测量 AI 生成辩论中的价值表达与组织方式
研究提出基于 Schwartz 基础十值理论的诊断指标框架,区分 AI 生成辩论中的价值表达与价值组织。 AI 生成辩论往往激活比人类参考同等数量的价值观,但其价值分布更呈局部扩散状。 该框架支持评估价值覆盖、对齐及扩散度,指出辩论评估需兼顾价值存在与组织。
研究提出基于 Schwartz 基础十值理论的诊断指标框架,区分 AI 生成辩论中的价值表达与价值组织。 AI 生成辩论往往激活比人类参考同等数量的价值观,但其价值分布更呈局部扩散状。 该框架支持评估价值覆盖、对齐及扩散度,指出辩论评估需兼顾价值存在与组织。
研究人员提出LLM驱动的进化程序搜索框架,首次应用于生成检索,利用本地部署的31B开放权重模型和1M参数代理解码器优化SID组件。 在NQ320K数据集上,联合进化SID构造和碰撞处理使Recall@1从55.8%提升至59.3%,Recall@100从85.8%提升至90.6%,代理与目标模型排名相关性达0.90。
论文提出基准测试 MMEnterprise-Bench,包含 1,613 个基于模拟协作项目中演进多模态记录的问题。 评测涵盖证据推理、冲突解决和不可回答性三类任务,测试了 10 个专有及开源多模态 LLM。 结果显示最强模型在跨源或时间冲突证据面前仍表现挣扎,增加检索预算或未显著提高答案准确率。
Pattern Intelligence 是一个已部署系统,无监督地发现医疗收入周期管理中导致收入的系统性 payer 扣款和 claim 拒付的可修正模式。
ProMemAgent是首个将日常感官上下文中的前瞻记忆应用于长程主动辅助的Agent。其将自我视角视频和音频整理为上下文感知记忆,生成前瞻线索并链接事件,在当前上下文下检索过往事件进行记忆增强的主动推理。
ComplianceAgent 作为 COMPASS 框架的子智能体,利用 LLM 对文本进行法律合规评分,并在低分时触发自我修复重写及人工升级。 评估基于 15 份人工标注金标准文本,结合 13 项加拿大及魁北克法律文书。 智能体在测试中成功区分合规与非合规文本,且分数在重复查询下保持稳定。
针对工业 AI 规划系统,提出可观测证据标准以区分新增能力的独立贡献,解决单一指标评估盲区。 在 Favorita、M5 和 Walmart 数据上验证该标准,发现复合策略可能掩盖微小贡献(如 1/681 计划改变),且执行变化不保证稳定收益(如高成本风险)。 该标准为部署、监控和退役决策提供能力级证据,组织需结合实施成本权衡最终价值。
框架累积发现以挖掘深层问题,并构建了DataPraxis-5K数据集。 训练的DataPraxis-27B模型在DABStep和JobBench上达到55.11和51.9分。
Octave 利用 Amazon Bedrock 和 Cohere Embed v4 构建三层多租户 AI 基础,将用例部署时间缩短 50%。 架构通过 AgentCore Gateway 和 Amazon Bedrock Guardrails 确保租户数据隔离,并在单一工作日内嵌入 20 亿份文档。
Amazon Bedrock AgentCore 提供智能层,结合 Amazon Quick 实现无代码对话式供应链管理。 AgentCore 通过 MCP 协议连接企业系统,Agent 可自动规划调用链以查询中断影响并生成缓解建议。 该方案将数据分析时间从 45-60 分钟缩短至数分钟,且所有变更需经人工审批以确保安全。
豆包工作官方发布学术科研实战教程,覆盖 Origin 绘图、COMSOL/MATLAB/ANSYS 仿真、文献调研、论文精读、写作润色、投稿审查及组会汇报 7 个场景。
推荐理由:通过 7 个科研场景的实操案例,展示了如何利用豆包工作配合 Skill 工具,实现从文献检索、论文精读到仿真建模的自动化流程。
提出 SMART 框架,通过直接后期交互利用冻结的隐藏状态,将标准单向量模型升级为多向量检索器。该方案即插即用,在 MMEB-V2 基准上进一步提升了 SOTA 模型性能,且轻量级后训练能增强视觉文档检索效果。代码和权重已开源。
论文提出 VeriGRAG 框架,通过图神经网络编码 Verilog 数据路径图并生成结构感知软提示,提升了 LLM 生成 Verilog 代码的语法与功能正确性。
MemForest 提出通用记忆压缩框架,通过 EventTree 分区与渐进合并降低推理存储与检索成本。在单模态 Mem0 和双模态 M3-Agent 基准测试中,分别压缩 50% 历史记忆且保留 97.1% 至 99.7% 原始性能,检索速度提升 1.89x 至 2.24x。该框架适用于长期对话与个性化助手等场景。
RADD 提出一种将检索不确定性转化为概率参考的统一框架,通过锚定特定于查询的检索分布实现多模态细化,解决全局检索中的实体歧义问题。 该方法通过双向学习统一头尾细化,并在推理阶段根据候选覆盖率自适应调整排名修正,确保预测不被限制在已检索集合内。 实验在三个多模态知识图谱补全基准上表明,RADD 相比强基线及其匹配的检索器表现出一致的性能提升。
研究提出无训练智能体SHARP,利用历史轨迹与实体-关系模式构建动态调查计划,将三元组验证转化为战略性规划与主动探究过程。 在FB15K-237和Wikidata5M-Ind测试集上平均准确率分别达87.1%和93.6%,消融实验证明增益源于模式感知规划、记忆增强及迭代混合工具使用的协同效应。 提升了知识图谱审计的可解释性与证据链透明度。
研究发现生成式检索中 SID 语义漂移导致检索质量严重下降,beam size 为 1 时 HitRate 降低 41.78% 至 62.05%,而 beam size 1000 时仅降低 8.33% 至 10.85%。
研究提出人机协同文档标注架构 GAIDA,集成 OCR、LLM 预标注与人工验证。 在 FUNSD 和 WildReceipt 基准测试中,OCR 协助将区域创建与转录时间减少最高 80.9%,LLM 预标注审核将语义标记时间减少最高 73.7%。 该实现被适配用于公开释放 AraReceipt 数据集,包含 100 张阿拉伯语收据图像及 25 类关键信息标签。
StrucChunk 提出混合稠密-稀疏检索方案,在 LegalBench-RAG 上 Char-Recall@8 达 48.18%,较最佳基线提升 104%。 该方案将文档视为有向无环图,结合 BM25 与 BGE-M3 实现结构感知分块,支持多法域与双语评估。 在 GDPR、印度刑法等五个语料库上验证有效性,并发布 5,256 条评估查询及实现代码。
研究人员构建了零售领域组合式基准RetailBridge及感知零售的RAG框架RetailRAG。 该框架配备自动模式简报、源路由计划链接及诊断性计划修订功能,在评估十种LLM骨干模型时, consistently 优于现有基线。 研究揭示多源链接是主要瓶颈,表明可靠零售智能体需显式跨源编排,代码和数据已公开。
summary_zh: CorrectRTL 提出分解后校正范式,将结构构建与详细实现解耦,在 ScaleBench 上将 Pass@1 从 20.5% 提升至 49.0%。
研究者利用 LLM 从 MIMIC-IV 病历提取临床因果知识图谱,审计三种验证信号发现编码顺序方向性弱。 同子集上 LLM 提取器方向一致率 69.4%,编码顺序仅 54.2%;文献佐证仅覆盖 30.4% 候选关系。 Lift-only 检索准确率 35.7%,保守因果降级将无证据答案率从 17.3% 降至 6.1%。
pTopoFL 利用持续同调(PH)描述符在训练前对客户端进行聚类,实现个性化联邦学习。 理论证明对于强凸平滑损失,单轮更新为收缩映射,个性化降低了异质性下限。 在真实四医院数据集上,pTopoFL 将 FedAvg 测试 log-loss 从 0.463 降至 0.438。
提出知识流形优化(KMO),将科学发现视为连续知识空间上的多目标搜索。 在99篇空气动力学文献上验证,21x21网格产出19个帕累托最优解,其中16个形成实用前沿。 证明“空白”本身不足,需结合新颖性与证据支持,并通过受限LLM生成假设。
Video-EMem 提出可进化视频记忆框架,利用时间锚定感知观察组合紧凑文本与稀疏图像,提升长视频问答性能。 该框架通过独立反馈进化 Writer 与 Reader 工作流,在冻结底层模型条件下,相比未进化基线平均准确率提升 7.2%。 在三个长视频 QA 基准测试中,Video-EMem 将 Qwen3-VL-30B 的平均准确率提升 2.6%,且平均存储减少约 99.86%。
提出免训练无标签拒答方法,利用证据图边界切割信号,在 MemoryAgentBench 多跳任务将精确覆盖率从 0.736 提升至 0.785。 零切割子集包含 400 个查询中的 71 个,实现 100% 观测精度;监督选择器在匹配检索栈下可达 0.814。 该框架提供轻量、可审计的检索后拒答方案,无需额外模型推理。
TaQFormer 通过观测数据预训练与 LoRA 微调结合 RCT 数据,优化多维优惠券分配。 14 天在线 A/B 测试显示,在补贴成本率基本不变的情况下,业务价值每用户提升 1.26%,并满足延迟预算。 该方案已全量部署,至 2026 年 10 月已全规模运行数月。
summary_zh: KV-Surgeon 提出一种补偿感知的离线 KV-Cache 压缩方法,在 4B 至 30B 参数模型上显著推进成本-准确率帕累托前沿。
该基准提出基于 45,441 条器件记录的定量问答任务,指出传统纯文本检索 RAG 准确率仅 16-23%,低于零样本性能优势有限。 引入只读 SQL 执行后,准确率升至 51.5%,且聚合类查询在纯文本检索下几乎无法解决。 证明了系统化表格提取是文献级定量研究的操作前提,适用于 14B 开放模型与 24 GB GPU 环境。
RIDGE方法通过保留Beta后验并调整高斯近似目标,优化了Group Relative Policy Optimization在Web任务中的采样效率。 该方法在两个数学主干和检索增强问答任务中,较GRPO平均准确率分别提升3.4和2.9个百分点,较动态采样减少29.6%的数学演化和32.7%的工具调用。
研究团队推出 TCMScience,一个将语言模型建议与执行权限分离的中医药科学发现自主智能体。 其架构包含信任内核与科学编译器,能力注册表涵盖 29 个领域的 444 个类型化操作及 12 个领域的 150 个原生工具。 在治理消融实验中,双层控制机制使 121 类构建错误中的误报率从 121 降至 0,仅保留 10 个合规对照组。
研究提出首个针对表格基础模型(TFM)的数据集推断方法,通过组合黑盒信号推断特定数据集是否参与预训练。 该方法在多个 SOTA TFM 上实现高达 0.99 的 ROCAUC,并分析了数据组成、模型容量及合成数据等影响因素。 结果证明该方法可作为检测隐私泄露及专有数据集使用的实用审计工具。
PeekKV 通过预填充后观察单个内容 token 获取分数,动态分配 KV 缓存预算。 该方法无需离线剖析或训练,支持未见工作负载。在 Llama-3.1-8B-Instruct 上,10% 内存预算下 RULER 准确率保留 95.7%,1.5% 预算下 LongBench 保留 95.9%。 其在多项基准测试中优于现有方法,显著降低 LLM 服务内存瓶颈。
研究证明多跳检索失败在特定子群体中聚集,提出无需额外 LLM 调用的检索置信度分数(RCS)。 RCS 基于最多 9 个查询-ANN 结构特征,在 MuSiQue 等 3 个基准上将 CWAR 从 39.5% 降至 20.6%。 模型在跨数据集迁移中仅损失 0.5pp AUC,证实了失败机制的领域无关结构。
针对科学论文检索中摘要表征不足的问题,提出Chain of Retrieval (CoR) 迭代框架及大规模基准测试SciFullBench。 CoR 将查询论文分解为多方面视图进行匹配,通过迭代扩展形成树状检索结构,并采用后序方式聚合节点。 实验结果显著优于现有检索基线,相关代码和数据集已开源可用。
Attuner 通过查询侧低秩适配器学习读取冻结 KV 缓存,在无需重计算或全上下文参考的情况下,匹配全上下文预填充质量,最高实现 3.73 倍加速。 在 Qwen3-4B 和 Qwen3-8B 上,该方法通过蒸馏全预填充分布进行训练,仅调整 0.05% 模型参数,在技能和文档等 7 项基准测试中显著优于现有 PIC 基线。
多模态RAG中朴素融合易受污染数据影响,gpt-4o-mini在污染文本下支持率从0.908降至0.490。 作者提出免训练的SATR方法,其Field-Selector变体取得0.816平衡分数,比Full-MM高11.7点。 在文本优先的冲突场景中,选择性信任优于无条件融合。
在 BIRD 开发集上,Qwen2.5-Coder-32B 自托管执行准确率最高达 54.9%,CodeLlama-13B 为 26.3%。 自纠正技术是唯一带来一致增益的方法,提升 1.2 至 4.4 个百分点;Schema 链接和自一致性未显示显著效果。 该研究验证了自托管开源模型在无法使用云 API 场景下的 Text-to-SQL 能力边界。
提出 INO 方法,通过迭代优化将自由形式反馈转化为可检索的事实颗粒。 在两个生产级 B2B 智能体中评估,INO 显著提升了纠错的可发现性和使用率。 生产环境实验表明,事实颗粒能有效提升用户对回复的满意度。
ClinSeekAgent 提出动态多模态证据自动寻获框架,在推理时显著提升前沿模型性能。多轮证据寻获而非单纯数据量增加带来增益,多模态任务整体 F1 分别将 Claude Opus 5 从 66.5 提升至 68.8,将 GPT-5.6 Sol 从 60.0 提升至 62.5。