跳到正文
11月13日周五
  1. arXiv · AI30

    为自主 AI 设计制度

    文章提出机构设计应成为 AI 研究焦点,需超越单个模型对齐。 基于制度政治经济学等理论,确立了七项原则以维持合作与问责。 通过 MoltJournal API 展示机构可编程性,将自主体转化为可靠集体。

  2. arXiv · AI38

    LLM 辅助 Dafny 形式化验证:系统工作流与复杂算法实证

    论文提出十步工作流,利用 Claude Opus 5/5.5 辅助完成 Dafny 形式化验证,将 37 个复杂图论算法验证周期缩短至数小时至数天。该流程结合 LLM 生成证明片段与自动化测试反馈,保留人类在规格审查与关键决策上的监督权。研究证实 LLM 工作流能将验证者角色从详细构造转向战略性指导。

  3. arXiv · AI31

    蛋白质语言模型在不变重标号下无法捕获接触预测

    蛋白质语言模型在氨基酸字母表全局双射重标号下接触图性能崩溃,而Potts模型等经典方法保持不变。 在ESM-2、MSA Transformer和AMPLIFY(8M至3B参数)架构中,模型依赖标准残基身份而非纯共进化统计,导致性能退化。 这一诊断框架揭示了神经黑色盒子中的潜在表示偏见,防止了在生物建模中对神经网络的过度依赖。

  4. arXiv · AI26

    DashBench 评测自动驾驶长尾场景下的 25 个 Video LLM

    研究团队推出 DashBench 基准,测试 25 个 Video LLM 在 1,709 个包含碰撞与非碰撞长尾场景(corner cases)的驾驶视频中的表现。 评测结果显示,所有受测模型在安全关键驾驶应用所需阈值下表现不佳,常误判或漏检危险事件,并幻觉出不存在的物体或动作。 该基准结合数据集与诊断工具,旨在推动更安全、可解释的自动驾驶系统发展,代码与数据已公开。

  5. arXiv · AI23

    AgriSense:虚拟温室中的视觉-语言决策支持与机器人干预框架

    该框架结合 Isaac Sim 虚拟温室与四足移动机械臂,支持环境调控与植物干预。 使用冻结的 DINOv2 和 BERT 编码器,全模型在温度、湿度和土壤水分预测上分别达到 0.249℃、2.030 个百分点和 0.997 个百分点的 MAE。 导航轨迹误差为 5.22-17.32 mm,32/40 个机械臂目标通过几何验收,但未在真实温室验证。

  6. arXiv · AI34

    三元组增量训练框架:将通用 VLM 转化为多功能驾驶 VLM

    三元组增量训练框架通过非侵入式方法,在保留通用 VLM 开放世界能力的同时注入 3D 几何感知,无需修改架构。 框架利用 (图像, 深度, QA 对) 三元组进行三流训练:主 VLM 流适配驾驶任务,辅助深度流隐式想象 3D 几何,冻结孪生 VLM 流通过 logit 级 KL 蒸馏防止语义漂移;部署时丢弃深度流,实现零推理开销。

  7. arXiv · AI23

    MusicRWKV:基于 RWKV 的多模态音乐表示学习框架

    提出 MusicRWKV 框架,基于 RWKV 架构联合建模波形、频谱图和元数据,解决长时音乐建模中 Transformer 架构的高计算内存开销。 引入可逆压缩模块降低序列长度并保留重构能力,采用基于 FiLM 的条件策略实现模态感知表示学习,避免昂贵的交叉注意力操作。 实验评估显示该架构在多种音乐信息检索(MIR)基准上有效,Soft ROSA 作为可微检索机制提升了验证性能。

  8. arXiv · AI45

    MobileProbe: 基于轨迹感知的移动端智能体自适应安全评估

    MobileProbe 提出了一种轨迹感知的红队测试框架,用于评估移动端 GUI 智能体抵御环境注入攻击(EIA)的能力。 该框架通过自动化渗透测试发现攻击面,并构建了包含 83 个长程攻击实例、覆盖 12 个应用的基准测试集。 实验显示,MobileProbe 在三种代表性智能体架构上的攻击成功率均高于人类手写及现有自动化基线,可作为部署前的安全审计工具。

  9. arXiv · AI38

    ZONOS3-Mini 技术报告:8.86 亿参数实现实时零样本语音克隆

    ZONOS3-Mini 是一款超紧凑型实时零样本语音克隆 TTS 模型,可在笔记本电脑或手机上运行。 模型采用 886M 参数的潜在 MoE 骨干网络(每 token 激活 100M)及 15 Hz 帧率的 ZAC-1 音频编解码器,支持 44.1 kHz 音频。 在 ZTTS2-Eval 基准上,其 55 个语言集的宏平均 WER 为 6.71%,模型权重与代码已开源。

  10. arXiv · AI22

    LLM与优化智能体联合无人机调度系统:野外搜寻受害者任务的应用

    研究提出一种结合大语言模型与优化器的无人机调度系统,用于解决野外搜寻受害者任务中的动态决策问题。 系统在地面控制站部署智能体,协调多架无人机连续执行搜寻,LLM负责推理搜索位置,优化器解决能量约束下的无人机派遣问题。 仿真实验显示,该系统总能完成搜寻任务,而六个非LLM基线方法均未成功,直接LLM调度可靠性也较低。

  11. arXiv · NLP30

    Agon:基于提示词经济构建的自主大规模全学科研究系统

    Agon 是基于提示词经济等六大原则构建的自主大规模全学科研究系统,利用简短主题描述在无人类代码介入下跨领域部署,展示了自动化研究的扩展性。 系统揭示了通过提示词工程难以解决的未知故障类别,并将其按严重度、可修复性、可见性及能力位置四个维度进行分类。 研究结果表明 Agon 正推动研究迈向“机器扩展规模,人类把握方向”的新范式,其代码已在 GitHub 公开可用。

  12. arXiv · AI24

    PhysCapBench: 首个跨领域物理基础视频字幕基准测试

    PhysCapBench 是一个统一评估视频物理字幕的基准,涵盖第三人称、第一人称及手持机械臂三大场景。它包含 1,500 条人工验证的视频序列,并从七个物理维度进行准确率与覆盖率评估。在下游任务中,物理字幕使视频重建的 LPIPS 降低 8.6-30.9%,并显著提升了操作策略的成功率。该基准为训练数据优化提供了跨领域的评估基础。

  13. arXiv · NLP21

    LLM 矛盾判断将队友错误误报为幻觉:多智能体 LLM 框架的断言感知重评分

    多智能体 LLM 系统中,基于矛盾检测的 LLM 评委将队友错误的正确报告误判为幻觉,撤回了 v1 中广播使幻觉率从 0.492 升至 0.658 的结论。 对 1,832 条输出进行重评分发现,仅计算自主断言时广播效应为 -0.0208,统计提及时效应为 +0.1996,证实误判源于评分维度混淆。 结果基于单一框架与 13 个手写场景,缺乏人工验证,结论泛化性受限。

  14. arXiv · AI26

    SUMNO 空间展开多网格神经算子用于流体流动替代模型

    SUMNO 是一种面向常规网格流体场的多网格神经算子,通过将 V-cycle 空间展开为前向 U 形网络,采用无参数上下采样与加性跳跃连接。 在四个基准测试中,SUMNO 在 7 种设定里的 5 种取得最佳,10 步推演 MSE 较最强基线降低约 30%,且以 940 万参数超越了使用超 1.3 亿参数的三个基线模型。

  15. arXiv · AI24

    ORCHID-SAGE 标准实现 CALPHAD 热力学数据库可复现评估

    研究提出 ORCHID-SAGE 标准,将 CALPHAD 评估中的专家判断编码为形式化协议,实现从证据到相图的可复现与可自动化流程。 在 Cr-Ni 体系中,通过 Model Context Protocol(MCP)调用的 AI 智能体及公开数据重新拟合,成功复现了原始数据库预测结果。 该机制使数据库不再固定于发表时刻,允许随自驱动实验室新证据更新,同时确保判断过程留痕且由人类掌控。

  16. arXiv · AI23

    小语言模型引导生成Linux内核语义补丁的研究

    研究利用Qwen2.5-Coder 7B等小语言模型生成Coccinelle语义补丁,平均解决35.3个内核迁移转换任务,远超直接提示时的1.0个。模型输出的规则在测试集上精确度最高(0.74),优于Spinfer(0.55)和前沿LLM智能体(0.70),并通过编译批评者剔除无效规则。 研究基于预注册测试集评估7个API迁移,涉及122个留出驱动转换,所有代码、提示词及结果已开源发布。

  17. arXiv · AI20

    研究探索脑内皮层锥体柱作为 Transformer 注意力头生物构型的可行性

    该 arXiv 论文提出假设,后颞语言区(PTLRs)中合适组织的皮层锥体柱群可构成 neuromorphic 机械实现的 Transformer 注意力头的生物构型。 分析表明,皮层锥体柱间的信号传递与调制机制可支持注意力头的功能架构,无需复现标准数学实例化。 是否真实存在该功能架构仍为未解的经验性问题。

  18. arXiv · NLP36

    GT-HarmBench:基于博弈论的 AI 安全风险基准

    GT-HarmBench 包含 1,535 个源自 MIT AI 风险数据库的高风险多智能体博弈场景。测试 15 个前沿模型发现,它们在 39% 的案例中未能选择社会有益行动;博弈论干预最高可提升有益结果 31%。 该基准为多智能体环境下的对齐研究提供了标准化测试平台,代码与数据已公开。

  19. arXiv · AI33

    Iris-Z:单一生成模型在几何任务上超越专用模型

    Iris-Z 是一个通用图像生成器,结合外观与几何生成,单一骨干网络同时处理深度估计、生成和渲染任务。在足够规模下,它超越了现有深度基准的专用模型 SOTA,同时保留原始生成能力。 该模型无需专用层,统一处理单目几何任务,打破了专用架构长期主导该领域的局面。 作者发布两个模型供社区使用,验证了“苦涩教训”在视觉智能领域的适用性。

  20. arXiv · NLP41

    微调语言模型以认知自身知识边界

    该研究提出测量与增强大语言模型(LLM)元认知的框架,引入 d'_type2 指标以隔离元认知能力,并提出元认知对齐进化策略(ESMA)。ESMA 在未见数据集、语言和新获取知识上展现鲁棒泛化性,且改进由稀疏参数集驱动。 该工作已被 NeurIPS 2026 接收,为针对性元认知优化提供了潜在路径。

  21. arXiv · NLP29

    人们是否为代表其行事的大语言模型应用不同的社会规范?两项经典经济博弈中的规范取证证据

    两项预注册且带激励的博弈实验显示,N=2,658 名英美被试对 LLM 代理人的人类规范评价呈现特定模式。 独裁者博弈中平等分配被视为最适当,但 LLM 实施的利己分配被判定为更不适当;最后通牒博弈中,拒绝 LLM 提议人的慷慨要约比拒绝人类同类要约更合适,而 LLM 响应者拒绝行为的社会适当性评价与人类无异。

  22. arXiv · AI29

    Spec-Driven PBT:从代码规范推导语义不变量以支持智能体属性测试

    提出 Spec-Driven PBT 智能体,利用规格说明而非仅实现代码推导不变量,生成 2.4 倍更少的属性测试用例。 在 ViBench 的 25 个应用测试中,该方法发现 169 个 Bug,其中近 60% 为独有发现,侧重违反产品工作流而非实现健壮性。 该方法与 Code-driven PBT 互补,能覆盖规格与实现不一致导致的独特缺陷类型。

  23. arXiv · AI24

    RUMI:匹配 Robotiq 2F-85 的 AR 力反馈通用操作接口

    研究团队提出 RUMI 手持接口,专为匹配 Robotiq 2F-85 机器人夹爪设计,支持接触前输入与接触后力测量。 通过 VR 头显提供实时 AR 运动学可行性反馈,并引入触觉反馈机制支持力感知遥操作。 用户研究显示,结合实时可视化与姿态初始化后,关节限位违规集数从 16/50 降至 3/50。

最多提供 50 页,更早的内容请使用搜索或主题页。