自动化研究中的“实现彩票”:审计研究智能体的想法可靠性
研究者提出“实现彩票”概念,指自动化研究智能体用程序得分判断想法时,证据会随实现方式变化。他们设计了“想法可靠性审计”,冻结机制规格、采样独立程序,并对比选中代码与其机制的全新实现。
研究者提出“实现彩票”概念,指自动化研究智能体用程序得分判断想法时,证据会随实现方式变化。他们设计了“想法可靠性审计”,冻结机制规格、采样独立程序,并对比选中代码与其机制的全新实现。
一项 arXiv 预印本研究对 LLM 作为合成用户替代人类受访者的有效性做了跨域基准测试,覆盖两个模型家族、从 8B 到前沿能力范围的四个模型,以及美国综合社会调查(General Social Survey)和世界价值观调查(World Values Survey)两个真实人类回答数据集。
研究者推出 AnyGroundBench,一个将 VLM 时空视频定位(STVG)评估从静态零样本测试转向严格领域自适应的基准,覆盖动物、工业、体育、手术和公共安全五个专业领域。
研究者提出 MTL-BA,一种面向 MISO 波束对齐的元迁移学习框架,冻结预训练卷积骨干,仅元学习轻量级 Scale-and-Shift(SS)适配器和分类器头。 在 DeepMIMO 的室外到室内迁移场景下,MTL-BA 在 35 dB 时取得所评估方法中最高的 Top-1 准确率,更新参数量比全量微调少 17×,元训练速度比 MAML 快 6×。
LatentWave 是一种基于联合嵌入预测架构(JEPA)预训练的无线基础模型,在潜空间中预测被掩码区域,从而学到可直接迁移的表征,避免掩码重建偏向低层信号细节。
Brain-IT-VQA 是一个从 fMRI 信号进行视觉问答的框架,其提取过程以问题本身为条件,即从脑活动中解码什么取决于所问的问题,性能大幅超越此前基于 fMRI 的图像描述与 VQA 方法。
研究构建了一个教育领域基于方面的情感分析(ABSA)受控合成基准,由 10,000 条合成课程评论组成,覆盖教学质量的 20 个方面维度,并划分了明确的训练-验证-测试集。
DrawVideo 是一个草图引导、故事板驱动的多镜头视频生成框架,每镜头由黑白草图、外观提示词和运动提示词指定,先对齐生成参考关键帧,再扩展为有序动作状态关键帧,最后合成相邻关键帧间的局部视频片段。
研究者提出 VIDA 数据集,收录 2,500 条需视觉证据才能消歧的多模态机器翻译实例,以弥补现有 benchmark 任务格式错配、歧义覆盖窄、视觉依赖验证不足的问题。
研究者推出 PSI-Bench,一个可在轮次、对话和人群三个层面自动评估抑郁症患者模拟器行为的框架,并对两个模拟器框架下的七个 LLM 进行基准测试。 测试发现模拟器回复过长、词汇过于多样、变异性偏低,且过快推进治疗阶段并转向正向情绪;模拟框架对保真度的影响大于模型规模。 人类研究显示该基准与心理健康专业人员的判断高度一致,为未来模拟器设计与评估提供了可解释、可扩展的基准。
研究者提出一种模拟电路尺寸设计自动化框架,由 LLM 从原始网表推导出完整的 Python 尺寸函数,每个器件尺寸都可追溯到具体设计依据,并配有确定性校准回路与预测误差反馈机制。
都柏林圣三一学院为电影工程硕士(MPE)课程构建了基于 RAG 的 AI 助教(AI-TA),在 7 周内覆盖 43 名学生、296 次会话、1,889 条查询,学生反馈其有帮助程度均分 4.22/5。
研究者提出一种情景式、无导数的潜在策略改进方法,通过将预训练冻结的扩散或流匹配策略的初始噪声从先验分布替换为一个精心选择的恒定噪声输入("黄金门票"),即可提升下游奖励表现。
研究者提出 Rectified Flow Auto Coder(RAC),以 Rectified Flow 替代传统 VAE,通过让解码器在 flow timesteps 上多步解码实现逐步细化,且解码路径笔直可修正。
VIRENA 是一个可在真实社交媒体环境中开展受控实验的平台,支持多名参与者同时互动,并引入由 LLM 驱动的 AI 智能体,具备可配置人设和类人时间节奏。
Symphonym 将 36 种文字系统的地名映射到统一的 128 维语音空间,无需语言识别或语音资源即可直接跨文字比对,在 MEHDIE 中世纪希伯来语与阿拉伯语地名匹配基准上取得 89.3% Recall@1 和 92.8% MRR。
MedForj 发布了一套基于扩散模型的 3D 生成式基础先验,训练数据为 38,174 名受试者的 72,659 个 1mm 各向同性 3D T1 加权脑 MRI 体数据,源自 38 个公开数据集。
研究筛选 WildChat 数据集中 11,429 条 Python 相关对话,经 LLM 标注和人工核验发现 450 条对话存在至少一种误解,涉及网络访问、代码执行、非文本输出和会话记忆等八类能力预期偏差。
研究者提出 MulCoT-RD,通过"教师-助手-学生"蒸馏范式,让仅 3B 参数的轻量模型同时完成多模态情感推理链生成与情感分类。 该方法先用高性能 MLLM 生成初始推理数据集,再以多任务学习训练中等规模助手模型,最后联合训练轻量学生模型。 在四个数据集上,MulCoT-RD 在 JMSRC 任务上表现强劲,并展现出良好的泛化能力与可解释性。
一篇综述分析了物理模拟器如何应对具身 AI 中导航与操作的 sim-to-real 差距,重点关注以往综述较少涉及的模拟器属性,并梳理其硬件需求。 文章还分析了模拟器在导航与操作任务中的功能特性,并提供包含基准数据集、指标、仿真平台与方法的资源,帮助研究者在硬件约束下选择合适工具。 该综述已被 ACM Computing Surveys(CSUR)接收,共 35 页、9 张图。
PPFedIT 在三个开源数据集上将联邦少样本指令微调的模型性能平均提升 8.4%,并把数据提取攻击风险降低约 20%。 该算法含三步客户端流程:用 LLM 合成数据扩充本地样本、参数隔离训练分别更新全局与本地 LLM、本地聚合后再上传服务器聚合。 论文指出,现有 FedIT 方法假设本地数据充足,少样本下易过拟合、性能下降并更易遭数据提取攻击。
该论文证明 Adam 在广义光滑目标下仅依赖随机梯度的二阶矩信息即可收敛,无需几乎必然有界或次高斯等强尾部假设,正面回答了 Li et al. (2023) 提出的开放问题。
FlexEvo 是一个模型无关的进化框架,可在推理阶段将候选分子从单一目标构象适配到未见过的其他天然构象,无需重新训练源模型或提供构象集合,将类别均衡的平均相对性能退化从 47.8% 降至 4.4%。
FedMHAR 将多模态人类活动识别建模为多智能体强化学习问题,每个传感模态由 PPO 智能体学习逐样本融合权重,并扩展为联邦学习框架,在 MEx Rehabilitation 和 UTD Multimodal Human Action 数据集上分别达到 87.30% 和 94.98% 的集中式准确率。
研究者提出执行信息需求(EIR)概念,并开发 LACUNA 框架,可生成依赖关系已知的任务,将信息需求、保留与恢复分别独立于单步操作难度进行变化。 在四个模型上,恢复缺失结果可将受影响召回步骤的准确率提升至 100%,而等长无关信息仅为 0%;仅靠充足存储并不保证成功,保留策略可能丢弃所需结果,错误会沿后续计算传播。
针对多数企业 GenAI 项目难以体现可衡量业务效果的问题,研究者提出 EnterpriseVal 用例级评估系统,将指标向量与置信区间映射为 REJECT/CONDITIONAL/SCALE 三级决策。
研究提出基于 EEG 的精神分裂症分类框架,用短时傅里叶变换将预处理脑电信号转为时频谱图,再由 CNN-Transformer 混合模型分类。在 18 名受试者的独立测试集上,CT-SZ 模型受试者级 AUC-ROC 达 95.00%,CST-SZ 模型为 92.50%。
研究者提出函数空间统计力学框架,将函数及其学习算子视为宏观变量,解释神经网络在特征学习中对简单平滑方向的系统性偏好。在均方损失下,误差随演化学习算子 M=JJ* 精确松弛,训练随机性在函数空间上诱导高斯权重,参数多重性贡献熵算子 B。
CTIFoundry 是一个面向 AI 智能体的网络威胁情报语料脚手架,在 CTIConnect 基准上仅替换动作接口,就把同一 harness 的智能体整体 F1 从 0.610 提升到 0.829(gpt-5.4),从 0.470 提升到 0.745(claude-haiku-4-5)。
Cura 1T 是一个通过递归自我改进(RSI)训练的医疗基础模型,在 6 个医疗基准中于 MedAgentBench、HealthBench Professional、HealthBench Hard、MedXpertQA text 和 AgentClinic 上得分最高,在 MedXpertQA 多模态上排名第二。
Mastermind 是一个双循环框架,将可迁移的策略学习与任务特定经验分离,在 CyberGym 的 260 个训练任务和 200 个评测任务上,以 GPT-5.5 为冻结执行器达到 84.5% 通过率。
MORPH 是一个面向"模式保持属性检索"的生成式检索框架,通过 Diffusion Transformer 读取 item 嵌入序列并生成查询嵌入做最近邻搜索,在四个大规模属性域、严格 item 与 pattern holdout 协议下,MOS 训练在每个域-划分单元上均提升主交集指标。
研究者提出 TIPS,从拓扑视角将 LLM 单个 Transformer 层提示词 token 的上下文隐藏状态视为点云,用零维和一维持续同调提取 7 个紧凑的不适定性描述符,并作为推理引导的控制信号。
研究者提出"规模化参与"新范式,让参与者贡献各自训练的小模型,在模块化框架中组合成 AI 系统,在 15 项任务上比单体 LLM 高出最多 15.42%(95% CI:[10.09%, 21.13%])。
一篇综述提出 Architecture–Capability–Adaptation(A-C-A)框架,系统梳理 LLM 智能体在量化金融中从孤立预测建模转向闭环交易智能体的研究进展。
研究者提出 ECG-WM,一个动作条件化的 ECG 世界模型,用于预测模拟心脏电生理在药物等外部干预下的演化。该框架通过能量正则化将生理 ODE 先验融入潜空间扩散动力学,生成生理上合理的干预后 ECG 轨迹并抑制生成幻觉。基于扩散采样随机性,它还引入不确定性感知评估策略,刻画预期临床风险及其波动,在受控药物响应与真实临床记录中展现出更好的风险校准,并与专家治疗偏好高度一致。
研究者提出 NudgeRL,通过 Strategy Nudging 为每次 rollout 注入轻量策略级上下文,在五个数学推理基准上以 8 次 rollout 追平 32 次 rollout 的最强 GRPO 基线。 该方法将优势分解为上下文间与上下文内两项,并加入策略校正项把探索到的行为迁移回基础策略,总 token 用量减少约 5 倍、训练算力减少 2.9 倍。 代码已开源。
研究者提出 TABALIGN 表格推理框架,通过掩码扩散语言模型规划器与轻量验证器 TABATTN 建立单元格对齐契约,在八个基准上平均准确率较最强开源基线提升 15.76 个百分点。
DERM-3R 是一个资源高效的多模态智能体框架,将中医皮肤科诊疗拆解为皮损识别、多视角表征与整体临床推理三个环节,由 DERM-Rec、DERM-Rep、DERM-Reason 三个协作智能体分别承担。
AIGENIE R 包实现 AI-GENIE 框架,将 LLM 文本生成与网络心理测量方法结合,在纯计算环境中自动完成心理量表候选题池的生成与结构验证。