Parallel-Then-Integrated (PTI) 程序实现定性文本与计算证据的整合
该方法研究提出 Parallel-Then-Integrated (PTI) 四步程序,用于整合同一语料的两种计算表征。 基于尼泊尔 29 位母亲的 1203 段访谈,结合 PVminer 本体编码与非负矩阵分解 (NMF) 生成主题,通过 PHQ-9 抑郁状态作为外部锚点验证。 PTI 为混合方法研究中整合定性文本的计算表征提供结构化路径。
该方法研究提出 Parallel-Then-Integrated (PTI) 四步程序,用于整合同一语料的两种计算表征。 基于尼泊尔 29 位母亲的 1203 段访谈,结合 PVminer 本体编码与非负矩阵分解 (NMF) 生成主题,通过 PHQ-9 抑郁状态作为外部锚点验证。 PTI 为混合方法研究中整合定性文本的计算表征提供结构化路径。
预训练语言模型可零样本执行社会科学记录链接与人口统计推断。 EnsembleLink 结合嵌入与字符串评分器处理跨脚本匹配;LLM 在美国选民族裔推断达 83.8% 准确率,超 BISG 的 78.0%。 开放权重模型提供可复现实现并减少下游地理种族差异估计偏差。
Amazon Bedrock AgentCore 结合 Strands Agents 框架构建 AI 智能体系统,可在 90 秒内自动化生成演示文稿。
提出LatentPress将长文档和对话历史压缩为连续记忆令牌,使冻结解码器直接读取而无需文本重建。该适配器仅需4.2M-26.2M参数(约占解码器0.1%),实现4-16倍压缩;在LongMemEval上7.70倍压缩时准确率达0.504。其优势在于写入速度比文本摘要快约一个数量级(43ms/对话),读取速度比原始上下文快5-9倍。
SAKI 是一种免训练 KV cache 索引方法,直接保留注意力分数而非 Key 重建质量,在多个基准模型上优于 PCA。 在 rank 32 时,SAKI 消除了 PCA 剩余 top 64 recall 误差的 13% 到 30%,LLaMA 3.1 8B 的 recall 从 0.748 提升至 0.799。
PixSearch 提出了一种端到端分段大型多模态模型,将区域级视觉定位与检索增强推理相结合,在 CRAG-MM 基准上较全图检索实现 18.3% 的相对准确率提升,并将推理延迟降低 36.4%。 该模型通过联合训练的掩码解码器进行目标实体裁剪,并利用双阶段监督微调与搜索交错监督机制,以保留分割能力的同时实现检索触发和查询路由,在具身图像和实体中心 VQA 基准上表现强劲。
研究评估了三种基于LLM的方法使用六个开源模型从间作文献中提取数据。 直接零样本提示表现最佳,平均相似度调整F1值为0.577。 大多数模型方法能恢复预测变量与结果变量关系的方向,但无法准确估计其幅度。
新提出的检索系统STAIR利用目录(ToC)等全局结构增强LLM的检索能力,显著降低幻觉率。 在由18本书组成的SearchTome基准测试中,STAIR的Recall@1达到82.6%,优于DSI(76.9%)、DPR(68.7%)等基线。 该系统展现了在低样本数据下的泛化潜力,为基于结构的检索研究提供了新方向。
对 OpenRCA、RCAEval 和 PetShop 三大微服务根因分析(RCA)基准中 16 种方法的审计发现,池化排行榜无法揭示方法在各子系统上的表现一致性。
研究提出 AlignPred 编解码器,通过局部对齐与预测编码在可控重建误差预算下压缩持久 KV 缓存,相比基准方法在相近误差下占用更少存储空间。 该方案使用误差有界晶格量化残差并进行熵编码,无需学习预测器或大型联合变换。在 SGLang HiCache 集成中,目标 KV 存储减少 42-72%,且解码速度比现有 CPU 编解码器快至少 1.6 倍。
研究表明,使用图修正嵌入可提升稠密向量检索的证据恢复率,无需查询时访问图结构。 最优配置在关联事实或候选比较问题上,比纯向量检索提升恢复率最高25.9%,且减少40%返回节点。 实验证实,检索性能更依赖于图修正嵌入的使用方式,而非其生成方式。
研究团队提出开放式表格洞见提取(OpenTI)框架,旨在统一表格问答、文本转SQL和数据代理等碎片化社区。 框架基于分析知识、推导过程及用户体验进行形式化,整合了信息检索、NLP、ML、数据库和人机交互领域的术语与体系。 现有系统未能覆盖端到端范围,且基准测试不适用于开放场景;论文据此制定了未来系统与评估的研究议程。
论文发布 DRNOISE 基准,包含 100 个任务,用于评估深度研究智能体在误导性证据下的表现。 该基准在搜索环境中植入误导性文档,导致强模型准确率下降 66 至 88 个百分点。分析显示智能体存在验证惰性,通用验证提示词无法完全消除这一差距。 这表明可靠研究需主动调和解耦直接声明与底层证据。
summary_zh: NeurIPS 2026 论文提出 MedEvoEval,一种基于动作门控模拟门诊病例的纵向评估框架,用于评估医生智能体的持续进化能力。
研究人员提出了执行感知协议,通过跟踪污染证据评估类型化决策接口中的上下文攻击影响。 在 Jev-1.13.0 的 1,659 次调用评估中,独立 payload 导致 5 次违规,载波-payload 对导致 1 次违规。添加正确证据将错误执行率从 119/120 降至 55/120,表明改进主要源于证据价值而非特定攻击防御。
该研究通过 FrameRef 数据集分析大语言模型微调的稳定性区域,实现针对虚假声明接受度的局部偏移。数据集涵盖权威、共识、情绪等 5 个维度,经人类验证确认系统性框架效应。代码、LoRA 适配器和数据已开源。
大语言模型常在回答正确时产生引用幻觉,现有方案多依赖推理时外部检索,增加延迟且受检索噪声影响。研究者提出 Cite Pretrain 方法,让模型通过持续预训练将文档持久标识符与事实知识绑定,再经指令微调使模型在输出答案时自动插入该标识符作为引用,无需测试时检索。
开源 Python 工具 SCANAR 和 AIDOC 被提出用于通过自动化新闻检索和 LLM 辅助过滤,加速医疗保健领域的前沿扫描。 SCANAR 通过去重和排名自动化检索,AIDOC 利用 LLM 和文本嵌入计算语义相似度,在 95% 召回率下可实现约 65% 的理论人工审查工作量减少。 这些工具有助于缓解方法学限制,支持更广泛、更快速的前沿扫描。
研究团队提出名为SEEK的智能体图RAG框架,通过构建以CWE分类法为骨架的安全知识图谱,显著提升安全代码生成效果。 该框架在推理时由规划智能体预测潜在CWE弱点并指导检索,在CodeGuard+数据集上取得77.45%的最高SecurePass@1,在CyberSecEval上达到79.45%的ICD通过率。
MARS 层级多智能体推理系统实现了 PFAS 替代的知识接地工作流,结合需求分析、候选生成与制造评估。 系统整合 RAG、知识图谱推理及实验室可用材料数据库,通过多种子消融实验验证在固定骨干模型下保持性能增益。 层级分解与可制造性感知优化提升了材料替代推理能力,超越单一模型效能。
AMU 提出了一种 SLM 引导的结构化框架,用于个性化对话中的记忆写入控制。 该框架利用结构化记忆过滤决定哪些信息应进入记忆,并通过 SLM 引导的存储管理决定记录是单独存储、作为重复项丢弃还是作为更新融合。 实验表明 AMU 能保持更干净、更易检索的个性化记忆,论文已被 NORA 2026 接受,代码已开源。
Mira-Embeddings-V1通过LLM合成数据优化招聘领域的语义重排序系统,无需大规模人工标注。 该系统利用两轮LoRA适配及轻量级重排序头,在300个真实JD的测试池中,将Recall@50从68.89%提升至77.55%,Precision@10从35.77%提升至39.62%。 结果显示,结合边界感知重排序的LLM合成监督策略,无需重型交叉编码器即可获得稳健的性能提升。
R-DEIM Net 提出一种76M参数的双专家架构,用于释义检测,能在生成人类可读推理的同时保持较高精度。 模型结合交互专家与推理专家,在Quora Question Pairs数据集上通过10折交叉验证达到90.07%准确率和90.16% F1分数,性能接近大型模型基线。 该架构允许变量输入长度,并提取解码器隐藏状态作为分类的补充特征,提供辅助性的人类可读描述能力。
论文提出 AutoSec-RAN 框架,通过 LoRA 微调 Mistral-7B-Instruct 并辅以 RAG,实现了 O-RAN 安全的自动化分诊。 该框架在 313 项评估中的平均裁判得分为 0.713,在缓解措施与威胁模型推理方面表现最佳(0.849/0.848)。 研究证实基于规范的 LoRA 微调结合 RAG 检索,是 AI 原生 O-RAN 安全自动验证的可行基础。
summary_zh: R3Con提出设计超大规模上下文表示的原则,并在两项基准测试中超越最强基线20%和8.4%。 该方法使4B和9B小模型性能超过35B基线,且Qwen3.5-35B-A3B配合R3Con以3.7倍更低成本超越Claude-Sonnet-5。
研究提出 Trace as State 方法,将收集的推理轨迹作为条件状态置于长上下文之前,以提升因果 Transformer 的长文本推理能力。 该方法在 27 组模型、任务和指标中的 26 组胜过将轨迹置于上下文之后的 Trace Append 对照组,保留了因果结构优势。
一致性修复在基于 LLM 的文档级关系提取(DocRE)中是否有效,取决于基准测试的金标准标注在施加约束下的闭合程度。 论文引入闭包率 Δ_closure,该指标可在修复运行前计算。
SPARK 框架将参数知识控制建模为潜在参与策略学习,解决检索上下文与内部知识冲突导致的生成不忠实问题。 通过引入轻量级参与策略动态调节 FFN 介导的知识贡献,仅增加 0.01% 可训练参数并保持主干 LLM 冻结。 在六个数据集上验证了其有效性,比竞争性基线实现更忠实的生成,且代码和数据已公开。
ReGrad 提出“可检索梯度”范式,将梯度作为知识单元离线预计算并存储于 Gradient Bank,推理时仅检索相关梯度进行临时权重适应,避免累积权重漂移。 方法引入双层元学习目标重塑文档梯度,使其转化为可泛化的下游任务适应信号,在通用与领域特定场景下均优于持续预训练(CPT)和 RAG 基线。 该范式实现了可扩展且可逆的参数化知识注入,有助于缓解灾难性遗忘。
SYNTRA 提出一种新型检索数据合成方法,利用自我改进循环迭代优化可重用的合成指令,在 24 个检索数据集、15 个领域中进行实验验证。 该方法仅需未标注语料和少量相关查询-文档对,无需人工设计数据,在 6 个评估任务中提升检索性能,其中 4 项优于人类校准。 在 MS MARCO 数据集上,随着训练集规模扩展至初始的 32 倍,检索性能持续提升,以极少的人工干预实现了嵌入模型的跨领域自适应。
MERIT 框架结合强化学习与过程奖励模型,实现文本转 SQL Agent 的双层记忆检索。 该框架维护 episode 级战略记忆与 turn 级局部决策记忆。 在 BIRD-Interact 和 Spider2-Snow 测试中,其成功率优于无记忆基线且无需微调即可迁移。
论文提出 CoRE 方法,通过联合学习规则路由与约束检索解决无预设监督问题。 核心机制利用强化学习优化路由策略,结合对比学习训练检索器,实现双向共适应。 在 STaRK-QA 数据集上的实验验证了该方法在科学发现及电商管理中的有效性。
DAVID-GRPO 通过专家轨迹播种和证据引导续写,解决小模型在低 rollout 数下的检索崩溃问题。 该方法在 4 块 RTX 3090 上训练 Qwen2.5-1.5B,平均 EM 达 22.6,优于同预算基线 11.9,且实现多轮检索。 代码已开源,为资源受限环境下的多跳 QA 训练提供可复现方案。
AfriEconQA 基于 204 份世界银行非洲经济报告构建,包含 4,138 个带证据关联的 QA 实例,覆盖 5 类推理任务,重点测试长文档中的定量提取与时间精度。 评估涵盖 Qwen 3.6 35B、DeepSeek v4-pro 等 4 个模型,在检索增强生成(RAG)条件下最佳系统 F1 分数仅 0.594,错误主要集中于列表提取、合成及跨期比较。
summary_zh: MOSAIC 系统采用 LangGraph 架构编排四个智能体,支持动态少样本提示的 RAG,用于临床沟通编码。 在包含 76 份转录本的评估中,该系统在测试集上取得 0.928 的整体 F1 分数,其中风湿科子集 F1 高达 0.962。
SciRerankBench 是首个专门评估 RAG-LLM 中重排序器的基准,覆盖五个科学学科。 该基准通过 Noisy Contexts、SSLI 和 CC 三类 Q-C-A 对测试噪声抗性,系统评估了 13 种重排序器在 5 个 LLM 族上的表现,为未来开发提供指导。
FailureSensorIQ 是一个评估 LLM 工业 4.0 推理能力的多选择题(MCQA)基准。 该基准测试了 GPT-4、Llama 和 Mistral 等十余款模型,分析发现即使强推理模型也易受干扰且存在知识缺口。 论文提出了 LLMFeatureSelector 特征选择流水线,并在 Hugging Face 开放了排行榜。
在100个合成患者档案中,开源权重LLM在个性化处方任务上的总体适用性准确率(0.810-0.850)匹敌或超越专有模型基线(0.780)。 引入RAG后所有模型均有提升,但排名差距缩小至0.04;双评分者主观评估发现,检索虽提升准确率,却降低了部分模型的五个维度评分。 研究强调在医疗场景中部署先进LLM和AIFM需重视伦理风险及透明化原则。
本研究分析了 10 个不同 RAG 系统产生的 654 个真实配置问题,完成了首个大规模实证研究。 研究提供了故障症状、根源、相关阶段及修复模式的完整分类,发现故障根源阶段往往与症状观测阶段不一致。 该发现揭示了配置问题的特性,并提供了 9 条针对测试、定位和修复的可行见解。
inLoRA-MINT 利用激活等中间表示审计 LoRA 微调 LLM 的训练数据,MINT 分类器在四个模型、三个数据集上达到 95% 至 98% 的区分准确率。 该方法无需完全访问模型参数,仅依赖中间信号即可判断样本是否参与训练,增强了数据隐私与合规审计能力。