跳到正文
11月10日周二
  1. arXiv · ML20

    半素数分解新前沿:离散扩散模型结合束搜索实现 68 位整数分解及规模定律研究

    研究者利用基于离散去噪扩散训练 Transformer 并配合束搜索,成功实现 68 位半素数整数分解,超越此前 56 位的记录。 该方法无需特定数论先验,仅靠数据学习;模型作为生成先验识别候选因子,后续通过精确验证完成分解。 研究推导出近似质量随数据量、模型规模和测试时计算量变化的经验规模定律,且分解所需算力随比特长度呈指数级增长。

  2. arXiv · NLP28

    LLM 中的锚定偏差:行为与归因证据研究

    研究通过 log-probability 分析和 Banzhaf 值归因,在 6 个开源模型中验证了 LLM 的锚定偏差。Gemma-2B、Phi-2 和 Llama-2-7B 的锚定偏差敏感性得分(ABSS)最高。 该方法结合行为科学与可解释 AI,揭示了 LLM 作为合成参与者时的可靠性风险及数值提示的潜在漏洞。

  3. arXiv · NLP35

    语言模型确认偏误评估与缓解

    研究发现大语言模型(LLM)表现出确认偏误,倾向寻找支持而非反驳假设的证据,导致规则发现率降低。 通过提示模型考虑反例,平均规则发现率从 42% 提升至 56%;知识蒸馏该干预行为可泛化至新领域,如数学自我纠错。

  4. AWS Machine Learning Blog68

    AWS 发布可插拔智能体 AI 参考架构:基于 Amazon Bedrock AgentCore 的七层企业级方案

    AWS 发布可插拔智能体 AI 框架(Pluggable Agentic AI Framework),一套面向 Amazon Bedrock AgentCore 的七层企业级参考架构,覆盖数据与知识、模型与推理、编排、安全、应用、可观测和智能体运营,并内置零售客服参考实现。

    推荐理由:AWS 给出了可复用的多层落地架构,把路由、护栏、可观测等生产要点整合进同一张蓝图,方便读者按缺口补齐。

11月9日周一
  1. arXiv · AI30

    ParliamentRAG:基于意大利众议会议程的权威感知多视角 RAG 系统

    针对议会记录中发言权重不均与引用错位风险,ParliamentRAG 提出主题依赖的权威模型,用于处理意大利众议会议事记录。 该模型结合职业、教育等可解释特征估算发言人在特定查询下的权威度,检索多党派专家观点并生成附带引用的摘要。 在 15 个政策主题上,ParliamentRAG 对 6 名领域专家盲评显示,其引用忠实度(1.00)和政治党派覆盖度(0.97)高于 NotebookLM。

  2. arXiv · ML26

    稀疏自编码器特征的权重解释:基于 Gemma-2 和 Llama-3.1 的因果分析框架

    研究者提出无需激活数据的权重解释框架,通过特征消融干预在 Gemma-2 和 Llama-3.1 上发现 SAE 特征继承基模型几何结构,揭示了 U 型、注意力峰值及输入输出特征的反向耦合。 该框架识别出三种依赖层深度的特征签名,指出绑定嵌入下语义特征呈 U 型分布,解绑时分叉,注意力参与在中间层达到峰值。 此方法补全了基于激活的解释中缺失的因果部分,为理解 SAE 特征的计算角色提供了新视角。

  3. arXiv · NLP29

    Reasoning Before Translation: 结合结构推理提升法律机器翻译质量

    研究在瑞士法律多语种环境中对比了推理增强小模型与前沿模型,证实强化学习结合可验证奖励在翻译质量上优于监督微调。实验对象包括 Qwen3.5 4B/9B 和 Gemma 3 12B,结果发现小模型经重训练后表现接近但不及SOTA推理模型,且模型越大重训练带来的边际收益越低。代码与模型已公开。

  4. arXiv · NLP29

    多模态LLM图理解失败归因:感知与计数复杂度分离分析

    研究通过区分感知与计数复杂度,揭示多模态LLM在图示任务中失败的根源。针对Gemini等模型,思维链模式下错误率主要受答案数值量级驱动(每十进制数下降2.38倍)。提供代码与转录后,10x10网格计数正确,但单次阅读易漏横向边;结合旋转副本二次读取,大网格精确识别率达86/96。

11月6日周五
  1. Google DeepMind77

    Google DeepMind 发布 Gemini Omni 1.2 Flash:支持 15 秒视频生成

    Google DeepMind 在 Gemini API 和 Gemini for business 正式发布 Gemini Omni 1.2 Flash,原生视频时长从 10 秒提升至 15 秒,并支持多轮对话式编辑与更强的参考遵循。新版价格较 Omni 1.1 下降 30%,720p 视频每生成 1 秒成本为 0.07 美元。

    推荐理由:视频生成时长提升至15秒且价格下降30%,多轮对话编辑能力支持局部修正,有助于降低规模化视频创作成本。

11月5日周四
  1. arXiv · NLP23

    大语言模型能否模仿特定作者:六款模型对比评估

    研究测试了 Gemini 3 Pro、Claude Opus 等六款 LLM 的作者模仿能力,发现 Gemini 3 Pro 表面性能最强但主要依赖文本复用。 分析表明,训练集一致性是模仿成功的最佳预测指标,而生成文本在嵌入空间中与人类风格集群显著分离。 结果凸显了区分风格模仿与直接复用的重要性,对涉及 LLM 的文本取证分析具有参考意义。

  2. Google Research44

    Agile Deliberation:Google 开放源码协助人类定义主观 AI 分类界限

    Google 开源 Agile Deliberation 框架及代码,旨在通过迭代对话协助人类界定主观视觉概念。该框架包含概念界定与概念迭代两阶段,利用视觉语言模型挖掘边界图像以优化提示词。 研究在 18 场时长 1.5 小时的人工现场测试中验证效果,结果显示该框架显著降低用户疲劳与焦虑,使模型性能超越标准基线。

11月4日周三
  1. arXiv · NLP23

    LLM 模拟临床专家对比人类在边缘型人格障碍分析中的表现:基于 GPT、Gemini 与 Claude 的混合方法评估

    研究评估了 GPT、Gemini 和 Claude 在边缘型人格障碍质性临床分析中的能力,采用混合方法由盲评专家及神经嵌入方法对比人机语义差异。 结果显示 AI 分析与人类解释重叠率波动在 0 至 58% 之间,且所有模型均识别人类遗漏的主题;在盲评内容效度及语义风格嵌入上,Gemini 2.5 Pro 表现与人类专家无显著差异,外部评估者亦无法可靠区分人机主题。

  2. arXiv · AI33

    揭示视觉语言模型中的视觉谄媚与信念分裂现象

    研究提出三层诊断框架,在9000个样本中发现28.1%的视觉谄媚现象,即模型在图片缺失时仍输出错误答案。 该现象具有模型特异性,Qwen3-VL在空白输入下拒绝率达93-98%,而Pixtral-12B作答率高达72%;随着模型规模扩大,视觉谄媚比例显著上升。 盲评实验证实,80%的谄媚回复中无文本迹象表明图片缺失,揭示了模型感知与回答之间的信念分裂。

  3. arXiv · AI23

    医疗领域RPA与自主智能体性能、可扩展性及维护实验研究

    在医疗场景下,基于Playwright的RPA方案在抓取报告任务中优于基于browser-use、LangGraph和Gemini 2.5 Flash-lite的APA自主智能体。RPA准确率98.90%,速度快13倍,单报告成本低6倍。 该研究通过两轮测试对比了两种方案的准确性、速度与成本。RPA在稳定界面上表现更佳,APA的时间波动更大。

  4. Hugging Face Blog72

    StateBench:测试语言模型在长文档中追踪状态变化的基准

    StateBench是一个用于评估语言模型长上下文状态追踪能力的基准测试,通过四个难度级别测试模型在信息随时间演变时的表现。研究发现,在复杂状态追踪问题上,前沿模型如Gemini 3.8 Flash、Claude Opus 5.5和GPT-6 Sol与Luna随着输入长度增加准确率急剧下降,最低降至13%以下。

    推荐理由:研究团队构建StateBench基准测试语言模型长文本状态追踪能力,发现前沿模型在复杂任务中准确率大幅下降,为架构选择提供依据。

  5. Google DeepMind53

    Google Antigravity 推出 Cheminformatics Skills,加速药物发现工作流

    Google DeepMind 为 Google Antigravity 推出 Cheminformatics Skills,将药物发现工作流中检索、分析和分子设计环节从数天缩短至约一小时。该技能套件支持文献检索、活性预测模型构建和新分子设计,并基于 RDKit、ChEMBL 与 PubChem 构建闭环流程,企业用户可通过 Google Cloud 登录直接启用。

11月3日周二
  1. arXiv · NLP24

    指令微调 LLM 产生更多句法重叠但条件复用较少

    一项基于 16 个 Llama 和 Gemma 开放模型的研究显示,指令微调模型比预训练版本与人类对话产生更高的 CFG 规则重叠。 研究在 1,901 个匹配位置测量发现,微调后模型的实际语料重叠度更高,但在控制目标规则集大小时,条件复用几率反而降低。 该结果揭示了指令微调增强了表面句法趋同,却未提升深层语法结构的条件复用能力。