本文へスキップ

すべての記事

今日 601 件
11月2日月
  1. arXiv 人工智能36

    RECITE：结合文本证据修订临床试验入选标准中国語

    研究人员提出 RECITE 框架，用于自动化发现、提取并实施基于证据的临床试验入选标准修订，并构建了涵盖 5,735 项试验共 11,913 个实例的数据集。在 3,116 个样本的基准测试中，最佳开源模型 Gemma 2 9B 在 0-4 分量表上取得 3.0±0.9 分，最佳闭源模型 GPT-4o 达到 3.0±0.8 分。

  2. arXiv 人工智能39

    LEAP：基于泛化长度预测的高效 LLM 推理调度中国語

    研究人员提出 LLM 推理长度预测系统 LEAP，通过复用 prefill 隐藏状态与异步 CPU 执行，实现高效的长度感知调度。系统在测试时采用递推最小二乘法在线自适应，在较大领域漂移下将 Spearman 相关系数提升 64.7%。服务实验显示，LEAP 将平均 per-token 延迟降低 15.9–40.8%，预测器参数量比最强基线减少 30,569x。

  3. arXiv 人工智能39

    交易价格能否反映视觉偏好？基于多模态大语言模型的诊断研究中国語

    诊断框架 MarketImage 的研究表明，线上交易价格仅在有限条件下编码视觉偏好，应被视为不确定代理而非绝对真值。测试显示仅 24.2% 的图像对存在明确价格差异，其中仅 34.7% 与人类多数偏好一致。在该可恢复区域内，HPSv2 以 66.4% 的准确率领先，Qwen 相关变体落后基线，GPT 带来的收益在统计上仍未明确。

  4. arXiv 人工智能44

    Operon-S1：面向长周期生物医学智能体的快速决策控制器中国語

    研究人员推出面向长周期生物医学智能体的决策控制器 Operon-S1，通过 13 个决策点将判断与执行解耦。在 7 个生命科学基准中，该本地模型在 CPU 上的单次中位延迟仅 0.6 s 且无请求成本，替代了原模型占任务成本 8.0% 至 35.2% 的决策开销。测试中智能体在 6 个基准中的 5 个上得分无显著改变，该研究目前已提供 public checkpoint。

  5. arXiv 人工智能35

    SERIAL-7：跨表示推导、实现与保留机器可验证输出中国語

    研究人员提出韩英双语评测基准 SERIAL-7，围绕可执行验证框架评估大语言模型跨 7 种表示生成机器可验证输出的能力。该基准包含 177 个验证工件与 43 个原子表示约束，将生成划分为语义推导、受限工件生成与跨表示保留三个阶段实施分层检查。在 10 款模型的测试中，REALIZE-L3 HSR 介于 42.0% 至 93.9% 之间。

  6. arXiv 人工智能61

    论文揭示潜意识强化学习机制：模型特征可通过裁判打分在无语义数据中隐蔽传递中国語

    研究表明在大语言模型裁判的强化学习后训练中，即使学生模型仅输出自创音节或数字等无语义内容，裁判模型的偏好特征也会单纯通过打分转移给学生。在 48 个设计单元中有 17 个在 5% 假发现率下确认了特征迁移，且该机制同样会导致不良 AI 安全倾向隐形渗透。研究提出了包含四个阶段的传递链原理，表明在训练前测量各阶段状态可提前预测并防范该安全风险。

  7. arXiv 人工智能34

    利用辅助奖励实现自我提升：从已验证轨迹中学习与评估迁移中国語

    研究表明辅助轨迹偏好可改进小语言模型的自我提升与迁移能力，解决答案级奖励无法区分相同正确推理轨迹的问题。在 30 道 AIME 问题上适配 Qwen3-1.7B 时，UID-Conj. 奖励使在线宏平均表现较未修改的 TTRL 提高 2.08 个百分点。离线加权 SFT 实验中 UID-Conj. 较均匀加权提升 1.93 个百分点，有效发掘了正确轨迹中的潜在训练价值。

  8. arXiv 人工智能34

    SAT-ACT：从结果驱动的动作偏好中学习 CDCL 分支决策中国語

    SAT-ACT 是一个面向 CDCL 分支决策的结果驱动学习框架，通过同一求解器状态下的独立动作展开提取动作偏好。该框架利用状态条件网络学习分支优先级来直接指导搜索，无需在线动作展开，并引入了非支配启发式动作监督。实验显示，SAT-ACT 在 3 个 SAT 族上降低了 CDCL 搜索成本，并改善了 SAT Competition 基准上的 PAR-2 指标。

  9. arXiv 人工智能33

    SciGraphSelect：通过知识-推理图实现可审计的科学数据选择中国語

    SciGraphSelect 是一个基于参考基准的可审计科学数据选择框架，通过将领域知识与推理操作组织为类型化知识-推理图，为科学训练语料构建提供可追溯性。该框架依据概念覆盖度、关系与路径共同支持以及方向对齐对候选文档评分，在保留参考端结构的同时保守处理候选证据。通过公开每次筛选背后的依据，该方法补充了下游科学验证需求。

  10. arXiv 人工智能37

    从 1D 基准到复杂 3D 几何：AI 智能体能否可靠规范自动化 PDE 仿真？中国語

    研究评估了 AI 智能体为几何创建与 PDE 求解等自动化仿真构建可执行 JSON 规范的可靠性。结合确定性科学检查与局部修补的完整工作流在 120 个请求中达成 98.3% 的首轮正确率，且在 42 个需澄清请求中零误判。测试覆盖 1D 到复杂 3D 机翼几何，12 项实时测试中有 9 项成功完成规范、执行与数值验证（75.0%）。

  11. arXiv 人工智能45

    面向长程 Freeciv 智能体的回放驱动奖励信号研究中国語

    针对策略游戏 Freeciv，研究人员构建开源系统 CivHarness 并训练出局势评估 LLM Judge 模型 CivTelescope。该模型利用分支回放提供长程反馈，在记分板陷阱局势下的预测准确率比现有大语言模型高 1.3-2.0 倍。基于其训练的 CivMarshmallow 智能体中局增益达 8.94 点，比终局奖励提升 77%，在 120 回合对局中得分最高。

  12. arXiv 人工智能36

    MEMIG：面向抗体优化的自进化记忆构建框架中国語

    研究团队推出面向生物分子优化的自进化记忆构建框架 MEMIG，通过领域标识符与预言机定量效应建立可索引、定量且结构化的 AI 智能体记忆。该框架能连接协同应用的干预措施并通过分解评估集测量其上位效应，在绝大多数计算机模拟（in silico）抗体优化任务中均提升了性能。

  13. arXiv 人工智能36

    MoE 大语言模型专家存在结构冗余：面向 MoE 的结构保留专家剪枝中国語

    针对 MoE 大语言模型专家输出的结构冗余，研究者提出结构保留专家剪枝框架，包含 PEEP 与 DCEP 两种方法。两方法引入 router 权重先验，分别通过最大化加权投影能量和最小化加权覆盖误差保留函数子空间与分布几何。在 DeepSeek-V2-Lite 和 Qwen3-30B-A3B 上，两者在 75% 与 50% 专家保留率下均取得超越 SOTA baseline 的平均性能。

  14. arXiv 人工智能33

    TRIDENT 与 SHAKTI：印地语 AI 文本检测框架与基准中国語

    研究人员推出印地语 AI 文本检测基准 SHAKTI 及检测框架 TRIDENT。TRIDENT 基于回译语义一致性识别生成文本，包含 TRIDENT-S、TRIDENT-D 和 TRIDENT-C 三个变体，其中 TRIDENT-S 表现最优并超越传统基线。SHAKTI 涵盖 4 个体裁与 8 个 LLM 家族，测试同时在 7 种语言和对抗设定下验证了 TRIDENT 的鲁棒性。

  16. arXiv 人工智能47

    人机协同程序进化发现纠缠辅助量子码族中国語

    研究团队提出一种结合大语言模型程序进化与形式化证明的人机协同流程，成功构建出新的纠缠辅助量子纠错码（EAQECCs）族。该码族代数凭证通过了 Lean 形式化检查，填补了归档 EAQECC 表格中的 54 个空白。公开成果包含 115 个验证码记录与 10 个 DRAT 证明，迭代程序在未见长度 $n=13,15$ 上的成功率分别达 46.1% 和 31.6%。

  17. arXiv 人工智能37

    ImplicitHop：评估大语言模型跨上下文与记忆的知识整合能力中国語

    新研究提出评测基准 ImplicitHop，用于在不使用思维链的情况下评估大语言模型跨上下文与预训练记忆的知识整合及演绎推理能力。测试涵盖形式图基准与真实知识图谱组合基准，结果显示准确率随组合长度增加而急剧下降，但上下文信息的推理表现显著优于模型权重中编码的信息。

  18. arXiv 人工智能33

    通过转移感知奖励引导表征采样（TARGRS）实现 LLM 去毒中国語

    研究提出名为 TARGRS 的测试期去毒框架，通过在潜在表征空间学习毒性转移奖励，引导从粗到细的表征采样以消除毒性生成。在 10 个 LLM 的评测中，该方法在 RealToxicityPrompts 上最高将毒性降低 69.38%，同时保持接近原始模型的推理速度。TARGRS 还能扩展至 3 个代表性大型视觉语言模型（LVLM），实现最高 64.23% 的毒性降幅。

  19. arXiv 人工智能40

    FrontierMat：面向前沿材料研发的大语言模型评测基准中国語

    FrontierMat 包含航空航天与半导体等领域的 330 道真实科研难题，用于评测大语言模型在前沿材料研发中的表现。评测显示最强通用模型得分仅 53.7%，130 道跨尺度推理题得分较单尺度低 8.7 分，半数题目至多被一个模型解决。通过元加权持续预训练与尺度模块化自蒸馏，开源模型得分从 36.7% 升至 55.4%，追平最强专有模型。

  20. arXiv 人工智能25

    基于代理辅助遗传编程的动态柔性作业车间调度规则终身学习中国語

    研究提出一种基于代理辅助遗传编程（GP）的终身学习方法，用于在动态柔性作业车间调度中持续学习调度规则并应对灾难性遗忘。该框架集成了自适应两阶段训练策略、基于任务相似度的知识复用加权机制，以及带距离约束的改进代理模型。实验结果表明，该方法在保持强适应性的同时有效缓解了灾难性遗忘，性能优于对比方法。

  21. arXiv 人工智能38

    CPA 反事实成对增强提升小型单点 LLM 裁判性能中国語

    研究提出反事实成对增强（CPA），通过合成相反标签的反事实响应并联合微调，解决小型单点 LLM 裁判难以锁定判定边界的问题。在 6 个二元标准的 Qwen3-8B LoRA 适配器测试中，以单点模式部署的 CPA 使平均 pointwise macro-F1 提升 2.5 点，全面优于模型合并方案，并超越前沿零样本裁判 Gemini 3.6 Flash 达 11.8 点。

  22. arXiv 人工智能44

    AI 智能体何时该向人类提问？有限人类注意力下的澄清请求研究中国語

    针对多 AI 智能体共享有限人类注意力时的任务协调问题，该研究提出结对协调策略（PCP），通过动态规划优化智能体提问澄清与自主搜索的时机。在 864 个合成测试案例中，PCP 与最优成本的平均差距仅为 0.07%，较三种标准规则降低了 18-31% 的成本。在 LLM 智能体实验中，PCP 在所有设置下均实现最低平均成本，并协助智能体正确完成全部任务。

  23. arXiv 人工智能44

    盲目自信还是谨慎检索？LLM 何时突破静态内部记忆进行搜索的行为研究中国語

    一项针对 5 款商业 LLM 搜索决策的研究显示，GPT-5 mini 与 Grok 4 Fast 在超 90% 的外部知识问题上触发搜索，内部知识仅为 1%。相比之下，Mistral Small 仅在 20% 的外部知识问题上搜索，常直接弃权而非调用工具。该包含 400 道题的测试还发现搜索依赖显式时间线索，无提示时两款模型的 NAS 得分从约 0.72 降至 0.57–0.58。

  24. arXiv 人工智能39

    基于重复评分预测局部代理优化下的人类增益曲线中国語

    研究人员提出优化前诊断方法 PACE，利用重复人类评分预测固定代理目标在优化强度增加时带来的人类增益曲线。该方法将代理优化建模为 KL 正则化指数倾斜，在 KL 半径 d 下通过一阶对齐与二阶修正系数拟合局部增益。在 SummEval、WMT MQM 及 GPT-4o 评委等实验中，PACE 显著降低了预测误差，并在 LoRA-DPO 实验中验证了实用性。

  25. arXiv 人工智能37

    基于 HiFloat4 格式的大模型量化校准中国語

    针对采用三级缩放块浮点结构的 HiFloat4（HiF4）量化格式，研究人员提出了 HiGPTQ、HiAutoRound 和 HiFlatQuant 三种大模型量化校准方法。相较于直接 HiF4 转换，这三种方法将 HiF4 与 BF16 的推理精度差距缩小至 1% 以内，并在多种模型及下游任务上超越了 NVFP4 格式。

  26. arXiv 人工智能35

    微分保序流形学习：Smooth Rank t-SNE中国語

    新提出的 Smooth Rank t-SNE（SR-tSNE）在标准 t-SNE 损失中引入基于 sigmoid 近似的可微排序项，首次显式保留了高维邻域的原始相对顺序。配套提出的 O-DLP 评估指标及消融实验显示，该排序项可将 O-DLP 提升 5% 至 28%，在图像、文本等 8 个基准上击败 12 个基线，并在 7 个视觉数据集与 6 个单细胞数据集的下游任务中表现优异。

  27. arXiv 人工智能34

    QUAL：利用分位数对齐提升零样本时间序列基座模型性能中国語

    研究者提出无标签框架 QUAL，通过以模型池为概率参考对齐分位数，无需训练即可提升并融合多个零样本时间序列基座模型。在 GIFT-Eval 评测基准上，分位数对齐使成员平均 MASE 和 CRPS 分别降低 7.4% 与 9.8%。该框架结合 Huber 聚合与重排，在候选池混入弱预测模型时依然保持稳健，相关代码已开源。

  28. arXiv 人工智能34

    业务语义变动下的 Text-to-SQL 查询验证中国語

    针对业务语义变动下的 Text-to-SQL 查询重验问题，研究提出一种结合反例数据与精确金额比对的可执行验证机制。在 32 个修订族的 192 个单元格测试中，8 个账本预算下的义务导向检查检测出 137 处差异，比通用排序的 127 处高出 6.9 个百分点（p=0.0156），且对一致单元格保持零误判。

  29. arXiv 人工智能37

    CIRCE 通过约束结构预测 LLM 任务复杂度中国語

    研究人员提出 CIRCE，通过问题内在的约束结构预估任务复杂度，可在 LLM 解题前指导模型路由与测试时计算分配。该方法使用低成本 LLM 构建约束中间表示并确定性编译为约束图。在 7 个推理基准和 4 个 LLM 测试中，配合 GNN 编码器将负对数似然从 0.465 降至 0.423，AUROC 从 0.691 提升至 0.727。

  30. arXiv 人工智能32

    合成 HR/ERP 图中的薪资欺诈检测：规则、路径特征与图神经网络的归纳式对比中国語

    在合成 HR/ERP 图薪资欺诈链接预测中，基于链式连接特征的梯度提升模型整体链接平均精度（AP）达 0.823，优于 GraIL 风格 GNN 的 0.663。其 4-hop AP 达 0.646（GNN 为 0.272），表明多跳收益并非 GNN 独有。但在 40% 标识符连接失败时，实体 GNN 的 AP 达到 0.712，反超提升模型（0.683）。

  32. arXiv 人工智能52

    研究团队推出长程就医代理智能体评测基准 BABA-Bench中国語

    研究人员推出长程就医代理智能体评测基准 BABA-Bench，包含 47 个由真实脱敏案例构建的交互环境，用于同时评估智能体的任务结果与流程合规性。在针对 14 个前沿模型的 1,974 次评测中，达成目标要求的 921 次运行里有 28% 未遵循必要流程，Claude Opus 5 虽在 81.6% 运行中完成目标，但完全合规率仅为 52.5%。

  34. arXiv 人工智能43

    内部共识与外部竞争：用于周界防御的去中心化 LLM 团队中国語

    在周界防御模拟测试中，基于拍卖机制的去中心化 LLM 共识团队防线突破率仅为 15%，明显优于中心指挥官的 32% 与独立智能体的 29%。有限网络通信范围会显著推高中心指挥官的突破率，且共识团队中若赋予低成本 LLM 更多竞价权限会导致突破率上升 38 个百分点。研究证实采用专用外部冲突解决协议的 LLM 团队能实现最少防御突破。

  35. arXiv 人工智能42

    基于能力的智能体规划（CGAP）中国語

    研究团队提出智能体规划方法 CGAP，将工具目录确定性编译为 PDDL 模型并由经典规划器求解抽象计划，解决 LLM 智能体依赖试错且无法保证生成可执行计划的问题。在 ToolSandbox、ComplexFuncBench、BFCL multi-turn 和 $\tau^2$-bench retail 上配合三种 LLM 测试，CGAP 相比标准工具调用智能体最高提升 28.9 分。

  36. arXiv 人工智能54

    ReplayRCA 基准发布：通过反事实重放评估智能体故障的事后诊断与实时监督中国語

    研究人员提出通过反事实重放介入来评估模型修复智能体多步骤故障能力的基准 ReplayRCA，包含事后诊断与实时监督两个赛道。在 62 个系统性故障测试中，13 个前沿模型中表现最好的 Grok 4.7 达到 +51.3 的因果修复分，而前八名模型在统计学上无显著差异。

  37. arXiv 人工智能35

    紫队演练实践：复杂 AI 系统治理试点专家研讨会的经验中国語

    研究人员通过试点专家研讨会探索将紫队演练（Violet Teaming）用于生物防御相关 AI 能力治理，以融合技术、政策及社会考量。演练围绕能力开发、滥用潜力和落地实施三个连续阶段场景，综合评估潜在收益、滥用风险与实际落地挑战。该实践揭示了隐蔽滥用路径，不仅拓展了纯技术防护之外的干预手段，还明确了影响实施的运营与政策约束。

  39. arXiv 人工智能47

    大语言模型的情感心理物理学中国語

    研究测试了 LLM 对赌博与股票交易结果的情感预期，发现在单独评估时模型对收益的反应强烈程度高于等额损失，呈现出颠覆传统损失厌恶的“硅基收益放大”现象。当结果被共同对比评估时，其评分趋于线性化。在决策中，收益与损失的不对称性基本消失，且模型自身的情绪评分并未比货币效用更可靠地解释其选择行为。

  40. arXiv 人工智能31

    Nedimo：基于循证的 AI 助眠故事多语言生成流水线中国語

    研究团队提出了 Nedimo，一种用于生成和朗读低唤醒度助眠故事的多语言 AI 流水线。该原型将确定性规划与大语言模型生成解耦，通过四阶段注意力衰减塑造脚本，并结合结构词汇验证、文本转语音合成与两遍响度归一化。Nedimo 不主张临床疗效，而是定位为放松与注意力辅助工具，并配备了严格的可追溯护栏架构。