RACER 提出无反例框架,结合查询解读与工具检索优化长视频理解
RACER 提出一种无需训练的反思性智能体框架,旨在解决长视频帧选择中基于相似度方法的“查询理解差距”和基于判断方法的“解释-选择差距”。该框架由轻量级视频大语言模型将复杂查询重构为子查询,再由嵌入模型作为检索工具定位相关证据,两者形成反射循环以迭代优化。实验显示,即使在组件能力有限时,该智能体整合也能有效提升多种基准测试中的长视频理解性能。
RACER 提出一种无需训练的反思性智能体框架,旨在解决长视频帧选择中基于相似度方法的“查询理解差距”和基于判断方法的“解释-选择差距”。该框架由轻量级视频大语言模型将复杂查询重构为子查询,再由嵌入模型作为检索工具定位相关证据,两者形成反射循环以迭代优化。实验显示,即使在组件能力有限时,该智能体整合也能有效提升多种基准测试中的长视频理解性能。
针对情绪改写假新闻检测难题,研究提出 Gated Cross Attention 框架,结合 LLM 生成的原始新闻解释,在 PolitiFact 和 LUN 数据集上实现性能提升。 该方法利用 LLM 为原始新闻生成稳定背景知识,通过自适应融合机制降低情感重构带来的干扰,保持了 GossipCop 数据集上的竞争力。 代码和数据已公开。
KVFetch 是一种无需训练的即插即用框架,通过时序召回通道解决基于内容的相关性驱逐导致的顺序遗忘问题,恢复模型逐字复制能力。 该框架将驱逐候选降级至量化冷层,并通过单调读取指针检测活跃复制,将位置后继预取至固定大小的热层槽位,不增加注意力成本。 在 RULER-16K 的同预算控制下,KVFetch 将逐字复制指标从 0.8 恢复至 78.4,13 项任务平均分提升 8.4。
RECAST 框架将证据构建形式化为异构检索与计算操作的序列决策过程,在六个基准家族中实现 75.6% 平均成功率,超越最强大型模型基线 15.9%。 该框架由轻量级 RouterLM 迭代选择或定制操作,并指导冻结的 CompilerLM 生成可执行代码,最终由 AnswerLM 生成答案。
Knowledge Weaver 是强化学习框架,训练 LLM 智能体从轨迹中提取可复用知识。 结合 token 级互信息反馈与边际成功奖励,限制冗余重叠,提升知识库效用。 在 ALFWorld 和 WebShop 任务中,平均成功率达 54.0% 和 42.0%,较 GRPO 分别高出 16.9 和 18.7 个百分点。
研究人员报告了一种基于LLM的流程,用于自动构建材料科学中机器学习原子间势(MLIP)模型的知识图谱。 该流程包含多步骤信息提取,并利用SHACL约束进行验证循环以检测错误,支持逐模型迭代更新。示例展示了基于Matbench Discovery排行榜构建的图谱查询功能。
研究首次系统评测 LLM 作为实体对齐(EA)裁判的可靠性,揭示标签暴露导致判别能力崩塌的锚定偏差。 J-ROC-AUC 从 0.12-0.87 跃升至 0.93-1.00,强模型对标签更敏感;发布 MeSH-SNOMED CT 基准(15K 对)及审计框架。 为知识图谱集成提供可扩展的评估方案,代码与数据已公开。
研究揭示检索增强模型中诊断源选择的隐状态表征并非最优控制表征。通过潜在轨迹偏移方法,等范数干预可改变源偏好且更好保留非目标行为。该冻结方向在测试数据集及 OLMo 模型对间有效迁移。
TOPOGRAPHRAG-Bench 是一个包含 2,024 个问题和 201 份长文档的布局基准,用于评估多模态 GraphRAG 的证据拓扑恢复能力。 基准采用反事实验证确保结构完整性,评估了文本、视觉及多模态系统的检索与推理表现。 该工作已被 NeurIPS 2026 接收,代码与数据已公开。
论文提出 BFR 框架,在 LongMemEval-S 上将判定准确率从 72.4% 提升至 82.2%,并实现 91.4% 的 Turn Hit。 该框架引入 Gold Hit 和 Turn Hit 作为证据覆盖代理,并通过 FCA-MS 分解问题信息需求以选择紧凑候选子集。 BFR 在 LoCoMo 和 LongMemEval-S 基准上均优于同等存储条件下的近期智能体记忆系统。
基于 Jev 的 bullet chess 机器人凭借搜索与蒸馏技术,在 Lichess 上达到 2200 分以上的评分。 通过 21 分钟 API 调用替代 5.1 小时 GPU 时间,Jev 训练的排序器性能与 Qwen3-32B 相当。 在固定标注预算下,结合 Qwen3-32B 的多教师蒸馏策略比单用 Qwen 提升 9.6 Elo。
针对建筑 AI 就绪度缺乏系统评估的问题,提出基于知识图谱的测量框架,量化可回答性与可控性上限。 在模拟办公楼中,参考 AI 智能体实现了 0.62 的可回答上限;37 个真实建筑数据的中位上限仅为 0.16。 该框架将“建筑是否 AI 就绪”转化为可审计、可排序的改造问题。
该架构将高召回 LLM 意图提取与效用导向的减少过程分离,通过标准化去重、基于嵌入的聚类及约束语言模型聚合生成可追溯的意图单元。 它支持下游的机器生成意图推断与意图引导的语义检索映射。
BEACON-SP 是一个整合自杀预防本体的 GraphRAG 框架,用于支持临床自杀风险决策。 在覆盖 15 个临床类别的 1,500 条查询基准测试中,该框架在 76.4% 的案例中优于向量 RAG 基线,提升了完整性与证据关联度。 该结果验证了本体引导的 GraphRAG 为临床决策支持提供结构化、语境化患者证据的潜力。
KadiAssistant是一个隐私优先的AI智能体,集成于Kadi研究数据生态系统,利用自托管LLM和基于RAG的语义搜索,帮助研究人员访问、聚合及综合异构且隐私敏感的研究数据。 它通过细粒度访问控制,平衡了数据隐私与高效信息检索的需求,连接不同学科的术语与标准。 该工具降低了研究人员的访问壁垒,强化了FAIR数据原则中“可发现”的核心支柱。
本综述系统梳理了 RAG 作为解决 LLM 静态知识与幻觉问题的核心范式。 文章将 RAG 框架形式化拆解为检索、生成与增强三大组件,涵盖稠密/稀疏检索器及强化学习策略,并以效率、安全性、交互性为轴进行分类。 RAG 架构通过结合外部数据源,显著提升了 LLM 生成的事实可靠性、任务对齐度及可控性。
研究发现随着AI引擎转向实时网络搜索,决定推荐结果的不再是传统的AEO策略,而是智能体能否直接抓取并读取业务网站(智能体体验,AX)。通过37,927个智能体旅程的测试,研究者指出7-10%的最终回答基于模型训练知识,且能正常访问业务网站的回答准确率平均高出41%。具备优秀智能体体验的业务被智能体明确推荐的概率高1.9倍,主要失败原因是智能体对业务信息的遗漏而非模型幻觉。
针对 LLM 在药物重定位中受限于预训练知识的挑战,提出 DrugMCTS 框架。 该框架整合 RAG、多智能体协作与 MCTS,通过五个专门智能体检索分析分子与蛋白信息,实现结构化迭代推理。 在 DrugBank 和 KIBA 数据集上,DrugMCTS 相比通用 LLM 和深度学习基线展现出更高的召回率与鲁棒性。
summary_zh: PixelTriage 是一个检索后插件,通过小模型预测视觉像素价值,在 7B 响应模型上仅用 11-23% 视觉 Token 即保持精度。
SEMAADB 发布包含 3,000 个工程上下文和 15,000 张 SysML 图表的数据集,并评估了语言模型在图表修复和跨图更新任务上的表现。 该数据集包含五类相互关联的 SysML 视图,其中 100 个上下文经人工验证形成基准测试集,最强模型在语义错误修复任务中准确率为 64.3%。 基准测试表明,模型在语法修复方面接近解决,但在跨图表语义一致性和更新任务上仍具挑战性。
提出了一种整合数据获取、时序预测、异常检测、风险评估、决策制定及可解释 AI 的闭环概念架构。 该架构旨在支持海事系统中自主或人机回路的纠正行动。 文章重点综述了相关海事研究的现状、方法优势及在不确定性、模型泛化和数据可用性方面面临的挑战。
研究人员发布营养智能体 ShanLiangRen,已上线为微信小程序,输出含具体食材和分量的量化膳食计划。 该系统提出个性化多目标膳食规划问题,利用精确检索增强生成缩小候选集,并通过 LLM 在确定性营养计算下迭代优化。
OTel 发布开放电信 AI 资源,包含 30 个全参数后训练基线模型,覆盖检索、重排序及指令微调等场景。 资源提供 10 个嵌入模型、3 个重排序器及 17 个语言模型的训练数据与评估分区,各模型性能分别达 93.1% NDCG@10、0.947 MRR@10 和 87.8% 准确率。
PERSIST提出了一种针对多会话、多说话人语音对话的持久记忆系统,通过3W联合评分机制结合语义、声学身份和时序状态进行检索,将检索延迟从578.42ms降至7.03ms。 系统引入SpokenTrace基准测试,PERSIST在此任务中达到85.08%的端到端任务准确率,并将BGE-large的EM@3指标从49.01%提升至82.10%。
AgentMemGate通过写入时门控消除记忆推测污染,使核心基准任务准确率从65%升至95%。 Mem0和Graphiti对未决计划的污染率分别为35.2%和27.3%;门控后污染降至零。该工作已被NeurIPS 2026 PALM Workshop接收。
summary_zh: ProbeGuard 提出基于共识形成过程而非最终结果来触发弃权,解决医疗 LLM 一致错误时传统一致性信号失效的问题。 该框架通过过程特征(如少数派持续性)和主动探针检索反向证据,将共识从错误到正确的区分度提升至 0.696 AUROC。
研究指出 LLM 智能体检索的记忆若部分重叠会误导推理,提出即插即用框架 MEMTRIM 缓解此问题。 MEMTRIM 在写入时索引证据、读取时控制复用,无需重训练即可消除重复或冲突信息,保留有用记忆。 该方法在多种模型和记忆架构下降低了记忆过度依赖,同时保留了有用记忆带来的收益。
Amazon Quick 和 Amazon Bedrock 通过实时 ACL 检查,在查询时直接向数据源验证权限,解决了 RAG 中访问控制滞后的问题。 该系统采用混合架构:首先利用向量索引进行语义搜索和预检索过滤,随后调用 Google Drive 等权威 API 实时验证候选文档,确保仅将用户有权访问的内容传入大语言模型。
summary_zh: Cornerstone OnDemand 基于 Amazon Bedrock 和 Strands Agents 构建多智能体系统 Orion AI,将数据库诊断时间从 45 分钟缩短至 10 分钟,降幅达 78%。
Qlik 基于 Amazon Bedrock 构建 Qlik Answers,提供带来源的企业级 AI 回答,已服务超 4 万客户。 自 2026 年 2 月正式版发布,其 Discovery Agent 已生成超 100,000 个发现;客户部署案例中,某公司响应时间缩短 75%,员工每周节省约 7 小时。
研究指出,基于大语言模型的合成受访者验证常偏离实际后果,建议采用新框架修正。 该框架要求声明与人类数据的对应层级,针对四个诊断维度进行评估,并必须报告子群体的效度结论。 框架将分配、程序及承认公平三个维度量化,通过电动汽车充电资费案例应用,旨在提升合成研究的公平性。
推出 Pleias-RAG-350m 和 Pleias-RAG-1B 两款小型推理模型,原生支持引用与事实溯源,并在 HotPotQA 等 RAG 基准上超越 4B 参数以下 SLM。
QRAKEN提出免训练的神经符号管道,通过离线蒸馏TTQL描述及在线诊断机制实现自然语言对RDF知识图谱的访问。 使用GPT-5.4在CK25基准上,QRAKEN达成0.652的严格F1分数,相比最强基线有32%的相对增益。 该管道结合本地35B 4-bit开放权重模型时,能以零边际成本匹配最强基线性能。
该论文提出了一种生产级内容提取系统,旨在解决生成式AI工作负载中异构企业数据(如PDF、表格)的提取难题。系统在180份文档语料库上,最佳提取器得分97.4/100,特征错误率0.13%,表格相似度0.995;分块器在25,050个生成问题上达到Hit@1 68.6%,MRR 0.77。
研究通过控制操作数与算术运算,测试Jev作为GPT-4.1-mini财务计算追溯验证器的表现,揭示同数值引用交换下的角色识别问题。 实验包含36个新源页面的构建后续测试,通过非作者审核员标记,暴露了角色错误检测与有效引用保留之间的权衡,使数值正确性、引用角色支持和接受结果可独立评估。
该综述聚焦于利用参数化对象在推理时增强 LLM 的记忆能力,提出以参数放置位置和获取时间两个维度构建分类体系。方法涵盖 Embedding、Attention 及 FFN 等层级的参数注入,并对比在线与离线获取记忆对象的差异。文章探讨了干扰、安全及递归自我改进等开放方向。
提出 Foresight-over-Graph (FoG) 框架,用于解决知识库问答(KBQA)中因局部贪心剪枝导致的证据缺失问题。 该框架通过“远到近”反馈引导路径探索,并维护紧凑的记忆子图以支持持续探索。 在 KBQA 基准测试中取得 SOTA 性能,其中 CWQ 任务的 Hit 指标提升 16.58%,同时减少了 LLM 调用次数和 token 用量。
基于 EverMemBench 的实验发现,将长期对话记忆系统的上下文窗口从 1K 扩展至 4K tokens,模型准确率可提升 10.11 至 17.98 个百分点,而单纯增加记忆结构深度并未带来单调的性能收益。
Redpine Science 提供模型访问同行评审文献的通道。在 ScholarQABench SciFact 上,接入该工具的 Agent 回答正确率为 94.4%,无检索时仅为 87.6%。 专家验证问题集中,其表现优于网络搜索;检索基准 Recall@10 达 83.1%,Precision@5 为 75.2%。 研究公开了专家验证问题集及复现结果的全部指令。
LORE-KV 提出一种免训练方法,通过采样目标模型自回归延续来评估 KV Cache 中 prompt token 的效用,并在 B=128 预算下显著提升长文本基准测试表现。