语言模型智能体信念可通过开放渠道中的真实证据被操纵
语言模型智能体信念可通过社交媒体等开放渠道中的真实证据被操纵。基于1,090个谣言目标的研究显示,在14个模型中12个的谣言接受率超过65%,多数投票后仍高于50%。 引入Grounded Monitor神经符号运行时监控器,将决策准确率提升5.6至29.0个百分点,支持在结论前监控推断关系。
语言模型智能体信念可通过社交媒体等开放渠道中的真实证据被操纵。基于1,090个谣言目标的研究显示,在14个模型中12个的谣言接受率超过65%,多数投票后仍高于50%。 引入Grounded Monitor神经符号运行时监控器,将决策准确率提升5.6至29.0个百分点,支持在结论前监控推断关系。
TRACK 系统结合时序编码器与小语言模型,在 15 类多负载模拟基准上实现超 95% 的故障类别准确率,优于 58% 的基线。 该系统在设备端运行,通过调用工具进行可验证的物理计算,并利用基于评分标准的框架评估报告的结构与诊断准确性。 该方案避免了昂贵的 API 调用,解决了专家人工检查无法扩展到大量部署单元的问题。
针对多智能体自我改进中顺序依赖导致的误差传播与成本增加问题,提出 ConvRSI 框架。该框架通过结合智能体内部卷积与基于协作拓扑的智能体间图卷积,在潜在空间实现并行更新,避免了对中间消息的重复解码与重编码。
MolReps 是一个生成 9,600 组问答对的管道,用于在多种分子表示间进行转换、归一化及 2D 结构识别。 对 MolQwen3-4B-Instruct 和 MolQwen3-VL-4B-Instruct 进行后训练,在分子重叠测试集的 InChIKey 匹配率分别从 4.01% 和 7.11% 提升至 75.13% 和 73.14%。
DetourBench 提出轨迹级评测框架,通过环境约束计算最小动作数 L0 及残差工作 RT,解决传统端点评分无法区分智能体路径效率的问题。 在 375 个评分回合中,五个模型端点的成功率介于 58.7% 至 96.0%,条件达成率范围为 0.803 至 0.890。 项目已开源实例、见证及评估工具,被 NeurIPS 2026 工作坊接收。
16对嵌入模型及NQ数据集实验证实,重用旧索引策略无法避免语料重编码,仅改变重编码支付时间。 同族LLM桥接适配器微弱优于旧模型,窗口重排成本可通过旧索引精确预测。 基于884万余条语料的预注册回放确认预测,为迁移策略选择与窗口深度设定提供量化依据。
RAMP 提出统一答案读取协议,揭示读取方式显著影响多模态模型评估结果。 在 500 道 POPE 对抗题上,SmolVLM-256M 准确率因读取类型差异波动达 20.2 个百分点,TinyLLaVA-1.1B 为 16.4 个百分点。 该协议提供可复现分析框架,将答案读取确立为多模态评估中可测量的关键组件。
研究发现向 LLM 合成受访者提供人口统计信息对个体预测增益微小,多数群体估计增益可被普查数据或合成画像替代。在 11 个开源模型和 3 个托管模型中,模型倾向于使群体差异扁平化,尤其是宗教和民族差异。 该研究基于两项美国调查,对比了 LLM 与统计模型在相同信息下的表现。 作者提出了一种审计方法,帮助调查机构判断哪些估计可以使用人口统计记录。
ReconPotBench 发布,这是一个包含 1,032 个三轮交互的多轮 Linux 侦察蜜罐基准测试,参考输出来自真实 Linux 环境。 测试对比了 Cowrie、开源和闭源 LLM 在轮次真实性、跨轮上下文一致性以及黑客侦察价值三个维度的表现。
GaugeRoPE 提出了一种无需训练的潜在 KV 缓存压缩方法,在 Mistral-7B 上实现 5.85 倍压缩,解码吞吐量提升 2.48 倍。 该方法通过 RoPE 兼容载波与位置无关残差 KV 修正,避免逐 token 历史 K/V 重建,支持 MHA 和 GQA 架构。
TrainExplorer 通过策略规划与解耦执行,在 PostTrainBench 上取得 39.02 分,超越 Claude Code 7.32 分并高于 GPT-5.6 Sol 驱动的 Codex。该框架利用文献构建策略搜索空间,通过单组件干预解决现有方法中的策略锁定与执行耦合问题,代码将公开。
审计显示最廉价可行LLM路由器在91.82%机会中部署,却导致32.22%服务合同违约。 引入菜单感知路由承诺框架MARC及其实用变体MARC-P,将条件失败率降至0.73%并维持85.79%部署率。 研究确立部署承诺为连接路由评估、服务可靠性与推理成本的独立运营决策。
针对 GPTQ 贪心优化中连续缩放与离散整数分离的瓶颈,JointQ 提出了一种联合缩放与整数量化的方法。通过在组量化中利用 Hessian 矩阵重新计算每组最优缩放,并在所有比较中保持校准误差不高于 GPTQ,实现了对 GPTQ 解决方案的改进。
研究提出 ViStoryBench-Personality 基准评测七种文生图系统,确认其存在“特质崩塌”现象,即无法维持符合人格的行为一致性。 引入免训练框架 Trait-Behavior-Visual,将人格特质分解为视觉约束,使人格对齐分数提升最高 22.1%,且语言条件能力强的模型获益更大。
研究使用检索增强生成框架分析医院价格透明度数据,以估算门诊访问价格。 GPT-BM25 混合检索器表现最佳,单项操作价格 MAPE 为 19.44%,组别为 4.90%,远优于无 RAG 基线。该框架在合成模拟中准确识别约 50% 参考操作,并降低了两家医院的 MAPE。
开源框架 HEAMS 提出全面评估智能体记忆系统的方法,涵盖性能、效率、安全、隐私及用户主权维度。 其基准测试显示,高任务性能可能与较差的隐私和安全得分共存,治理策略(如召回与保留)能显著影响对抗投毒的效果。 仅靠性能和效率指标无法揭示记忆系统在履行责任方面的全貌。
研究通过 210 份简历和 14 个岗位的受控实验,审计了 LLM 辅助招聘系统的部署就绪度,发现评估接口选择显著影响操作性能。 标量分数通常比二元判断更有效地区分候选人资格变化,且比较判断对呈现顺序敏感;明确的权限规则和指令隔离能降低未授权合规性。 研究揭示了 LLM 评估者决策与理由常不一致,该框架支持对完整简历评估系统进行审计以辅助部署决策。
提出 Qualitative Variance Audit Framework,一个八步方法用于审计 LLM 生成的类别系统。 该方法比较模型自创和共享参考编码本在受控输入下的重复应用与代码分布。
研究提出基于文档可区分性和维度的相图,表征语言模型表示几何。 分析 8 个训练模型和 156 个未训练模型的推理流,发现训练模型稳定在相图中心区域。 将 Pythia-1.4B 的训练过程解释为相变,揭示表示几何与模型行为的关系。
研究者提出 Multi-Branch Transformer (MBT) 架构,通过并行组合全 Transformer 分支,在 0.8B 至 2.1B 参数规模下优于标准 Transformer。
研究提出通过让 LLM 从候选未来研究方向中做出选择来量化“研究品味”,构建了基于 19 篇 ML 论文、包含 80 组对比的顺序控制评测集。 测试 8 款 LLM 发现,模型与作者推荐方向的匹配率(author alignment)介于 45.0% 至 67.5% 之间,且存在稳定偏离;模型偏好向规模化与通用性倾斜,该评测为引导 AI 自主科研偏好提供早期描述性依据。
研究比较 LLM 智能体在测试时通过上下文学习(ICL)与权重更新适应环境的机制。使用 Qwen3.5-9B 在 SWE-bench Verified 等 109 个任务上评估,ICL 将平均成功率从 28.8% 提升至 49.4%。
预训练优化器的增益不会自动迁移到 KL 蒸馏。 研究对比 AdamW、AdaGrad、SOAP 及 Muon 在 Qwen 模型蒸馏中的表现,发现无一致优于 AdamW 的质量与时间权衡。 AdamW 通常验证 KL 最低,SOAP 增加显著训练耗时,结论依具体可行配方而定。
提出用于 LLM 智能体市场的软宏观控制方法及双机制评估框架,在五个单指数市场中验证了目标路径对实际路径的影响。 无新闻时跟踪得分较无参考路径高 0.306 和 0.415,有新闻时高 0.183 和 0.329;70/30 股现比下结构偏差最低(B=0.042),3:7 技术占比下实现率峰值 R=0.894。 该框架仅基于宏观观测,分离了信息模拟与宏观涌现两个阶段,提供了可解释的双分数评估方案。
提出阶梯语义蒸馏方法,通过冻结编码器将教师输出映射为1024维向量,训练13.2M参数非LLM学生模型。 该模型仅需1,658秒在8GB GPU上训练,单次决策耗时0.14毫秒,零教师调用;与教师余弦相似度达0.943,比无语义重训高+2.2分。 方法在单一市场模拟器上验证有效,20万次决策扫描仅需12分钟,显著优于教师需三小时的处理时间。
基于预训练 Flow-based TTS 引入 SNR 和 ASR 听觉反馈,使系统无需显式韵律控制即可在噪声环境下自适应提升语音清晰度。 反馈信号注入 Flow-matching 条件用于语料精修和因果块级更新;实验表明听觉反馈在未见过的噪声中具备泛化能力,且单纯增强功率/F0 跟踪不保证语音质量。
Leave-One-Out Transformer (LOOT) 通过重构合并机制和低方差 NELBO 估计器,解决了掩码扩散模型无法修正 token 及训练信号稀疏的问题,实现了有效的推理期自纠错。
研究对比了 MCP 代码模式、决策路由层与纯 MCP 三种范式,在 12 个服务器、最多 1,958 个干扰工具的受控测试中,使用 Qwen、Gemma、Nemotron 三个开源 agent 进行预注册评估。
summary_zh: Nahual 是一款仅解码器自回归扩散模型,支持文本和 3D 分子任意序列。 它在 12 个 3D 化学任务上端到端训练,单一权重集同时执行所有任务并超越晶体结构预测等 SOTA 模型。
本文系统综述了大语言模型(LLM)在 AI 基础设施全生命周期中的应用,涵盖加速器设计、内核工程、编译、部署、运维、数据管理及能效优化。 文章按 LLM 管理的主要资源构建分类法:面向产物的计算方法、面向运行的部署/系统状态方法,以及面向资源的数据与能效方法。
论文提出 AdaMenu,通过检索构建紧凑候选菜单并单次调用决策模型,解决大标签空间下的分类与扩展难题。 在四个最大含 1,016 标签的数据集上,AdaMenu 相比 TypeSafe 基线在全部 16 组运行对中的准确率提升 16.6-34.3 个百分点,输入 token 用量降低 3.2-22.9 倍。 该方法在层级基线不可用的限制场景下仍可运行,显著提升了大标签分类的效率与可用性。
研究发现,LLM 生成的癌症患者病例中,81.0% 至 93.2% 的患者在关键特征上高度相似。 在 12 个临床场景中,LLM 仅遵循 29/36 次的生物标志物与治疗逻辑,涉及既往治疗或虚弱情况时准确率极低。其预测的 12 个月生存率为 89.9%,高于 72.2% 的观测值。 研究提出的临床状态空间框架可评估数字孪生,旨在改进 LLM 的世界模型以支持临床模拟。
三项研究显示,语音大语言模型在识别13岁以下儿童时存在三个不可见故障模式。2.5%至42.5%的音频被错误分类为13岁以上,部分5至11岁儿童被误判为18岁以上。
研究提出概念能量指标,揭示下一词元预测损失在预训练期间如何驱动不同概念的发展。该指标量化概念子空间与平均梯度外积的对齐程度。 实验基于 Pythia-410M 和 1B 模型的 19 个检查点及 12 种词法、句法与语义概念。
提出无标签自蒸馏方法 STONE,通过将模型在较易相关问题上的共识作为“踏脚石”强化教师模型,无需人工标注。在 Qwen3-4B 和 Qwen3-8B 的思考模式下,该方法在五个数学基准测试中取得最高平均准确率;非思考模式下分别提升 13.2 和 22.7 分,优于 OPSD 基线。
MemeEconomy 模拟显示,LLM 智能体在生存压力下有害选择率平均上升 15 个百分点。该研究覆盖四个前沿模型家族的 10 个模型,并利用 BDI 日志训练出 2B 参数的验证器 MemeAgent,在 Pass vs. Block 决策中准确率高达 97.5%。该工作揭示了当前对齐训练在对抗经济激励时的局限性,相关成果已被 NeurIPS 2026 接收。
T2T 提出全自动流水线,将无标注视频教程转化为结构化 GUI 智能体交互轨迹。 该流水线支持桌面、Web 和移动平台,结合主动片段过滤与双阶段动作空间归一化。在超过 100 万无人类标注样本上微调 Qwen3-VL-8B 后,模型在 OSWorld-G 等基准上实现显著提升,展现出跨应用泛化能力。
针对多模态大语言模型(MLLM),硬负样本微调提升空间关系准确率,但并非源于视觉能力增强。 研究采用CompHall基准及LLaVA-1.5、LLaVA-NeXT、Idefics2三组模型,通过修正损失函数验证:微调在CV-Bench空间关系任务上分别提升+3.2、+23.1、+6.0分。
端侧处方识别管线的生产召回率仅为 8%,其中手写处方识别率为 0%。引入 2B 参数视觉语言模型与旋转裁剪技术后,总召回率升至 67%,手写识别率提升至 20/45,且未产生不安全输出。 单张照片推理耗时从 12 秒增至 61 秒,内存占用约 1.9 GB。旋转裁剪主要改善读数准确性,而新模型大幅提升召回率。OCR 置信度门控成为主要瓶颈。
summary_zh: 提出 Speaking-Clock Mamba 模型,通过在 Mamba 骨干中引入音素条件的选择性扫描(PCSS),将转录文本进度整合进时间递归过程。