超越任务类别的路由:一项成本感知的 LAB-Bench 研究
在 LAB-Bench 试点中,添加结构特征的语义路由在 144 道新问题上得分 86/144,高于 95% Haiku 混合策略 0.66 个百分点。该方案在每 1000 次查询 USD 0.678 的推理预算内运行,而简单的非回答升级规则得分为 92/144 但超出预算至 USD 0.710。
在 LAB-Bench 试点中,添加结构特征的语义路由在 144 道新问题上得分 86/144,高于 95% Haiku 混合策略 0.66 个百分点。该方案在每 1000 次查询 USD 0.678 的推理预算内运行,而简单的非回答升级规则得分为 92/144 但超出预算至 USD 0.710。
研究提出介观神经算子(MNO),一种从分子动力学数据学习的非局部本构模型,用于大尺度断裂模拟。 模型内置归一化核与重缩放临界键伸长率以保证跨尺度物理一致性;在粗粒度MD数据中,学习到的应变能密度和临界能量释放率误差在3%以内。 该框架在面积扩大4000倍的含缺陷板材上成功复现了动态脆性断裂及分叉网络特征。
PEETS 提出一种训练时框架,通过层级对比损失和负样本对比损失优化辅助产品捆绑推荐。 该框架实现 78.20% AUC,超越 TWIN V2 0.90 个百分点,14 天在线评估中每用户日辅助 GMV 较 TWIN V2 提升 0.84%。 PEETS 不增加服务推理计算,p95 延迟为 42.1ms,保持与 Base 模型相当的水平。
图持续学习(GCL)系统的知识保持机制可能保留早期注入的后门,BadGCL 提出了一种模型无关的早期干预攻击框架。 该框架利用结构触发器和梯度互信息目标,在四个 GCL 基准测试中显著优于传统基线,且能抵抗代表性防御措施。 该研究揭示了 GCL 系统在安全方面的新漏洞,已被 KDD 2027 会议接收。
AgentFaultBench 评测 LangGraph 和 CrewAI 智能体在工具故障后的恢复表现,发现恢复建议对成功率影响有限。 在 1,944 次计划运行中,相比中性提醒,恢复建议使成功率变化分别为 -8.33、0.00 和 +1.06 个百分点,部分结果缺失导致后两组对比无法定论。
在嗅觉混合物相似性预测中,使用显式对称比较特征的经典机器学习(XGBoost)性能可媲美专用深度模型。 XGBoost 仅使用逐坐标绝对差异即可实现强预测表现,结合和与积可进一步提升;核岭回归(KRR)也从显式比较特征中显著受益。 研究结果表明,在低数据场景下,显式编码两个混合物的差异是经典机器学习方法的关键要素。
研究团队提出 VIVID 视觉框架,支持通用编码智能体进行视频后期制作,无需额外模型训练。 在包含 100 项任务的 AgenticVBench 上,集成 VIVID 的 Codex 平均得分 58.6%,比原生 Codex 提升 20.2 个百分点。 该框架还兼容 Claude Code 和 OpenCode,分别取得 55.1% 和 37.1% 的分数,显著优于原生基线。
无训练推测解码算法 LoopFill 在 Ouro-2.6B 和 Huginn-3.5B 模型上分别实现 5.85 倍和 5.13 倍的平均解码加速。 该算法结合多 Token 后缀草案与浅层循环预测,速度提升幅度超过最强基线 LoopAhead 40% 和 25%。
UbiHearo 是面向听障(DHH)用户的移动听觉助手智能体,通过神经符号设计实现感知-推理-行动闭环。 其核心机制包括感知阈值节能感知、无提示词的分阶段场景理解,以及基于轻量级决策边界更新的人机协同个性化引导。 该方案在智能手机与车载系统中评估,实现了精度、延迟与能耗的有利权衡。
针对测井数据缺失问题,ST-KF 算法融合多分辨率小波收缩与鲁棒卡尔曼平滑,在两个基准的 263 口井中表现最佳,参数开销仅为 0.09%。 该方法在 0.15 至 100 米间隔内优于九个基线模型,密度 RMSE 降低 5.0%–8.3%,压缩速度降低 6.4%–15.6%。 实验表明局部井筒连续性可跨盆地迁移,而跨属性映射随区域地质变化。
GEAR^2 在 16B 至 106B 参数的 5 个 MoE LLM 上剪枝 25% 至 50% 专家,无训练重建功能。 利用门控复用激活专家输出,并引入超轻量残差块补足无法表达的内容。 在 9 项零样本基准上超越基线最高 2.75 个百分点,剪枝率更高时优势显著。
针对测井数据缺失问题,GeoLog-Agent利用预训练大语言模型提供地质先验,在挪威北海基准上平均$R^2$达0.9307,超过九基线平均0.8387达0.0920。 模型通过Geo-Harness将地层推理转化为岩石物理轨迹,并降低RMSE达30.97%;将耦合机制迁移至六个传统深度模型可提升$R^2$ 0.0162-0.0789。
AdMem 通过引入按行动信用分配和记忆生命周期,解决了朴素累积跨任务经验反而降低性能的问题。在 AgentBoard 八个领域 707 个任务中,AdMem 解决了 441 个,显著优于 ReAct 的 388 个。该方法无需环境奖励,使记忆库可审计但存在被攻击的风险。
提出 BiGSyn 双层异构图对比学习框架,用于可解释药物协同预测。 利用异构图 Transformer 提取高阶依赖,通过双层对比学习目标弥合跨层级语义差距。 在两个基准数据集上一致超越 SOTA 基线,注意力机制揭示驱动协同的关键分子子结构。
提出Dynamic Shaping方法,通过获取响应与偏导数接口,在冻结的预训练组件上构建可执行神经架构。 利用近端策略优化学习接口,在ViZDoom Basic测试中,联合构建成功率为295/300,实现了无参考控制器的首任务获取。
PBit1 将预训练网络每个参数映射为一个可编程 p-bit,12-bit 指令设定其概率,通过共享仿射范围映射至权重域,并以时间观测重建权重用于推理。 在 GPT-2、DistilBERT 和 LFM3-1.7B 上,转换所有可学习标量且无微调,困惑度分别增加约 0.66% 和 0.26%,DistilBERT 准确率从 87.51% 变为 87.49%。
ToolGraph 将工具依赖编译为有向加权图,用于估计目标条件下的动作价值 Q(s,a,g)。 在两个基准和三个骨干模型上,基于 LLM 的估算器在平均 8.3 分上超越 PageRank 检索,因为纯结构估算器无法区分错误参数。 该研究发表于 NeurIPS 2026 的 PTA 研讨会,强调了读取具体状态对多步价值组成的必要性。
研究表明,对流匹配模型速度场施加 $k$ 阶导数惩罚,在 $2k > D$ 条件下可确保 $D$ 维经验学习问题在时间上均匀适定。 实验在 1 至 2 维空间验证,使用样条离散化速度场并配合直接求解器,结果显示 Hessian 正则化流的误差远低于无正则化情形,且优于或接近核密度估计。 该正则化策略有效解决了数据分布附近的问题不适定性,显著提升了生成模型的泛化性能。
VAHBench 评估智能体将用户请求转化为完整视频的能力,通过 48 种配置下的 240 次运行测试发现,视频生成的高质量分数并不等同于交付的完整性。 测试显示,缺失剧集、重复片段和静态填充物揭示了生产过程与用户要求之间的差距,添加的构图工具虽有帮助但未能一致提升性能。
SLiDE 是一个受 Koopman 启发的架构,通过潜空间中的学习线性算子近似非线性系统演化。该模型包含历史编码器和共享线性滚动模块,强制编码与预测使用共同的线性递推。
EVIDENT 是一个包含 220 项真实任务的新基准,用于评估 GUI 智能体决策是否基于可观察证据。 通过 TSR、ESR 和 GSR 三项指标区分表面任务完成与证据基础成功,实验显示在上下文和视觉任务中两者存在显著差距。 该工作揭示了当前评估方法可能高估智能体可靠性的问题。
论文提出基于 CVaR 对偶表示的决策导向学习框架,在保留点预测和确定性优化的同时实现风险敏感行为。 该方法利用熵正则化推导平滑代理,通过 SPO+ 损失在实例级重加权以强调高风险结果。实验显示在背包等组合优化问题中显著降低了尾部后悔值。
LLM Agent 首次应用于 SMT 求解器配置调优,基于 cvc5 记录 4,545 次提案。 在 2026 和 2025 SMT-COMP 验证基准中,未训练数据几何均值增益分别为 7.8% 和 6.8%。 Agent 引导的调优能让成熟求解器特化,实验证据积累可指导持续搜索。
summary_zh: Spectral Steering 通过结合请求特定的余弦增益预测器与阻尼逆修正,改进了冻结扩散生成器在修改部分输出属性时保留其他属性的能力。
该基准测试通过幂次序列控制变量,评估16个开放权重模型在纯演绎、干扰及矛盾检测上的表现。 纯演绎链长至L=128时多数模型接近饱和,但面对不一致前提时表现最低,24B-27B指令微调模型得分为零。
FinVerify 是基于证据验证金融智能体数值声明的框架,在 Agent Finance Reasoning 数据集上将声明精确度从 56.4% 提升至 76.7%。 该框架定义五类错误并采用 LLM 结合 Z3 求解器进行验证,在 XBRLFiling 数据集上达到 99.8% 的声明精确度和 97.0% 的决策准确率。 研究表明显式的证据验证能提升可靠性,但存在正确率与拒绝率之间的权衡。
论文针对有界Lipschitz连续源逆深度场,刻画了有限采样下的首次命中深度集合,证明了其可能不连通,并提出了共享场景的充要性检验。 基于标量锥不等式的极线减少方法无需枚举表面,在rectified模型中给出了尖锐最坏情况逆深度直径的理论界,并通过十场景评估区分了求解器正确性与假设失效。
研究表明,视觉输入未使视觉-语言模型(VLM)更诚实,其遵循激励的程度取决于读数是否显式化及输出顺序。 实验涵盖 15,170 次试验,覆盖 Qwen2.5-VL、InternVL3、Gemma 3 等 4 个模型,发现添加文本真值可消除偏差。 该研究揭示了纯文本评测与均值偏移指标的盲点,已提交 IEEE 发表。
在两座燃气电厂部署的控制系统显示,采用VLM从PDF重建拓扑的提取精准度仅为0.51,且在4块H200 GPU上耗时3.1小时。 后续测试表明,将LLM工具调用代理替换为显式执行计划后,token使用量降低20倍,中位延迟缩短3倍,且检索节点集保持一致。 该设计将本地LLM限制在意图分类和解释上,利用确定性软件处理基于权威来源的技术证据检索与构建。
针对智能体重复失败动作及误信自身成功的问题,该方法构建了包含联想矩阵与有序步骤记录的双部分记忆系统。 仅由外部验证(测试、工具或人工)确认的结果才计入学习,代理自身声称成功不被采信。 模拟显示,引入外部验证后机器人任务解决率从 35% 提升至 79%,10 万条记忆检索耗时 16ms。
提出 Func-JEPA 架构,预训练数学函数编码器,其潜在空间模仿 Sobolev 空间 H^1 且导数作为学习潜在算子。 规范范数由函数精确计算,方向学习匹配 Sobolev 角度;冻结编码器复用于解码、组合、积分及回归任务。 f-JEPA 从噪声样本恢复精确公式的频率高于符号回归方法,但计算机代数在标准基准上更强。
针对 SAM 泛化机制,本文提出“统计重放”诊断方法,通过局部窗口均值和标准差重放扰动。在 ResNet 18 和 CIFAR 10 实验中,纯重放未能复现 SAM 验证精度,混合重放可接近其性能但未复现训练动态。结果表明,多种简化解释被削弱,但 SAM 的核心机制仍未完全解释。
HARMONIX 框架揭示了局部有效的决策未必能维持人类决策中的上下文关系。 该研究利用 19,745 条记录进行实验,发现综合约束在稳定结构中提高约 5 个百分点的根音程一致性,但在转调跟踪情境下降低近 9 个百分点。 这一结果证明可解释约束可能引入被整体准确率指标掩盖的系统性失败。
研究揭示学习规则控制 Grokking 过程中的电路大小,通过统一信用分配条件,可将从层神经元 60% 扩展至 99% 参与电路。 Nero 优化器因逐神经元归一化实现电路分散,而 Adam 等保留紧凑电路;分散电路抗删减性强,紧凑电路剪枝效率及特征重组任务迁移速度约快 2 倍。
Qwen3-4B 通过自提议 Lua 5.1 程序并经解释器标注进行训练,在后续 2340 项新考试中准确率从 8.3% 提升至 16.7%。该流程分三轮增加数据量,累计 3300 条程序;在 27B 智能体及仓库任务上未观察到增益。
该方法在学习世界模型潜空间使用逐次凸化规划,将离散时间控制屏障函数作为约束,比 MPPI 和 CEM 违规更少。 模型由平滑 MaxMin 激活和谱归一化层构建,在 Safety-Gymnasium 任务中比采样规划器更安全且收敛更稳定。 该方法能报告每步规划是否为 KKT 点,代码已公开。
Query-ATLAS 框架利用 LLM 在分布式系统中引导符号搜索,实现了跨客户端共享方程的识别。 在 72 个设定中,该框架取得 64 次验证通过和 64 次分布内通过,优于固定工作流的 62 次和 59 次;两者在分布外测试中均通过 47/60 项,且固定工作流保留了更低的误差和成本。 研究指出更广泛的查询覆盖是潜在优势,推动了对任务感知工具选择和客户端感知拟合的关注。
GEM-MM 通过熵引导偏好对齐减少视觉语言模型(VLM)幻觉,基于 Qwen3-VL-4B-Instruct 在 3000 个提示预算下取得最佳熵深度偏好分数 61.7%。 方法采用组归一化策略梯度,奖励高熵推理分叉并惩罚不确定答案,将 AMBER 幻觉率从 23.4-24.0 降至 20.6。 代码与评估框架已开源,统计显著性检验 p 值小于 0.001,确认了主要消融实验结果。
针对深度循环模型在自回归解码中内存随深度增长的问题,研究提出结合架构调整与缓存共享以降低内存成本。 具体包括构建循环混合架构、Parcae 风格专用循环工作区,以及引入循环 KV 重放机制,仅允许选定迭代写入 KV 状态供后续复用。 研究发现循环混合架构对注意力锚点频率和循环混合器性能敏感,且循环 KV 重放能在保持性能接近全量缓存基准的同时实现跨迭代共享。
RISE 通过从静态子图转向全规模交互式数据库,解决了现有结构化环境预过滤导致的测量偏差问题。 方法包含决策空间扩展与学习前沿扩展两条轴线,在 19 个基准和 3 种模型基座上进行测试。 结果显著提升领域内及未见模式的知识图谱推理能力,并实现零样本开放领域检索迁移。