跳到正文
10月23日周五
  1. arXiv · AI32

    驾驶视觉-语言-行动模型推理与动作耦合度的反事实测量

    研究通过因果干预发现,四个驾驶 VLA 模型的生成推理与其实际驾驶行为弱耦合,限制了系统提供可解释性的能力。 实验扰动模型推理仅导致轨迹小幅变化,且该现象在不同基准和架构中持续存在;移除关键物体后的场景级反事实进一步验证了推理与轨迹的脱节。 这一发现揭示了依赖文本推理实现透明度的驾驶 VLA 模型在部署和公众信任方面存在局限性。

  2. arXiv · ML21

    基于波数感知的深度学习用于拉曼光谱的鲁棒分析

    研究提出利用拉曼光谱波数计算Transformer位置编码,将光谱点表示为强度与波数对。在三种细菌及混合样本测试中,该方法在噪声、稀疏采样及部分覆盖下优于索引编码。 该方案在未见过的采样网格上保持性能,且在公开30株细菌基准上复现结果。这种显式物理坐标方法为可变测量条件下的鲁棒光谱分析提供了简单路径。

  3. arXiv · ML26

    RiboBridge: 蛋白条件下从头设计 RNA 结合剂结构

    RiboBridge 提出结构优先框架,分离 RNA 构象生成与蛋白-RNA 组装,利用跨帧相互作用几何实现无预设结合位点设计。 在 124 个蛋白-RNA 复合物基准测试中,该模型取得最高的 fNAT 和 DockQ 分数,以及最低的 interface 和 ligand RMSD 值。 框架通过先验候选结合界面和预训练潜空间 RiboSphere 生成构象,经刚性放置恢复几何一致性。

  4. arXiv · ML29

    NEST:用于多尺度聚类的嵌套嵌入表示

    NEST 是一种无监督框架,在单个嵌入中编码从粗到细的聚类结构,通过联合优化嵌套前缀子空间中的聚类与分离来实现。 在合成层级数据中,NEST 仅凭每层级的聚类数量即可恢复多尺度结构,在视觉、文本和单细胞数据实验中均展示了多尺度组织特性。 该方法将聚类粒度变为表示的内在属性,提供了多尺度结构发现的一体化方法。

  5. arXiv · AI22

    Secure Agentic AI and Multimodal Intelligence in 6G Communication Systems

    该综述从隐私与安全角度,调查了面向6G通信系统的多模态智能与Agentic AI。文章构建了一个跨层级的系统视图,涵盖感知、记忆、工具使用及多智能体编排。 文中分析了威胁模型与攻击面,并对现有攻击进行了结构化分类,提出了包括提示词防御、智能体间信任机制和安全编排在内的缓解策略。 最后,作者总结了构建可信多模态多智能体6G系统的开放研究方向。

  6. arXiv · ML33

    Edit, Don't Imitate: 多模态推理的最小编辑在线策略蒸馏

    针对视觉语言模型(VLM)因误读图表导致推理失败的感知瓶颈,研究者提出最小编辑修正在线策略蒸馏方法。 该方法仅使用参考图表描述和验证过的参考解作为训练信息,教师模型对学生错误 rollout 进行打分,只有教师不喜欢的 token 才贡献到修正损失中;正确 rollout 则接受任务奖励强化学习。

  7. arXiv · ML35

    AI Mindmeld: 实现 LLM 与专家模型潜在表征直接交换的潜层互联协议

    提出潜层互联协议(LIP),通过训练连接器将专家模型表征直接映射至 LLM 内部状态,消除文本瓶颈。 实验在冻结 Gemma 3 和 Kimi K2.6 模型的基础上验证,证明零样本迁移可行且性能随 LLM 能力增强,无需联合训练。 该协议旨在扩展科学智能体信息获取范围,呼吁开发者优化模型以原生接收专家表征。

  8. arXiv · AI25

    AI 代理模型框架加速加拿大森林火灾危险区制图

    研究者开发 AI 代理模型,将基于过程的火灾模拟计算时间从数天缩短至数秒。 该多任务深度学习模型整合地理空间与气象数据,在代表性区域实现 806 倍端到端 CPU 加速,且仅占用原系统 13% 的主存。 框架通过反事实评估验证了分布外泛化能力,支持快速场景分析以指导缓解措施。

  9. arXiv · NLP24

    RiskCueBench:视频语言模型中基于早期风险线索的预期推理基准

    研究人员提出新基准 RiskCueBench,要求模型识别视频中最早的风险信号片段,而非观看包含事故的全程视频。 该基准旨在解决现有数据集提供完整视频序列导致任务难度降低的问题,更真实地反映现实场景。 实验结果显示当前系统在从早期视觉信号预判未来风险事件方面存在显著能力差距,揭示了部署视频风险预测模型的实际挑战。

  10. arXiv · NLP21

    英语中心大语言模型跨语言数学推理迁移能力研究

    英语中心大语言模型中数学推理能力的跨语言迁移性高度取决于模型选择、目标语言和训练范式。 更强的英语中心初始化并不必然带来更高的相对迁移效率,即使其多语言推理准确率更高。 研究发现,在英语监督基础上新增一种平行语言能带来显著性能提升,而增加更多语言带来的收益较小但呈一致性增长。

  11. arXiv · NLP20

    OmniDR-Bench:针对以视频为中心的深度研究报告的智能体评测基准

    针对当前深度研究智能体未评估以视频为中心的研究报告生成的局限,arXiv 论文提出了 OmniDR-Bench 基准。该基准包含 50 个中英文任务、6,414 条原子评估标准,旨在测试视频定位、多模态证据检索及交互式报告生成。 在测试的 18 种智能体配置中,最佳系统得分为 63.3/100。结果指出当前智能体仍存在内容覆盖面不足、跨模态因果逻辑分析及引用准确性欠缺等问题。

  12. arXiv · NLP33

    Twitter收购后心理健康披露模式分析:基于82.4万条推文的心理语言学研究

    研究分析Elon Musk收购Twitter前后约824K条心理健康相关推文,揭示平台治理转变下的自我披露模式演变。使用LIWC和基于LLM的亲密度分类器,发现收购后情感与社会语言减少,第一人称单数代词及未来导向表达增加。除BPD中等亲密度披露相对低亲密度显著下降外,其他病症亲密度变化不显著。

  13. arXiv · NLP25

    双语语言模型捕捉第二语言阅读中的跨语言影响

    双语语言模型能捕捉人类第二语言(L2)阅读中的跨语言影响。 研究利用12种第一语言(L1)背景读者的眼动数据,证明匹配读者L1背景的双语模型在预测L2阅读时间上优于单语基线。 该预测优势集中在晚期眼动指标,受L1-L2书写系统重叠度调节,并在中级熟练度读者中表现最强。

  14. arXiv · NLP37

    开放 LLM 在西班牙 MIR 考试中的不确定性、推理与图像使用研究

    研究评估四个参数量 8 至 270 亿的开放模型在西班牙 MIR 考试中的表现,三个大模型预计排名在约前 600 至 3000 名之间,可报考 41 至 43 个专业。 模型从不弃权,因为即使最不确定的答案正确率也高于 25% 的盈亏平衡点;医疗微调降低了过度自信但降低准确率且未改善置信度区分力,且 13%-38% 的正确答案基于临床依据不足的原因,移除或替换图像后准确率不变。

  15. arXiv · NLP22

    CrisiLangs:用于危机预警生成的多语言资源

    论文提出 CrisiLangs 资源,将英文危机数据集 CrisiText 扩展至意大利语、保加利亚语、德语和希腊语。 该资源包含来自 411 个场景的 1000 个事件及 5000 个事件-预警消息对。基于此微调的多语言模型在 ROUGE-L、BLEU 和 BERTScore 上优于零样本基线。

  16. arXiv · NLP45

    自动安全系统偏差研究:危害判定依赖词汇导致对非标准语言群体的误报与保护缺失

    自动安全系统基于词汇判定危害,导致非裔美国人英语误报率高出两倍以上,且安全行为在低资源语言中失效。研究归纳七种失败模式,提出评估协议,在11种语言、5个开源系统中测试。 结果显示无系统达到母语者准确性,且系统能力增强反而扩大了最佳与最差服务语言间的差距。

  17. arXiv · NLP35

    TRIAD:多模态大语言模型全模态歧义评测基准

    研究团队推出TRIAD基准,用于评估多模态大语言模型在全模态歧义消解上的能力。该基准包含86个场景组中的327个手写查询,覆盖三种模态下的18类歧义。对14个全模态系统的测试表明,模型在组准确率上比人类低20分以上,且常忽视音频线索。该研究将评测焦点从识别转向歧义消解,为衡量相关能力提供了分类体系与诊断协议。

  18. Hugging Face Blog62

    OlmoEarth v1.3 发布:全球首个 128 维卫星嵌入模型与交互探索工具

    OlmoEarth v1.3 发布,提供 10 米分辨率的 128 维(或 64 维)全球卫星嵌入及交互探索工具。该模型在 27 项评估中 20 项排名第一,训练算力成本较 v1.2 降低 53%。探索工具允许用户无 GPU、无注册直接基于少量标签训练分类器并导出 GeoTIFF 地图。

    推荐理由:OlmoEarth v1.3 发布了地球预计算嵌入和交互工具,展示了其在全球尺度上评估与监测地表变化的具体应用。

10月22日周四
  1. 腾讯混元68

    腾讯混元提出WorkForge框架:用真实工作区训练长程职场智能体

    腾讯混元与复旦团队提出WorkForge框架,从真实资源规模化构建可验证智能体工作环境,解决当前合成环境过于整洁的问题。该框架产出WorkForge-16K数据集,包含1.67万个横跨40个专业领域的工作环境,强制智能体探索分散证据并完成长程任务。

    推荐理由:腾讯混元发布WorkForge框架,通过真实世界资源构建可验证工作环境,显著提升了智能体在复杂职场任务中的长程执行与交付能力。

  2. arXiv · NLP30

    MedicalBench:评估大语言模型在医学概念提取中的表现

    团队提出 MedicalBench 基准,结合 MIMIC-IV 出院小结与人工核实的 ICD-10 代码,系统评估大语言模型在隐含医学概念提取及证据定位上的表现。 该基准包含语义易混淆负样本及 LLM 与专家判断不一致的案例,旨在隔离推理难度而非笔记长度等表层混淆因素。 研究揭示当前最先进 LLM 性能仍较有限,为开发可解释且医学忠实的医疗语言模型奠定基础。

  3. arXiv · NLP36

    文本到语音:用于评估工具调用LLM智能体的可复现与可验证框架

    提出一种将文本基准转化为受控音频工具调用评估的框架,通过TTS、说话人变化和背景噪声生成配对数据,保留原始标注。 在7个全模态模型评估中,Gemini-3.1-Flash-Live在Confetti得70.4分最高,GPT-Realtime-1.5在When2Call得71.9分最佳,文本转语音性能差距介于1.8至4.8分之间。