跳到正文
10月16日周五
  1. arXiv · AI24

    面向非母语英语学生计算课程的多源 AI 导师系统

    研究人员开发了一款多源 AI 导师系统,支持处理中文学生提问并生成双语回复,同时在计算课程中集成技术术语词汇表生成功能。 系统采用结合新颖问题提取机制的 RAG 管道,在 91 条 Piazza 帖子测试中,正确且有帮地回答 83.52% 的提问,并为 76.92% 的提问提供高质量翻译。

  2. arXiv · AI31

    CARA:基于因果引导的知识图谱问答检索智能体

    CARA 是一种无需训练的因果引导检索智能体,在三个 STaRK 数据集上持续优于现有检索器。 它通过衡量证据的因果相关性(后果性与必要性)并结合路径一致性指导图探索,使用倒数排名融合聚合证据。 该方法在考察更少图谱节点和检索操作的同时,提升了答案质量与忠实度。

  3. arXiv · ML36

    RDL-Bench 发布:面向关系数据库的任务感知问答基准

    研究人员提出 RDL-Bench,专为关系数据库设计,支持任务感知的自然语言问答。该基准将问题分为基于当前状态的推理类和基于历史记录的预测类,每个实例包含任务元数据、模式信息及形式化验证。RDL-Bench 支持评估原生求解器或模块化任务感知系统,论文已被 ICDE 2027 接收。

  4. arXiv · ML52

    Memorilla: 面向 LLM 的潜在语义记忆系统

    Memorilla 是一种记忆系统,能将文档编码为可复用的嵌入向量,并通过 16 个查询相关的记忆 token 向冻结 LLM 提供检索信息。在涵盖个性化、长文档和知识密集问答的 8 个基准中,Memorilla 在 5 个上优于 Mem0 和 MemoRAG 等基线。

  5. arXiv · AI33

    SPRA(面向智能体的结构化论文表征)被提出,用于解决AI科研智能体需连接分散研究问题、方法与发现的痛点。该表征覆盖超100万篇AI论文,包含1995万研究单元与2407万内部关系。

    其基于Schema-RAG评估显示,SPRA较段落检索提升科学问答性能0.381/5,且跨论文推理资质分提升0.184/5;在多项任务中,输入与输出token较全量紧凑表示减少95.3%。 资源可通过SciVerse学术数据平台访问,为连接、审查与复用论文级研究对象的科研流程提供基础。

  6. arXiv · AI32

    AiO-Mem:基于过程奖励强化学习的统一记忆智能体

    提出统一记忆框架 AiO-Mem,将检索、写入与停止决策组织在共享证据状态中,并在统一奖励空间内直接评估各动作的语义质量。 该框架通过有源可溯的多视图事件构建共享底层,利用证据接地微调与轨迹级 DPO 训练过程奖励模型,最终由过程对齐 DAPO 优化记忆策略。 在长上下文记忆基准测试中,AiO-Mem 的答案准确率持续优于静态记忆系统与强化学习记忆智能体。

  7. arXiv · AI39

    双语 AI 听力学专家在盲测模拟病例中全面优于人类医生

    该系统在 58 个模拟病例中全部优于人类医生,整体提升 1.35 分(Cohen's d = 1.84, P = 4.5 x 10^-20)。 未微调语言模型主干,基于 73 个训练案例提炼 19 条规则 playbook,并通过多模态听力图解释与检索增强支撑推理。 playbook 是主要贡献因素,为低数据医学领域的专业咨询智能体提供了一条可行路径。

  8. arXiv · AI32

    C-MIG:基于多视角信息增益的临床诊断检索增强生成框架

    研究团队提出 C-MIG 框架,通过多视角信息增益奖励解决 RAG-RL 方法中单一视角奖励及过程奖励不可靠的问题,无需额外奖励模型或教师模型。 该框架将“检索什么”和“如何精炼”定义为两个互补步骤,以基础冻结参考模型下真值答案预测似然的增加量来衡量信息增益,从而实现稳定且可复现的奖励分配。

  9. arXiv · AI20

    TKGB:评估时序知识图谱预测的综合性基准

    研究指出当前时序知识图谱(TKG)预测基准存在捷径漏洞,部分测试查询可在不使用时间信息的情况下获得最优指标。该缺陷源于数据集固有偏差及任务表述过于简化。 TKGB 通过整合四个互补任务与自动构建流水线,生成包含语义上下文且可控制捷径的最新数据集,揭示传统评估中隐藏的能力差异与失效模式。

  10. arXiv · AI36

    SEDM:用于智能体的选择性自进化分布式记忆

    该框架在 LoCoMo 开放域问答中比最强基线高出 15.1 F1,在 FEVER 和 HotpotQA 上比 G-Memory 节省 16%-32% prompt tokens。 其机制通过配对执行测试筛选并抽象记忆,接收端利用 CMG 预测成功概率,仅在收益超过成本时注入,显著降低 token 消耗。 这证明了选择性使用能从共享记忆中恢复价值,避免盲目注入导致的性能下降。

  11. arXiv · AI35

    Med-TrustRouter 实现临床推理中的知识安全路由

    研究者提出 Med-TrustRouter,一种用于临床推理的大语言模型轻量级控制器,通过逐实例路由决定何时信任外部医学知识,防止中毒证据导致模型回退。 该路由机制基于运行时信号估计动作收益与不确定性,仅在确信更优时修改答案,在七个医学推理场景中取得 78.9 macro 准确率与 69.2 最坏情况准确率。 结果显示其性能可跨不同求解器和证据裁判器迁移,优于基于人工编码的路由策略。

  12. arXiv · AI40

    工具发现架构的规模研究:先规划还是先检索?

    研究显示工具增强 LLM 智能体在单工具查询中“先检索后规划”(RtP)优于“先规划后检索”(PtR),而在多工具查询中 PtR 胜出。 该交叉现象在 ToolBench 不同规模及 Gemini 2.5 Flash、gpt-oss-120b 模型中保持一致。 PtR 增加推理调用会使成本翻倍,但通过 RtP top-1 分数可实现零成本自适应路由。

10月15日周四
  1. 豆包工作49

    飞书财务负责人分享豆包工作提效实践

    飞书财务BP负责人Leon展示了豆包工作在财务领域的四个应用:生成可视化看板、构建HC规划交互应用、沉淀量价分析技能以及自动审查经营报告。 关键路径如HC规划应用开发耗时约20分钟,并强调AI需遵循原有权限访问数据。 这种分工模式让AI处理重复劳动,财务保留高决策权与风险判断。

  2. arXiv · NLP27

    ArXivDoc 基准研究显示文档图像表示在科学检索中表现不佳

    新基准 ArXivDoc 基于 LaTeX 源码构建,系统性比较了文本、图像及多模态表示在科学文档检索中的表现。 结果证实基于图像的文档表示随文档长度增加持续次优,文本表示对图形查询最有效,文本加图像交错表示优于纯图像方法。 该研究强调现有图像偏好范式不适用于富含文本的多模态科学文档,证据分散于文本、表格与图表中。

  3. arXiv · ML20

    特权后见蒸馏:基于仅 15 次对比捕捉个体科研品味

    提出特权后见蒸馏(PHD),仅用每位研究者 15 次对比数据,即可捕捉鲜明的个体科研品味偏好,包括面对同等标准时相反的选择倾向。 PHD 在训练阶段引入后续涌现的科学证据提升评估,推理时仅暴露提案可见信息,并在量子研究领域验证了方法有效性。 交互研究显示,个性化排序能显著提升后续用户参与度,将学习到的品味与下游科研探索直接关联。

  4. arXiv · NLP25

    SynthKGQA 为知识图谱增强 LLM 提供训练与评估的真值子图

    SynthKGQA 框架从任意知识图谱生成含真值子图的 QA 数据集,解决图检索评测缺乏 ground-truth 目标的难题。 其应用在 Wikidata 衍生图谱 ogbl-wikikg2 上生成 GTSQA 数据集,验证了基于 GTSQA 训练的检索器可迁移至人工基准,且真值子图提供的监督信号优于传统启发式方法。 该数据集支持零样本泛化测试,能以细粒度分析 SOTA 图检索方法的能力与局限。

  5. arXiv · ML24

    重新审视生成式与稠密检索:静态价值先验逆转差距

    在Amazon Toys数据集及工业级电商数据中,14B SID-LLM生成的检索效果仍不如小47倍的稠密编码器。 生成式检索虽在用户覆盖项的价值上领先,但稠密检索在精确目标召回率及排序列表的相关价值上占优。添加静态物品价值至稠密检索可逆转生成式的优势,且召回率保持在更高水平。

  6. arXiv · NLP33

    冻结记忆并非足够:重新思考作为提取的外部记忆

    研究发现,跨模型复用Engram外部记忆时,仅依赖冻结表格效果有限,需配合目标模型对齐的轻量级reader才能发挥作用。 消融实验表明,学习过的记忆内容和正确寻址均重要,双层四分支reader在问答任务中平均得分38.8,显著缩小了跨模型复用的差距。 当provider reader与目标接口直接兼容时,冻结工件可提供实质效用,无需目标侧训练即可获益,而额外的reader适配能进一步提升性能。

  7. arXiv · NLP30

    语言学规则可作为有效的提示词压缩器

    语言学规则可替代基于大语言模型的评分,作为无模型向前传播的提示词压缩器。 该方法通过进化搜索组合词汇、句法等种子,在短文本、多文档推理及对话记忆数据集上,性能与先进提示词压缩策略相当。 结果显示,轻中度压缩下性能最强,随着压缩率增加,规则从词元剪枝转向句子抽取。

  8. arXiv · NLP30

    通过大语言模型内部状态检测金融问答中的自信幻觉

    研究发现 Qwen3-8B、Llama-3.1-8B 和 Gemma-2-9B 在 FinQA 数据集上,15-23% 的完全一致回答是错误的。 在 8 次重采样答案全一致的自信回答中,内部激活线性探测检测幻觉的 AUROC 达 0.68-0.77,优于 0.55-0.63 的输出层基线。 该方法可作为高效分流机制,将高风险金融答案路由至人工复核,文章已被 ICAIF '26 会议接收。

  9. arXiv · NLP23

    ConRAG:面向多跳问答的共识驱动证据流框架

    提出共识驱动证据流框架 ConRAG,在多跳问答基准中显著超越基线。 该框架通过共识多视图排序筛选证据,并利用基于插槽的机制在依赖推理步骤间传递中间信息。 在 Gemma-4-31B-it 上,ConRAG 平均得分超最强基线 5.8 点,且端到端运行时和 token 消耗分别降低 75.9% 和 67.3%。

  10. arXiv · NLP21

    分析问答任务中 RAG 模型的性能

    这项研究分析检索增强生成(RAG)在开放式问答任务中的性能。 RAG 架构近期发展迅速,但南亚多语言及文化背景下的本土语言问答仍存在挑战。 研究旨在提取高性能因素,评估 RAG 在文化与非文化问题上相对于无背景及有背景回答的性能差异。

  11. arXiv · NLP29

    EGCForest:面向企业群聊的结构化智能体记忆组织框架

    EGCForest 是一种多视图层级记忆框架,能解决企业群聊中证据分散难以检索的问题。 该框架将消息日志组织为通道、角色和工件三森林结构,通过联合消息相关性、层级摘要及跨视图链接进行证据检索与组装。 在三个基准上,EGCForest 比 MemOS 提升答案准确率最高达 20.85 分,并支持高效的在线检索。

  12. arXiv · ML37

    TRACER: 针对间接提示注入的轨迹正则化训练

    TRACER 提出一种通道感知的对抗训练方法,将 Qwen2.5-3B-Instruct 在 RAG 场景下的攻击成功率从 65.5% 降至 6.1%。 该方法结合答案锚定奖励与 ATRC 机制,在保持 78-82% 清洁准确性的同时,7B 模型单轮训练平均攻击成功率降至 9.4%。 研究证明有效防御必须针对实际部署通道进行显式训练与评估。

  13. arXiv · NLP23

    PROPALIGN:基于多摘要的分级命题显著性评估方法

    论文提出PROPALIGN方法,通过多摘要评估命题显著性分数,并发布了包含138K对齐、35K命题的PROPALIGNBANK数据集。 实验表明,基于摘要的分级指标比直接询问模型更稳定,单个模型表现劣于人类。 整合语言特征的多模型集成可逼近人工标注质量上限,揭示了摘要在信息提取中的作用机制。