能30

    从横截面到跨组学：空间转录组学中的条件细胞核图像编辑Chinese

    研究人员应用流形感知扩散（MAD）框架，在空间转录组学中实现了跨组学细胞核图像条件编辑，可针对性修改单一特征组并保留另一组。在 CosMx SMI 肾脏组织足细胞评估中，MAD 在病理组学编辑上取得 MAE=0.6636 和 FID=25.19，优于对比基线。模拟实验证实其 VAE 组件比 CCDM 更好地保持了跨组独立性。

  27. arXiv 自然语言处理45

    ResMem：将检索知识转化为参数化记忆Chinese

    研究团队提出 ResMem，通过让 LLM 离线阅读检索文本并学习加性 logit 残差，将检索知识蒸馏为参数化记忆，避免了在线检索成本与海量表征存储。在维基百科子集上，该方法将存储保留需求降低 94.7%，并在 5 个问答数据集上将平均 token F1 从 32.83% 提升至 34.48%。其破坏原有正确答案的情况比 kNN 方案减少 21%，代码与模型权重已开源。

  29. arXiv 人工智能43

    MemU-Bench：长程用户交互下的 GUI Agent 评测基准Chinese

    研究人员推出针对长程用户交互的移动 GUI Agent 评测基准 MemU-Bench，包含基于 29 条长轨迹构建的 118 个模糊任务。评测显示缺少用户历史时，表现最优的 Gemini-3.1-Pro SPL 仅为 16.4%，端到端 Agent 低于 5%。配套提出的免训练框架 AppMem 通过构建应用记忆库，使 GPT-5.5 的 SPL 从 15.7% 提升至 66.9%。

  30. arXiv 人工智能45

    论文提出 NURESA 神经架构：通过神经元持久记忆实现模型间零样本转移Chinese

    研究提出 NURESA 神经层架构，通过持久单元内记忆将计算与存储分离，支持在无需重训或访问原始数据的情况下实现模型间零样本能力转移。在 MLP、GPT-2 和 Qwen2.5 上的测试显示，该架构还能有效防止模型微调时的领域损失。数百万至数十亿参数规模的 Transformer 模型仅需约 1 分钟即可完成转移，且生成文件比原模型小几个数量级。

  31. arXiv 自然语言处理44

    Circuit Oracle：通过自然语言查询实现归因图分析自动化Chinese

    研究团队提出 Circuit Oracle，为现成 LLM 配备多智能体框架与专用技能，通过工具调用读取归因图以回答关于目标模型的自然语言安全问题。在伪特征检测任务中，其准确率达到 78.2 ± 2.4% 并优于单层特征排序基线；但在隐藏知识引出和 50 个提示词的拒绝抑制越狱任务中表现参半，且后者仅在允许 5 次尝试取最优时超过均值差基线。

  32. arXiv 人工智能28

    AuroraWorld：用于机器人操作外视点到第一人称视频生成的结构化 4D 世界建模Chinese

    AuroraWorld 提出面向机器人操作的结构化 4D 世界建模，用于从外视点视频生成自我中心视点视频。自我中心观察能捕捉对视觉运动策略学习关键的接触交互与状态变化，但硬件部署与采集成本高昂。针对大幅视角转换、严重遮挡及复杂物体交互下难以保证物理一致性的问题，该研究为策略学习提供了可扩展的数据生成方案。

  34. arXiv 自然语言处理32

    实体替换响应的跨 Prompt 复用研究Chinese

    在固定权重模型中跨 Prompt 复用实体替换响应时，隐层状态注入在 0.5-1B 的 Qwen 与 Llama 上分别消除了 45% 和 49% 的未改变错误。Gemma-2-2B 在恢复 BOS token 协议后错误消除率达 58%-68%，但更大 checkpoint 与 chat 格式会出现依赖性失效，非 chat 格式下隐层复用优势仅为 0.2-0.9 nats。

  36. arXiv 自然语言处理26

    酷儿化审计：基于社区的酷儿群体 AI 危害审计Chinese

    研究团队组织 16 位酷儿社区成员开展参与式审计，运用 4Cs 危害分类法对 4 个案例贯穿 AI 生命周期进行审查。审计发现针对酷儿群体的抹除与歧视等危害根源在问题定义和数据收集阶段，并揭示了榨取弱势群体价值且缺乏救济途径的契约机制。该研究证实，基于社区的审计能有效发现常规技术聚合评估易遗漏的特定身份危害。

  37. arXiv 人工智能41

    PatchScout：基于信息觅食的主题网络数据收集Chinese

    多智能体框架 PatchScout 通过信息觅食机制平衡局部挖掘与自适应块切换，解决长程主题网络数据收集难题。在 4 个真实网络主题实验中，PatchScout 在采集量和域名覆盖率上均显著优于遍历式方法与搜索增强推理智能体基线。在应用社会科学场景中，该框架成功发现 102 个此前未识别的实体，有效扩充了现有主题数据集。

  38. arXiv 自然语言处理32

    GAVAGAI：基于平衡最优传输的婴儿级视觉语言模型指称对齐Chinese

    研究提出指称对齐方法 GAVAGAI，通过平衡最优传输将实词与视觉区域对齐，提升婴儿规模视觉语言模型的词图绑定能力。该方法通过引入 NOTHING 列过滤不可见词并施加区域容量约束，仅需约 8 次 Sinkhorn 迭代。在 SAYCam 语料库上，该损失使模型图词准确率从 32.4% 提升至 48.7%，定位 IoU 从 0.18 增至 0.38。

  39. arXiv 人工智能45

    大推理模型早期停止机制：效率与可靠性的综述与实证评估Chinese

    研究人员在 5 个大推理模型上对早期停止（early-stopping）方法的效率与可靠性展开实证审计，并提出 TITE 指标跨目标衡量相对 token 效率。实验表明，模型在较晚退出位置的正确率可能出现异常下降，且部分正确早停输出的支持性推理质量偏弱，甚至在强制终止后仍存在推理延续倾向。相关代码实现已开源。

  40. arXiv 自然语言处理38

    LLM 谈判中的跨语言人设效应研究Chinese

    大语言模型在谈判中执行相同人设提示词时存在显著跨语言行为差异。在 Gemini 3.6 Flash 的 432 场谈判测试中，韩语达成协议率为 77.3%，显著高于英语的 52.5%，主因是韩语卖家让步更多且礼貌缓和策略更频繁（11.7% vs. 3.6%）。使用 Qwen3.7 Flash 复现亦得出一致趋势，韩语达成率高出 13.9 个百分点。