跳到正文
11月10日周二
  1. arXiv · NLP35

    CHO-Bench:上下文提示词如何影响 LLM 广告排名

    CHO-Bench 引入 119 万次成对评测,证实 LLM 广告中上下文提示词能改善广告排名。 该基准涵盖 5 个数据集,采用嵌入模型与 LLM 两种排名器,发现不同生成策略在特定配置下表现差异显著。 研究确立了离线广告侧排名优化基准,并指出模型特异性提示词选择及预算感知生成存在优化空间。

  2. arXiv · NLP30

    Lightfoot: 支持精确无模型文档删除的图检索增强生成系统

    Lightfoot 图 RAG 系统通过确定性映射实现文档删除仅需数据库操作,无需模型调用。在 MuSiQue 等数据集上,其索引成本比 HippoRAG 2 低 26-31%,且删除 10% 文档后图谱与重建索引一致。 HippoRAG 2 删除相同文档需 2,187 次模型调用,Lightfoot 则实现零模型调用删除,显著降低部署维护成本。

  3. arXiv · NLP28

    SPARCLING 生成多样化且带构造性标签的合成临床出院小结

    研究人员提出 LLM 管道 SPARCLING,通过结构化属性采样、模板生成及红队测试,生成字符级精确 PHI 标注的德国临床出院小结。 实验显示 SPARCLING 在内容多样性上优于现有公开数据集,并作为基准揭示了去标识化模型失效模式。 使用合成数据训练的去标识化模型性能优于仅依赖稀缺公开数据训练的模型。

  4. arXiv · NLP30

    用于检索增强生成 (RAG) 的两侧一致性证据集

    针对 RAG 系统仅建模支持证据的局限,提出两侧一致性证据集 (CES) 框架。该框架基于交换性假设,在支持 (support) 和反驳 (refutation) 两侧分别提供至少 1-α 的有限样本覆盖率保证,通过 Bonferroni 合并实现两侧联合覆盖率至少 1-2α。

  5. arXiv · NLP42

    HiVe-Mem:多模态智能体中水平记忆扩展与垂直证据组合的交错框架

    HiVe-Mem 多模态记忆框架通过交错执行水平记忆扩展与垂直证据组合,在多模态记忆基准上提升任务性能。 该框架利用关系图扩展语义检索种子,并通过轻量选择器独立组合每条记忆的多种证据形式,如摘要、原始图像等。 相较于最高效的竞争基线,该框架在保持性能提升的同时,将 token 消耗降低了约 90%。

  6. arXiv · NLP35

    NCode:首个基于LLM的通用AutoML搜索框架

    提出基于LLM的通用AutoML框架NCode,首次联合优化架构、超参数及数据比率,无需任务特定微调。 采用统一数值编码将设计选择转为离散序列,在图像分类、分割、说话人验证及文生图基准中达到SOTA,并在十亿参数Diffusion Transformer联合优化中取得GenEval 0.91分。

  7. arXiv · NLP38

    叙事鸿沟:LLM 能否助力跨语言导航多元叙事?

    研究提出 NarrativeBench,包含 23 种语言、460 个查询及 1,333 篇新闻,定义 6 项核心能力。 评估 14 个 LLM 发现,模型缺乏导航多元叙事能力,导致不同语言间信息获取差异显著,加剧“信息对等”缺失。 NeurIPS 2026 录用该工作,其基准为开发跨语言信息系统及提升用户信息获取自主权提供基础。

  8. arXiv · NLP27

    检索模型中的搜索答案偏差

    密集检索模型存在搜索答案偏差,偏好提及模型已知答案对象的段落。 使用 LAMA/TREx 数据集测试 DPR、E5、Qwen3-Embedding 等八种检索模型发现,token 预测分数越高,包含该对象的段落检索分越高。 这会影响检索证据的选择。

  9. arXiv · NLP24

    AOP-Smart-Finder:用于大规模文献 AOP 发现与证据映射的高通量人机混合框架

    研究人员开发高通量人机混合框架 AOP-Smart-Finder,整合 LLM 与 RAG 技术,实现大规模文献中不良结果通路(AOP)的发现与证据映射。 在 DEHP 案例中,系统 30 分钟内处理 12,983 篇文献,提取 1,589 个生物事件和 2,519 个关键事件关系;ALS 案例中识别 55 种胁迫因子并构建包含 16 个关键事件的机制网络。

  10. arXiv · NLP26

    EASE-KV:诊断 KV 记忆可用性与有效使用间的差距

    EASE-KV 框架揭示了可复用 KV 记忆中存储记忆转化为可用证据的障碍。 在固定语言和模型下,因果编码比块对角编码提高组合准确率 25.0 个百分点,但推理时方法无法恢复缺失上下文。 诊断性证据引导分配在不变存储状态下将 LongMemEval 准确率从 31.2% 提升至 38.4%。 结果表明,有效 KV 记忆不仅依赖检索和注入,还要求编码、影响和监督的协同。

  11. arXiv · NLP28

    MultiTurnRoute: 构建和评估多轮 LLM 路由器的平台

    研究者提出 MultiTurnRoute 平台及 Chain-of-Route (CoR) 路由算法,用于评估多轮 LLM 路由器在会话质量与成本上的表现。 CoR 结合可复用前缀长度估计成本,在基于 WildChat 和 LMSYS-Chat-1M 的基准测试中,使匹配最强模型质量所需的归一化成本最多降低 20.3%。 该研究成果已被 NeurIPS 2026 接收。

  12. arXiv · NLP44

    TransMem:面向动态个人记忆的过渡感知检索框架

    TransMem 提出过渡感知记忆检索框架,将偏好更新作为显式检索单元,优于现有基线模型。 在 PersonaMem 和 PersonaBench 实验中,基于 Qwen 模型的 TransMem 在事实锚点与自适应扩展方面表现显著。 该研究被 NeurIPS 2026 接收,验证了偏好更新记录对长期个性化记忆的价值。

  13. arXiv · NLP41

    ASCENT 提出规模互补外部状态框架以提升冻结长上下文大语言模型性能

    ASCENT 框架通过规模互补外部状态提升冻结长上下文 LLM 表现,16K BABILong 实验中 Qwen2.5 准确率增益显著。 在 0.5B、1.5B 和 3B 参数规模下准确率分别提升 10.50、78.88 和 82.63 个百分点。 结果显示外部状态价值随读者容量与状态预算联合扩大而增加,基准测试确认其有效性。

  14. arXiv · NLP29

    EviCover:诊断长期对话记忆中的证据集丢失问题

    EviCover 提出将问题转化为可观测证据需求,通过检查检索源标识符覆盖度并联合选择轮次,以保留互补证据。 在 REALTALK 数据集 108 个多跳问题中,该方法将 60 个候选轮次中的支持轮次召回率从 0.526 提升至 0.575,最终 10 轮上下文召回率从 0.349 提升至 0.379。

  15. AWS Machine Learning Blog41

    Amazon Bedrock Managed Knowledge Base 支持单次与智能体检索模式

    Amazon Bedrock Managed Knowledge Base 新增支持单次 RAG 和仅检索请求,通过 AgenticRetrieveStream 接口实现。 该服务扩展 maxAgentIteration 参数范围至 0-5,支持单次检索生成答案或仅返回原文,无需复杂智能体规划。 单一 API 即可平衡速度与质量,简化应用开发,无需维护分离代码路径。

11月9日周一
  1. arXiv · AI45

    MCGI:面向十亿级磁盘驻留向量搜索的流形一致性图索引方法

    MCGI 提出了一种利用局部固有维度(LID)感知几何特性的磁盘驻留图索引方法,解决了高维空间中欧几里得-测地线不匹配导致的性能下降。 该方法通过查询自身已计算的距离估计 LID,动态调整候选列表大小,无需额外磁盘读取,在同等高召回率下将 DiskANN 的查询吞吐量在十亿级 SIFT1B 上提升至 1.24 倍。

  2. arXiv · ML23

    KolTa:面向有限数据配方发现的物理信息主动学习框架

    KolTa 提出结合三阶段预测器与任务特异性软物理约束的主动学习框架,旨在固定查询预算下发现前 5% 高性能配方。 采用物理残差校准的 PRC-UCB 获取规则,在四个任务中平均学习曲线面积(AULC)排名前二,且最大差距仅为 0.032。 在药物溶解度任务中,达到 80% 目标恢复率需约 348 次额外查询,比最快对比策略少 18%。

  3. arXiv · AI30

    ParliamentRAG:基于意大利众议会议程的权威感知多视角 RAG 系统

    针对议会记录中发言权重不均与引用错位风险,ParliamentRAG 提出主题依赖的权威模型,用于处理意大利众议会议事记录。 该模型结合职业、教育等可解释特征估算发言人在特定查询下的权威度,检索多党派专家观点并生成附带引用的摘要。 在 15 个政策主题上,ParliamentRAG 对 6 名领域专家盲评显示,其引用忠实度(1.00)和政治党派覆盖度(0.97)高于 NotebookLM。

  4. arXiv · AI28

    GRAC:基于图结构检索增强的手术场景描述框架

    GRAC 框架通过图结构表示手术场景,利用检索增强的生成方式提升描述准确性。 在 EndoVis-18 基准测试中,其 CIDEr-D 得分达 5.88,超越传统 Transformer 基线的 3.36;在三元组准确率上从 26.2% 提升至 52.6%。 该结果表明,结合结构化场景表示与检索示例能显著提升手术场景描述的上下文相关性。

  5. arXiv · AI26

    RelGuard:首个GraphRAG差分隐私框架

    针对GraphRAG系统面临的知识图谱重构攻击,提出首个具备形式化隐私保证的差分隐私框架RelGuard。 该框架定义关系差分隐私(relation-DP),通过四步防御机制在索引前对源文档进行净化,利用指数机制扰动谓词或移除连接。 实验表明,在保护重建攻击方面,RelGuard优于四种现有防御机制,同时更好地保留了下游效用。

  6. arXiv · AI35

    LaMP-2 基准上错误用户控制评估分析:86% 个性化增益源于话题不匹配

    使用 LaMP-2 基准研究发现,仅类别标签即可复现 86% 的个性化准确率差距,合成匹配历史将差距缩小至 0.9 个百分点。 用户自身历史比无历史模型提升 2.3 个百分点,而评估时移除历史会虚增为 4.8 个百分点;在未知用户及电影标签实验中未观察到显著优势。 指出个性化模型应在未知用户和相似内容历史上进行评估,并验证带门控交叉注意力优于纯前缀模型。

  7. arXiv · ML26

    CascadeRec:多租户内容推荐中已部署的自适应 LLM 算力分配系统

    CascadeRec 双层 LLM 重排序级联系统已在生产环境中运行超过一个月,推理成本降低约 10%,且未观察到质量回退。该系统仅在路由器判断额外推理算力有益时,将请求升级至更昂贵的 Tier-2 流程。 在公开基准测试中,均匀 LLM 重排序使稀疏历史用户的 NDCG@10 最多降低 30%,且仅在最长期历史的细分组中表现出统计显著收益。

  8. arXiv · AI24

    PHISHREV+:基于ASP的后置可废止机器学习钓鱼网站检测框架

    PHISHREV+框架提出后置可废止机器学习方法,用于改进钓鱼网站检测。该框架利用回答集编程(ASP)的非单调推理层,修订SVM、KNN、DT和RF分类器的初始预测,通过四条可废止规则在保持假阴性持平的同时降低假阳性(如SVM从41降至39)。系统提供基于XASP的实例级可解释性,生成形式化推导图以展示规则触发原因。

  9. arXiv · ML35

    DTCD 因果发现与处理效应基准数据集工具包发布

    DTCD 数据集及因果发现工具包发布,通过配置组合拓扑、机制与噪声生成含真值邻接矩阵的多变量时间序列。 支持 81 种配置评估 8 种发现算法及 18 种配置评估 4 种处理效应估计器,通过缓存随机实现恢复数值精度的个体处理效应。 揭示标准发现方法无法处理缺失值及边际方差捷径问题,相关代码与数据已开源。