对比 GenAI、机器学习与人工审阅在 eDiscovery 中的表现
研究分析指出 Relativity 的 GenAI 审阅工具 aiR 与 RAL 指标不可直接对比,计入评估者分歧及成本收益差异后,aiR 效果与人工审阅相当。 基于 Redgrave 数据,采用 Continuous Active Learning 的机器学习模型仅需 2,000 个样本即可达到 SOTA 效率。该分析提供了更严谨的方法对比基准。
研究分析指出 Relativity 的 GenAI 审阅工具 aiR 与 RAL 指标不可直接对比,计入评估者分歧及成本收益差异后,aiR 效果与人工审阅相当。 基于 Redgrave 数据,采用 Continuous Active Learning 的机器学习模型仅需 2,000 个样本即可达到 SOTA 效率。该分析提供了更严谨的方法对比基准。
论文提出面向搜索智能体的跨源证据接地框架 CSEG 及基准 CSEG-Bench。 核心事实:针对现有方法忽视证据溯源独立性与冲突归因的问题,CSEG-Bench 包含 1,160 条真实检索文档池重写的轨迹。
针对世界价值观调查数据中的敏感信息风险,研究提出结合随机响应、指数机制和 DP-SGD 的差分隐私流水线。 实验表明,标签级隐私机制性能优于梯度级方法,且预处理中的聚合函数对隐私保护有显著贡献。 该细粒度隐私比较框架为具备形式化隐私保障的大语言模型对齐提供了探索方向。
Hashrope 提出一种持久化权重平衡 Rope 数据结构,通过 Mersenne 素数多项式哈希实现 LLM 上下文管理四大机制的统一,支持对数级编辑与身份查询。
在大规模 LLM 推荐系统研究比较单头自回归解码与多头预测,前者在排序和内容问答指标上更优。在 Qwen3-8B 规模下,单头方案以 2.6 倍较低成本训练,但推理吞吐量落后。 该方案结合辅助排序损失,端到端性能较前代基线提升显著,冷启动排序 +77%,内容问答准确率 +22%,训练速度提升 2.8 倍,语言指标回退则通过强化学习后训练来缓解。
KhyontekAI 团队提出多语言两阶段检索框架,用于 CLEF 2026 CheckThat! 科学网络声明来源检索任务。 该框架结合微调密集检索模型与交叉编码器重排序,最终系统整体平均 MRR@5 达 0.5862,其中英语、德语、法语 MRR@5 分别为 0.6222、0.5112 和 0.6254。
研究团队提出自适应临床RAG框架ARMED,通过动态扩展检索解决固定管道引入噪声证据的问题。 在MIMIC-IV数据集上,ARMED性能持续优于静态检索基线,提升药物推荐质量。 该框架结合本地可运行的小型语言模型,无需依赖外部API或任务微调即可支持药物推荐。
1B-8B 参数开源小模型在 Spider 基准中表现不稳定,SQL 专用模型比通用模型更可靠。 研究提出三种轻量级迭代重试工作流,通过自动切换提示词或模型及语法修正,显著提升端到端成功率。 该方案以少量额外推理调用为代价,为资源受限环境下的 Text-to-SQL 部署提供可行路径。
生产系统中基于设计的置信度分数在 BIRD 数据集上区分 Text-to-SQL 答案正误的能力较弱,AUROC 仅为 0.624,且错误拦截了 35.7% 的正确答案。
提出一种学习全局线性校正的方法,用于恢复晚交互模型文档向量压缩后的检索质量,无需重训练编码器或重新压缩。 在 ColBERTv2、Jina v4 和 ColPali2 上评估,领域内 BEIR 的 160 种设置中 154 种表现优于基线压缩,使用合成查询训练的矩阵在 ViDoRe v3 视觉文档检索基准中也优于基线。 证明轻量级线性校正能有效部分恢复因压缩丢失的检索质量。
133名WearGait-PD参与者研究表明,在采集点非正交设计中,参与者不重叠交叉验证会高估模型泛化能力。单独基于采集点区分的AUC达0.955,显著高于步态特征模型的0.882。
研究发现 LLM 评委的评分格式比评委本身更显著地影响指令微调数据筛选效果。 在固定候选池和预算下,对 15406 个 UltraFeedback 候选进行测试,0-100 分制实际仅等价于 1-5 分制的 2 至 3 倍分辨率。 二元判定会在 77%-78% 的情况下导致最高分并列,且现有指标可能误导格式选择。
研究人员提出 VL-DocIR,这是首个证据完整的视觉长文档检索页面级基准。它从 29,641 个文档构建了 388,548 张页面图像和 271,760 个查询,覆盖六个证据结构。 最强配置在结构平衡宏评估中达到 69.3 nDCGAll@10 和 80.6 RecallAll@10。结果显示,跨文档检索远难于单页检索,而文档上下文评分对文档内多页查询尤为有帮助。
SMI 提出了一种免训练框架,通过本体论定义的粗到细路径为医学概念生成语义 ID,并在 MIMIC-IV 等数据集上改善了临床预测。 该框架聚合冻结的生物医学语言模型嵌入形成层级感知表示,理论分析显示其比忽略层级的嵌入更具信息量,尤其在稀有概念上。 SMI 已被 NeurIPS 2026 主赛道接收,实验表明其能提升死亡率、再入院预测及跨院区分布漂移下的鲁棒性。
研究提出直接知识图谱交互框架 DKGI,使语言模型 Agent 在完整节点和边文件上直接创建图访问工具,实现工具创建与使用的共同进化。 在跨越三个领域的基准测试中,无训练的 DKGI 在每个图上的 Hit@1 分数均比最强已发表基线高出至少 6.7 分。 消融实验显示,多轮编程优于仅使用 shell 和预定义图工具,代码轨迹证实 Agent 会通过修改代码扩展搜索或修正错误,相关代码和数据已开源。
提出Legal-R1智能体检索框架,将法律推理分解为Lawyer、Legal Assistant和Judge多智能体工作流,提升中国法律基准测试表现。 Lawyer智能体通过掩码监督微调和轨迹感知强化学习后训练,负责决定检索时机与证据充分性;Legal Assistant执行权威与多样性感知检索,Judge基于完整证据轨迹生成答案。
研究指出,多语言稠密检索器在共享索引中会导致同一问题在不同语言下检索结果显著分歧,且正确文档常被无关内容掩盖。 通过引入“分歧引导式引导”,利用其他语言共识与该语言特有检索结果的表示差异,作为特定语言方向加至查询中。 该方法在保持召回率竞争力的同时,最显著地减少了同语言内的拥塞,优于语言均值移除等基线方法。
研究人员提出PUR方法,通过将用户历史数据中的核心语义信息分配给PEFT、分散信息保留给RAG,实现个性化LLM生成的准确性提升与推理延迟降低。 实验表明,PUR在多个任务中持续达到最佳生成质量,相比现有最优方法推理延迟降低14.4%–46.6%。 该方法为平衡个性化LLM服务的质量与效率提供了新的架构设计思路。
对托管决策模型 Jev-1.13.0 的预注册测试显示,增加无关选项会系统性改变正确与最强错误选项间的对数几率,违反独立无关备选项原则。 299,463 次调用中,新增选项导致 0.20-0.52 nats 的均方根偏移,约为运行间波动的 1.2-3 倍;选项达到 255 个时偏移约 1 nat,而独立打分虽消除依赖但正确率降低 8.7 个百分点。
跨模型 KV Cache 复用导致安全性不兼容,value reuse 比 key reuse 引发更大偏差。 VReparo 通过离线学习对齐映射,将 HarmBench ASR 降至 39.21%,StrongREJECT 分数降至 0.2163,且保留 85.62% 的 TTFT 提升。 解决了复用加速与安全对齐的冲突。
MERIT 是首个采用 Transformer 关系编码器的知识图谱基础模型(KGFM)。在 56 个基准测试中,其零样本 MRR 达到 SOTA 水平,推理速度比 TRIX 快 6 倍,比 FLOCK 快 100 倍以上。 微调后的 MERITQuery 在复杂查询回答任务中,以匹配成本超越了 UltraQuery。
ARC-FedSC 框架通过协调用户设备角色分配与服务器端受控特征重构,在固定通信预算下优化混合联邦语义通信。 CIFAR-10 实验显示,后期训练阶段最佳配置平均 PSNR 达 24.17 dB,有害 FR 事件概率降低 62.0% 至 0.093。 该设计在时变 RAN 信道下展现出优于基线方法的鲁棒性与有效性。
CacheLink 通过直接学习接收端行为来耦合 K/V 校正,解决跨模型切换时需重新预填充的问题。 在四个独立训练的发送端-接收端模型对及七个评估面板中,CacheLink 的平均性能优于现有方法。 在 32K 上下文长度下,该方法将交接延迟降低最高达 7.27 倍,且 K/V 均方误差变化小于 0.4%。
SLKR 提出一种分离离线知识构建与在线推理的检索增强生成框架,在 Qwen3.5-4B 上于四个基准测试中均取得最佳结果。 该框架利用旗舰 LLM 生成标签定义与边界规则,在线阶段通过混合检索筛选候选标签,由轻量模型单次调用完成分类。 消融实验证实,检索少量相关边界规则能在大幅缩减上下文长度的同时保持接近全量规则的分类性能。
论文提出 ProCARE 框架,将真实世界研究自动化重构为约束编译,通过证据合约处理临床语义并生成 RWS-IR。 在 36 个基于 EHR 的基准任务中,ProCARE 在代码可执行性、语义一致性及结论可追溯性上优于强 LLM 代理基线,且诊断结果与专家盲评具有一致性。 该研究已被 NeurIPS'26 接收,论文包含 42 页内容及 5 幅图表。
针对 Rank-GRPO 将 85% 方差归因于响应抽样而非列表质量的问题,ReMaRk 提议基于所有回复标题的并集进行联合评分。 该方法在 7 个基座模型和 3 个数据集上表现优于 Rank-GRPO,在 25% 至 53% 的 RL 步数内达到后者的验证召回率,且 GPU 耗时更少。
ANTE 框架通过验证编码智能体的动作前预测,将 Qwen3-32B 在 SWE-bench Verified 上的 pass@1 准确率从 25.0% 提升至 57.2%。 该提升比匹配 GRPO 基线高 6.2%,世界模型准确率在强化学习期间从 44% 升至 69%,且能力可跨环境和分布外领域迁移。
summary_zh: EneMonIE-Backend 将概念性管线转化为模块化、可执行且应用无关的后端,分离数据源、获取归一化、语义处理等五项核心关切。 架构支持 RSS、arXiv、社交媒体等可配置连接器,执行实体识别、事件提取及情感分析,并将语义表示存储于 SQLite。
Radioactive Feedback 提出一种通过奖励分数嵌入行为偏好模式的技术,实现仅基于标签 LLM 监督训练的模型检测。 该方法在代码和数学领域实验中验证了偏好可通过低带宽奖励信号跨数据集传递,支持对固定参考池进行黑盒检测。 解决了现有水印和蒸馏检测器无法覆盖仅分数反馈通道的问题,增强了 AI 模型溯源能力。
研究人员推出覆盖度引导的生成工具 CoverSynth,旨在解决企业级智能体检索评估中覆盖度、可靠性与可区分性不足的问题,无需高昂的人工标注成本。 工具通过确定性检查与基于模型的语义验证结合,在五个公共语料库上生成具有难度差异的评估集。
研究发现,教师模型的正确推理依据可使学生模型答对概率提升21个百分点,错误依据则降低14个百分点。 研究提出Distill-SFT方法,将答案与依据合并为单一目标进行训练,在保持推理优势的同时减少训练实例。 该工作流通过预先审计依据内容和验证教师答案,有效缓解了灾难性遗忘,提升了紧凑型模型在医疗问答中的效率。
OntoAR-HAR 提出本体引导的智能体 RAG 框架,结合静态群体知识与个性化记忆实现无训练推断。该框架利用树状活动本体分解分类任务,通过离线发现的可执行信号特征提供数值证据。跨主体实验显示,分层检索与个性化记忆在多 LLM 骨干上取得 SOTA 性能。
CULTUREBOT是一个结合知识图谱引导检索、词汇语义检索和源链接生成的交互式框架,用于自然语言探索文化遗产收藏。 该框架在81,852条SearchCulture记录上实例化,并通过在线演示发布。在包含六位文化遗产专家、55个人设驱动查询和250项评估的专家评价中,图谱引导系统在证据接地、多样性、推理和完整性方面显著优于两个通用助手和消融模型。
针对长期记忆基准主要评估检索而忽视表示决策的问题,研究者提出 VitaBench,旨在通过重复记忆审查评估生命周期决策。
SEF(自我报告实体熟悉度)作为轻量级门控信号,通过筛选教师模型熟悉的实体,比无门控合成产生更高的搜索需求和学生模型准确率。 结合 Kimi-K3 判断筛选出的 5,411 条轨迹及 2,200 条新轨迹,将 Qwen3.8-27B 在 BrowseComp 子集上的准确率从 44.10% 提升至 66.41%。
CacheFuse 提出一种免训练方法,通过线性插值融合上游模型的 KV cache 实现异构语言模型间的潜在通信,突破文本交换瓶颈。该方法在四个推理与知识基准上测试,准确率较单模型最高提升 8.6 个百分点,TTFT 最高提速 12.2 倍。论文已被 COLM 2026 效率推理工作坊接收。
针对生物医学 RAG 系统评估指标常与人类判断不匹配的问题,研究表明利用少量人类偏好信号校准直接评估指标。 校准后的指标在多个数据集上表现优于同等对待所有指标或仅依赖单一最佳指标的传统基线方法。 该成果已被 AACL-IJCNLP 2026 会议接收。
提出 FleetPilot 细粒度引导框架,通过动态生成样本级干扰向量注入前向传播实现 LLM 个性化,无需训练循环。 该方法结合匹配对比与注意力/MLP 层激活挂钩,在短长文本生成及 Web 函数调用场景中显著优于现有方法,在数据稀疏环境下表现突出且推理开销低。
针对 Mixture-of-Experts (MoE) 模型的后训练专家剪枝,这项实证研究揭示了校准数据对 gpt-oss-20b 模型性能的关键影响。 研究发现,领域通用的剪枝质量在增加校准数据规模至较小样本量后获益甚微;仅使用英语进行跨语言校准即可在七种不同语系和文字的语言中保持强劲性能;且模仿预训练分布的多样化校准数据,其性能可与甚至优于测试分布数据。
DSABench 提出了评估多数据库智能体源发现、协调与执行能力的基准测试,包含815个人工审查任务。 该基准显示7个模型后端中路由的最高RA-Set分数为60.55%,含协调要求时RA-Graph最高仅为34.66%。 4个后端上,无澄清时Route+Exec-Graph中位成功率6.69%至7.98%,单次澄清后提升至11.44%至13.25%。