VERAS:面向可靠运筹学的验证引导自适应搜索
VERAS通过结合任务专属检查器与独立验证智能体,利用验证反馈指导修复,在ORAgentBench上以42.99%通过率超越Codex的35.51%。 在两个工业级运筹问题中,相比原生Codex使数据中心间峰值带宽降低10.34%,较专家方案降低年度分发网络成本6.28%。
VERAS通过结合任务专属检查器与独立验证智能体,利用验证反馈指导修复,在ORAgentBench上以42.99%通过率超越Codex的35.51%。 在两个工业级运筹问题中,相比原生Codex使数据中心间峰值带宽降低10.34%,较专家方案降低年度分发网络成本6.28%。
SPIDES 通过约束浏览器基本操作来隔离不可信内容,防止提示注入与数据外泄。 它基于 HTML 元素的保密性与完整性标注生成控制标签,确保安全防护独立于驱动模型。该设计在 28 个网站组成的 MicroNet 测试生态中实现 0% 攻击成功率,同时维持高任务完成率,源码与数据已开源。
summary_zh: SWE-Bench Pro V2发布,修复或退役了731个任务中的480个,以应对编码智能体的能力进阶。 修订版通过代理审计、专家裁定和盲测重实施,确保基准准确性;强化协议限制网络访问并在干净容器中重新评分补丁,防止获取上游修复。
spora 提供 13,546 张标准化多路复用图像,覆盖 35 个队列、5 项技术。 配套 spora [io] 接口与 spora [bench] 基准,支持基础模型训练。 已接收至 NeurIPS 2026,推动跨队列模型训练与评测。
提出 RELIEF 方法,利用编码智能体修订交互界面并将改进融入生成轨迹,用于微调代码生成模型。 研究基于 200 个合成网站、355 条交互记录及 24 名用户的反馈进行评测,发现人类交互记录衍生的批评对整体可用性提升最大。
StrucChunk 提出混合稠密-稀疏检索方案,在 LegalBench-RAG 上 Char-Recall@8 达 48.18%,较最佳基线提升 104%。 该方案将文档视为有向无环图,结合 BM25 与 BGE-M3 实现结构感知分块,支持多法域与双语评估。 在 GDPR、印度刑法等五个语料库上验证有效性,并发布 5,256 条评估查询及实现代码。
研究证实,在小型本地部署LLM的法律提示中加入“我是律师”等权限前缀,导致无害请求的拒绝率相比基线激增2-20倍。 实验评测了4个开源小型模型,发现权限框架引入不平等访问偏见,而角色越狱前缀对拒绝率影响则不一致。 这表明小型本地模型在真实机构用户自然引入的上下文框架下表现不稳定,需进一步调查以最小化偏见。
研究团队发布含超 200K 样本的 EmbodiedWorld-200K 数据集,用于开放世界具身导航规划,该数据集包含多级标注并支持离线预训练。 论文引入视频世界模型作为低成本环境代理,通过交互强化学习进行后训练,该方案在分布外场景评估中取得了显著性能提升。
UC-RAMP通过分离专家容量分配与通道选择,在25%和50%剪枝率下于6种设置中的5种取得最高十任务平均准确率。 在50%剪枝下,该框架在三款模型上分别以8.19、3.96和6.14个百分点的优势超越最强基线。 在单张A100显卡25%剪枝部署中,UC-RAMP使首token时间减少19.7–23.9%,每输出token时间减少20.2–22.3%。
提出 CVaR-RMD 框架,利用 LLM 变异可执行启发式程序,通过条件风险价值(CVaR)而非平均表现对候选算法进行排序,以解决平均目标掩盖严重失败的问题。 在三个组合优化领域中,基于 CVaR 的选择提升了上尾性能并降低了失败率,且在更大规模的未知实例和独立基准上均保持竞争力。 该研究已被 Findings of EMNLP 2026 接收。
研究人员提出目标位移基准测试 GDB,包含 9 个领域 230 个场景及 18 个模型 4,134 条人工评分响应,用于量化 LLM 用维持人设内容替代目标相关实质内容的现象。
无训练测试时搜索框架P(Yes)通过优化“是”概率提升决策模型准确率,Qwen3.8-27B在逻辑谜题上实现15倍精确率增益。 该框架支持单题编辑与联合优化,StartLux Instant等模型准确率提升4.0-13.0个百分点,精确正确率从2升至35。
研究揭示五个语言模型在受限预算下错误分配探索与验证资源。 在模拟平台 Wellocate 及真实蛋白数据中,多数模型过度验证,单一模型不足验证,均劣于基础脚本策略。 Wellocate 已作为基准和强化学习环境开源,支持冻结分割和脚本基线。
研究人员构建了零售领域组合式基准RetailBridge及感知零售的RAG框架RetailRAG。 该框架配备自动模式简报、源路由计划链接及诊断性计划修订功能,在评估十种LLM骨干模型时, consistently 优于现有基线。 研究揭示多源链接是主要瓶颈,表明可靠零售智能体需显式跨源编排,代码和数据已公开。
FlashRT-PAI 是一款基于模型硬件流水线协同设计的低延迟推理引擎,旨在解决视觉语言动作模型中由系统级开销主导的延迟瓶颈。 它通过深度算子融合、执行契约和状态胶囊机制,在 RTX 5090 和 Jetson AGX Thor 上实现 1.3-3.7 倍加速(匹配精度)及最高 12.66 倍加速(低精度)。
Google 与 Meta 开源合作推出 TorchTPU,作为 Google TPU 的原生 PyTorch 后端,实现模型的原生执行与无缝迁移。 它通过 eager 执行优化、torch.compile 集成及硬件加速,提供具有行业竞争力的推理和训练性能。
M-JEPA 提出一种掩码感知执行架构,在不改变 JEPA 学习目标的前提下重构训练流程,显著提升 GPU 效率。 该架构分离了掩码无关计算与掩码依赖路由,支持共享上下文编码器、稀疏目标编码器及掩码补丁嵌入。 在 NVIDIA A100 GPU 上,M-JEPA 实现最高 1.7 倍端到端训练加速(2-10 个掩码),高稀疏度下补丁嵌入加速达 4.75 倍。
该讲义为硕士课程第一部分,共101页,通过经典算法展示数值线性代数在PDE求解、网络排名及数据同化中的核心地位。 内容涵盖范数、稀疏矩阵、共轭梯度法、GMRES及多重网格等主题,配套Python代码可复现数值插图。作者使用Claude Opus 5辅助参考文献识别与图形优化,并对所有内容负全责。
RoundPipe 提出一种新流水线调度方案,打破权重绑定限制,在多张消费级 GPU 上实现 LLM 高效微调。 在 8 张 RTX 4090 上微调 1.7B 至 32B 模型,速度提升 1.48–2.16 倍。 支持 Qwen3-235B 模型在 31K 序列长度下进行 LoRA 微调;已开源为 Python 库。
summary_zh: MetaBeta 是一种预训练摊销模型,能在前向传播速度下返回广义线性混合效应模型(GLMM)的渐近精确后验分布,且完整先验和模型规范在测试时作为上下文提供。
DIET 是一种无需训练的结构化剪枝方法,在 Gemma-2 2B 模型 20% 稀疏度下,平均准确率较 SliceGPT 提升 2.1 个百分点,较 PuDDing 提升 9.2 个百分点。 该方法使用每个任务 100 个样本激活幅值,通过多数投票构建全局掩码,并在 7 个零样本基准测试上验证了其在 2B 和 9B 模型上的有效性。
GaMF-PINN 通过门控机制学习何时信任低保真模型,在 MFPDE-Bench 上比标准 HF-PINN 少 8 倍高保真求解。 该方法结合了基于差异的样本复杂度界 $\kappa^{2\gamma}$ 与函数级保形程序,在低保真模型受干扰时仍保持鲁棒性。 解决了传统方法在低保真模型误导时失效且缺乏不确定性保证的问题,并发布了 MFPDE-Bench 开源基准。
LOFT通过低维特征子空间实现机器遗忘,仅需预训练模型的一次特征获取,无需重复访问原始数据或更新整个模型。该方法优化小型投影矩阵,实验证实其在多种模型和数据集上显著降低计算开销并提升遗忘性能,代码已公开。
AutoTailor 是首个实现边缘设备端到端 SuperNet 自适应模型部署的自动化框架。 该框架通过计算图引导编译自动将用户提供的 ML 模型转换为 SuperNets,并引入无学习延迟与准确率预测器。 相比 SOTA 方法,AutoTailor 将 SuperNet 构建代码量减少 10.8–34.5 倍,预测器剖析时间减少 2.2–11.5 倍。
论文提出基于扩散模型先验的集成采样算法,避免贝叶斯逆问题中的启发式近似。 算法利用预训练得分函数推导修正 PDE,结合序贯蒙特卡洛方法模拟后验分布,并证明误差可被训练误差和粒子数界定。 在成像逆问题实验中,该方法重构精度优于现有基于扩散模型的技术。
研究提出 GBRL 框架,将梯度提升树(GBT)的强项应用于强化学习任务,以解决神经网络在结构化特征和类别特征上的挑战。 该框架通过连续交错树构建与环境交互来克服传统 GBT 库的局限性,在结构化观察领域性能优于神经网络,并保持对分布外样本的优越鲁棒性。 论文已被 ICML 2025 会议接收。
研究提出量子哈密顿嵌入,将经典数据编码为参数化哈密顿,通过优化其近似基态实现分类,并在 IBM Heron 处理器上完成大规模验证。 该框架证明了优于经典算法的泛化边界,提供了梯度估计方法,同时支持经典与量子两种推理路径。
研究提出 Polar Switch,通过多项式电路在相同近似精度下,以更低计算成本实现梯度正交化。 相比 Polar Express 和 Gram Newton-Schulz,Polar Switch 在方形矩阵运行时降低 15.5%–18.7%,在矩形矩阵降低 8.6%–16.2%。 在 Qwen3-0.6B 和 Gemma 3-1B 预训练中验证损失表现相当,数值稳定性良好。
CTR 数据干预在六项真实双臂任务中,将最劣状态成功率从 56% 提升至 76%。 该方法支持 Diffusion Policy、Action Chunking with Transformers 及 $\pi_{0.5}$ 等模型,并将任务约束违反率控制在 0-4%。 代码已公开,旨在解决标准模仿学习中因时间调度产生的虚假跨臂耦合问题。
ForagerSim 是一个专注于需要地图推理的具身任务的研究平台和仿真环境,场景涵盖移动机器人搜救及动物觅食。 平台具有高模块化设计,允许独立修改感知(抽象 2D 到 RGB/LiDAR)、规模(房间级到多千米级)、拓扑、动态性及任务等难度维度。 在 8 个示例世界中的对比实验表明,当感知简化为 2D 时,学习策略在简单拓扑下表现优异,但在大型或复杂环境中落后于人类表现,证实地图推理是关键瓶颈。
论文提出Skill-RSI协议,利用Claude Code离线编写并冻结具身智能体技能。在7个RoboTwin 2.0任务中,成功编译4个任务,单次技能编写成本为4.29至8.22美元。 冻结技能在新布局下保持148/150成功率。使用DeepSeek-flash调用时,单集成本低至0.00028美元。继承式修复在8/8受控实验中优于从头重写。
LowNet 提出一种含 24 个可学习标量的循环小波神经网络,求解 Poisson 方程时具备线性计算复杂度。 网络由 4 个 5x5 内核组成,残差循环设计在 10000 张图像测试中,1 至 3 次循环的 PSNR 分别为 47.27、74.14 和 100.74 dB。 该紧凑格式可部署于大多数设备,适用于计算流体力学、图像重建、生物医学工程及电磁场模拟等领域。
lepidoptera 是一个支持异构变量类型结构因果模型仿真的开源 R 和 Python 包。 该包采用类型化机制架构,内置库覆盖连续、分类和有序变量组合;利用 Vine Copula 估计联合依赖结构,支持个体级反事实传播以区分 ITE 和 ATE。 扩展层允许预拟合模型作为生成机制,适用于临床试验和流行病学等场景。
研究利用 OpenStreetMap 建筑几何与 Sentinel-2 多光谱数据,通过 Random Forest 模型检测工业屋顶光伏系统。 开发了交互式 Web 原型,支持按需获取最新卫星观测,并通过质量指标提示预测可信度或需人工核验。 该框架证明开源中分辨率数据可有效弥补高分辨率图像在监测成本与更新频率上的缺口。
研究团队提出 Halcyon 模型,证明无需互联网规模语言预训练即可实现强文本到图像生成。 Halcyon-0.52B 在 gFD 指标上以 48.0 优于 LlamaGen-XL/8 的 63.3,预训练计算量减少 18.2 倍;Halcyon-1.6B 以 35.3 gFD 超越 JiT-T2I-XXL/8++ 的 41.0,计算量减少 275 倍。
KronLSTM 是一种基于 Kronecker Delta Rule 的线性注意力架构,扩展了 xLSTM 家族。它通过最小侵入式记忆修正机制,减少了对已存储信息的干扰,使其特别适用于长上下文语言建模。实验表明,KronLSTM 在长上下文基准测试中表现优于现有线性注意力架构,包括 (Gated) DeltaNet 系列模型。其代码和模型已开源。
DPGR-GCAM 提出了一种通信高效的联邦域泛化框架,旨在解决边缘网络中视觉语言模型(VLM)部署的延迟与客户端漂移问题。 该框架采用双参数高效微调(PEFT)架构,并设计信道感知分层传输机制以截断负载;通过梯度冲突感知调制(GCAM)在低维特征流形中解决优化冲突。实验表明,在 10% 客户端参与率及信道衰落场景下,DPGR-GCAM 显著提升了跨域泛化能力并维持收敛。
该研究提出六条款可靠性契约,测得 Spring AI 在 77 个适用案例中满足 72 个,LangChain4j 满足 47 个。 基于 HTTP 边界的 725 行核心实现使三者行为一致,在 91 个案例中满足 90 个,调用延迟中位数为 32-217 微秒。
Paloma 框架通过相位条件残差调制,在 12 个数据集上实现了 SOTA 和鲁棒的预测性能。 该框架包含 Phase Rotation 和 Amplitude Scaling 模块,并作为通用插件(Paloma technique)集成到现有模型中。 论文已被 NeurIPS 2026 接收为 spotlight,代码已公开。
summary_zh: EasyResearch 及其桌面应用开源发布,为不编程的研究人员提供回归、时间序列预测和信号分类的无代码诚实分析核心。 在9个回归数据集测试中,该工具最终评分偏差仅为-1.0 R²,而常规方法在纯噪声上高估至0.27;预测任务中其选中模型未来误差比随机洗牌交叉验证低14%。