跳到正文
10月21日周三
  1. arXiv · AI21

    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。

  2. arXiv · AI31

    MMEnterprise-Bench:评测多模态记录演进下的企业智能体

    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。

  3. arXiv · AI32

    ComplianceAgent:基于 LLM 的加拿大及魁北克法律合规评估智能体

    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。

  4. arXiv · AI23

    工业 AI 规划系统中新增能力操作价值的可观测证据标准

    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。

  5. AWS Machine Learning Blog43

    Amazon Quick 与 Amazon Bedrock AgentCore 构建对话式供应链智能

    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。

10月20日周二
  1. 豆包工作63

    豆包工作学术科研实战指南:7 个场景提示词与 Skill 教程

    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。

  2. arXiv · AI24

    RADD:基于检索锚定离散扩散的多模态知识图谱补全方法

    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。

  3. arXiv · AI21

    SHARP:基于模式感知规划与混合知识工具集的知识图谱三元组验证智能体

    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。

  4. arXiv · AI22

    GAIDA: 用于人机协同文档标注的生成式 AI 原型

    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。

  5. arXiv · AI29

    StrucChunk:面向法律文档 RAG 的结构感知检索

    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。

  6. arXiv · AI30

    面向企业零售工作流的Agentic RAG:基于异构数据源的评估基准与框架

    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。

  7. arXiv · ML26

    Video-EMem:面向长视频的紧凑型可复用记忆框架

    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%。

  8. arXiv · ML23

    无标签证据图边界切割在检索拒答中的表现评估

    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。

  9. arXiv · ML20

    钙钛矿光伏检索增强生成(RAG)定量问答基准:验证 SQL 执行优于纯文本检索

    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。

  10. arXiv · ML21

    TCMScience:面向中医药的科学发现自主智能体

    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。

  11. arXiv · ML28

    表格基础模型数据溯源与隐私审计的数据集推断方法

    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。

  12. arXiv · ML23

    PeekKV:基于内容 token 动态分配 KV 缓存预算

    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。

  13. arXiv · NLP28

    Chain of Retrieval:面向全论文检索的多方面迭代搜索扩展与后序搜索聚合

    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。

  14. arXiv · NLP20

    Attuner:面向智能体的无重计算 KV 复用方法

    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。

  15. arXiv · NLP40

    开源 LLM 在 BIRD 数据集上的 Text-to-SQL 性能基准测试

    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。