跳到正文
10月20日周二
  1. arXiv · AI33

    GemNav:基于多模态大语言模型的离散Token视觉机器人导航

    GemNav利用多模态大语言模型,将机器人导航路径点映射为离散度量值箱的类别分布,从而高效适配机器人导航。 该策略仅在8.7小时的公开SCAND数据集上训练,数据量比竞对小三个数量级;实验显示其分布外泛化能力和避障可靠性显著优于连续回归头。 同一策略无需针对平台重新训练,即可迁移至未知环境和三种物理构型不同的机器人平台。

  2. arXiv · NLP38

    利用 Gemini 双阶段 LLM 管线在电子健康记录中自动检测文档不一致性

    研究构建双阶段 LLM 管线,利用 Gemini 2.5 Pro 识别、Gemini 2.5 Flash 验证 MIMIC-IV-Note 出院摘要中的不一致性。 在 3000 份样本中,69.7% 的病例保留至少一个候选项,临床复核 253 项被判定有效,主要涉及用药与诊断领域。 该初步研究确立了方法学基础,为后续大规模 EHR 不一致性分析提供概念框架。

  3. arXiv · NLP24

    GEO 审计揭示 ChatGPT 和 Gemini 对生成引擎优化的位置依赖差异

    一项包含 31,200 次响应的受控审计表明,生成引擎引用的来源随用户位置渠道不同而变化,导致商业可见性受地域影响。ChatGPT 遵循应用声明的城市位置,将地名写入搜索查询;而 Gemini 忽略声明位置,仅依据网络国家定位并大幅更换来源。 因此,针对生成引擎的优化(GEO)监测必须同时控制声明位置与网络位置两个渠道,才能获得准确的可见性评估。

  4. arXiv · NLP20

    LastWords:重审无聊问题与数字名称阅读

    前沿模型已实际解决数字名称阅读这一 NLP 难题,该问题曾被2022年文章视为难以用纯神经方法解决的“无聊”问题。 ChatGPT 发布后进展显著,但作者认为有限域、资源受限问题仍有开放挑战,未来或无需依赖大资源模型即可解决。 原文指出此类问题仍存开放议题,暗示未来机器学习方法可能以更轻量资源实现突破。

  5. arXiv · NLP25

    Gemma-4 12B 与 Inkling-Small 的无编码器多模态 LLM 隐式编码器分析

    Gemma-4 12B 和 Inkling-Small 两款无编码器多模态 LLM 的早期层被证实可作为“隐式编码器”,独立编码模态与联合编码在推理任务中准确率相同。 这些模型直接将样本、像素或频谱特征输入 Transformer 语言模型,而非使用专用模态编码器。 研究通过逐层探针发现隐式编码器的行为与多种流行编码器模型相似。

  6. arXiv · NLP38

    大语言模型如何建模囚徒困境中的人类行为

    研究发现,TII Falcon 7B Instruct、Gemma 7B 等开源 LLM 在重复囚徒困境中普遍比人类更合作,尤其在随机伙伴环境下,人类平均合作率为 28.5% 时,部分模型超过 80%。 Qwen-2.5-7B-Instruct 表现确定性强,Phi-mini-MoE-Instruct 变异性大且短暂接近人类水平。这些 LLM 具备行为模拟代理潜力,但目前尚不可靠地替代人类参与者。

10月19日周一
  1. arXiv · ML29

    利用国际象棋基准测试大语言模型提示词优化

    研究人员提出基于1,118个Lichess谜题的国际象棋基准,用于评估冻结LLM的自动提示词优化。该基准包含精确匹配评分和引擎评估,具备可再生性和难度调节功能。 测试覆盖6种APO算法和8个目标模型。最强元模型Gemini 3.5 Flash仅解决约55%谜题,完整研究成本约800美元,代码与数据已开源。

  2. arXiv · ML20

    CADENCE 如何通过自适应解码实现 1.3x 生成吞吐量提升

    研究团队提出 CADENCE 方法,在 Llama-3.1-8B-Instruct 模型上实现最高 1.3 倍的生成吞吐量提升。 该方法采用高斯预测头将未来片段表示为连续潜在向量,并通过学习路由器根据隐状态自适应选择解码粒度。 实验显示,在 Alpaca、GSM8K 和 HumanEval 基准测试中,路由器选择的位置草案接受率显著高于固定长度预测。

  3. arXiv · ML32

    跨越 LLM 训练阶段切换优化器的短暂成本

    研究发现 Llama-3 模型从 AdamW 切换至 Muon 优化器几乎无显著性能惩罚,且 Muon 比例增加通常提升 SFT 后的下游性能。 该结论基于 1.2B 模型预训练及 14B 规模 Llama 和 Qwen 模型的持续预训练与 SFT 实验,结果显示后训练优化器选择可独立于预训练优化器。 该研究已被 NeurIPS 2026 研讨会接收,为优化器跨阶段迁移提供了系统性实证依据。

  4. arXiv · NLP35

    嵌入表被高估?小模型与三元语言模型的低成本冻结词汇方案

    研究以冻结的16 MB 512-bit词表替代Gemma 3 270M的可训练嵌入层,整体模型压缩至46 MB。 该方案训练后性能在LAMBADA和PIQA等基准上不劣于基线,稀有词处理优于学习式嵌入。 结合三元BitNet架构,模型在笔记本CPU上实现615-740 tokens/秒生成,内存占用仅为基线的七分之一。

10月17日周六
  1. Google Research57

    Google Research 提出 VERID 框架与湿实验闭环学习构建自主湿实验室

    Google Research 提出 VERID 语义数字孪生框架以让 AI 智能体校验机器人指令,并展示了利用闭合循环发现 DNA 适配体和新颖蛋白质结合剂的研究成果。适配体发现循环的命中率达到 42.1%,蛋白质设计流水线通过切除表位折叠将计算循环加速超过八倍,在相等算力下人机协作相比单人工作使虚拟命中翻倍。

10月16日周五
  1. arXiv · NLP37

    MoCo:用于模型协作研究的一站式工具库

    研究者发布 Python 库 MoCo,旨在整合并标准化大语言模型协作研究。该库包含 26 种协作方法及 25 个评估数据集,涵盖路由、文本、logit 及参数交换等层级。 实验显示,在平均 61.0% 的模型与数据设置中,协作策略优于非协作模型,最佳方法性能提升高达 25.8%。 MoCo 通过统一基准对比与大规模执行框架,为构建开放、模块化的协作 AI 体系提供基础工具。

  2. arXiv · NLP43

    大语言模型基于姓名推断族裔的准确性优于BISG

    研究证明大语言模型无需额外训练数据,即可通过姓名推断族裔,准确率最高达84.7%,超越BISG模型的68.2%。 测试涵盖Gemini 3 Flash、GPT-4o及DeepSeek v3.2等六款模型;开启扩展推理可提升1-3个百分点准确率。该方法显著降低BISG中存在的收入偏差,使富裕地区少数族裔被误判为白人的比例下降。

  3. arXiv · AI36

    冻结 LLM 智能体无需改权重:Life-Harness 运行时框架提升确定性任务表现

    Life-Harness 提出一种不修改模型权重或评测环境的运行时框架,通过演化的干预机制提升冻结 LLM 智能体在确定性任务中的表现。 在 8 个环境、18 个开源基座模型上验证,Qwen3-4B-Instruct 平均准确率较 Meta-Harness 和 AHE 分别提升 28.7 和 7.5 个百分点,且优化 token 消耗分别降低 8.5% 和 68.4%。

  4. arXiv · ML45

    评估概率气象模型在热带气旋预测中的表现:AI 模型对 ECMWF 的比较

    最新概率 AI 气象模型在 2025 年 90% 的热带气旋追踪任务上显著优于 ECMWF 物理集成模型 IFS-ENS。 研究对比了 GenCast、FourCastNet 3 和 FGN,发现 FGN 在概率位置评分上表现最佳,但强度预测和集合离散度仍存在局限。 分析揭示了特定失效模式并指出预训练数据的影响,证实 AI 模型能捕捉极端天气下的物理关系。

  5. arXiv · AI64

    Gemini 4 Argon 智能体团队无预设逻辑通关 Minecraft

    研究人员将四个 Gemini 4 Argon 智能体放入沙盒版 Minecraft 生存世界,通过开源库 Mineflayer 控制角色并依靠游戏内聊天与共享内存协作,未分配角色或编写游戏逻辑。

    推荐理由:实验证明多个AI智能体能在无预设逻辑的情况下协同通关高复杂度任务,揭示了长程规划与协作的实际边界。

  6. Google DeepMind50

    Google Antigravity 加速抗菌肽搜索

    Google 推出 Agentic 开发平台 Antigravity,通过智能体协作将分散的数据库检索压缩为单次会话,加速抗菌肽发现。 结合 ProtNLM 模型扫描 UniProt 数据库中数百万未表征蛋白质,预测其生物功能。 研究人员在 Streptococcus pseudopneumoniae 中识别出一种新的抗菌肽候选物,目前正进行湿实验验证。

10月15日周四
  1. arXiv · ML25

    深度计算在潜空间世界模型组合中是否保留,路由器能否利用?自适应计算研究

    针对9个DeepMind Control任务,12块早期退出潜空间预测器测试发现,深度假设在3个任务中失效,浅层出口反而更准确。 事后最优路由比固定深度混合降低10-37%误差,但训练路由均未超越固定调度,且反转现象依赖组合潜空间监督。 这些结果随编码器、骨干网络和训练数据变化,修正了此前关于路由有效性的多项主张。

  2. arXiv · NLP25

    设计文本界面以增强音视频问答中的 LLM 推理

    研究通过对比 Qwen3-Omni 和 Gemini 实验,提出直接推理、captioner-reasoner 及 agentic 三种文本界面设计。 直接推理的 prompt 优化收益因模型而异;后两者虽提供可解释性更强优化接口,但优化难度更高。 研究凸显文本界面设计是使 prompt 优化在多模态推理系统中有效的关键因素。

  3. arXiv · NLP25

    多语言摘要 LLM 评估:GPT-5.6 Luna 未保持孟加拉语优势

    该研究对 8 个 LLM 进行零样本基准测试,GPT-5.6 Luna 领先英文词汇指标,LLaMA 3.3 70B 取得最高 ROUGE 和 BLEU,Gemini 2.5 Flash 获最高孟加拉语事实性分数。 测试采用词法、语义指标及 LLM-as-a-Judge 评估,结果显示不同方法产生不同排名,单一指标存在局限。 这凸显了面向低资源语言需采用综合评估框架的必要性。