跳到正文
10月30日周五
  1. arXiv · AI38

    OpenConjecture 数据集:评估前沿 GPT 模型在随机数学猜想上的表现

    研究人员提出 OpenConjecture 数据集,基于 2026 年 2 月以来的 arXiv 论文收集数学猜想,并使用前沿 GPT 模型对随机抽样的 200 条猜想进行三轮评估。模型为约 60% 的猜想生成了候选解,其中反例数量约为证明的 1.3 倍。研究分析显示部分解法依赖现有结果或存在意图偏差,凸显了评估忠实度与文献引用的必要性。

  2. arXiv · AI26

    TACE:用于多模态RLVR的分布奖励校准与预算中性信用分配

    针对GRPO优势估计问题,研究者提出两阶段估计器TACE,实现多模态RLVR中的分布奖励校准与预算中性信用分配。 第一阶段将样本级基线替换为一维最优传输映射至标准正态,确公共人群奖励分布并限制异常值;第二阶段在轨迹内秩校准停止梯度证据对比,并将截断的token权重重归一化为均值1,保证信用总量与符号守恒。 在多模态推理基准套件中,TACE在多数基准上取得最强结果,但未在所有设置中占据主导地位。

  3. arXiv · AI26

    球体神经网络(SphNNs)引入非零半径嵌入以增强符号推理

    提出球体神经网络(SphNNs),通过非零半径球体嵌入实现无需训练数据的符号级亚里士多德三段论推理。 该架构放松了传统神经网络向量零半径约束,将概念表示为非零半径球体,捕捉生物认知的空间特征。 作者认为零半径约束限制了传统神经网络在可靠符号逻辑推理方面的能力。

  4. arXiv · AI36

    迈向 AGI 是否取决于 System-1 对 System-2 的筛选执行?

    论文提出通过 System-1 轻量预测器筛选交互,仅让 System-2 执行有价值任务,从而提升迈向 AGI 的效率。 该方法构建预测-门控-执行-更新闭环,在理想筛选下执行算力可降至 1/ρ_u,且通过界定选择遗憾优化计算资源利用。 该研究论证“信息量算力”比总算力更能描述 scaling 效率,为 AGI 研究提供新的效率坐标。

  5. arXiv · AI34

    LinguaArray:可验证的 LLM 引导量化数组 SMT 求解框架

    LinguaArray 提出 LLM 引导 SMT 求解框架,LLM 提出语义焦点集,SMT 求解器负责验证并作为唯一证明引擎,解决后端单独无法处理的更多实例。 在 1015 个 SMT-LIB 实例、五种逻辑、1200 秒超时(含 LLM 延迟)下,LinguaArray 最高解决 69.1% 的实例,解决数量较对应后端提升 105%–397%。

  6. arXiv · AI50

    证明并改进基于 JEPAs 的柏拉图表示假设

    研究人员将柏拉图表示假设转化为定理,证明 JEPAs 在多模态学习中能收敛至同一旋转不变表示。 理论验证显示,基于好视图的 JEPAs 比下一词预测节省 42 倍训练样本,且 109M 参数文本模型对齐效果优于 72B 语言模型。 该成果揭示了正视图而非单纯规模是构建通用表示的关键,并展示了 64% ImageNet-100 准确率的无配对应用潜力。

  7. arXiv · AI38

    Autoresearch Agent 与人类协作对齐:HackBench 基准与 RL 训练方法

    研究发现人类在 Autoresearch Agent 的理念生成阶段仍起关键作用,但当前 Agent 缺乏对齐能力,无法有效定位 hack 问题。 研究提出 HackBench 基准,并采用人类模拟器作为代理进行强化学习(RL)训练,同时利用对齐人类专家的评分标准改进文本生成。 这些方法为构建更强大且对齐的协作研究 Agent 提供了可行路径。

  8. arXiv · AI25

    RAL 强化对抗学习:仅利用参考答案进行 LLM 后训练的方法

    RAL 方法利用共训练的 LLM 裁判,将参考答案转化为唯一奖励信号,用于推理型 LLM 的后训练。 在整数乘法等可验证任务中,RAL 的效果与直接 RLVR 相当;在 NIH 基金摘要生成中,人类科学家和 LLM 裁判难以区分其生成结果与真实摘要。 该方法为科学等高价值领域的模型后训练提供新路径。

  9. arXiv · AI20

    Deogen:用于政策推理的自动基准生成器

    该论文提出Deogen,一个可扩展、自动化的政策义务推理(deontic reasoning)基准生成器。通过将政策规则自动形式化为一阶逻辑并构建决策树,Deogen能组合式地生成基准条目。 评估显示,前沿模型在信息充分时的正确率为89-92%;但在信息不足需拒答的条目上,即使有明确指示,正确率也降至22-40%。

  10. arXiv · AI27

    探究大语言模型中的乘法错误

    针对大语言模型在多位数算术中的表现,该研究在包含16,991道题目的数据集上测试了多个小型基础LLM的乘法能力,发现其错误模式不符合加法中的“噪声量化”模型。 在小规模 Qwen 模型中,低位数字错误主要保持奇偶性,而高位数字错误则转向偏差为一的进位失败。这表明 Transformer 模型通过多周期性内部表示进行算术计算,其中奇偶性比精确数字追踪更为稳健,为理解模型数值推理的机制提供了新见解。

  11. arXiv · AI33

    CLIK 通过单次前向传播将上下文知识内化至 LoRA 参数

    CLIK 模型通过单次前向传播生成 LoRA 参数,将上下文知识直接内化至冻结基模型,无需任务级优化或推理时保留输入。 该方法在文档问答任务中显著优于无上下文基模型及现有超网络生成器,且可迁移至多轮对话。 分析表明上下文依赖部分集中于生成适配器的紧凑子结构中。

  12. arXiv · AI28

    DecompGym 基准测试 LLM 智能体设计分解算法能力

    研究者提出 DecompGym 基准,包含 81 个实例,用于评估 12 款 GPT、Claude 和 Gemini 模型在编码智能体环境中设计 Benders 分解和列生成算法的能力。 评估要求求解器在 60 秒内运行且目标值误差小于 1%,结果发现反思机制可将重试成功率从 39% 提升至 66%,表明智能体需要过程检查与错误定位反馈。

  13. arXiv · AI25

    评估 LLM 因果推理:程序化生成基准 CLadder 的挑战案例研究

    CLadder 生成的数据集嵌入表面模式,导致随机森林等简单模型也能取得良好表现。 商用 LLM 在 CLadder 测试中表现极度脆弱,移除关键因果推理文本后性能几乎不受影响,结果主要归因于对训练数据中表面模式的利用。 任何关于 LLM 具备复杂因果推理能力的推断,都必须首先排除这一假设。

  14. arXiv · AI25

    HRF-Res:一种采用谐振神经元的频率选择性脉冲储备池

    HRF-Res 通过引入谐波谐振与发射(HRF)神经元取代 LIF 神经元,构建频率选择性脉冲储备池,在 10 个基准测试中达到脉冲储备池方法的 SOTA 精度。 该模型具有固有振荡动力学,能选择性响应输入频率,捕获特定时间模式的特征。 其能耗比等效非脉冲振荡储备池低 19 倍,保留了脉冲计算的高效性,论文已被 NeurIPS 2026 接收。

  15. arXiv · AI21

    Seq@K:语言模型在顺序反馈下的评估协议

    研究人员提出Seq@K评估协议,用于衡量模型在K次顺序尝试中利用反馈迭代解决问题的能力。 该协议在7个基准测试和16个前沿模型上验证,揭示模型排名常与Pass@K指标不同。 分析显示,反馈循环的设计对模型迭代精炼行为有显著影响,需纳入智能体系统评估体系。

  16. arXiv · NLP27

    LLM 多模型小组:衡量数据稀疏地区政治立场的方法

    该研究将 LLM 视为有缺陷的评估者构建小组,提出衡量数据稀疏地区政治立场的方法,以解决现有工具在非西方政党体系的失效问题。 在包含 9 个模型(来自 2 个国家 8 个实验室)的小组中,Krippendorff's alpha 在区间和序数指标上分别为 0.86 和 0.87,且随着小组从 5 人增至 9 人保持稳定。

  17. arXiv · NLP29

    NeuNeu 将扩展定律预测转化为时间序列外推

    NeuNeu 模型在 66 个下游任务中预测精度的平均绝对误差为 1.99%,较逻辑扩展定律降低 44%。 该模型基于 HuggingFace 开源检查点训练,能将准确率轨迹与 token 级验证损失结合进行预测。NeuNeu 可零样本泛化至未见过的模型家族、架构及参数规模。

  18. arXiv · NLP21

    SandwichR 方法实现低延迟查询纠错,在保持 SOTA 准确率同时降低 40-70% 延迟

    SandwichR 通过 Answer-Reasoning-Answer 范式解决查询纠错延迟痛点,达到与标准 CoT 相当的 SOTA 准确率,同时降低 40-70% 延迟。 该方法采用一致性感知强化学习对齐初答与推理,并构建高质量数据集填补专项基准空白。 此方法在 CIKM 2026 发表,实现了在线搜索中延迟与准确率的平衡。

  19. arXiv · NLP28

    SFT 对置信度评分敏感度的影响:现有 NLG 置信度指标无法直接部署

    研究发现监督微调(SFT)会显著改变自然语言生成任务的置信度校准,在 216 种配置中 112 种降级、104 种改进。 校准变化受训练分布接近度等非质量因素影响,且无法从微调前模型预判方向,导致置信度识别正确答案的实用性大幅下降。 现有置信度指标在微调后无法直接可靠部署,突显了开发校准鲁棒不确定性量化方法的必要性。

  20. arXiv · NLP23

    LLM 辅助在线对话中欺诈与概念漂移联合检测

    提出 LLM 辅助的两阶段在线对话欺诈检测框架,联合识别欺诈行为与概念漂移。 先以集成分类模型初筛可疑对话,再用单类漂移检测器 OCDD 分析漂移;有漂移时由 LLM 判断欺诈或正常话题转换,无漂移则推断为垃圾信息。 在社交工程聊天数据集上验证,提高实时欺诈检测准确率与可解释性,并对比双 LLM 基线。

  21. arXiv · NLP25

    ChatGPT 能否像律师一样使用 IRAC 方法分析法律情景?

    研究构建了包含马来西亚合同法和澳大利亚《儿童保障法》情景的语料库,利用 ChatGPT 执行 IRAC 分析,以检验其法律推理能力。 该语料库中的情景均由法律专业人士按半结构化格式进行完整的 IRAC 标注,确保机器和法律界均可解读。 作为对 ChatGPT 进行 IRAC 分析的首次实证评估,其结果揭示了未来改进大语言模型与法律专家间推理对齐的潜在研究方向。