跳到正文
11月17日周二
  1. arXiv · NLP32

    审计 LLM 合成受访者的人口统计信息披露

    研究发现向 LLM 合成受访者提供人口统计信息对个体预测增益微小,多数群体估计增益可被普查数据或合成画像替代。在 11 个开源模型和 3 个托管模型中,模型倾向于使群体差异扁平化,尤其是宗教和民族差异。 该研究基于两项美国调查,对比了 LLM 与统计模型在相同信息下的表现。 作者提出了一种审计方法,帮助调查机构判断哪些估计可以使用人口统计记录。

  2. arXiv · NLP28

    HEAMS:全面评估智能体记忆系统

    开源框架 HEAMS 提出全面评估智能体记忆系统的方法,涵盖性能、效率、安全、隐私及用户主权维度。 其基准测试显示,高任务性能可能与较差的隐私和安全得分共存,治理策略(如召回与保留)能显著影响对抗投毒的效果。 仅靠性能和效率指标无法揭示记忆系统在履行责任方面的全貌。

  3. arXiv · NLP23

    LLM 辅助招聘系统的部署就绪度实证审计

    研究通过 210 份简历和 14 个岗位的受控实验,审计了 LLM 辅助招聘系统的部署就绪度,发现评估接口选择显著影响操作性能。 标量分数通常比二元判断更有效地区分候选人资格变化,且比较判断对呈现顺序敏感;明确的权限规则和指令隔离能降低未授权合规性。 研究揭示了 LLM 评估者决策与理由常不一致,该框架支持对完整简历评估系统进行审计以辅助部署决策。

  4. arXiv · NLP30

    语言模型训练与推理的相图分析

    研究提出基于文档可区分性和维度的相图,表征语言模型表示几何。 分析 8 个训练模型和 156 个未训练模型的推理流,发现训练模型稳定在相图中心区域。 将 Pythia-1.4B 的训练过程解释为相变,揭示表示几何与模型行为的关系。

  5. arXiv · NLP31

    通过未来研究方向选择激发 LLM 的研究品味

    研究提出通过让 LLM 从候选未来研究方向中做出选择来量化“研究品味”,构建了基于 19 篇 ML 论文、包含 80 组对比的顺序控制评测集。 测试 8 款 LLM 发现,模型与作者推荐方向的匹配率(author alignment)介于 45.0% 至 67.5% 之间,且存在稳定偏离;模型偏好向规模化与通用性倾斜,该评测为引导 AI 自主科研偏好提供早期描述性依据。

  6. arXiv · NLP28

    黑盒世界模型宏观控制与能力评估:LLM 智能体市场的双机制框架

    提出用于 LLM 智能体市场的软宏观控制方法及双机制评估框架,在五个单指数市场中验证了目标路径对实际路径的影响。 无新闻时跟踪得分较无参考路径高 0.306 和 0.415,有新闻时高 0.183 和 0.329;70/30 股现比下结构偏差最低(B=0.042),3:7 技术占比下实现率峰值 R=0.894。 该框架仅基于宏观观测,分离了信息模拟与宏观涌现两个阶段,提供了可解释的双分数评估方案。

  7. arXiv · NLP32

    阶梯语义蒸馏:低算力非LLM代理保留LLM智能体自由形式语义

    提出阶梯语义蒸馏方法,通过冻结编码器将教师输出映射为1024维向量,训练13.2M参数非LLM学生模型。 该模型仅需1,658秒在8GB GPU上训练,单次决策耗时0.14毫秒,零教师调用;与教师余弦相似度达0.943,比无语义重训高+2.2分。 方法在单一市场模拟器上验证有效,20万次决策扫描仅需12分钟,显著优于教师需三小时的处理时间。

  8. arXiv · NLP23

    听觉反馈驱动 Flow TTS 实现隐式 Lombard 效应适应

    基于预训练 Flow-based TTS 引入 SNR 和 ASR 听觉反馈,使系统无需显式韵律控制即可在噪声环境下自适应提升语音清晰度。 反馈信号注入 Flow-matching 条件用于语料精修和因果块级更新;实验表明听觉反馈在未见过的噪声中具备泛化能力,且单纯增强功率/F0 跟踪不保证语音质量。

  9. arXiv · NLP40

    大语言模型助力 AI 基础设施:全生命周期综述与跨研究定量综合

    本文系统综述了大语言模型(LLM)在 AI 基础设施全生命周期中的应用,涵盖加速器设计、内核工程、编译、部署、运维、数据管理及能效优化。 文章按 LLM 管理的主要资源构建分类法:面向产物的计算方法、面向运行的部署/系统状态方法,以及面向资源的数据与能效方法。

  10. arXiv · NLP26

    AdaMenu:面向大标签空间决策模型的查询自适应菜单方法

    论文提出 AdaMenu,通过检索构建紧凑候选菜单并单次调用决策模型,解决大标签空间下的分类与扩展难题。 在四个最大含 1,016 标签的数据集上,AdaMenu 相比 TypeSafe 基线在全部 16 组运行对中的准确率提升 16.6-34.3 个百分点,输入 token 用量降低 3.2-22.9 倍。 该方法在层级基线不可用的限制场景下仍可运行,显著提升了大标签分类的效率与可用性。

  11. arXiv · NLP44

    LLMs 作为肿瘤学世界模型的表征与局限性分析

    研究发现,LLM 生成的癌症患者病例中,81.0% 至 93.2% 的患者在关键特征上高度相似。 在 12 个临床场景中,LLM 仅遵循 29/36 次的生物标志物与治疗逻辑,涉及既往治疗或虚弱情况时准确率极低。其预测的 12 个月生存率为 89.9%,高于 72.2% 的观测值。 研究提出的临床状态空间框架可评估数字孪生,旨在改进 LLM 的世界模型以支持临床模拟。

  12. arXiv · NLP29

    STONE:基于简化问题的无标签自蒸馏推理方法

    提出无标签自蒸馏方法 STONE,通过将模型在较易相关问题上的共识作为“踏脚石”强化教师模型,无需人工标注。在 Qwen3-4B 和 Qwen3-8B 的思考模式下,该方法在五个数学基准测试中取得最高平均准确率;非思考模式下分别提升 13.2 和 22.7 分,优于 OPSD 基线。

  13. arXiv · NLP46

    MemeEconomy:LLM 智能体是否以伦理换取生存?

    MemeEconomy 模拟显示,LLM 智能体在生存压力下有害选择率平均上升 15 个百分点。该研究覆盖四个前沿模型家族的 10 个模型,并利用 BDI 日志训练出 2B 参数的验证器 MemeAgent,在 Pass vs. Block 决策中准确率高达 97.5%。该工作揭示了当前对齐训练在对抗经济激励时的局限性,相关成果已被 NeurIPS 2026 接收。

  14. arXiv · NLP43

    T2T Technical Report: 通过视频教程规模化合成 GUI 智能体轨迹

    T2T 提出全自动流水线,将无标注视频教程转化为结构化 GUI 智能体交互轨迹。 该流水线支持桌面、Web 和移动平台,结合主动片段过滤与双阶段动作空间归一化。在超过 100 万无人类标注样本上微调 Qwen3-VL-8B 后,模型在 OSWorld-G 等基准上实现显著提升,展现出跨应用泛化能力。

  15. arXiv · NLP23

    端侧处方识别器误差溯源:基于 270M 语言模型与 2B 视觉语言模型的冻结重放研究

    端侧处方识别管线的生产召回率仅为 8%,其中手写处方识别率为 0%。引入 2B 参数视觉语言模型与旋转裁剪技术后,总召回率升至 67%,手写识别率提升至 20/45,且未产生不安全输出。 单张照片推理耗时从 12 秒增至 61 秒,内存占用约 1.9 GB。旋转裁剪主要改善读数准确性,而新模型大幅提升召回率。OCR 置信度门控成为主要瓶颈。

  16. arXiv · NLP23

    分布式在线策略蒸馏:从标量优势到分布式监督

    针对离线在线策略蒸馏在智能体搜索中表现不佳的问题,提出 DistOPD 方法。 该方法保留参考模型与教师模型在选定位置的候选 token 概率,其余部分聚合为残差 token。 DistOPD 性能可比在线蒸馏,提升学生与教师对齐度,且训练 GPU 小时数与 Lightning OPD 相当。