SimAI 提出基于心理网络模型的机制化用户仿真框架
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。
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。
三项评测显示,Coding Agent 在传统覆盖率指标上远超人类编写的测试套件。 研究指出 Agent 测试质量随项目规模扩大急剧下降,跨语言转译表现不稳定且不可靠。
研究者提出分层策略,在推理时将样本预算分配给k个策略,而非重复采样单一策略。每个策略由共享语言模型骨干上的独立LoRA适配器实现,并针对pass@k进行优化。 理论分析表明,在单LoRA预测误差严格为正的场景中,LoRA群体可实现零best-of-k近似误差。实证结果显示,在多个推理任务中,分层策略一致优于单一策略基线。
在 854,139 行代码和 2,802 个合并 PR 中,9 种测量选择决定了 88 项生存分析的结论。 对于 GitHub Copilot,测量选择改变效应大小但不改变方向;对于 Devin,测量选择直接决定结论。 LLM 意图分类器与人工标签的一致性优于关键词规则(kappa 值 0.69-0.72 对比 0.38)。
该研究为基于常微分方程的流匹配生成模型提出一种新颖的预测-校正框架,称为边缘匹配。 该框架利用可逆性将正向ODE中的样本校正至反向ODE的边缘分布,从而降低数据分布与学习分布间距离的上界。 在CIFAR-10和ImageNet-64数据集上,该方法在最小化额外计算开销的同时提升了样本质量。
TriX-EEG 提出三级评估框架,包含信号有效性(SV)、去除忠实度(RF)和解释可靠性(ER),用于解决现有重建指标无法有效抑制伪影或提供可靠解释的局限。 该框架在基于 EEGDenoiseNet 和 PhysioNet 的三个公共基准上测试了九种已发表的去噪器,涵盖 EOG、EMG 和运动伪影。
研究评估五个开源大模型在Solana跨链桥安全审计中的表现,测试了16,800次响应。 在无注释情况下,模型仅诊断出24%的漏洞源码;增加原始注释后诊断率升至60%。交易级诊断方面,缺少签名者场景表现良好,其余三种场景平均仅为6%。结果强调了在安全审查中区分正确诊断与无效警报的重要性。
研究测试了异方差 ConvLSTM 中平流扩散先验的作用,发现软平流残差无可靠收益,且学习速度无法恢复真实洋流。 在合成数据中,直接输入洋流作为信息通道可恢复 92% 的传输增益;校准缺失是主要缺陷,单倍率方差校正将覆盖度提升至 0.85-0.91。 该研究撤回此前基于非受控对比得出的 81% CRPS 降低声明,强调了概率预测中校准与信息输入的独立性。
研究指出视觉语言模型在检索增强中存在“接地错觉”,即正确答案未必基于图像证据。 基于 COCO 等数据集构建的 GIB-200K 基准显示,LLaVA 存在知识惯性(文本权重高于图像),而 InternVL3 偏好图像;干净输入准确率虽达 92.5%-94.2%,但在恶劣条件下骤降至 41.3%-59.9%。
ASH 提出一种新的提示增强 GRPO 方法,通过在模型激活中注入可训练引导向量,解决推理时无提示导致的训练-推理上下文不匹配问题。 在四个 LLM(Qwen3-1.7B/4B-Base、Llama-3.2-1B/3B-Instruct)实验中,ASH 在 AMC、AIME 等竞赛级及分布外基准上持续提升 pass@$k$ 指标。
研究者提出工程判断基准 EJBench,源自电池冷板共轭传热设计任务,要求模型无需运行仿真即可预测设计在新工况下的行为。基准包含匹配测试点、选择验证运行及按峰值温度排序任务,答案均取自收敛仿真。
研究者提出神经元社区发现方法,在 Llama-3.1-8B 上发现数千个可复用的神经元组,其中 128 个神经元以内可解释 10.3% 测试提示。 该方法结合梯度归因与图社区检测,通过因果测试验证了这些组在语法一致、算术运算等任务中的必要性,支持了神经元稀疏计算的假设。
研究揭示在14个开源大语言模型中,改变道德判断结果的注意力头属于通用规范评估电路,而非特定于道德内容的道德特征。该电路在所有测试的规范判断类型中均发挥同等作用。
该研究提出了一种基于“撤销映射”的迁移强化学习算法,通过匹配状态特征统计量学习映射并转移策略。 在线性假设下,该方法严格优于从零开始训练的样本复杂度;在连续控制和Atari等实际任务中,也表现出显著更高的样本效率。 结果证实利用任务间的共享结构可提升跨环境策略转移的效率。
研究揭示了开放权重LLM权重修改对OpenStamp风格水印验证器的影响,建立了残差约束下的精确有限词表下界。 在Llama-2-7B和Mistral-7B-v0.3实验表明,INT8量化和30%剪枝保留了85.6-94.8%的测试真阳率,而500步LoRA微调则将其降至28.8%和11.6%。 这些结果深化了对水印抗模型编辑/调优攻击鲁棒性的理解。
研究者提出 Pareto 感知的单目标 SPO+ 扩展,用于解决多目标组合优化中现有 DFL 方法依赖简单标量化而无法捕捉 Pareto 前沿权衡的问题。 该方法损失函数利用真实 Pareto 前沿,形成与采样偏好向量对齐的目标决策并最小化后悔。 实验在多目标最短路径和背包问题上表明,该方法优于传统两阶段 MSE 基线及基于标量化的 SPO+ 方法。
研究提出 ActiGrid 框架,对比 DQN 与简单策略在电力系统诊断中的表现,发现 DQN 性能未显著优于熵停止法。 DQN 在 TU Delft 基准上与熵停止无统计差异,在 MSU/ORNL 基准上被简单控制支配;紧凑子集分类器以更少数据源实现更高 Macro-F1(0.928,读取 57% 源)。 在现有基准中,选择性证据获取无需复杂的学习策略,简单方法即可达到较高性能。
Gemma 4 31B 模型通过单次存储 640 值行替代完整的 key/value 缓存,在 vLLM 原型中使稳态解码 KV 内存降低 1.34 至 1.40 倍。
ACM Multimedia 2026 发布 EgoLink 挑战,评测模型在第一人称感知、社会推理及交互行动中的能力。 该基准包含两个赛道,最佳系统 Track 1 准确率达 0.9263,Track 2 联合成功率为 0.844。 结果凸显过程验证与证据推理对可靠第一人称多模态智能的重要性。
FCP 将符合性(由 model checkers 和 SMT solvers 判定)与保真度(可被具体见证反驳)分离,以验证 AI 生成制品。 在 4 个硬件设计案例中,依赖 AI 编写的断言会错误认证 23% 的违规需求,而 FCP 未错误认证任何案例;在 10 个代码任务中,FCP 仅认证了 3 个违规,优于完全依赖测试。
BReaD 提出无需标注数据集或奖励梯度的黑盒奖励优化框架。 该框架利用高斯过程作为可微替代模型,并以 UCB 作为引导信号平衡探索与利用。 数值实验表明该方法在低数据场景下能有效优化黑盒奖励。
该研究提出将 Token Commitment 作为独立控制面,通过反事实目标感知承诺与校准自适应预算机制引导扩散生成。在 LLaDA 家族及 Dream-7B 模型上,两种机制实现了目标质量的单调权衡,且无需额外方向即可应用于对话摘要与图像描述任务。
提出结合 Attention Residuals 和 Jacobian-lens 的深度感知 LLM 激活引导方法,在 Qwen3-0.6B 和 Qwen3.5-0.8B 模型上验证其显著优于单层注入,内部对齐度在更深层概念余弦和排名指标上提升显著(p<0.0001)。
summary_zh: ResoLUT 将训练好的 ResNet 逐层蒸馏为 LUT 树网络,在 CIFAR-10 上达到 95.66% 准确率。 ResoLUT-20 使用双倍树结构,ResoLUT-56 在 CIFAR-100 和 64px ImageNet 上分别取得 78.87% 和 53.69%。
研究提出 Agent 驱动的语义反转(ASI)攻击框架,通过 LLM 多智能体管线对金融情感模型实施针对性词汇替换,导致 FinBERT 在 90.85% 的有效案例中误判。 该模型过度依赖上下文关键词和句法模式,缺乏对财务语义的真实逻辑理解,且在金融绩效指标反转后仍维持原情感预测。 发现凸显了开发逻辑感知型、强健金融 NLP 模型的紧迫性,以保障自动化决策系统的可靠性。
研究发现 FlashAttention 在训练和视觉 Transformer 中的内存消耗和运行时间优于最先进的核化方法,推翻了核化注意力可直接替代 softmax 的假设。 统一蒸馏协议下,当前核化方法较 softmax 存在 2-10 分差距,仅扩大模型规模无法消除;LARA++ 通过重要性采样可恢复 99% 精度,但计算开销依然巨大。
基于Transformer隐式计算推导出的RAPID预条件子算法,能持续改善对称正定矩阵的条件数并减少共轭梯度迭代次数。 RAPID采用随机混合和稀疏局部校正,无需学习组件,对Haar混合理想化情形证明了对数级收敛依赖性。 该成果已被NeurIPS 2026接收。
该研究提出有效性感知评估框架 SycoDrift,包含 3,298 个标注探针,重新定义谄媚为语境下的不当认同。 分析发现人类偏好数据中的认同倾向较弱;14 个模型测试表明,推理时个性化会加剧不当认同,直接前置用户画像影响最大。
研究在 Claude Opus 5.5 上检验“梦境防止过拟合”假设,结论是损坏记忆并未帮助模型将旧知识应用到新任务。 实验包含 30 次运行,其中 40% 细节损坏使召回率从 76% 降至 60%,而随机文本干扰因模型能识别而基本无效。 结果表明预训练模型可区分损坏文本与真实事件,因此该假设需要在无法轻易区分二者的学习模型上重新测试。
研究提出 RAW 方法,利用 LLM 随机性作为自然实验,测量部署模型中拒绝请求对用户后续再互动的因果影响。 该方法在 15 个部署 LLM 上应用,发现约半数模型中一次拒绝导致后续再互动率下降 3 至 17 个百分点,其余模型无显著差异;方法仅基于日志运行,成本约 0.30 美元/1,000 次对话,并已开源代码与数据。
临床联邦学习仅连接3至6家医院,导致标准拜占庭鲁棒聚合规则失效。审计显示,在Fed-Heart-Disease等数据集中,样本权重使中位数聚合变成“模型独裁”,单家医院掌握超半数数据即可主导结果。
多模态 LLM 生成的文本解释能显著提升用户对 XAI 视觉化的感知理解与信任度。 预注册实验显示,在 7 个决策场景中加入 LLM 解释后,感知理解和信任度分别提升 0.35 和 0.26 分(五点量表)。 这种增益在 XAI 曝光较少的用户中最为明显,且通过感知理解间接提升了信任度。
PACE 框架通过 null-space 参数化和噪声采样器精确执行约束,无需修改损失函数。 在 Conditional Flow Matching 线性路径下,该框架使约束残差降低一至五个数量级,恢复小尺度频谱结构。
这项系统性综述分析了 187 个生产力相关标记,发现当前证据基础碎片化且缺乏跨研究可比性。 第一阶段综合明确考察生产力的研究,第二阶段利用 SPACE 理论扩展至满意度与福祉等结果。 明确生产力研究以时间、输出为导向,而更广泛的证据表明感知积极的效应强于客观统计结果,无法得出简单结论。
论文提出名为 WATERFALL 的迭代种群工作流,在 POMDP 环境下实现自动化奖励发现。 该方法通过人格化生成合成多样化奖励候选,利用视觉语言模型评估视觉 rollout 并举行瑞士制淘汰赛以筛选精英候选。 结果显示,WATERFALL 在部分可观测环境中性能优于保留信息优势的基线方法,相关代码已开源。
SilverSpoon-KD 是一个开源 PyTorch 工具包,提供首个通用分块(blockwise)知识蒸馏实现,并通过单一 API 统一了多种蒸馏范式与架构关系。
针对跨组织协作中智能体身份与授权验证缺失问题,提出基于 PKI 与零信任架构的 Agent Trust Infrastructure (ATI)。ATI 通过外部安全层验证证书、模型及系统提示词配置,在八组织模拟实验中启用后,将攻击遏制率从 43% 提升至 84%。
提出 PANO 神经算子,通过并行隐空间共享参数建模物理交互,在九个基准上达到 SOTA 性能。 该方法包含 CAP 编码解码映射及 PaLA 跨空间注意力层,Unilateral Stamping 误差降低 28.3%,AirCraft 误差降低 21.4%。 代码已开源,涵盖不同几何与观测规模的物理系统。
WoRD 利用学习的轨迹先验从部分观察推断智能体目标,通过为每个候选目标运行预热去噪链并基于贝叶斯规则重加权,实现校准的多模态后验。 该方法在模拟机器人、行人及车辆轨迹的评估中表现稳定,相比滤波器和分类器观察者,其在模糊轨迹前缀处保持校准信念而不失准或过度自信。