跳到正文
10月27日周二
  1. arXiv · NLP27

    Rethinking Retrieval in the Long-Context Era: Training-Free Semantic Trees for Adaptive Context Construction

    免训练框架 SemanticTree 通过语义层次结构优化长上下文问答,在 LongBench 任务中将平均 QA-F1 提升 1.72 点,同时降低答案上下文长度 58.55%。 该框架利用单次生成构建可复用语义树,结合结构语义评分与细粒度词汇归因,保留原始文本以维持局部完整性。 代码已在公开仓库提供,验证了在四个前沿回答模型上超越基线的性能。

  2. arXiv · NLP37

    Memory Tax:剖析 Agent 记忆相对于直接检索的净价值

    大规模评测发现,许多专用 Agent 记忆系统在许多情况下表现不如 naive RAG,导致净价值为负。 研究将记忆净价值分解为记忆收益与记忆税,指出记忆处理改变原始信息组织导致证据被移除或模糊化。 作者提出“记忆税”概念,旨在将关注点从独立性能转向净价值,并计划开源代码与结果。

  3. arXiv · NLP26

    HerHealthGPT:面向女性生殖健康的证据驱动对话式AI系统

    HerHealthGPT是一款整合RAG、上下文感知澄清和来源验证的女性生殖健康对话式AI系统。在基于90个案例的540条消息评估中,其证据检索将担忧类别准确率从仅微调的54.1%提升至59.3%。 澄清路由器在构造目标上实现85.6%召回率和86.2%特异性;30名参与者的问卷显示,83.3%更偏好启用检索的配置,25/30认为其后续提问相关。

  4. arXiv · NLP29

    TriageRAG:面向专业领域的失败感知自训练检索增强生成方法

    TriageRAG 提出失败感知自训练方法,通过探针将自生成问题分为已知、解决、上下文失败和检索失败四类并路由至对应训练信号。 该方法使用 Qwen3-4B 和 Qwen3-8B 骨干模型,在 11 个数据集上比 SimRAG 高 1.2-6.4 分,且是唯一在所有检索损害案例中恢复闭卷水平的技术。 实验证实轮次过滤移除缺乏证据的上下文,防止读者过度信任噪声检索,从而定位领域差距。

  5. arXiv · NLP25

    SUDO: 从科学出版物到全球学术话语

    SUDO通过定义知识元素的组织与关联方式,将单篇论文的研究叙事构建为一致的学术话语,连接不同论文的叙事形成全球学术话语。 该知识图谱自底向上构建,保留局部语境与来源。在基于LLM的科学问答任务中,SUDO展示了性能提升。

10月26日周一
  1. arXiv · AI28

    基于引用锚定的医疗软件采纳知识图谱构建

    研究人员提出了一种构建医疗软件客户与集成关系知识图谱的流水线,核心规则是图谱中每个关系都必须由源网页的逐字引用支持,以防止错误客户信息误导买家。 在覆盖61家供应商的测试中,该流水线基于6428个候选关系,实现了0.94的精确率和0.71的召回率。

  2. arXiv · AI28

    基于本体论指导的气候科学知识图谱构建方法

    提出智能体本体引导框架,利用 Gemini-2.5-flash 构建气候科学知识图谱。 框架包含文档理解与实体链接智能体,1000 组三元组验证中 Gemini-2.5-flash 的 Cohen's $\kappa$ 得分达 0.640–0.700。 处理 2000 篇文献,生成含 133,990 个节点与 755,308 条关系的知识图谱,98.96% 三元组验证正确。

  3. arXiv · AI26

    4DMemory: 长时空记忆基准测试与增强型智能体

    研究团队发布 4DMemoryBench 基准与 LongVideo 数据集,包含 900 小时视频及 5000+ 人工审核问题,用于评估长时空推理能力。 该基准测试了 13 个领先模型,发现独立模型在长时程任务中表现不佳,但引入包含 22+ 工具模型的 4DMemory Harness 后,所有模型性能提升超 50%。 旨在推动能解决复杂长时程任务的时空智能体发展。

  4. arXiv · AI33

    RubricCraft:利用解题路径差异生成评估标准的智能体评测方法

    RubricCraft 提出一种基于解题轨迹生成自然语言评分细则(Rubric)的方法,解决开放式任务评估标准难编写的难题。 在 SpreadsheetBench v2 测试中,RubricCraft 生成的细则错误放行率降至 29.5%,优于仅基于提示生成的 42.6%,且能更准确区分不同模型的输出质量。 该方法通过对比不同解法的满足与违反情况构建标准,无需单一完整参考解即可捕捉部分正确性。

  5. arXiv · AI25

    企业级多智能体 RAG 重构:在检索前组织知识的层级架构

    针对企业级多智能体 RAG 痛点,论文提出在检索前组织知识的层级架构。 该架构基于机器生成的制品级本体,通过稀疏元数据注册表和导航超图约束向量搜索,将歧义消解转变为结构性过程而非统计过程。 在部署于一周内并支持按惯例接入新服务的情况下,该层级架构协助开发人员验证并解决了 100 多个生产缺陷,并将 35 次发布回归故障归因于特定规则和的服务。

  6. arXiv · AI24

    LLM Agent 技能内化度评估:基于无辅助得分替代增益指标

    传统基于增益的技能退役规则误删超半数未覆盖技能,作者提出结合另一模型增益判断的无辅助得分评估方法。 在 SkillsBench 基准中,新方法的交叉任务一致性系数达 0.42,显著优于传统方法的 0.23,且退役无辅助技能未造成可检测的奖励损失。 研究发布了包含 1251 项技能、任务及四项模型评分的数据集,支持按模型独立读取内化判断。

  7. arXiv · AI36

    DIVA:基于LLM的决策驱动信息获取方法

    DIVA框架通过评估证据的决策价值来优化LLM信息获取,解决其支付无效检查或过度询问的“信息陷阱”。 该框架无需训练即可适用于任何LLM。DIVA-U在四个领域的20个LLM上表现优于基线,DIVA在合成场景中使最佳基线regret降低75%。

10月24日周六
10月23日周五
  1. arXiv · ML35

    SemDN:为 LLM 代理重新思考网络检索基础设施

    提出 SemDN 语义分发网络,将语义块检索作为一等网络交付抽象,支持 LLM 代理在推理轮次中进行有状态检索。 SemDN 在块粒度上索引、搜索和缓存 Web 内容,由源端授权,并作为层级基础设施服务于客户端和源端。 实验表明,语义块分发可改善每上下文 token 的回答质量,且比 URL 缓存更有效地处理智能体查询中的块重用。

  2. arXiv · AI22

    ChatT2:用于天然产物领域研究的基于大语言模型的自适应多智能体框架

    summary_zh: 推出基于 LLM 的多智能体框架 ChatT2,专为细菌 II 型聚酮类天然产物研究设计,解决新手探索微生物天然产物的复杂性难题。 该框架由导师、执行器和评估器三个智能体组成:导师利用链式推理(CoT)提示词精炼用户意图;执行器通过检索增强生成(RAG)整合多模态信息并调用生物信息学工具;评估器确保输出信息的丰富性与准确性。

  3. arXiv · AI28

    AIOS 提出内核管理的共享内存实现系统级个性化

    论文在 AIOS 系统中提出由内核统一管理检索、隐私与提示词注入的共享内存机制。在 GPT-4o、Llama-3.1:8B 和 Qwen-2.5:7B 共 1,800 次试验中,相比未管理的 Mem0 后端,个性化得分提升 2.4-4.0 分(5 分制),且每次调用的 token 用量和推理成本均降低。端到端延迟降低 15-61%,以更低成本实现了接近无限制上下文的个性化效果。

  4. arXiv · ML23

    双 LLM 架构 LRBTC 如何优化制药内容质量控制

    针对制药领域内容合规挑战,新架构 LRBTC 通过 Student-Teacher 机制实现可验证的内容校验。 在 AIReg Bench 上取得 83.0% F1 分数,违规漏检率较 Gemini 2.5 Pro 降低 5 倍。 该方案作为即插即用工具,为高风险合规行业提供透明、可靠的质量控制实践。

  5. arXiv · AI30

    基于依赖引导的回滚修复解决记忆增强型智能体错误

    研究提出依赖引导回滚修复法,通过构建记忆-动作图,在保留正常记忆的同时选择性重放受影响的计算,解决智能体记忆污染问题。 方法在150个案例的受控基准测试中实现85.3%的即时恢复率,相比基线方法减少41.8%的LLM调用,但在50个压力测试案例中恢复率为68.0%。 该研究为记忆增强型智能体提供了可验证、低成本的错误恢复方案,平衡了精准修复与计算成本之间的关系。

  6. arXiv · AI23

    Xetrieval:通过特征激发解释稠密检索

    提出Xetrieval框架,通过特征激发将稠密嵌入分解为可解释稀疏特征,实现相关度归因与检索引导。 Feature Elicitors利用辅助视图使检索相关语义显性化,共享稀疏字典从中学习可描述特征,并通过干预原始文档嵌入验证其对相关性评分的影响。 实验表明该框架比SAE基线生成更可解释的特征,且识别出的特征集对检索器评分影响更强,支持有效的检索引导。