X-RIC:面向增强强化学习的 Agentic RAN-Intelligent Controller 基准
X-RIC 框架将 Agentic AI 整合进 O-RAN 架构,结合反应式 Reinforcement Learning 与策略性 Agentic 推理,并提出 BARX 基准评估 agentic 控制性能。 X-RIC 在模拟及 O-RAN 合规测试床中验证,实现 89% 运营成本降低,收敛速度提升 75%,训练步骤减少 50%,方差降低 46%,同时维持 SLA 合规。
X-RIC 框架将 Agentic AI 整合进 O-RAN 架构,结合反应式 Reinforcement Learning 与策略性 Agentic 推理,并提出 BARX 基准评估 agentic 控制性能。 X-RIC 在模拟及 O-RAN 合规测试床中验证,实现 89% 运营成本降低,收敛速度提升 75%,训练步骤减少 50%,方差降低 46%,同时维持 SLA 合规。
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。
RAG-RST 框架通过检索增强提供话语模式,将 RST 解析的核性 F1 提升至 0.846,关系 F1 提升至 0.788。该框架无需训练参数,采用预计算和动态两种策略,动态策略在各项指标上表现最强。检索模式效能存在上限,超过 50 个示例后效用下降,且依赖结构位置。
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。
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。
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。
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。
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。
论文提出 CleanRM 方法,旨在解决 RLHF 中偏好数据普遍存在的反馈噪声导致的奖励模型偏差问题。 利用少量清洁反馈通过最优传输校准样本级噪声比率,并训练去噪修正的替代损失目标。 实验证明 CleanRM 优于最新基准方法,能带来更有效的下游 RLHF 对齐效果。
summary_zh: OmicsBench 发布,包含 97 项任务与 662 个子任务,专测 AI 智能体长程多轮生物信息学能力。 测试 12 个模型时得分介于 0.43 至 0.67 之间,慢速智能体平均耗时 3.6 小时,且多轮依赖任务表现更差。
研究提出 LLMON(LLM Object Notation)标记语言,旨在解决纯文本接口无法区分指令与数据的问题。 该语言支持将结构及语义元数据自然传递给 LLM,用于模型训练、提示词及推理实现,以提升准确性、安全性和安全性。
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。
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。
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。
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。
引入 PraxisMemBench 基准,测试持久个人助手中个人记忆与程序记忆的交互,发现单独维护两类记忆导致任务完成率从 84.6% 降至 77.9%。 提出 PraxisMem 方法,利用特权联合状态监督与位置感知 GRPO,整体会话成功率达 40.78%,显著高于 Claude Code 原生记忆的 20.60%。
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。
其核心是三层结构化图(原子技能、任务工作流、元框架),并通过对比边机制修复负迁移,使 ScienceWorld 分数从 78.7 提升至 96.7。 该方案注入的记忆行数比最耗上下文的基线少 44%,有效解决了单层级记忆的泛化问题。
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。
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。
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。
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。
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。
研究者构建并评估了一个基于 LangGraph 的 Text-to-SQL 智能体,无需模型微调,仅通过提示工程生成 PostgreSQL 查询。 该智能体在约 850 万条记录的芝加哥犯罪数据集上测试,V2 版本将 Valid SQL Rate 从 87% 提升至 93%,Execution Accuracy 从 47% 提升至 60%。
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。
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。
ANCHOR-RE 结合检索演示与本体约束,无需微调即可提升生物医学关系抽取(BioRE)可靠性。在 SemRepGS 数据集上,采用专有 LLM 时 micro-F1 从 0.654 升至 0.676;DDI 数据集 micro-F1 从 0.769 提升至 0.881。
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。
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。
在大型异构文档集中,RAG 因稠密相似度判别力下降导致向量搜索稀释,使 top-k 检索返回语义相似但语境错误的块。实验中语料库从 54 增至 1128 文档,precision@10 下降 63%,答案文档召回率下降 23%。
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%。
summary_zh: Eigen-Agent 在 Humanity's Last Exam (HLE) Bio/Chem Gold 基准上取得 48.3% 准确率,超越最强智能体基线 13.4 分,领先前沿 LLM 最高 18.1 分。
研究团队提出 π-CoT 策略,通过 Prolog 逻辑将多跳问题拆解为单跳子查询,顺序生成中间结果以初始化思维链推理。该策略在检索增强生成(RAG)场景下表现优异,匹配或超越标准 RAG 和上下文思维链在多跳问答基准上的表现,尤其在检索能获取必要证据时增益最大。
该原型通过LLM自动提取贷款政策规则并验证申请合规性。 在11份含已知例外的真实贷款申请测试中,系统检测出大部分异常,并发现了人工审核遗漏的问题。 结果显示该LLM方案能高亮潜在合规风险,作为人工判断的有价值支持。
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。
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。
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。
研究者提出 GraphRAG-LTM 框架,针对图检索增强生成证据路径测试三层攻击者访问级别。 该框架结合基于排名反馈的查询编辑、检索器梯度及桥接三元组删除,干扰多跳证据传播。 实验表明,梯度访问增强查询攻击,桥接三元组删除进一步削弱支持事实检索。
SRAT 框架引入智能体强化学习,使 LLM 动态决定检索时机与内容。 该方法针对部分证据场景,优化联合 Plackett-Luce 算法以对齐检索与翻译质量。 实验显示其表现优于固定检索策略,验证了将检索作为可学习动作的价值。
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。