潜空间检测与分类:高维分析及验证
研究提出基于基础模型高维潜表示的统计决策规则,在 Neyman-Pearson 范式下推导线性与二次统计量的大偏差特征。 误差概率和衰减率对形状参数呈现非单调依赖,包括双下降和多下降现象。 在视觉、文本和音频数据集上,理论预测与实证表现高度一致,可实现预设虚警率下的漏检概率精确预测。
研究提出基于基础模型高维潜表示的统计决策规则,在 Neyman-Pearson 范式下推导线性与二次统计量的大偏差特征。 误差概率和衰减率对形状参数呈现非单调依赖,包括双下降和多下降现象。 在视觉、文本和音频数据集上,理论预测与实证表现高度一致,可实现预设虚警率下的漏检概率精确预测。
研究提出图像定位编辑任务 G-CGEC 及基准 G-CGEC-Eval,基于 K-12 手写作文图像与细粒度标注。 评测采用 IoU 与中心距离匹配指标,对比开源与闭源视觉语言模型。 单轮推理表现较差,基于错误类型的多智能体工作流表现最佳,指出语言错误发现与字符定位是主要瓶颈。
针对 Vals Finance Agent Benchmark v2 的参考智能体,7 次相同运行中账单波动高达 17%。在 20 条失败轨迹诊断中,13 条归因于指令层,3 条归因于工具层。
论文提出PRISM框架,在模型生成初步预测后评估其可靠性,通过检索历史数据和证据验证来执行校正或选择性弃权。 在印度板球超级联赛(IPL)第二局预测任务中,PRISM将HistGradientBoosting模型的准确率从70.2%提升至82.4%的选择性准确率,同时保持88.5%的覆盖率。
基准 MineralExp 将地质假设转化为基于实验的选择问题,包含 277 个案例和 1,572 个参考计划,用于评估 LLM Agent 的实验设计能力。 该基准将 19 种实验类型分类到五种矿物体系过程中,通过多标签分类和 LLM 评判进行评分。实验结果显示,当前 LLM Agent 通常具有高召回率但低精确率,倾向于提出比必要的更多实验。
针对平滑非凸有限和问题的 Muon 优化器,在 shuffling 策略下证明了达成 $O(\varepsilon^{-3})$ 的迭代复杂度,以找到 $\varepsilon$-驻点。
GeneFlow 提出了一种结合流匹配生成模型与多模态融合的简化框架,用于直接从组织学图像预测基因表达。该模型无需复杂生成管道,在 1,000 基因预测任务中实现了高达 56.8% 的性能提升。此外,GeneFlow 显著降低了计算成本,提高了可扩展性,为利用组织学图像进行生物发现提供机会。
论文提出响应操纵攻击 ReMA 优化恶意输入,并开发安全聚合规则 SecMAS 防御该类攻击。 SecMAS 利用响应间的语义相似度,选择与足够大子集最一致的响应,理论上保证了对定向与非定向攻击的安全性。 实验表明现有聚合规则易受 ReMA 攻击,而 SecMAS 能有效防御包括自适应变体在内的攻击,同时保持可比效用。
提出基于显式 Constraint Space 的安全感知机器人行为规划框架,存储可复用的文本安全规则,提升桌面环境操作安全性。 采用轻量级 query-conditioned dual-tower 模型识别上下文相关约束,结合多模态行为规划器生成计划,通过 Safety Inspector 校验并纠正。
论文提出 JaRS 方法,利用雅可比行和区分扩散模型的记忆区域与局部平均,无需参考图即可实现无对比定位。 在 Stable Diffusion v1.4、v2.1、Realistic Vision v5.1 及无条件 DiT 上,增强版 JaRS+ 性能优于传统基于对比的局部化方法。
论文提出一种委托人-代理人测试,评估算法决策在涉及博弈或商业秘密时的披露义务。该测试以决策质量为基础,依赖错误分布和群体间决策结果分布两个诊断指标。 这两个指标可公开而不泄露机密,用于识别决策者是否将设计与公共利益对齐。
研究者提出 V-JEPA-LM,将 V-JEPA 世界模型视频编码器与语言模型结合,通过反事实监督使模型读取视频动态而非仅检索文本属性。
论文提出一种无监督领域适应管线,用于解决字符分类与手写文本识别中目标域标注数据匮乏的问题。 管线通过源域预训练、无监督目标域适应及源域风格化微调三步,弥合领域分布差距,且不增加推理开销。 在Safran-MNIST-DLS数据集上取得76.17% Macro F1分数的新SOTA,并在READ 2018数据集上获得具有竞争力的结果。
研究团队提出SceneAgent多智能体框架,通过分离持久化场景状态、任务局部推理与可复用经验,实现游戏场景生成在不同引擎间的可移植。 框架引入结构化交接机制和蒸馏技能库,在包含69个提示词的GameSceneBench上,对比五个基线模型获得78.2%-89.4%的人工偏好评分,消融实验表明可复用技能主要提升了提示对齐与场景完整性。
轻量级上下文管理器CarryOn通过学习式选择器和自适应保留策略,在AppWorld、OfficeBench和Tau2 Telecom三个基准测试中,使LLM智能体实现了75.7%的任务成功率,比最强基线模型高出6.7个百分点。
研究人员提出无量纲指标 LASR,用于在离线评估中测量世界模型潜变量是否提供超越当前状态和无关捷径的动作相关预测支持。 LASR 包含捕捉典型支持的 GeoLASR 和识别最弱案例的 WorstLASR,通过记录的动作与物理状态变化作为目标进行基准化。 在机器人操作数据和多任务面板上的实验表明,LASR 能检测已知动作信息、拒绝非动作捷径,并支持对不完美容潜变量进行分级比较。
提出 AnisoFlow 方法,通过完全可学习的各向异性预测目标替代固定目标,ImageNet 256×256 上 FID 从 1.90 降至 1.55。 该方法为联合学习基的每个方向分配独立的非负权重,通过闭式映射恢复速度,无需改变模型架构或采样器。 在低精度推理下,AnisoFlow 通过更优的条件速度恢复,显著消除 patch-seam 伪影,提升图像质量。
LuthorSQL 是一款 7B 非自回归 Text-to-SQL 模型,单 GPU 上 0.84 秒/题,BIRD 隐藏测试集执行准确率 68.03%。 结合 Claude Opus 5.5 构建级联系统,本地解答近半数问题,降低 33.3% API 成本,且 8-bit 量化后仅需 9 GB 内存。
视听装置 Typhoon 基于康拉德小说,利用 LLM 自反馈生成叙事,并引入新颖的自适应激活引导方法控制长篇生成的节奏与离题现象。该研究探索了文本随时间变得陌生且不可控的过程,展示了 AI 感知可解释性与实际系统失控之间的张力。
研究团队发布GDP.xlsx基准测试,包含13个领域由专业人士撰写的70个真实职场任务及791项评估标准,用于衡量模型在专业电子表格处理上的能力。测试显示,20种模型配置中得分最高的Gemini 4 Argon仅通过38.3%的任务,中位得分仅为19.3%。研究团队已开放评估框架和3个公开任务,其余任务保留以防污染。
提出一种品牌意识重新设计生成框架,在品牌图像约束下实现创意产品视觉探索。 该框架通过构建品牌调查报告推导创意方向,并整合自增强循环进行图像批评与提示词修订。在50个重新设计任务中,该方法在创意性和品牌可识别性之间实现更优平衡,在汽车等高约束类别中优势显著。
Superfluid 是开源 LLM 服务器,用于本地设备上的 LLM 推理,支持单设备多智能体共享模型及跨设备集群服务。
推荐理由:原文给出了具体硬件下的延迟改善和吞吐数据,读者可据此评估分布式本地推理在实际混合算力场景中的可行性。
summary_zh: 研究人员定义了分层角分离(HAS)几何属性,解释 CLIP 嵌入中分层概念结构形成的原因。实验表明图像嵌入在随机初始化即近似满足 HAS,而文本嵌入需经对比学习后才满足。
summary_zh: 前沿大语言模型作为编码智能体,在100,000操作的job-shop基准实例tai_100_1000_1上,其编写的求解器达到525,515的解质量,优于OptalCP、Hexaly及CP Optimizer等商用工具。
一项针对 Qwen2.5-Coder 在 MacBook Air M2 上的评估表明,在 1 至 2 GB 文件大小区间,选择 q4_K_M 格式优于大模型低精度选项。 测试显示 3B 模型在 2 GB 档位的正确性与能耗表现均达前沿水平,而 7B-q2_K 在 3 GB 档位能耗增加但无显著正确率提升。 该研究为本地部署代码助手提供了基于 Ollama 文件大小的具体选型指南。
RAWATTA 提出免训练的注意力近似方法,通过 8-bit 精度运行及保留关键层 16-bit 精度加速多视角 3D Transformer。 在 12 GB GPU 处理 50 张图片时,RAWATTA 运行 VGGT 的速度快于官方代码,且姿态精度损失不超过 AUC@3 约 1 分。 该方法使模型在显存不足 100 张图时能处理 200 张图片。
X-Nav 是首个基于指令驱动双足人形机器人完成从室内到室外长时程任务的系统。核心导航模型 MELIOR 仅使用 RGB 图像输入,在 R2R-CE 和 RxR-CE 基准测试中取得了具有竞争力的结果。
研究指出,现有文本到图像奖励模型在视觉推理评测中表现不佳,偏好微调会侵蚀视觉理解能力。通过翻转配对轴,将视觉推理数据集转化为偏好对混合训练,实现了视觉理解与偏好预测的帕累托改进。 该奖励模型在推理时最佳n选择和强化学习后训练阶段,将组合提示下的文本到图像生成准确率分别平均提升4.0%和5.5%,优于使用6倍更多偏好对的HPSv3模型。
研究发现模型在面临反驳时会放弃正确答案,这种“辩证能力”无法通过提高准确率或增加推理时采样获得。 研究者提出一种强化学习框架,模型在训练中生成对自己答案的论证、进行裁判并据此训练,全程无需第二个模型、奖励模型或人工标注。 该能力随奖励信号习得,不会牺牲首答准确率,且对未训练过的挑战者(包括更强模型)保持稳健。
提出不确定性感知持续学习框架,用于解析 2D XRD 数据,解决数据积累中的预测性能维持问题。 框架整合基于最大平均差异的领域适应、CNN--SNGP 预测不确定性估计和重放知识蒸馏技术。 在单晶结构分类任务中,该框架在模拟和实验数据上实现准确分类,减少灾难性遗忘,为自主实验系统奠定基础。
在冻结 I-JEPA 嵌入上训练小型残差适配器,利用轨迹顺序学习潜在目标成本。 在 DotWall 和 PointMaze 测试中,规划成功率分别从 54% 提升至 98% 和从 82% 提升至 96%。 该方法无需重新训练编码器或世界模型,仅通过规划经验即可优化视觉表示的目标成本评估。
研究揭示 Gemma 4 模型在零温度下对上游调用方的相关得分能显著区分真实结构邻居与干扰项,而对下游调用方得分接近随机。基于此发现,提出免训练的 GraphScent 搜索控制器,通过传播关系条件对数似然比在运行时 Typed-AST 多图上定位缺陷。该方法在单 GPU 预算下,将 31B 模型在词汇困难目标上的精确定位准确率从 12.8% 提升至 23.4%。
研究人员扩展 Halide 语言,将算法与值表示分离,为量化张量生成 347 个内核。 这些内核覆盖 38 个 GGML 缺失的权重激活对,代码量比 GGML 和 KleidiAI 少 3.7 倍。 在 Apple M3 Max 上,内核速度达到 GGML 专用内核的至少 95%。
arXiv论文《Only as Safe as the Weakest Agent》提出多智能体系统安全取决于最弱子智能体,强编排模型在委托子代理时会在特定攻击下失败,Claude Code等系统在18个模型测试中表现出该现象。
推荐理由:论文指出多智能体系统的安全边界取决于最弱子智能体,强编排模型委托时会在特定攻击下失败,提供了多智能体安全评估的新视角。
综述指出PPG无袖带血压估计的进展依赖优于单纯算法优化的多方面改进,强调需关注数据泄露、校准漂移及基准与实际测量的差距。 未来工作应优先开发生理信息模型、构建多样化纵向数据集,并建立透明报告校准需求和故障率的评估协议。 该研究旨在弥合实验室精度与可靠现实世界测量之间的鸿沟,为高血压临床管理提供实用价值支撑。
ActGCG 修改贪心坐标梯度优化后缀以匹配目标激活,无需白盒访问即可影响模型行为。 该方法引入通用后缀及模型翻译步骤,在德语生成任务中离散后缀几乎完美复现导向向量效果。
研究发现,基于部分可观测性的 Bellman 专家监督优于全知地图的 TSP 专家,在 2000 步预算下 Bellman-VLN 找到 71.4% 目标,显著高于 TSP-VLN 的 65.5%。 结果揭示了最优路由与最优探索的区别,表明有效的探索监督应优化部分可观测性下的决策,而非模仿全知环境下的路径。
在零泄漏协议下,ServiceExplorer 层级依赖图在 6 个基础模型、100 个 PR 的评估中,相对 F1 提升 15.6% 至 86.2%,显著优于基线与 Tree-sitter AST。 该图捕捉两级架构模块,使旧代模型性能超越下一代模型未增强基线,验证了上下文增强在 SWE Agent 中的核心价值。
研究者分析了来自125种智能体配置和117个模型的143,209条执行轨迹。 开发了基于规则的解析器,将执行日志映射为搜索、编辑等高层动作。 发布解析器与标注流水线,表明智能体堆栈可通过行为画像识别。
在 23 个项目全链路测试中,87.6% 模板与 95.0% 提取修复通过校验,部署耗时 82 秒,支持 VS Code 等 IDE。 提升 AI 生成项目的部署成功率与安全性,验证独立检查机制的有效性。