跳到正文
11月16日周一
  1. arXiv · AI20

    **title_zh**

    嵌套因果老虎机中基于PAC-Bayes风险的认证策略优化 **summary_zh** 研究提出嵌套因果汤普森采样(NCTS)算法,利用PAC-Bayes超额风险界对历史数据中的部署策略进行认证。 该方法在层级结构因果模型上验证了因式分解机制在分布偏移下的优越零样本迁移能力,实现了渐进式安全部署。 相关成果已被NeurIPS 2026主会接收。

  2. arXiv · AI41

    ShopGym:电商 Web 智能体仿真与可扩展基准一体化框架

    ShopGym 框架通过 ShopArena 和 ShopGuru 组件,解决了电商 Web 智能体评测中真实感与可控性的平衡难题,实现了可重置、可检查的标准化评估环境。 验证显示,合成商店在 224 项任务中 6 个沙盒商店内的智能体成功率与真实店面高度一致,单店生成成本约为 60 美元。 该框架已入选 NeurIPS 2026 评测与数据集赛道,为大规模智能体行为分析提供了可扩展基础。

  3. arXiv · ML22

    GCR:一种注入图一致性正则化的自提示框架

    该研究提出图一致性正则化(GCR),通过注入基于模型预测的关系图结构,促进类感知且语义明确的功能表示。 GCR 作为自提示机制,在任意深度引入无参数的图一致性层,构建批次级特征相似图并与全局类感知掩码预测图对齐,通过自适应权重抑制噪声层。 实验显示 GCR 增强了类内凝聚性,改善了泛化能力,且模型无关、轻量化。

  4. arXiv · AI29

    D-VLA:面向视觉-语言-动作模型的高并发分布式异步强化学习框架

    D-VLA 提出了一种高并发、低延迟的分布式强化学习框架,旨在解决大规模具身基础模型训练中的资源冲突瓶颈。 该框架引入“平面解耦”隔离高频数据与低频权重控制,并设计了四线程异步“泳道”流水线,实现采样、推理与梯度计算的全并行重叠。 在 LIBERO 等基准测试中,D-VLA 在百亿参数模型上的吞吐量和采样效率显著优于主流强化学习框架,且在万亿参数扩展性测试中保持线性加速。

  5. arXiv · AI30

    LLM 内部多重对话:通过人格视角探究推理

    研究人员提出“polylogue”概念,将 LLM 激活空间中的 persona vectors 视为动态信号,以监测生成过程中的行为特征。 在四个开源权重模型实验中,polylogue 特征在 MMLU-Pro 上预测准确度的表现与低维激活基线相当,且保持了可解释性。 该方法展示了阶段感知的潜在引导潜力,但简单的段落条件干预仅在三个模型上提升准确率,第四个模型性能下降,表明其鲁棒性仍待提高。

  6. arXiv · AI21

    有限时域多环境POMDP的最优价值与策略计算

    针对初始状态未知且对抗选择的有限时域多环境POMDP(MEPOMDP),证明了其最优价值与策略计算具有PSPACE完备性。 提出实用算法,证明混合至多n个确定性策略即可支持n个环境,在经典基准上显著优于既有算法。 该方法已获NeurIPS 2026主赛道接收。

  7. arXiv · AI42

    UMPIRE:面向多模态大语言模型的无训练不确定性量化框架

    UMPIRE 是一种无训练的多模态大语言模型(MLLMs)不确定性量化框架,能高效检测错误输出并支持将低可靠性查询升级至人工或更大模型。 该框架受行列式点过程(DPPs)启发,通过计算采样响应的非一致性调整语义体积,结合语义嵌入分散度与响应二次熵,无需外部工具。 实验显示,UMPIRE 在图像、音频和文本视频基准上的错误检测和不确定性校准上优于基线指标,并可推广至非文本输出任务。

  8. arXiv · ML23

    AbFlowNet:基于扩散-GFlowNet融合的抗体-抗原结合能优化框架

    AbFlowNet框架通过将扩散模型与GFlowNet结合,在训练过程中直接引入能量信号以联合优化结合能。 实验结果显示,该模型在氨基酸恢复率上比基线扩散模型高出3.06%,几何重建(RMSD)提升20.40%,结合能改进比率提高3.60%。 该方法在不使用测试集伪标签或在线RL的情况下,将Top-1总能量和结合能误差分别降低了24.8%和38.1%。

  9. arXiv · AI40

    RB-VLA:基于信念中心的视觉语言动作模型架构

    RB-VLA 提出一种信念中心架构,通过自监督世界模型目标维护紧凑潜在状态,解决部分可观测性下的任务进度丢失问题。 该模型无需存储原始观测或随时间扩展内存,VLM 仅需每任务查询一次提供高层意图,结合信念跟踪实现因果接地控制。 在长时程基准测试中,RB-VLA 相比 pi_0 提升成功率,多阶段抓取放置任务提升 52.5%,堆叠任务提升 37.5%,推理延迟降低 5 倍。

  10. arXiv · AI20

    通过可重用性与可验证性评估链式推理

    研究通过 Sender-Receiver 设置评估多模型间 Chain-of-Thought 推理的转移效果。 提出 Verifiability、Correctability 和 Deceptiveness 三个指标,分别衡量可靠性、有用性与安全性。 任务性质影响可靠性,接收者性质影响有用性,发送者性质影响受污染推理的危害。

  11. arXiv · AI27

    AgenticPay 基准测试多模态 LLM 在商业多智能体谈判中的表现

    新基准 AgenticPay 评估多模态 LLM 在四类商业场景及多种市场拓扑下的自主谈判能力。包含 160 项任务,考察从双边到多边市场的协议达成质量。 最强模型 Gemini 3.1 Pro Preview 的 GlobalScore 仅 42.3/100;市场转向多侧时该分数平均下降 5.7 分。该基准为评估现实商业中的多模态智能体提供了测试平台。

  12. arXiv · AI26

    Agentic AI for Discovering Fault-Tolerant Quantum Circuits 标题翻译

    基于 Agentic AI 的容错量子电路发现框架 研究者利用大语言模型作为智能体,通过工具使用和进化程序合成,自动设计了逻辑态制备、逻辑门及代码切换等任务的容错 Clifford 电路,且每个电路均通过穷举故障检查验证。 该方法将量子纠错电路设计转化为 Agentic 进化程序合成问题,利用模型预训练知识及电路验证器引导,系统性地替代了传统的个案手工设计方式。

  13. arXiv · ML45

    27B 开源推理模型通过 PEAR 在模拟中训练并原生驱动真实机器人

    27B 开源推理模型在纯模拟环境中通过强化学习训练,无需演示即可原生使用真实机器人。 在 LIBERO 和 RoboDojo 上训练后,模型在真实双机械臂机器人上的任务成功率达 60%,LIBERO 基准成功率从 1.6% 提升至 74.4%。 该技术为机器人大规模后训练提供了新路径,且未在九个通用基准上造成能力退化。

  14. arXiv · AI20

    TradeGauntlet 评估自主交易智能体的合规控制机制

    TradeGauntlet 提出一种可重放限价订单簿模拟器,用于分离检测、预防和执行成本。在 1,680 个模拟会话中,使用 Claude Haiku 5.5 和 Sonnet 5.5,所有行为警报均源于自匹配订单;门控机制通过拒绝自成交订单消除这些警报,而聚合门控条件使 Sonnet 的双边成交减少约 15%。

  15. arXiv · ML47

    标题:FETTUCCINE:移动端高效脑电转文本解码框架

    摘要:FETTUCCINE 是一种移动端脑电转文本框架,在商用设备上实现 370 倍实时吞吐量,将词错误率降至 4.39%。 该模型利用自动语音识别技术,支持微调以应对神经非平稳性,并通过梯度显著性图定位关键神经特征。 这是首次在移动设备上实现脑电转文本解码,为便携式神经假体通信提供了新方案。

  16. arXiv · ML29

    BAL:潜空间双向自回归学习人类动作表征

    BAL 是一种自监督框架,利用人类动作的自然顺序结构,在潜空间进行双向自回归预测以学习动作表征。 该框架将预测目标分解为序列级全局语义和上下文无关的局部动作分量,证明局部目标在非完全坍缩时保留角度多样性,避免表征坍缩。 在大规模数据集实验表明,BAL 在动作字幕生成、预测和插值任务上的多数指标均优于基线模型,已被 NeurIPS 2026 接收。

  17. arXiv · AI21

    欧盟AI法案合规挑战:参与式研究揭示义务与技术要求的转化矛盾

    一项包含32名参与者的参与式工作坊研究揭示了欧盟AI法案在执行高风险AI系统时的核心矛盾。 研究发现监管义务向技术要求转化、人类监督落实及合规证据有效性之间存在紧张关系,具体表现为公平指标可能掩盖招聘歧视、时间压力削弱公共运输监督、患者群体变化使医疗系统性能证据失效。这些相互依存的挑战表明合规需持续关注AI系统的使用、治理与监控。

  18. arXiv · ML34

    交互式程序归纳与语言模型先验

    提出交互式程序归纳算法,以语言模型为先验,在CodeARC基准上准确率较纯LM代理提升最多22个百分点。 该算法基于贝叶斯视角推导贪心查询策略,通过重要性采样估计查询目标,最多减少10.5个输入输出示例。 论文为预印本,包含28页、5幅图及9张表格。

  19. arXiv · AI32

    GPT-6 Astra 开启智能体机器人新时代

    GPT-6 Astra 发布开启了智能体机器人新范式,前沿模型在多项具身基准上匹配或超越任务特定策略。 智能体机器人系统通过闭环机制,结合基础模型与具身执行架构(Embodied System 2),将通用推理转化为受物理约束的可靠动作。 作者提出评估框架并规划研究路线图,目标是实现具备渐进式责任的持续自主能力。

  20. arXiv · AI23

    基于采样量子对角化中利用AI进行参数选择

    机器学习模型能根据Hamiltonian预测SKQD算法最优配置,Spearman秩相关系数达0.969(误差)和0.905(运行时间)。 在50个分子(20-50 qubits)上,模型预测化学精度($1.6\times10^{-3}$ Ha)可行性,对5个较大留出分子分类准确率为100%。 该预评估方法帮助判断分子在当前量子硬件上的模拟可行性与资源需求。

  21. arXiv · AI38

    PrivacyPR:隐私感知代码审查基准数据集

    发布包含 4,131 个 GitHub PR 的数据集 PrivacyPR,提供 1,169 个高置信度隐私修复及 250 条人工验证样本。 在 Small 子集上,编码智能体在通用提示下仅检测出 42%-51% 缺陷,而在明确隐私审查指令下检测率达 88%-91%。 结果表明缺陷检测依赖审查意图,且伴随 11%-15% 的误报,数据与代码已公开。

  22. arXiv · AI34

    基于实时 GPU 隐藏状态的大语言模型请求级行为归因方法

    研究提出一种方法,通过非侵入式调试器从运行中的 GPU 进程提取大语言模型逐层残差流激活值,无需预知模型架构或权重参数。 验证于 33 个开源仅解码器模型,恢复数据字节精确;利用线性探针区分拒绝与服从行为,在留出测试集上达到 0.88 的 AUROC。 为考察部署 AI 系统的运行行为提供了新的证据来源,证明实时观测中间隐藏状态的可行性。

  23. arXiv · ML28

    GaDiT:用于无序原子结构可解释生成与逆向设计的图扩散 Transformer

    GaDiT 生成模型将无序结构采样速度较现有方法提升两个数量级,支持条件生成与逆向设计。 模型结合动态周期图、掩码条件与区间加权训练噪声分布,在二维非晶碳及三维非晶硅、二氧化硅中验证。 提出原子响应映射分析揭示全局结构描述符与局部原子环境,建立通用可解释框架。

  24. arXiv · AI31

    FinPanel:基于任务条件人格选择的多智能体LLM交易框架

    FinPanel 提出任务条件人格选择,为每只股票动态组建由统计特征驱动的 LLM 交易智能体小组。 在 2025 年 8 只美股测试中,该系统表现优于固定小组及 3 种现有 LLM 交易智能体,且回撤小于买入持有。 研究结论表明,“谁在小组里”比“小组如何协调”更关键,该设计决策应逐任务制定。

  25. arXiv · ML28

    PINN 与机制模型在流行病建模与预测中的系统对比

    研究表明,物理信息神经网络(PINN)在真实数据上表现优于随机机制模型,但在合成场景中表现较差。 两者共享基于 SEIRD 的年龄结构核心,研究在伦敦新冠疫情初期发现 PINN 虽不确定性区间更窄,但简单模型仍具价值。 结果证实 PINN 在流行病学中是前景广阔的工具,并呼吁开展更多基准测试研究。

  26. arXiv · ML24

    论文提出解析框架判定量子电路可训练性

    研究团队提出解析框架,通过分解紧李群表示限定梯度方差,判定量子电路是否存在 barren plateau。 当电路片段构成 2-designs 时,框架证明充分条件使梯度方差至少为逆多项式。 该框架包含采样算法,可在昂贵训练前以多项式复杂度判定电路可训练性。

  27. arXiv · AI40

    可解释权重空间编程 iWSP:无需反向传播构建透明 Transformer 与脑编码模型

    研究人员提出可解释权重空间编程(iWSP),利用 LLM 智能体通过代码显式编程权重与特征,构建无需反向传播的透明模型。 该智能体通过假设与手动优化,成功构建针对算术和情感分类的紧凑型 Transformer,并在视觉、语言和听觉皮层构建了神经编码模型。 在视觉皮层,iWSP 的预测能力优于现有基线;在语言 fMRI 和听觉 ECoG 任务中,它揭示了数据混杂因素并发现了可解释的声学特征。

  28. arXiv · ML26

    VLA 模型全生命周期综述:设计、训练与部署

    该综述回顾了 2022 年 12 月至 2026 年 10 月间的 88 项视觉语言动作模型研究,涵盖 22 个模型的设计、训练与部署。 研究发现三个趋势:训练数据规模从 10,000 小时扩展至 20,000 小时,模型参数向 3-7B 及 1B 以下分化,且通用模型开始涌现。 指出部分在基准测试中近乎满分的模型,在环境轻微变化时仍会失效。

  29. arXiv · AI26

    TRIBE v2 多模态脑反应模型的拓扑组织 In-Silico 审计

    该审计发现 TRIBE v2 在保留运动选择性的同时,缺乏对视觉场位置和听觉频率拓扑组织的预测能力。 TRIBE v2 的运动选择性顶点中 22% 位于 MT+,但其频率拓扑梯度缺失,核心皮层最佳频率跨度仅 0.14 个八度。 这一结果表明,依赖特征身份的实验在 TRIBE v2 中可行,但依赖视觉或频率位置编码的实验不适用。

  30. arXiv · AI28

    Eco3R: Pinned-Key Inference for Efficient and Streamable Feed-Forward 3D Reconstruction from Long Videos

    无训练推理框架 EcoVGGT 使用 31 个均匀分布的固定键帧进行 3D 重建,实现了长视频的高效处理。 该框架将固定键帧存储于场景缓存中,其他帧独立读取该缓存,以恒定成本精确复现联合推理结果。 EcoVGGT (π³) 在 1,000 帧 ScanNet 视频上的成功匹配率与 π³ 相同,但速度提升 13.8 倍;VGGT 成功率从 70% 提升至 82%,速度提升 8.5 倍。

  31. arXiv · ML25

    利用稀疏自编码器解释医疗检索中的嵌入模型可迁移性

    稀疏自编码器将医疗检索中的稠密嵌入转化为可解释表示,在6个医疗数据集上验证了其有效性。 模型结合重建目标与InfoNCE对比损失,在域内检索性能提升的同时,在分布外数据集上性能下降幅度小于稠密嵌入,且特征语义可通过激活它的查询和文档推断。 该方法揭示了特定文档被检索的原因,其可解释性可迁移至训练分布之外,有助于理解医疗AI系统的内部机制。

  32. arXiv · AI28

    TelePhysica:基于智能体的物理交互场景重建框架

    TelePhysica是一个闭环框架,能从单张照片重建可执行的物理世界并驱动3D交互。在100个场景基准中,其平衡验证的世界恢复率从0%提升至81%。 该框架结合视觉语言编码智能体与统一求解器,通过模拟轨迹条件化视频扩散模型。条件化使动态运动掩码重叠增加2倍至5倍,并在反事实力反转下保持运动方向。