跳到正文
10月14日周三
  1. arXiv · AI38

    TQG-Exp:轨迹质量引导的经验学习框架

    TQG-Exp 提出轨迹质量引导的经验学习框架,引入 TQL 联合考量任务完成与过程质量以优化 LLM 智能体。 该框架通过配对 rollout 评估检索经验的效用,并结合语义相关性指导后续检索。在 ALFWorld、WebShop 和 ScienceWorld 实验中,TQG-Exp 的 Avg.@3 指标比最强基线分别提升 4.50 和 8.55 个百分点。

  2. NVIDIA Blog23

    NVIDIA 宣布对英国初创生态系统进行新投资

    NVIDIA 宣布对 Boltz、Foresight 等五家英国初创公司进行新投资,并承诺未来五年投入 2.5 亿美元算力支持英国代理式安全与安保研究。 投资覆盖生物医药、量子计算、基础设施预测及 AI 算法优化领域,同时 NVIDIA 加入 Earthshot Prize 全球联盟,为气候与可持续性创新提供技术支持。

10月12日周一
  1. arXiv · NLP37

    ZenGen:面向 LLM 的社会智能框架

    ZenGen 框架旨在增强 LLM 社会智能,其测试基准 SoMBench 显示最佳模型准确率仅 72.08%。 框架结合 ZenGen 训练配方与 Actio 推理架构,其中 ZenGen-32B-Stage2 具备与 DeepSeek-V4-Pro 竞争的实力。 该框架证明社会智能 LLM 需在评估、参数内化及部署接地方面协同推进。

  2. arXiv · NLP39

    SWE-bench 补丁性能实证研究:四种前沿模型解题率与运行效率排名反转

    基于 SWE-bench 的 F2P 测试,Claude Opus 5、GPT 5.6、DeepSeek V4 Pro 和 Qwen 3.8 Max 生成的补丁在 262 个案例中显示出显著运行性能差异。 研究采用 Welch ANOVA 统计方法,发现大语言模型的解题率与补丁运行性能独立,且模型性能排名近乎反转。 该结果揭示了纯正确性评估遗漏的架构回归,建议未来评估体系纳入补丁性能指标。

  3. arXiv · NLP39

    大语言模型中跨境社群的身份僵化现象研究

    研究揭示了大语言模型将流动的跨境族群身份固化为单一国家身份的现象,构建了身份僵化诊断框架(TIODF)。 对 GPT-5.1 和 DeepSeek-V3.2 的测试显示,身份僵化在 GPT-5.1 英文回答中仅占 10.1%,但在 DeepSeek-V3.2 中文回答中高达 62.6%。 研究表明即使事实回答正确,叙事框架仍存在偏差,这对多语言 AI 系统的文化公平性评估具有重要意义。

  4. arXiv · ML28

    偏好条件化多目标强化学习用于重型车辆战术决策

    研究提出一种偏好条件化多目标强化学习框架,结合GPI与PPO算法学习策略,以捕捉安全、能量效率和时间效率三个冲突目标间的不同权衡。 该方法在针对重型卡车的高速公路交通仿真环境中进行评估,显示出平滑且可解释的Pareto前沿。 偏好条件化策略允许在不同驾驶行为间切换而无需重新训练,展示了多目标强化学习在自主重型车辆自适应决策中的潜力。

10月9日周五
  1. arXiv · AI50

    TestJack:通过评估器进化审计智能体编码基准的可信度

    TestJack 框架指出 34.4% 被判定正确的智能体试错实际违反任务要求,使整体解决率从 50.6% 降至 33.2%。 该框架针对固定单元测试无法检测隐性行为的缺陷,通过生成靶向测试并验证真值补丁,提供可重放的失败证据。 研究显示现有编码智能体评估存在根本局限,评估器需随 LLM 优化能力同步进化。

  2. arXiv · AI27

    Mine Odyssey 基准测试现实世界中的空间智能体能力

    Mine Odyssey 基准包含 180 个基于 Minecraft 现实地点重建的任务,覆盖五大洲 30 个地点。 任务涉及 20 个室外和 10 个室内场景,测试包括寻找入口、开门和使用楼梯等复杂导航能力。 在 8 个测试模型中,GPT-6 Astra 成功率达 85.6%,而最强的开源权重模型 DeepSeek-V4.1-Flash 仅 23.9%,显示当前智能体空间智能存在显著不足。

  3. arXiv · ML26

    评估评分标准生成的干预转移方法

    提出基于干预转移(IT)的评分标准生成评估方法,核心观点是若响应受扰动后通过/失败变化一致,则两个评分标准相似。 该研究在 HealthBench 案例中测试了 Qwen3.8-27B、Deepseek-V4-Flash 和 Opus-5 生成的标准用于评估 GPT-5.6-Terra 的响应,发现扰动导致的降级可转移,但升级不可靠,揭示了生成标准的非对称性。

  4. arXiv · NLP44

    StoreBench: 评估和训练自主操作员智能体的实时商务环境

    研究者推出实时商务基准StoreBench,用29个商户工具在模拟电商环境中评测七个前沿LLM。 七个模型均未达到脚本化策略的97%通过率,最佳者DeepSeek-V4-Pro仅49%。专家综合得分0.708高于所有模型。Qwen3.5-27B经GRPO后训练,综合分从0.136升至0.373。 该环境释放部分训练数据,完整评测集保留以防污染。

10月8日周四
  1. arXiv · AI35

    GeoNatureAgent (GNA):工具型智能体在地学与环境任务上的预生产评估框架与基准

    GeoNatureAgent (GNA) 引入固定十六工具 MCP 接口与 103 任务基准,用于评估工具型 LLM 智能体。 Claude Sonnet 4 在 103 任务中取得最高能力得分 61.7%,DeepSeek V3.2 以 11.3 倍更低成本实现 93% 的能力,构成主要成本-准确率帕累托前沿。 MCP 服务器、评估框架与 API 已公开,可替换工具与任务集以适配任意地学领域。

10月7日周三
  1. arXiv · ML25

    MASKerade:用于稠密转MoE升级的令牌路由掩码专家方法

    提出MASKerade方法,通过在冻结的预训练FFN上学习稀疏子网络来构建令牌路由的MoE专家,而非独立训练专家。 核心配置采用四个2:4掩码专家与top-2路由,两个半密集专家通路的计算量等于一次密集通路。在五个视觉-语言基准测试中,该配置在Qwen和Gemma骨干模型上取得了高于对比基线的性能。

10月6日周二
  1. arXiv · NLP31

    基于正样本同步策略自蒸馏的推理能力改进:POPO 框架

    提出仅使用正样本的在线自蒸馏 RLVR 框架 POPO,在 Qwen-Math-7B 模型上 AIME 2025 基准得分达 36.67%,优于 GRPO 的 30.00%。 POPO 采用双生子策略网络和动量自适应法则进行异步策略进化,并以有界相似度惩罚替代 KL 散度来稳定优化过程。 该方法证明仅需正样本的重分配即可隐式生成负梯度,且通过消融实验验证了框架的有效性与鲁棒性。

  2. arXiv · NLP21

    Wikidata Search Traces:用于训练知识图谱搜索智能体的数据集与递归语言模型框架

    研究团队发布包含 10,235 条搜索轨迹的数据集,并配套 RLM 框架,旨在通过管理检索证据解决长程知识图谱搜索难题。 该框架让模型在持久化 Python 状态中批量调用图谱接口,避免将大型结果直接塞入上下文窗口。 在 100 道测试题中,RLM 框架使 gpt-6-luna 正确率从 49 提升至 61,Qwen3.8-27B 从 60 提升至 74。

  3. arXiv · AI22

    大语言模型懂八字规则却不会用:Bazi 基准测试揭示理论与案例推理差距

    一项针对传统中国八字的基准测试发现,六个语言模型在理论题上的准确率全面高于案例题,排除无效回答后差距仍达 16.60-29.56 个百分点。 该基准包含 3,000 道中文多选题,覆盖 14 个理论类和 11 个案例类,主结果基于 2,492 题的精炼集;十二长生与纳音平均准确率分别为 89.10% 和 88.62%,而事业与六亲仅 36.98% 和 38.19%。

10月5日周一
  1. arXiv · AI37

    iS-KV:基于块增量 SVD 的在线低秩 KV 缓存压缩方法

    iS-KV 通过在线低秩压缩解决长推理中 KV 缓存增长问题,保留最近窗口精确数据并将旧状态同步至更新基。在 DeepSeek-R1-Distill-Llama-8B 上,该方法在 4.06 倍压缩下取得 82.6% 准确率,接近原模型 83.6%。在 Qwen3-8B 上,其 5.64 倍压缩下准确率达 89.2%,且在匹配内存预算下优于令牌驱逐基线。

9月30日周三
  1. DeepSeek68

    DeepSeek 开源昇腾基础组件

    DeepSeek 正式开源面向华为昇腾算力平台的基础设施组件,涵盖 TileLang、DeepGEMM、DeepEP 等,与此前英伟达平台组件一一对应。TileLang 昇腾版本封装 Ascend C 指令,支持 DeepSeek V4 系列模型训练中大部分算子的高性能实现,相关项目链接已同步发布于 GitHub。

    推荐理由:开源昇腾平台适配的 TileLang 与核心计算组件,为构建自主可控 GPU 软件生态提供可直接复用的基础工具。

9月22日周二
  1. 硅基流动44

    硅基流动上线 Qwen3.8-27B

    硅基流动上线开源模型 Qwen3.8-27B (xhigh),支持 256K 上下文,输入价格 3 元/M tokens,输出 12 元/M tokens。 该模型在 Artificial Analysis 智能指数评测中取得 34 分,超越 Claude Opus 4.6 Max,并支持图像和视频输入,兼容多种 Agent 框架与开发工具。

9月18日周五
  1. 豆包工作52

    豆包工作帮睿创微纳自动撰写芯片测试报告

    豆包工作接入睿创微纳芯片测试流程,将测试报告撰写时间从2-4小时缩短至30分钟。AI自动处理多格式数据、识别曲线图关键参数并匹配报告章节,实现图文混排报告的直接交付。通过定时归档任务与智能体分析,历史测试数据转化为可复用的数据资产,准确率与标准化率均达100%。

9月10日周四