EGS:面向教育类大语言模型的互补性安全框架
EGS 提出了一种轻量级、模型无关的运行时框架,通过查询审核、场景感知教学指导和响应审核,将教育安全从二元拒绝转向上下文引导。 该框架根据风险等级分诊输入,使用特定教育干预重定向灰色区域查询,并在交付前审核输出,旨在增强安全性同时保留教学效用。 其代码和模型权重将公开提供,以支持社区采用。
EGS 提出了一种轻量级、模型无关的运行时框架,通过查询审核、场景感知教学指导和响应审核,将教育安全从二元拒绝转向上下文引导。 该框架根据风险等级分诊输入,使用特定教育干预重定向灰色区域查询,并在交付前审核输出,旨在增强安全性同时保留教学效用。 其代码和模型权重将公开提供,以支持社区采用。
针对块扩散语言模型(Block-diffusion LMs)长上下文推理中的内存瓶颈,提出 RISA 可恢复稀疏注意力方法,通过共享读取计划和分层缓存机制解决稀疏注意力导致的读集膨胀及信息丢失问题。
研究提出 CueClash 数据集,揭示 Claude Opus 5.5、GPT-5.5 和 Gemini 3.6 Flash 等前沿视觉语言模型在判断 3D 关系时依赖 2D 视觉线索。 低推理力度下,这些模型的“捷径差距”达 +18 至 +37 个百分点;提供地面坐标后可正确率达 99% 至 100%。 模型生成的场景地图多保留深度顺序但缩短深度,表明其 3D 空间理解仍存在局限。
EgoHandWAM模型预测3D手腕轨迹与未来视觉特征,在751,065个EgoDex窗口上训练,使用冻结的DINOv2编码器。 仅预测动作将使2秒手腕末端误差从60.26降至56.48mm,添加未来特征监督对轨迹精度影响甚微;利用记录的手部历史使平滑L1误差降低1.32%,随机打乱历史则会消除这一增益。
研究在Qwen3-30B-A3B模型上通过固定偏置引导专家路径,发现格式路径显著改变生成文本,而概念路径虽偏移下一词概率但几乎不影响输出。 分析表明格式一旦启动会自我强化,宗教与金钱概念在中间层引导效应最强,其强度与嵌入向量区分度及词频相关。
RoboTeam 是一个模拟基准,要求智能体仅凭摄像头图像在实时环境中协同控制 4 至 16 个机械臂完成长周期任务。 在自适应系统中,gpt-6.1-sol 和 opus-5.5 分别完成 28 和 27 项任务,而其他四个模型最多完成 3 项。 gpt-6.1-sol 典型任务耗时 3.5 小时,消耗 2.18 亿输入 token,且三分之一步骤需重试。
MemGP 理论在计算、算法和环路层面统一解释工作记忆,解决离散槽位与连续资源争议。 该理论将工作记忆建模为特征空间上的概率推理,通过有限归纳点近似后验分布,模拟出负载依赖性精度损失及注意增强效应。 分析映射推导出中心-周边连接性及持久活动与突触权重的结合机制,联合预测行为与神经特征。
提出 AUCGR 与 pAUCGR 方法,将生成重构重构为判别排名问题,优化 ROC 曲线下的面积(AUC),无需修改现有生成重构框架架构即可实现即插即用。 理论分析建立与 AUC/pAUC 优化的严格联系并提供泛化保证,实验证实该方法同时提升了判别精度与细粒度感知表示能力。
HyCoInfer 提出云边协同推理架构,将 prefill 分配至云端 GPU,解码分布于 GPU 与边缘 FPGA。在 500 Mbps 链路下,其请求 goodput 达 vLLM 的 4.11 倍,平均延迟降低 61.1%。该系统通过异构卸载与带宽自适应 KV 压缩,显著提升通信密集型任务的推理服务容量并降低能耗。
summary_zh: Direct Head架构结合U-Net分割与软掩码池化,直接从光伏区域特征和面积描述符回归非负容量,避免了传统方法中掩膜面积乘以功率密度的耦合。
FM-Mamba 提出基于 Fornasini-Marchesini 模型的原生 2D 选择性状态空间架构,解决现有 Mamba 方法处理图像时破坏空间邻接性或计算量过大的问题。 模型通过双对角波前扫描执行递推,利用两个独立输入依赖步长及归一化比率 $r_k$ 进行稳定性约束,避免对特征图进行展平操作。 代码已开源。
RLDE 提出基于强化学习的无参考 MDP 框架,用于可解释的迭代文档编辑,在 BEA-2019 数据集上显著优化文本质量。 该框架利用 Pointer Networks 进行动态 Span 选择,驱动冻结 BART-base 模型生成建议,并通过 PPO 智能体优化可读性与语义保持。
研究 Qwen3-8B 在 NVIDIA B200 上的混合精度量化,发现特定配置通过 FINAL-81 测试集全部门槛。 该配置包含 16-bit 激活、98 个 NVFP4 权重模块及 46 个 INT8 模块,权重内存占用 5.917 GiB。 相比 NVFP4 W4A4,配对准确率提升 1.4 个百分点,TPOT 比为 0.939,验证了非加法性模块恢复效应。
证据引擎 GauntletScore 在 LLM-AggreFact 测试集取得 79.51 平衡准确率,匹配 2026 年 11 月 15 日排行榜最佳公开成绩。 其 95% 置信区间覆盖 nimble-v4-max 的 79.45 分;该引擎采用固定贝叶斯规则结合多阅读器证据账本,并发布逐条目预测及评分脚本。
CPTC提出低比特量化格式,在4位时与理想值差距仅0.07比特,匹配数千倍大表的随机置换网格码。 解码器通过两次乘法索引64字节表,支持1至6位宽,精确复现INT4/FP4。在Llama 3.1 8B/70B权重量化中,KL散度比QTIP低最高27%,已集成于AWS Trainium 4。
研究提出DiagTrace基准,包含510个跨8个专科的案例,用于评估LLM在交互式信息获取中重建诊断轨迹的能力。 其中225个案例用于测试4种LLM的临床路径一致性、交互质量与效率。 结果显示模型在覆盖率、来源一致排序及轮次使用上存在权衡。
HubEgo-100K v1.0 发布 10,124 小时 1080p 第一人称视频,涵盖 15,548 个环境。 数据含 100 Hz IMU 数据及 72,754 个带注释片段,采用 CC BY 4.0 授权,旨在通过多样性提升机器人策略泛化能力。
针对在线线性二次控制(LQR),当最优控制器可辨识时,确定性等价算法可实现 $O(\log^2 T)$ 的期望遗憾。 该研究证明,奇异输入罚项放宽了可辨识性条件,扩展了确定性等价策略的有效范围;在可辨识性失效的情况下,则给出 $\Omega(\sqrt{T})$ 的极小极大下界。 这一结果揭示了奇异罚项在降低未知线性系统辨识需求及处理欠驱动系统(如小车-摆问题)中的理论优势。
PathoDraw 提出一种脑 MRI 病理生成模型,通过健康解剖条件分布与对比无关渲染实现零样本病理检测。 该模型使用单一 3D UNet 网络估计健康解剖及输入扫描的带符号强度偏差,无需在真实病理数据上训练,即可在公开卒中、肿瘤及白质高信号数据集上实现零样本检测。
已发表的面部隐私方法报告超过 90% 的保护率,但该结果源于存在缺陷的评估协议。使用真实前端重新评分后,标准迁移攻击的保护率下降 56%,预算分配攻击下降 7%。 现有方法在评估时使用整幅图像或检测框输入,且沿用的四个常数在整幅图像上将假接受率推高至 2.3-5.4%。
该研究审计了OpenRouter目录中363个文本输入/输出模型的系统提示词层级执行能力,发现其中296个模型(加上4个后续发布的模型)共300次泄露了嵌入在系统提示词中的16字符秘密Flag。
推荐理由:原文通过363个模型实测展示了系统提示词泄露的高频现象,并指出非英文语言转向是主要攻击向量,为工程侧部署提供了直接的安全加固建议。
研究证实,常深度局域量子电路可精确且可逆地连接两个经典概率分布,而经典随机传输需更大空间范围,确立量子-经典分离。 论文在一维链上展示此分离,并基于非局域博弈发展图上的通用构造原理;源分布本身可由简单局域经典过程生成,确立分布生成中的量子优势。 结果揭示了经典与量子局域可逆性的根本区别,即便初始和终态完全为经典。
为支持自动汽车无障碍设计,研究者发布 WCID 数据集(467 张图像),用于分类轮椅的 192 个捕获组配置。模型在清洁图像上表现良好,但在高斯模糊干扰下性能下降。代码、标签及权重已开源。
该研究通过反事实干预测试了 2-3B 视频语言模型是否真正依赖其引用的区域。 结果显示,在 CLEVRER 数据集上引用间隙为 0.089,而在 NExT-QA 上仅为 0.003。 这表明仅检查引用位置不足以验证推理有效性,必须移除链条中明确命名的实体以检测答案依赖。
Evidential Deep Learning (EDL) 在多 ASV 信息路径规划中表现最优,解释最终重构误差方差的 80%。 EDL 在 60 张地图测试中误差最低、IoU 最高,单步耗时 3.9 ms,校准性能优于 MC Dropout 和 Deep Ensembles。 信息模型对规划器采集数据的鲁棒性是不确定性感知 IPP 的必要条件。
ALOHA Lightning 利用运动学示教系统收集接近人类速度的双手演示,仅需 50 条演示数据。 该方法通过测试时动作平滑与数据掩码对齐分布,在投接球、折叠短裤等双手任务中实现 80% 以上成功率。
研究提出面向 4K 面部资产贴图的领域调优扩散超分辨率方法,将 1024 像素上采样至 4096 像素,在保留孔洞和皱纹细节的同时避免位移场几何畸变。 基于冻结的 SDXL 骨干网络,通过轻量化 LoRA 模块进行模态适配,并结合 Tile ControlNet 维持输入结构。
FaceRiff 框架基于预训练 SDXL 骨干网络与 LoRA 适配器,通过 UV 法线图作为几何条件,实现从文本直接生成完整的 3D 面部资产(网格、反照率及置换贴图)。
RTLReviewBench 基准测试显示,12 款 LLM 在审查 Verilog 模块时极少漏掉 Bug,但频繁错误拒绝正确代码,误拒率超过漏检率的 5 倍。 该基准包含 114 对由 LLM 生成器产生的真实故障与正确模块,且通过仿真确认标签;要求模型先推理再下结论能显著降低弱模型误拒率。
AR-WAM 在 NAVSIM-v1 基准测试中,经强化学习后取得 94.0 PDMS 分数,优于对比的强端到端世界动作模型。 该模型采用自回归时序建模与单次前向传播的未来条件生成,结合因果视频骨干网络增量更新视觉上下文,并通过单前置摄像头实现连续动态驾驶决策。
Limite 1B - Violetto 是一款专为高吞吐数学推理设计的 10 亿参数模型,基于 2370 亿 token 数学生成语料从零训练。模型支持 131k 上下文长度,结合知识蒸馏、监督微调及 RLVR 进行后训练。
EmbedGym 提供虚拟硬件环境,使编码智能体无需物理板卡即可运行和调试嵌入式固件。该系统基于指令级微控制器模拟,集成 41 种外设模型及模拟电路、虚拟 WiFi/BLE 端点。
论文提出 Ambient SFT 框架,利用预训练模型作为噪声教师,通过匹配高温度条件分布来防止小数据集微调导致的过拟合。该方法在领域适应、指令调优和推理任务中表现优于标准 SFT,平均相对提升达 21%。
TUSI-Bench 发布波斯法律 RAG 基准,含 1,999 题 QA 和约 500 题司法考试选择题。 基于 7,261 条法律条文构建知识图谱,图检索相比标准基线提升召回率达 8 个百分点。 为波斯语法律推理提供标准化评估资源,促进结构化法律智能研究。
该研究发现,在给定基础原语、资源和一般目标的情况下,具备足够能力的 LLM 智能体能够自主构建自我学习算法并实现自我改进,无需外部强制循环。 实验基于游戏玩法测试台,冻结的 LLM 智能体在拥有计算预算和文本更新工具后,展现了符合经典认知框架和机器学习自我生成课程理论的学习策略,且学到的文本制品可迁移至不同游戏难度和 3D 导航等外部基准,带来性能提升。
该算法仅需黑盒采样即可对生成模型实施无失真语义水印,提供输出分布不变的正式保证。 语义嵌入在保持内容转换稳定性的同时区分独立生成,训练出的图像编码器在聚合检测中表现优于现成方案。 该方法在开源和闭源模型上均有效,代码与项目页面已公开。
该研究通过生成心理计量学分析,从2020-2025年ISMIR论文中提取284个评估条目,识别出节奏、旋律等6个稳定质量维度。 方法上利用LLM标准化条目,通过Unique Variable Analysis和Bootstrap Exploratory Graph Analysis移除冗余并估计潜在维度,为音乐生成模型的用户研究提供统一方法论。
研究人员使用 SFT 和 QLoRA 微调 Gemma 4 边缘模型 E2B 和 E4B,生成 MATLAB 信号处理代码,通过 OpenVINO 部署 8-bit int8 模型。 基于 66 个示例训练,E2B 和 E4B 在 11 个子任务上的通过率分别提升至 37/66 和 47/66,适配器主要修正 DSP 惯例错误,但生成速度成本增加 17-19%。
SimAI 是一个用于机制化用户仿真的框架,通过建模心理因素如何交互塑造用户反应来模拟对话,并提出了图重建目标以基于模拟对话对底层心理关系的反映提供图级奖励。
在Argoverse 2数据集上,将观测频率从10Hz降至1Hz时,专用LSTM预测器的平均位移误差增加20.3%。 该模型在直线和转弯场景下仍比最优运动学模型准确24-30%,但在行人预测中不如匀速模型;10Hz模型配合插值在2Hz以下误差显著增加。 研究验证了低频率下学习式预测器仍保有优势,但精度随频率降低而下降。