半监督 QSAR 建模中未标记数据的选择策略研究
研究发现,在基于 ChEMBL 的 10 个 QSAR 数据集上,未标记数据能提升模型性能,且每种半监督算法配置均优于监督基线。 测试了 3 种半监督算法和 4 种数据选择策略,结果表明选择少量化学距离较远的分子比单纯增加数据量更有效。 该结果挑战了半监督学习需要海量未标记数据的传统假设,强调了未标记集合构成的关键作用。
研究发现,在基于 ChEMBL 的 10 个 QSAR 数据集上,未标记数据能提升模型性能,且每种半监督算法配置均优于监督基线。 测试了 3 种半监督算法和 4 种数据选择策略,结果表明选择少量化学距离较远的分子比单纯增加数据量更有效。 该结果挑战了半监督学习需要海量未标记数据的传统假设,强调了未标记集合构成的关键作用。
研究人员提出 KnowGPO 框架,通过任务相关知识条件对齐轨迹状态,而非依赖表面观察或内部信号。 在 Xbench、BrowseComp-ZH 和 GAIA 实验中,KnowGPO 比 GRPO 及过程监督基线提升 3.8 至 4.2 分。 其 8B 模型性能匹敌或超越多数 32B 开源系统,显著改善长程交互中的信用分配难题。
研究通过对比Codex智能体在ARC-AGI-3、AGI Maze和Terminal-Bench上的表现,发现仅修改指令以鼓励报告困难并允许自动继续,能显著提升前两项任务平均分,但通用智能体仍低于特定参考模型,包括使用GPT-5.6-sol的情况。
DropKV 提出基于解耦残差输出扰动的 KV-Cache 驱逐框架,在三大长上下文 LLM 中验证了锥条件下的常数因子近似保证。 采用融合 Triton kernels 避免生成完整注意力矩阵,评分内核加速 19.8 倍,最高带来 9.9% 的端到端预填充加速。 在 RULER 和 LongBench 基准中表现优于当前最先进的基线,在同等缓存预算下实现最低推理延迟。
SemDraft 是首个从前后对比缝纫版型中搜索可执行编辑程序的框架,通过有界搜索恢复动作并确保证件验证。 在 80 个顺序敏感案例测试中,学习后的排序器在 1,000 次搜索内确认 63 和 64 个案例,优于非学习排序器的 52 和 53 个上限。 确定性编译器支持步骤校验,使恢复的编辑动作可验证,提升版型自动化流程可靠性。
研究人员发布 LOADBench,包含超 100 种 SkyWater130 PDK 运算放大器拓扑及标准化基准测试。 每个拓扑提供约 10 个 Pareto 最优解及 100 个中间设计 - 性能对,定义 6 项评测任务。 该开源数据集与参考实现填补了模拟 IC 设计自动化 ML 领域缺乏可复现评估标准的空白。
研究提出结合微调 OnT 嵌入模型与 LLM 的本体论精炼工作流,在 CASTON 铸造领域本体中验证了该方案的有效性。 实验中,使用 CASTON 微调的 OnT 模型提取候选公理,再由 Qwen3-8B 生成修复建议。 小规模专家评估显示,默认配置下产生的 6 个高置信度替换项均被两位领域专家接受。
研究在受控环境中测试了六款大模型对多智能体聊天中“无权限取消”与“越权执行”两类错误的响应。小模型如 Qwen3.5-9B 在 69% 的情况下服从无权限指令,而大模型如 Qwen3.8-27B 和 gpt-6.1-sol 在 89% 和 83% 的情况下因同伴一句话就撤销承诺。引入自我维护的承诺账本可将 gpt-6-luna 的严格准确率从 49% 提升至 83%。
LEV 通过循环执行层而非生成 token 来增加推理深度,利用一个检查点即可在任意深度进行决策。 该模型在 2.6B 规模下,准确率从深度 1 的 63.2% 提升至深度 4 的 76.2%;按需深度策略节省 15%-24% 计算量。 1.4B 和 3B 模型在 <50ms 延迟下,比同延迟的稠密模型和级联模型准确率高 5.4-8.8 个百分点。
研究团队发布MAI-Gym平台,统一了移动端、电脑和网页环境的GUI智能体评测、数据采集与在线强化学习训练。基于该平台训练的9B模型MAI-Gym-9B在MobileWorld和OSWorld-Verified基准上分别达到78.4%和76.2%的成绩。研究表明,在模拟订票应用中进行强化学习可迁移至真实环境,将物理手机上的任务成功率从28.8%提升至48.1%。
提出首个专为 LLM 微调设计的模型异质联邦学习框架 Optimal Hydra,通过全局层选择与客户端注意力头选择生成 Hydra-nets。该框架利用客户端数据分布定制子网络结构,在三类数据集实验中优于基线方法并降低本地资源消耗。
TurboMamba 架构通过全局 Mamba-3 块与本地 Transformer 结合,在 12 个模型对比中实现最低测试预测损失。其平均 NLL 比 Mamba-3 低 9.4%,端到端训练吞吐量达 Mamba-3 的 2.60 倍。
针对流匹配模型推理成本依赖函数评估次数(NFEs)的问题,提出免训练估计器 FlowBudget。 该方法无需生成多样本或执行 FID 与 NFE 扫描,即可通过求解器相对采样复杂度映射数值容差至步长预算。 实验覆盖 SiT、FlowDCN 及 Rectified Flow 模型,代码已开源。
AlphaDiana 提出了一套智能体测量系统,支持模块化数据集、环境和评分器接口,用于分析推理模型在可验证任务中的表现。 该系统在 5 个基于答案的基准测试中评估了 3 个开源模型与 3 个开源框架,发现框架并不总提升准确性:模型单独解答题目上的增益可能被解错题目上的损失抵消,技能指导或记忆保留也无法可靠提升准确率。
Qwen3-VL-8B 结合 Video-HopChain 数据集与 CGE 方法训练后,在八项视频理解基准上的平均分从 55.4 提升至 59.3。 Video-HopChain 包含 22,550 个多跳视频问题,CGE 通过置信度门控探索机制解决了 GRPO 在极端难度问题上梯度消失的限制。 数据集、模型检查点及训练代码已开源发布。
研究提出基于数学教育理论的SHAPE框架,通过启发式分类学表征LLM推理轨迹中的局部数学动作。 该框架揭示RLVR成功解与基座模型剖面高度重叠,并引入HA-Plan-GRPO方法。 实验显示HA-Plan-GRPO在五个评测集上使Avg@16平均提升最高7.0%绝对值。
该研究提出 RedundancyBench 基准,用于检测 LLM 智能体轨迹中的冗余步骤,以提升计算效率。 基准包含来自 6 个 LLM 的 1920 条轨迹及 3613 个步骤级标注。 使用 Claude-Opus-5 等模型评估表明,在缺乏先验信息时检测仍具挑战性。
NeurIPS 2026 论文提出统一文档解析基准 Read-Parse-Describe,基于 2,402 份文档构建 18,163 页数据。 该基准包含 125,218 个布局元素,结合可插拔空间感知增强器实现端到端联合生成。 实验表明现有系统难以兼顾阅读顺序与视觉语义,该方法显著提升了联合性能。
P2Patch生成对抗式修复系统在101个C/C++和Java CVE基准测试中,将保留集修复覆盖率从78.1%提升至84.7%,超越上游覆盖率达62.5%。 该系统通过利用代理与修复代理的多轮对抗循环,使修复后的程序在41%的运行中仍被发现存在新的同类漏洞,从而识别一次性验证遗漏的修复盲区。
CoRedSkill 提出一种针对 AI 智能体技能组合的隐蔽红队攻击方法,通过 AST 重写在技能中嵌入恶意操作。在包含 150 个案例的基准测试中,该方法实现了 98.0% 的攻击成功率和 95.3% 的任务成功率。其检测率仅为 3.3%,联合成功率达 90.7%,远高于 6.7% 至 42.7% 的基线水平。
论文提出多领域基准 RuleTrek,用于评估智能体在复杂场景下的规则推理能力。 该基准通过构建规则图谱生成子场景,系统评估规则识别、推理及端到端任务三项指标。 在 11 个前沿 LLM 实验中,最高规则识别与推理得分仅 62.47% 和 60.43%,表明当前智能体面临重大挑战。
SemICD 框架训练大语言模型生成语义 ID(SIDs)而非直接预测 ICD 代码,在 MIMIC-III 和 MIMIC-IV 数据集上使 Micro-F1 指标提升 1.34 至 8.00 分。 该框架通过层次化聚类文本代码嵌入构建 SIDs,并利用两个辅助任务实现文本描述与 SIDs 之间的双向生成对齐。 代码已公开可用。
提出可靠性-不确定性自蒸馏(RU-SD)方法,利用模型自身生成响应进行自我学习。在11项推理基准测试中,Qwen3-4B和Qwen3-8B准确率分别达70.47%和76.69%,超越所有基线。 该方法结合自评可靠性与预测不确定性加权蒸馏损失,数据与代码已公开。
NVIDIA 与 IIT Madras 的 AI4Bharat 实验室联合发布 Nemotron-pretraining-Indic-v1,提供覆盖印度宪法所列 22 种语言的约 2.8 万亿 token 预训练语料,并同步开源 GPU 加速的合成数据生成管线。
推荐理由:2.8万亿token的印度语开源预训练语料与可复用的数据生成管线同步开放,给多语言模型开发者提供了直接可用的训练资源和扩展方法。
IBM 发布 Granite Switch 4.1,通过集成 Decision aLoRA 和最快 ASR 模型,支持在单一端点处理自然语言、决策及语音转文本任务。
Meta 开源代码模型 Muse Spark Open 现已接入 Amazon SageMaker JumpStart,支持 100 万 token 上下文窗口。
Hugging Face 官方宣布 FLUX.3 Image Klein 已集成到 Diffusers,该模型支持文生图、多参考图生图以及基于 bounding box 的图像布局控制。H100 上蒸馏版 checkpoint 可在约 2 秒内生成 1024 × 1024 图像,并支持 NVFP4 和 FP8 量化权重。
推荐理由:介绍 FLUX.3 Image Klein 在 Diffusers 的集成细节,重点展示了 bounding-box 布局控制功能及多种量化推理方案。
Mistral 发布首个时序基础模型系列 Timestral,提供 5M、28M、123M、209M 四档模型。209M 模型在 GIFT-Eval、TIME 和 fev-bench 三项基准上排名第一,参数量仅为此前最优模型的三分之二,并支持概率化多变量预测、past-only 和 known-future covariates。
推荐理由:209M参数的时序基础模型在三项公开基准中取得第一,并支持概率化多变量预测与CPU端部署。
Apertus 1.5 发布 8B 和 70B 模型,基于 Apache 2.0 许可开放,支持图像和音频输入,上下文窗口扩展至 262,144 tokens。通过引入 Thinking 模式增强推理能力,并使用 Early-fusion 架构将多模态数据转化为离散 token,模型在代码编写和指令遵循上显著优于同等规模的开源权重模型。
推荐理由:原文提供了全开放的多模态开源模型训练细节和评测体系,可帮助读者理解早期融合架构在开放生态中的落地路径。
阶跃星辰正式开放 Step 5 Preview 模型权重,同步发布技术博客并开源更新 Step Code v0.1.4。
推荐理由:阶跃星辰开放 Step 5 Preview 权重,提供 600B 参数 MoE 模型及开源 Agent 工具,帮助开发者构建长程任务应用。
阶跃 StepFun 正式开放 Step 5 Preview 模型权重(BF16 与 FP8),配套开源开发工具和技术博客同步上线。
推荐理由:Step 5 Preview以 600B 总参数与 27B 激活、100 万 token 上下文面向长程 Agent 场景,并同步开放 BF16/FP8 权重与开源工具。
PilotDeck 2.0 由面壁智能联合清华大学 THUNLP 等机构正式发布并开源,主打办公场景复杂任务处理。该版本优化了 Word、Excel、PPT 内置 Skills 以支持全流程交付,实测使用 35B 级轻量模型时办公测试得分达 79.4 分,且通过智能路由将社媒任务费用降低 75% 以上。
推荐理由:原文给出了 PPT/Excel 技能增益和轻量模型成本优化数据,展示了 Agent 在办公场景落地的实际效率边界。
蚂蚁百灵正式开源 Ling-3.1-flash,该模型总参数量约 560B、单 Token 激活约 25B,支持最高 1M 上下文窗口。通过 MXFP4 量化与 Hopper GPU 优化,服务部署可由 8 卡降至 4 卡,平均首 Token 时间约 604 毫秒。
同一新闻,精选展示《蚂蚁百灵开源 Ling-3.1-flash 模型》
蚂蚁百灵正式开源 Ling-3.1-flash,该模型总参数约 560B,每个 Token 激活约 25B,最高支持 1M 上下文。在 Hopper GPU 部署中,通过量化将权重占用降至 292GB,服务部署从 8 卡降至 4 卡,在 4 卡配置下平均吞吐约为 1.36 QPS。
推荐理由:原文给出了560B参数规模与4卡部署细节,读者可以据此判断该模型在低成本硬件上落地的可行性。
论文提出DiffPTS框架,通过在位置-尺度噪声模型下重构ELBO,统一了扩散预测的训练目标,实现了端到端优化。该方法在多个基准上取得SOTA性能,CRPS/MSE平均降低14.53%/16.55%。该工作已被NeurIPS 2026接收为Poster,代码已开源。
开源库 hyperbolix 在 JAX 上实现双曲深度学习,包含六种流形及线性层、注意力等组件。 该库采用 MIT 许可,API 支持无状态流形与 batch 操作,并通过优化公式解决 float32 精度丢失问题。
PyAGC是一个面向生产环境的归因图聚类基准库,包含12个2.7K至111M节点的多样数据集,首次提供内存高效的mini-batch实现。 它统一了Encode-Cluster-Optimize框架,强制采用无监督结构指标与效率分析,并已在蚂蚁集团的高风险工业流程中验证,资源通过GitHub和PyPI公开。
论文提出核化矩平衡直接预测方法(KMB-DF),通过自适应选择再生核希尔伯特空间中最具信息量的平衡函数,解决现有目标函数分布对齐不充分的问题。 该方法提供了可微且可处理的损失函数,能够无缝集成到基于梯度的训练流程中,在多个数据集上实现了最优预测精度。
利用斯坦福大学儿科医院数据构建模拟模型,结果显示动态分配显著降低患者平均等待时间。 模型采用 Dueling Double Deep Q-Network,性能媲美但未超越最优基于规则的动态分配策略。 该研究为医疗资源调度提供了开源 Gymnasium 接口与理论参考。
AVA-Encoder 将电影转化为智能体原生的 Film KG,重建保真度提升 20.7 个百分点。 框架支持协调编辑并提升下游系统性能,所学习策略比人工调优少用 70% 以上的 system-prompt tokens。 团队发布了该框架、重建基准及 Film KG 数据集。