RegExtract:基于LLM的PFAS法规信息提取基准
RegExtract 是首个用于 PFAS 法规文档结构化信息提取的 LLM 基准,包含 488 个人工标注字段实例和 976 个溯源条目,覆盖美国 20 个州的 46 项法规。 研究采用类型化多字段模式,针对监管文本提出溯源感知评估指标,实验表明字段级少样本示例能提升提取效果,且文档标识字段仍是难点。 该基准为后续开发用于危险物质识别、合规监测等 AI 工具奠定基础,代码和数据已公开。
RegExtract 是首个用于 PFAS 法规文档结构化信息提取的 LLM 基准,包含 488 个人工标注字段实例和 976 个溯源条目,覆盖美国 20 个州的 46 项法规。 研究采用类型化多字段模式,针对监管文本提出溯源感知评估指标,实验表明字段级少样本示例能提升提取效果,且文档标识字段仍是难点。 该基准为后续开发用于危险物质识别、合规监测等 AI 工具奠定基础,代码和数据已公开。
NARS 系统通过结合检索增强 LLM 推理提取双极性论证结构及符号计算传播论证影响,在 CMV2BAS 数据集上实现 F1=0.57 和 AUC=0.56,性能优于零样本 Qwen3.6:27B 与 GPT-oss:20B。
PAT框架通过人格驱动的数据增强和迁移学习,解决了社交媒体抑郁症检测中噪声干扰大和编码器优化弱的问题。 该框架分两阶段工作:先用基于经典人格理论的大语言模型增强数据,通过细粒度对比学习优化帖子级编码器;再将编码器参数迁移至用户级任务。 实验显示PAT显著优于现有方法,并提供了多粒度可解释性,追踪帖子级心理状态轨迹并突出关键症状,为临床实践提供可靠的诊断证据。
提出无需未来标签或单独训练模型的诊断工具 Query-Anchor Agreement (QAA)。该工具通过比较模型预测与目标历史相似案例,识别二者观点收敛以选择采样预算并优化科学连接预测。
相关性过滤上下文仅需 5% 文本量即可匹配完整历史准确率,使模型输入成本降低 20 倍。 该方法通过句子级检索按相似度排序并设定固定预算,比 LLM 摘要仅需小嵌入模型支持。 Oracle 实验显示,仅使用检索到的证据比完整历史表现高 15.6 分,证明优化上下文选择可超越全历史记录。
作者报告了一种用于客户服务流程自动化的智能体 RAG 部署案例,核心是一个可移植技能(Portable Skill),由自然语言指令、轻量工具(检索 API、格式检查脚本)以及带有 LLM 生成导航层的语料库组成。
DRIFT 将依存句法树线性化并注入 LLM 提示词,直接建模方面与观点的显式关系,解决了生成式 ASQP 方法仅依赖序列共现的局限。 在 SemEval Rest15 和 Rest16 数据集上,DRIFT 取得 54.47% 和 64.10% 的 F1 分数,在短中距离配置下表现一致优于对比方法。 该机制表明精确匹配指标系统性低估了语义正确预测,为评估标准提供了修正依据。
BioNEL-RAG 提出免训练框架,结合 RAG 与 LLM 实现生物医学命名实体链接,性能与需微调的现有方法相当。 RAG 模块负责检索候选实体,LLM 模块依据提及语境分析,选出最合适的候选进行实体归一化,无需针对基因、疾病或化学化合物等特定子域进行训练。
研究团队发布了首个专门针对中文长篇历史文档理解的评测基准 LongHisDoc。该基准包含来自 101 份 PDF 文档的 1,012 个专家标注问答对,单篇文档平均长度达 85.1 页和 42,776.4 tokens。
LACRM 提出一种利用 LLM 构建定向竞争图的框架,在三阶段流程中实现非对称多路检索。该框架在工业基准测试中超越强 GNN 基线,生产 A/B 测试显示广告收入提升 1.73%。
Orca Security 基于 Amazon Bedrock 构建 Discovery AI,将自然语言转化为 Sonar 安全查询。 该系统利用 RAG 和 9 阶段流水线,调用 Amazon Titan Text Embeddings 及 Cohere Rerank 3.5,处理 900 多个云模型。
AWS 发布 Ray LLM Deep Learning Containers,支持在 Amazon EKS 上将大型语言模型部署至两个 GPU 节点,通过分离 prefill 和 decode 节点提供单一 OpenAI 兼容端点。
CRM 是一种结果条件化的检索框架,通过在用户塔加入观看时长作为输入,实现推理时通过提供期望观看时长来引导检索,无需重新训练。 该模型采用 DNN 双塔或 Decision Transformer 架构,物品塔独立于条件以支持预计算和 ANN 搜索。已在快手短视频推荐系统部署,在线 A/B 测试显示快手及快手极速版视频观看时长分别提升 0.372% 和 0.457%。
论文提出 QXR 框架,将 LLM 视为噪声一致性判断器,解决声明集合全局不一致问题。 QXR 通过定位最小冲突子集并删除少量命中集声明,保留最大连贯子集。在基于 VitaminC 和 FEVER 的基准测试中,QXR 比一次性判断保留了更多有效声明,且精度较高。 这表明声明聚合系统的事实性应被视为集合级修复问题,而非仅局部验证。
研究人员通过重跑 SemBench 等基准测试,发现即使在温度 0 下,0.07% 至 10.2% 的行输出会因多次执行而改变。 研究记录了 120 万次模型调用,发现 UDA-Bench 中约三分之二的最终答案发生变化。 该方差影响了基准比较的有效性,文章据此推导了新的基准报告规则。
ZenGen 框架旨在增强 LLM 社会智能,其测试基准 SoMBench 显示最佳模型准确率仅 72.08%。 框架结合 ZenGen 训练配方与 Actio 推理架构,其中 ZenGen-32B-Stage2 具备与 DeepSeek-V4-Pro 竞争的实力。 该框架证明社会智能 LLM 需在评估、参数内化及部署接地方面协同推进。
提出 Lychee-Reranker,实现查询与文档计算解耦的“快速但非后期交互”重排序模型。 采用编码器-解码器架构,利用 Matryoshka 嵌入池化预编码文档;提供 Nano/Small/Large 三种规模,激活参数量分别为 0.27B、1B 和 4B。 在 BEIR、MIRACL 等基准上性能媲美工业级模型,且 0.27B 模型在与 7-12B 嵌入模型组合时仍具竞争力。
SemViews 是一种认证语义过滤器,通过复用早期查询留下的标签作为语义视图,确保精度与召回率达标概率至少为 $1-\delta$。 在 725,000 个记录 oracle 标签的 4 个工作负载中,SemViews 在 99.63% 的查询上同时满足目标,节省 28%-45% 的 oracle 调用;面对重复问题,调用量进一步减少 27%-36%。
iRAG 提出一种结合 RAG 与混合决策的人类在环决策支持系统,通过存储既往决策作为可检索先例,实现从被动观察到自主处理(含拒绝)的进阶。 在独立基线对比中,iRAG 在 10% 漂移下匹配最终决策错误率且无检索衰减,在 40% 漂移下降低所有配置中的错误率。 该机制体现了知识稳定性与可塑性之间的权衡,但其在真实人类用户中的可用性尚未评估。
该无训练方法利用稀疏 token 匹配改进嵌入检索,在八个基准和多个模型族上提升效果。 可选的低秩查询适配器经监督训练后,在 Qwen3-Embedding-4B 上平均 Recall@10 提升 13.3 个百分点,NDCG@10 提升 14.3 个百分点。 这些检索增益转化为长期记忆基准上更高的问答准确率。
summary_zh: PRISM 多模态语言模型在 MDS-ED 基准上取得 86.2% 诊断 AUROC,并整合结构化测量、心电波形及人群上下文以优化临床预后。
提出结构驱动知识图谱(KG)方法解决法律推理中RAG检索准确性问题。 针对德国法律典,对比多种KG信息分块与检索策略,评估其对引用准确性的影响。 论文已被RAGE-KG 2026研讨会接收,旨在提升关键可靠场景下LLM系统的透明度与可验证性。
研究提出带有内在反馈的用户模拟器,利用真实交互日志训练LLM,证明其提升了模拟真实性和批评行为。 模拟器生成的评价与人类判断相关性优于同尺寸提示基线,并在多轮强化学习中将计算量减少了一半以上。
KnowForge 在 M3DocVQA 上实现 F1 47.5,较 M3DocRAG 提升 11.0,且优于单次检索。 系统采用 Qwen3.6-35B-A3B,通过 Locator 与 Deep Reader 角色分离优化。该管线在 M3DocVQA 和 MultiHop-RAG 等基准测试中均达到最优表现。
T$^2$Mem 框架推迟记忆构建至推理阶段,在 LoCoMo 和 LongMemEval 实验中优于多个基线模型。 该框架离线提取轻量级片段元数据,测试时根据查询动态检索和组织信息,显著降低构建开销。 研究证实该机制使记忆构建能动态适应不同查询的信息需求,相关代码已公开。
针对低资源假新闻检测中数据稀缺问题,研究人员提出SharP边界感知文本生成框架。 该框架利用LLM作为工具,通过软硬提示双机制引导生成具有任务相关性的合成样本。 结合边界感知策略和双重目标优化,提升模型在低资源场景下的鲁棒性与泛化能力。
研究对比超球面与欧氏变分自编码器(VAE)在专利文本上的表现,基于 45,000 件美国专利数据。 超球面模型在 top-10 检索中跨类别发现先前技术的比例(18.76%)比欧氏模型(12.34%)高 52%,但与官方分类一致性较低(NMI 0.2392 vs 0.3206)。
KV-Repurpose 是一个基于 vLLM 的开源系统,用于评估超越精确前缀的分段式 KV 缓存复用。 在 Zipfian RAG 负载下,当 20% 请求共享固定前缀且缓存容量为 30 GB 时,KV-Repurpose 的 token 级缓存命中率达 63.9%,远高于前缀缓存的 3.3%,从而降低了 TTFT。
提出 LLM 驱动的流水线将硬件数据手册转化为层级知识图谱,在 20 份文档中实现 98.8% 属性忠实度。 采用分块属性提取与层级路由,相比单次基线 76.1% 的忠实度及 10.5% 的反向覆盖率显著降低遗漏风险。 增强下游硬件设计与验证中工程信息的可靠性,减少因约束遗漏导致的错误决策。
研究人员推出 GeopoliticalQA 基准,基于 415 份开放情报报告构建 5,525 个问答对,涵盖事实、推理及风险类问题。该基准评估了 15 个检索系统和 6 个开源 LLM 在 RAG 任务上的表现。 评测发现中型编码器 bge-m3 在分块检索中匹配更大规模模型并超越商业 API,但推理与风险类问题的答案生成仍具挑战性。
研究团队提出 UxSID 框架,利用 Semantic IDs 和双层注意力策略,实现语义分组共享兴趣记忆,在大规模广告 A/B 测试中带来 0.337% 的收入提升。 该框架通过端到端架构平衡计算效率与语义感知,避免了项目特定模型的高昂成本,在超长用户序列建模中取得最先进的性能表现。
COFFEQA 提出反事实引导的少样本蒸馏策略,通过 CFD 指标验证反事实,在生成式问答中优于纯事实基线。 实验覆盖 5 个域内与 3 个域外 QA 基准,使用 T5 和 Qwen2.5 模型族。 在 TriviaQA 上,T5 设置 32 个少样本对中,平均 EM 提升 8.77 分,平均 F1 提升 9.98 分。
FORTE 是一个模型无关的生产框架,用于在工业推荐系统中发现、验证并移除特征,其高效扰动实现支持每日特征评估。 框架通过分组消融评估低秩特征交互,并利用谱系追踪识别下游模型以释放全部效率收益。 在大规模排序模型上,应用 FORTE 移除 8 个候选特征,使可训练参数减少 29.9%,服务吞吐量提升 19.8-25.5%,年度训练成本降低数十万美元。
Monarch-MoE 引入块对角因子替代 LoRA 专家中的稠密因子,解决多模态持续指令微调中的灾难性遗忘。在 LLaVA-1.5-7B 上,该方法将适配器参数量分别减少约 75% 和 50%,首任务遗忘降至 0.52 和 0.10 个百分点。该技术可在单张 24 GB RTX 4090 上运行,使结构化专家在内存受限硬件上具备实际可用性。
Postman 在其面向 4000 万开发者的产品中上线 Agent Mode,使用 Amazon Bedrock 的 Claude 模型提供 API 测试、文档、发现和实现的 AI 原生工作流。
推荐理由:原文给出了 Agent Mode 的架构模式和 Bedrock 部署方式,读者可以据此判断成熟产品接入智能体时的上下文预算与路由缓存设计。
研究表明,在 Qwen3-8B 模型中,通过精心措辞的无答案事件将 donor-aligned 恢复率从 6% 提升至 51%。 被动收割长期对话中的自然提及未产生检测优势,紧凑状态得以保留,但更大负载向随机水平衰减。 该结果指出,移除源事件且准确率无损失并不证明源事件是多余的。
PT-RAG 模块通过可微检索增强生成提升细胞基因扰动响应预测效果,已获 NeurIPS 2026 主会录用。 其采用两阶段检索机制,基于 GenePT 语义检索结合 Gumbel-Softmax 选择器,在 scGPT 交叉细胞类型任务中将 2-Wasserstein 距离相对降低 5.9%。 代码已开源可复现,显著改善分布相似性与预测质量,服务于功能基因组学与药物发现。
该框架整合句法结构、语义多样性与分布表征进行核心子集筛选,并能自动适应不同语料库噪声水平。 验证了数据中心 AI 领域中“少即是多”的假设。
研究指出上下文并未消除大语言模型的记忆提取风险,而是改变了可提取样本集合。 实验在三个开源指令微调模型上配对测量了不同相关性检索上下文下的后缀概率,发现记忆提取包含对上下文鲁棒的核心和对边缘样本敏感的边界。 该发现表明RAG虽能抑制部分边界案例但无法消除鲁棒可提取样本,上下文启用的可提取性仍具安全意义。
RIT-RAG 结合内容检索与结构导航,在金融、科学及客服基准测试中取得最高答案准确率。 该方法离线从目录构建文档树,查询时利用检索块位置诱导子树,由 LLM Agent 选择性读取节点并在必要时重构查询。 在包含 284 万网页的 EntQABench 上,RIT-RAG 相比最强基线提升 6.8 至 11.4 个百分点。