MemShift:分离检测与修复以评估 LLM 衍生个人记忆
MemShift 提出基准测试,将 LLM 个人记忆的维护分解为检测和修复两个步骤。 该基准包含五种转变类型(源修订、删除等),并采用确定性评分器替代 LLM 评判。 评估四个开放权重 LLM 发现,检测效果受限于修复能力;LLM 编写的程序在类型化记录上可缩小与精确重算的差距。
MemShift 提出基准测试,将 LLM 个人记忆的维护分解为检测和修复两个步骤。 该基准包含五种转变类型(源修订、删除等),并采用确定性评分器替代 LLM 评判。 评估四个开放权重 LLM 发现,检测效果受限于修复能力;LLM 编写的程序在类型化记录上可缩小与精确重算的差距。
多智能体 LLM 框架 Qubrio 通过三级分解和专职智能体,显著降低量子编译启发式重设计需求,并在现实负载下大幅提升硬件运行时间和程序保真度。 该框架采用序贯操作阶段划分、placement/routing/optimization 专职 agent 及解耦反馈纠错,还能发现 novel 策略增强硬件并发性,并保持 code 公开。
提出统一矩阵框架,填补判别、校准与排序评估的代数缺口,引入偏差算子与秩相关算子。 校准部分证明 Murphy 分解的矩阵形式,Brier 聚合坍缩为单一标量;排序部分揭示 raw DCG 在聚合下坍缩而 nDCG 不坍缩。 相关结果通过 Lean 4 机器验证,实验代码与证明已公开。
该框架通过双层优化进行元学习,内循环使用轻量级 LoRA 适配器编码轨迹,外循环学习元参数;同时构建了包含 12,810 道数学题的 OpenParallelThinking 语料库。 在数学和 STEM 基准测试中,TTT-Consolidate 在匹配计算和运行时间的情况下,比最佳聚合基线高出最多 20 个百分点,且随着可用轨迹数量增加,其从失败轨迹中恢复的能力增强。
提出场景自适应读出与解码框架,通过单次骨干网络扫描结合 MoE 加权读出层及自适应策略减少冗余计算。在 Waymo E2E 和 nuScenes 基准上,验证集 RFS 最高提升 0.56,Waymo E2E 端到端加速达 6.0 倍。 该框架利用层特定后期表征支持轨迹读出,并仅在场景需要时应用额外原生细化。代码已开源。
开源平台 AgenticMobility 利用 LLM 智能体模拟出行决策与管理干预,分析城市交通动力学。 平台在 MATSim 中运行,智能体身份与状态跨轮次持久保留,支持通过信息访问、经验保留和管理反馈调整实验。 初步演示涵盖 5 种配置共 100 天模拟,其中联合运行产生 1,179,300 个有效目标决策,验证了执行正确性与记忆保持。
研究者提出 MEX 基准测试套件,用于感知层面验证计算音乐预期模型。 该套件评估模型估计的音乐信息动力学指标在重复、段落边界、音频与符号音乐一致性以及预测电生理反应方面的表现。 作者提供开源代码,支持用户利用基线模型从音频中估计 surprisal 和 uncertainty 并运行相关任务。
SCOUT框架通过物体中心场景表示重建隐藏几何结构,利用LLM生成动作候选并经MCTS评估以解决遮挡规划难题。 实验表明该框架在长期任务中显著优于VLA策略和3D世界模型,并已在杂乱货架环境完成真实机器人操作验证。
S1CogBench 评估了包括 Jev 和 Laya 在内的五个开源模型及 Jev 在 24 项认知任务上的表现。 发现决策可靠性差异大,快速反应主要源于无文本生成,聚合分数掩盖了模型对证据、反馈和记忆负荷的响应。
DTP-OPSD 提出一种抗干扰感知的时序特权在线自蒸馏强化学习框架,专门解决时间视频定位中因视频包含相似或相反事件导致 GRPO 策略梯度失效的问题。 学生模型生成响应,共享权重的教师模型观察标记了目标窗口和干扰窗口的特权视频,通过计算教师评估学生前缀的 Jensen-Shannon 散度提供密集 token 级监督信号。
研究人员提出 AI-FAIR 元数据标准,将传统 FAIR 原则扩展至双向“问题-数据-模型”三角形,旨在解决生态与生物多样性领域数据基础设施碎片化及价值单向流动的问题。
Axion 1.0 是一款完全开源的智能体基础模型,结合强且广的 agentic 能力与极简训练配方。 训练仅含三阶段:两轮轻量监督微调(SFT)后接强化学习,无 mid-training、DPO 或 OPD。
Reap 提出基于 Lean4 的开放证明搜索框架,训练的 1.7B 参数模型 Reaper-1 在 miniF2F-test 基准上以 pass@32 达到 79.9% 解题率,确立了同级别开源求解器的前沿性能。 系统通过共享状态转换与重放验证,结合策略价值引导的蒙特卡洛树搜索,利用强化学习增强证明组织能力,使更少显式搜索决策能驱动更复杂的策略程序执行。
ZeroGraph 通过实体化冻结教师的边界轨迹为版本化数据集,实现预训练模型转换与蒸馏中的分块独立训练。 在 GPT-2 Large 上,无锚定目标使去噪误差降低 99.44%,但交叉熵从 3.63 恶化至 10.48;在 Qwen2.5 模型上,干净教师边界回归方案通过质量与上下文使用测试。 该方案将跨深度语义依赖从在线优化转移至持久数据,中断的分块可恢复至比特级相同的最终状态。
LARK是一个能自动对LLM生成的GPU内核进行形式化等价性验证的智能体框架。 它通过Lean 4将内核拆解为可证明片段,并与PyTorch参考实现逐段比对以验证正确性。 在KernelCraft任务中,LARK配合ReAct智能体,使GLM 5.3成功验证了12个Level-1内核中的10个,并在生产级内核中发现了1个新的数据竞争漏洞。
JitSkill 通过连续追踪任务状态,解决 LLM 智能体在长时程任务中动态选择外部技能库的难题,克服固定技能集预设假设的局限。 该框架将新出现的需求与累积的任务进度关联,在执行过程中持续提供程序支持。实验表明其在三个 agent benchmark 上提升了任务完成率,代码已开源。
研究显示,当参考记录存在链接缺失故障时,大模型 LLM 评审仅依赖文本捕获率显著高于依赖记录,Gemini 3.1 Pro 达 23/24,而记录可用时仅 1/24。
系统 GURU 采用层级神经符号多智能体架构,在计算流体动力学中将未知几何收敛模拟率从不足 1% 提升至 74%。 该系统在 100 个单次尝试案例中验证了效率,并通过符号层提升了边界层捕捉能力。在太空态势感知领域,该方法在 conjunction risk 评分上超越了五种方法,包括全量微调的语言模型。
VCoT-SQL 框架通过中间步骤验证的 CoT 监督,使 7B 开源模型在 BIRD dev 数据集上达到 66.82% 执行准确率。 该框架使用 7B 模型进行 CoT 合成,性能优于使用 72B 或专有闭源教师模型的方法,证明步骤级验证比扩大教师模型规模更有效。
针对 LLM 缺乏计算能力的痛点,该方法让 LLM 仅作语义层,通过 1M context 连接 SQL、Cypher、Python/R 四类引擎。 SQL 泛化平均准确率达 94.6%,比 SOTA 高 20-23 分;Cypher 准确率为 96.5%。 语义与计算分离的机制可随 LLM 与 Agent 演进持续适用。
在 Llama 3.1 8B 代理的 60 个集数中,小型本地监控器未能有效区分利用尝试与诚实失败,预注册主要监控器的 AUC 仅为 0.64。 Gemini 3.1 Flash-Lite 在相同输入下达到预注册的 0.80 AUC 标准,但其对未命名利用的检测存在局限;8B 监控器在获取完整轨迹后能标记所有 25 个复现集,却常描述未发生的动作。研究团队已发布该环境、标签及预注册日志供参考。
Taurus 利用 LLM 环流框架实现 CT 主动脉标注,主要指标表现与使用 Claude Opus 5.5 的自由智能体无显著差异,但单病例成本仅为 $1.22,低于后者的 $2.71。 该框架通过自动化路径处理扫描,并结合固定规则平滑标签表面及多项选择检查以修正大型错误,在 38 个留出病例上取得主要增益。 此类标注自动化使得专家时间可从绘制标签转向核查,提升了效率。
Hugging Face 发布 Transformers 模型集成契约标准,通过缩小模型尺寸在CPU上进行快速集成测试。该标准在测试中发现 UMT5 存在注意力缺陷,该缺陷导致解码器能关注未来 token,并在主分支存在近两个月。
ZCode 更新至 3.17.1 版本,正式上线 Computer Use、Browser Use 与 ZCode Sites 官方插件。用户可通过插件操控本地桌面软件、浏览器执行图文调研与 OA 填单等日常任务;在编程场景中,ZCode 支持拉起浏览器实测交互、修复 Bug,并通过 ZCode Sites 将网页项目(如 3D 射击游戏)一键部署上线为在线链接。
智象元一与中国科大联合提出 EraseSAE,利用稀疏自编码器实现文本到视频模型中概念的安全擦除,代码已开源且研究被 ECCV 2026 接收。 方法通过分区卷积 SAE 分解特征并采用动态时空掩码进行局部干预,在 CogVideoX-5B 上将裸露内容检测率从 28.25% 降至 2.62%,显著优于现有方法。
发布 Saidzoda-Tajik-LFM-2.6B,基于 LFM2.5-2.6B-Base 适配塔吉克语工具调用。经 LoRA 持续预训练与 SFT,塔吉克语严格全调用准确率从 20.69 升至 64.14。 CPT 去除了原生工具调用格式,导致所有检查点评分为零;英文 MMLU 下降至 52.5,模型在多轮调用及拒绝无效工具方面表现较弱。
研究者提出 Grounded Generative Speech Recognition (GSR),将语音识别重新定义为生成语义文本,并建立 GSR-Bench 评估基准。 该基准涵盖会议转录、方言翻译等场景,结合 LLM 语义判断进行多维度评估,揭示了转录保真度与生成式重构能力之间的权衡及典型失效模式。
PsyInterviewee 通过分离受保护事实通道与动态交互通道,在 LLM 心理健康访谈模拟中优于四个基线模型。 该模型利用非对称写权限防止生成新的临床事实,确保信息披露符合原始画像,并通过 LLM 评判验证了其在临床依据和回复调节上的贡献。
在 Gated DeltaNet 和 Mamba2 混合架构模型中,全注意力 MTP 头部在长上下文下因频繁读取 KV 缓存导致性能下降,甚至慢于非推测解码。 该方法对 Draft 应用 StreamingLLM 风格的窗口与注意力汇,保持 Target 全上下文验证;训练无关且即插即用。
该专著基于表格型马尔可夫决策过程,建立强化学习(RL)的非渐近统计理论框架。 重点分析生成模型 RL、在线 RL 和离线 RL 三种采样机制,以及模型驱动与模型无关两大算法范式的样本复杂度,强调最小极大最优算法设计。 还简要讨论了鲁棒 RL、多智能体 RL、联邦 RL 及基于人类反馈的 RL 等扩展方向。
论文提出 BYOD,一种通用的 LoRA 参数高效 AR-to-DLM 转换方法,在 Gemma 2 9B、Llama 3.1 8B、Qwen2.5 7B 和 Ministral 8B 上实现了扩散生成。
AuditFL 提出一种合同支持的清算层,实现可审计的开放联邦学习。它保持链下训练和聚合,仅将内容标识符和状态上链。在 MNIST 上,200 个客户端时产生 5,026 笔交易、829.7M EVM gas。 该设计使协调者的链上轮次决策可归因、可重放和可审计。压力测试显示,在高故障率下最终准确率变化仍保持在几个百分点以内。
Apriel Voice 27B Preview 是一款开源语音语言模型,基于 Gemma 4 26B-A4B 构建,能够直接处理语音并生成回复与工具调用。该模型在 thinking 模式下于 Big Bench Audio 得分 98.90,Speech-BFCL 得分 81.13,tau-Voice 任务成功率 65.51%,平均延迟为 1.91 秒。
论文提出10项设计准则,指出当前无公开证据表明单一智能体能同时满足所有准则,且现有基准测试未验证这些属性在终身学习中的共存性。 作为次要贡献,作者提出一个紧凑持久世界场景及新基准,旨在单次生命历程中综合评估广泛的行为能力。
rl_rob 是开源 Python 库,涵盖从表格时差学习到深度策略梯度算法。 所有算法基于第一性原理实现,共享统一接口以支持方法对比。 支持学生通过修改并解释更新规则来进行教学与评估。
开源 Python 包 rc_prediction 实现了参数感知储备池计算(PARC)框架,支持在未见过的参数值下生成动力学轨迹。 包提供多参数训练、闭环预测、参数扫描及超参数优化,并支持通过 PyTorch 进行 GPU 加速。 该框架能仅使用临界前数据预测系统崩溃并估计临界参数 p_c^*。
MCRWK 是一种新的随机游走核(RWK)估计器,其成对计算成本独立于图的大小,并通过采样共享游走长度来近似 RWK,无需构建乘积图。 固定预期游走长度下,每对样本 m 次蒙特卡洛采样的估计耗时为 O(m),可用样本预算调节速度与精度的平衡。 在大规模合成图实验中,MCRWK 比 Graph Voyagers 更快且同等运行时间下更准确;在 5 个真实数据集上 Gram 矩阵计算运行时间最低。
研究团队发布 TamilEOT,这是针对南亚语言的第一个开放语义回合结束检测数据集及检测器,包含来自 116 段电话对话的 18,485 个标注边界。 模型基于 Smart Turn v3 架构,在 4,168 个留出片段上准确率从 70.30% 提升至 86.13%,单线程运行低于 150 ms。 所有数据、权重、代码及阴性结果均已公开。
CogBattery 评估了 54 个开源语言模型在 13 项认知范式文本改编中的表现,并与源研究的人类数据进行对比。结果显示,模型虽能复现人类效应方向,但在非目标误报、置信度区分及固定下注偏好上表现远劣于人类,且这些模式跨越多个模型家族。研究指出,匹配人类效应方向不足以确立类人行为,大规模模型也未一致地更接近人类表现。
现有互信息估计基准多局限于低维简化分布,难以评估复杂真实数据下的性能。研究提出基于 Copula 理论的基准框架,涵盖合成流变换与真实图像依赖结构,评估非参数、变分及生成式估计器。 结果显示不存在通用最优估计器,不同类别在特定场景下表现各异。通过识别基本估计壁垒并提出新测试,该基准更有效地揭示了现有方法的局限。