RAGenome:将基于检索的基因组语言模型扩展至长上下文
RAGenome 首个检索式 gLM,预训练上下文比现有 MSA 模型长 100 倍,统一演化建模与长程交互。 基于 100 种脊椎动物全基因组对齐训练,基因发现性能从 0.45 提升至 0.60,致病突变优先级任务保持竞争力。 以更低训练成本提供竞争性 gLM 性能,代码已开源。
RAGenome 首个检索式 gLM,预训练上下文比现有 MSA 模型长 100 倍,统一演化建模与长程交互。 基于 100 种脊椎动物全基因组对齐训练,基因发现性能从 0.45 提升至 0.60,致病突变优先级任务保持竞争力。 以更低训练成本提供竞争性 gLM 性能,代码已开源。
GenUI-Harness 提出多智能体架构,通过 GUI Coder 动态生成前端代码以解决自然语言交互瓶颈。 采用 Dynamic UX 和 Reward Auditor 优化强化学习训练,UI-TAU Bench 基准测试中 Pass@3 比 smolagents 高 4.48 个百分点。
共享学习率对比不同可训练参数量的微调方法会制造假象,掩盖真实效果。 修正此偏差后,冻结解码器并仅微调编码器的方案可节省3倍可训练参数及优化器状态内存。 该方法作为低内存替代方案,用于在训练时改造低秩KV缓存压缩。
GLM-RAG 提出基于图语言模型(GLM)的检索器,在两个多跳基准上达到 SOTA,域外泛化性能优于 GNN 和向量搜索。 微调 GLM 检索器在域外数据上表现更佳;GNN 检索器通过高效训练实现更高图覆盖率;向量搜索基线在单跳数据集上占优。 论文已被 AACL-IJCNLP 2026 接收,证实了 GLM 在结合图结构与语义信息于 RAG 任务中的有效性。
SERL-SQL通过选择性执行基础事后蒸馏,在多轮Text-to-SQL智能体上实现76.56% BIRD-Dev与89.92% Spider-Test执行准确率。 框架利用教师模型重评分学生动作,将执行反馈转化为有界掩码权重,重新加权GRPO优势值以进行局部信用分配。 实验表明其奖励选择策略接近最佳N候选上界,优于基于一致性的选择方法,代码即将开源。
MemTrace 提出一种框架,将记忆流水线转化为可执行的记忆演化图,用于追踪 LLM 记忆系统中的错误。 该研究构建 MemTraceBench,基于 Long-Context、RAG、Mem0 和 EverMemOS 等系统分析记忆失败模式,并利用归因信号引导提示词优化,使下游任务性能提升最多 7.62 个百分点。
该基准包含 711 个 PDF 文档、1897 个问题,采用严格归因准确率指标,要求答案与证据区域同时正确。 CiteVQA 揭示了仅评估答案的盲区,为可信文档智能提供了衡量工具。
NativeScope 提出先定范围再排序的方法,在 1,024-token 预算下文档单元召回率达 89.28%。 该方法相比整体 Dense RAG 提升 42.75 个百分点,内存召回率提升 22.00 个百分点。 其性能依赖锚点可靠性,自动 Top-1 锚点时内存召回率降至 35.50%。
研究人员提出模糊可验证任务框架,发布基准套件 AmbiTab 统一六个数据集,以区分任务消歧与解决方案生成。 框架将代理分解为询问策略和解决策略,利用无裁判泄漏诊断评估信息泄露,并通过强化学习优化询问策略。 训练后的询问策略在六个数据集的消歧指标上均有提升,五个数据集的任务成功率也得到改善。
提出 QGMem 框架,将长对话历史转化为事件索引的原子记忆单元,并在查询时构建紧凑工作记忆图。 通过混合检索获取互补候选记忆,利用查询感知重排序激活相关单元,并将局部图编码为图 token 辅助 LLM 推理。 在 6 个基准测试中,QGMem 在检索、多跳证据组合、冲突解决及超长对话推理上均取得一致提升,且推理成本适中。
该研究系统评估了 LLM 在软件系统中的七种架构形态,指出市场标签如 Copilot 和 Agent 确实对应不同的架构设计,而非纯粹的品牌营销。 在 22 个示例系统的分析中,Copilot 被定义为在逐步用户确认下操作宿主应用的“路由-工作者”架构,而 Agent 则对应 AI 规划多步执行且用户仅见结果的架构,四大供应商的编码智能体均采用共享子智能体的“推理-行动”循环。
DPPM 提出双路径参数化记忆架构,在 PersonaMem-v2 达到 54.22%,PrefEval 达到 86.79%。 该模型通过 Evidence 路径池化交互历史保留早期证据,Delta 路径顺序更新关联状态捕捉变化,融合后生成 LoRA 适配器。 这种设计支持跨会话个性化参数化记忆,在多个骨干模型上表现优于基线方法。
引入CogMem认知记忆架构,采用PEC²F图模式区分来源归属的Claim节点与无归属的Fact/Event节点。 通过增量转换对话轮次为带溯源的图记录,并结合4种确定性图算子(锚定、遍历、交集、证据接地)实现查询相关上下文重构。 在LoCoMo和LongMemEval基准测试中表现强劲,尤其在多跳、时序和知识更新任务上优势明显。
研究提出 Gated Memory 框架,将记忆形成确立为生产系统的关键瓶颈,通过在对话与存储间插入准入门控解决上下文信号丢失问题。 在 LoCoMo-10 基准测试中,该方法实现 LLM 评估准确率相对提升 2.6%,证明了记忆形成质量对性能的可测量影响。
RAG-Stress 协议通过固定问题和参考答案,编辑证据中的断言以支持错误答案,并交叉测试两种源优先级策略与三种答案位置,以评估检索增强生成中证据依赖的极限。
基于 35 个专科 8 个月内的 127,833 条真实查询分析显示,当前基准测试仅覆盖 31% 的实际任务组合,且多数基准未包含文档记录请求。 研究构建了临床 AI 基准图谱,发现前沿模型评测基准与实际临床工作相似度低于均匀分布,无法准确预测实际部署性能。 这表明基准分数难以反映临床 AI 在实际工作负载中的表现,评估体系需重新匹配真实的临床使用场景。
该测试集包含 3396 条基于纽约州上诉法院判决的断言,零样本评估显示模型在检测直接矛盾时优于缺失支持,但面对看似合理的伪造引用时表现最差,最高准确率仅 0.97。 该基准为法律 RAG 系统的断言级事实核查提供了实用评估工具。
论文提出 CATune 框架,通过建模确定性旋钮排序约束优化 DBMS 配置。 实验显示 CATune 比基线快 12.5 倍,吞吐量提升最高 63.37%。 该结果证明显式建模系统约束可增强优化稳健性与系统稳定性。
BoT-GRPO 提出了一种长度不变的 Bag-of-Tokens 聚合方法,扩展 GRPO 以支持 token 级奖励模型,实现无需 critic 的高效过程监督。
EntroPrefill 提出一种 Rényi 引导的预填充剪枝机制,通过显式约束丢弃注意力质量保障上下文可替换性。 该机制包含混合到头部删除包络、可行令牌移除上界及有限样本观察者保证,并推导了条件 Transformer 扰动界限。 文章为纯理论框架,未包含实证加速、任务准确率保留或基准测试。
论文提出框架将系统综述方法应用于 AI 注册表,解决 ML 资产选型缺乏证据支撑的问题。框架包含规划、执行、记录三阶段,整合注册表搜索策略、跨注册表模式对齐及依赖驱动检索。该方法使 ML 资产发现过程透明、可复现,基于明确证据。
客户上下文图支撑的Agent在Voice-of-Customer分析中整体得分0.961,显著优于Agentic RAG的0.651和Deep Research Agent的0.710。 基于9,432条Cursor公开反馈测试,该架构通过类型化关系连接客户、运营及分析对象,在分析深度维度得分0.967,领先其他系统。
在一项预注册研究中,针对 709 页 LLM 维护的 Markdown 知识库测试了渐进式披露策略。研究发现,即使采用仅读取紧凑目录和单行摘要的渐进式方法,答案质量仍与原始知识库持平,且在所有测试条件下成本均显著降低。 然而,研究揭示了两个主要局限:人类评分员与模型裁判的评分一致性远低于预期,且在强制加载目录及更严格的评分标准下,质量优势未能得到验证。
DocOpt 利用 GRPO 算法直接训练 LLM 或 VLM 改写文档以优化黑盒检索,无需检索器内部访问权限。 在代码和视觉检索任务中,DocOpt 将 text-embedding-3-small 的 nDCG@5 从 58.35 提升至 67.94,超越了价格贵 6.5 倍的 text-embedding-3-large(66.15)。
研究揭示多向量视觉文档检索器存在索引反演漏洞,攻击者可仅凭存储的向量数据库重构原始文档页面,敏感性被低估。 在 ViDoRe v3 基准测试中,直接反演可恢复 47% 词汇及 45% 敏感信息,且作为查询命中源页面的概率达 98.4%;引入 token 池化与打乱后词汇召回率降至 8% 左右,模型重建顺序可将首排命中率提升至 93.5%。
该研究通过理想扩展查询和可分性两个视角,解释查询扩展在信息检索中的性能差异。 研究开发了可分性度量方法,并基于 TREC Robust 等数据集进行了大量实验。 实验表明,接近理想扩展查询的检索效果更好,且相关与非相关文档的可分性是理解性能的有效补充视角。
LLM 检索中多样化并非总是有益,其效果取决于候选池冗余度与查询所需证据数。在干净数据池上,多样化会损害相关性、证据覆盖与答案质量;在多证据任务中,当冗余导致最近邻检索重复选取片段时,多样化才有益。
研究发现当前嵌入模型在查询端存在干扰项时,常无法可靠遵循检索指令。 研究假设此行为源于现有训练设置与评估方式,引入查询端干扰项进行微调可显著提升表现,且对其他任务影响甚微。
EncBank 将预训练 LLM 下层作为可复用文档编码器,紧凑存储输出供上层读取器使用。在 Qwen3-8B 任务中,4-bit 存储保留 28.1% 原生精度 GPU 持久存储,预填充速度提升 1.40 倍。 技术细节上,自蒸馏后缀适配器共享存储精度,无需量化重训练。该配置通过 89 个 Terminal-Bench 2.1 任务中的 70 个。
论文提出 Madeleine 框架,通过离线 LLM 生成模拟人生数据训练查询编码器,实现在线零 LLM 调用的记忆关联检索。 在 LoCoMo-Plus 协议下,Madeleine 接入 HyperMem 时达到 66.6 分;单独使用时零 LLM 调用,上下文消耗约为原系统的 1/21,得分 52.4。 该框架可显著增强 T-Mem 系统性能,提升 26.2 分,且不影响常规问答能力。
该综述将安全 RAG 定义为保护外部知识访问,系统梳理了 135 项关于攻击、防御及安全评估的研究,并提出 SLOT 分类法(攻击面 S、防御层 L、目标 O、范围 T)。 研究发现三类不匹配:T2 攻击领先于防御与评估、S1 攻击数量多于 L1 防御、流畅的 S1 攻击挑战基于异常的 L2/L3 防御。 讨论未来方向,包括更真实的目标、完整防御栈、标准化评估及多模态与智能体系统安全。
直接 LLM 生成 What-If 界面失败率高达 45%,且意图误读率达 77.5%。 研究提出将自然语言转为 Praxa Specification Language (PSL) 再编译为界面的两阶段工作流。 基于分类学的修复策略将正确率从 52.42% 提升至 80.42%。
研究发布了一个包含 1,015 个段落-法条配对、由三位法律专家标注的基准数据集。 核心发现是专家产生分歧的案例(约占三分之一)正是模型失效的高发区,最佳集成模型的整体 F1 分数仅为 0.70,且三分之二误报集中于此。 将任务重构为 Top-k 排序并引入多模型共识机制后,基准前 200 个候选项无需监督即可达到 76% 的查准率。
消融研究证实,结构对齐分块凭借真实标题路径比固定窗口分块在两种语料上分别提升 cov-nDCG@10 0.022 和 0.012。该机制优势源于内容而非预置文本干扰,且朴素双阶段分层检索在两种语料上均造成性能下降。效应较小但在两种语料中一致且具统计学显著性。
ExperienceIndex 是一种专为 AI 智能体设计的新型经验层,它通过存储和复用“工件”(artifacts)的知识,帮助智能体更高效地回答知识密集型任务。
研究者开发了 AI 辅助工作流,通过自监督 CNN 降噪及半自监督方法解释 300-3500m 地震数据中的构造层与断层,支撑隐式地质建模。 工具已在荷兰 Leeuwarden 和 Waalwijk 三维地震数据立方体中完成 Maassluis 层顶界解释演示。 该研究证明 AI 辅助解释工作流已成熟,可集成应用于地质建模与决策。
summary_zh: CircuitATLAS是一个基于系统神经科学知识图谱的智能体框架,包含383万个节点和766万条边。 该框架结合人类细胞图谱和多模态测量,并引入智能体工作流。
随机在线实验表明,在生成前使用Cognistance进行结构化引导,AI辅助决策文档综合质量提升32%。 该原型要求用户先澄清上下文并选择策略方向,将低质量交付率从34%降至5%,平均耗时增加2.4分钟。 研究显示该介入能显著改善任务相关性,未来需重点验证长期记忆效果及在真实组织中的应用。
该方法通过重新设计 RAG 的基本检索单元,将类型化构件收集为带有超边的功能单元,并在编码器对齐后结合直接块检索与统一重排序器生成答案。 在自建 EDADocEval-QA 数据集上,该方法相比 Chunk RAG 的 ROUGE-L 提升了 37.1%,比最强图基准提升 55.6%;在公开 ORD-MMBench 上比最强基准提升 30.0%。
研究评估隐藏状态外推误差、曲率等轨迹特征能否提升注意力路由预测,结果在六项预设比较中均未显示正向增益。 在 Qwen3.5-4B-Base 上,参数匹配的固定投影控制比轨迹路由器 NLL 低 0.00356 nats/token。 次要结果依赖于操作移除类型,且学习型路由器在缓存续写时保持较慢速度。