GraphRAGProv:结合溯源的 GraphRAG 架构
GraphRAGProv 架构通过 SPARQL 查询生成答案及溯源多项式,提升透明性。 该架构记录语句组合方式,支持检查文本到图谱的转换。 交互演示分析了 400 个多跳问答基准案例,揭示潜在提取错误。
GraphRAGProv 架构通过 SPARQL 查询生成答案及溯源多项式,提升透明性。 该架构记录语句组合方式,支持检查文本到图谱的转换。 交互演示分析了 400 个多跳问答基准案例,揭示潜在提取错误。
研究团队训练了紧凑模型 Prospector,通过逐步遍历领域知识图谱来支持科学推理,其性能接近同等条件下的最强现成模型,且远超使用预选图谱片段的现成模型。 Prospector 单次调用少量工具构建上下文,在半导体制造文献图谱上表现优异,并成功迁移至生物启发材料、PFAS 和材料属性等三个未见领域,单 GPU 部署即可运行。
Evolving Agent Teams 框架在 GPU 内核优化上持续优于编码智能体基线,生成的 CUDA 内核使 FlashInfer MLA 分页解码加速 1.2 倍,并在 47 个生产负载中的 36 个上胜出。该框架由中央监督者诊断重构智能体团队,利用持久文件系统积累经验。代码已开源,且在 AMD MI350X 上实现 3.01 倍加速。
研究提出用于大规模生成高保真对抗性证明的 TROJAN 流水线,并构建了包含专家评分的 USAMO 2025 候选答案数据集。 评测覆盖 20 个模型、7 项指标及 3 种推理方法,显示前沿模型在验证数学证明方面仍有较大提升空间。 提出的 MABGrader 多臂老虎机框架在二次加权 Kappa 指标上比 SOTA ProofGrader 高 26.4%,并将评分误差降低 14%。
论文提出 MARQ,一种模块化 LLM-agnostic 原型,通过注入 INCOSE 标准改进需求质量评估。 在 NASA 数据集上,MARQ 使 Claude Opus 5、GPT-5.6 Sol 和 Gemma 3 12B 的中位数 F1 分数分别达 0.80、0.62 和 0.53,显著优于闭源基线。 研究证实该方法能有效提升检测一致性,但不同模型收益表现各异,仍需人工审核。
研究者确立了一般空间(包括黎曼流形、离散网络)上行列式点过程采样的显式速率保证。 核心结果保证收敛速率可比拟于 (样本量)^(-1/2 - 1/(2d_int)),与欧氏空间采样器速率一致。 方法连接 Weyl 定律与 Markov 扩散算子理论,适用于分形等非欧氏空间。
OvisOCR3 是一款 0.8B 参数的多任务 OCR 模型,通过持续预训练和混合任务强化学习整合了文档解析、通用 OCR、关键信息提取等五大任务。模型在 OmniDocBench v1.6 等基准测试中取得 96.74 分的高分,并在 OCRBench v2 等测试中排名首位,验证了小模型在多样化 OCR 任务上的强劲性能。
Triage 是一种免训练注意力方法,在 Wan2.2、HunyuanVideo 和 LTX-2.5 上将端到端生成速度最高提升 2.32 倍。 该方法将注意力分为三级:跳过、NVFP4 快速计算或 NVFP4 残差修正。
研究了一种结合 LSTM 风格循环与共享 KV 缓存的 Transformer 架构。 在 1024 宽度下,该模型比无权重绑定对照组少用 40.4% 参数,并将持续缓存集从 15 个减至 4 个。 通过一致性损失对齐并行训练与递归推理,消除了 81%–89% 的续传损失惩罚,且在低数据预算下优势更明显。
研究发布 CallScreenBench 基准,评测运行在手机上量化至 4-bit 的 0.6-4B 小语言模型作为“电话秘书”的文本对话决策能力。该基准重点评估所有者对代理处理未知来电的认可度,包含五组自动指标及三项警惕性诊断,不定义综合分数。
研究人员提出 SpatialCLI 框架,通过调用空间工具显著提升视觉语言模型的空间推理表现。在 MindCube 测试中,该框架将 Qwen3-VL-8B-Instruct 的准确率从 29.3% 提升至 84.6%。
实时漏洞检测器 REVA 将安全上下文与代码理解组件整合至 LLM 单次前向传播,实现实时筛选新函数。 在 GLM-5.3-Flash 上,REVA 在 PrimeVul 测试集达到 60.0% 准确率,单函数耗时约 1 秒,比最先进的智能体检测器 VulTriage 快 250 倍且成本不足其十分之一。
研究人员提出ZAP策略,通过模拟任务教学使小型预训练视觉语言模型控制机器人,在真实任务中取得96.7%的成功率。 ZAP利用27B参数模型引导世界理解与推理,性能匹配GPT-6 Astra但速度快3倍、成本仅1/17,并泛化至未见的机器人本体与物体。
CyberDual 评测显示,3 个智能体审查者拦截了 1,088 次有效攻击中的 85-91%,但约六分之一攻击槽在审查后仍保留可利用漏洞。 漏洞分布在上游真实提交中,GLM 5.3 在 13/28 个突破三审查者的攻击中占多数;Claude 审查者常误批,GPT-6-Sol 常修错代码。
DPR 方法通过“剪枝-重构”双层稀疏化,将节点剪枝从精度损失转化为 VRAM 受限下的训练加速器。部署版 30% 预算模型在单张 6 GB GPU 上以 1,450 MiB 峰值内存完成训练,相比 DSpar 基线降低 50.1% 内存且精度提升 1.36 pp,所有节点服务速度比 GraphSAGE 快 46 倍。该框架可扩展至 2.45M 节点生产图,证明激进剪枝在显存受限场景下的可行性。
针对在线策略自蒸馏中教师模型因参考条件导致的参考幻觉和重新思考抑制问题,研究者提出了引导教师方法ST-OPSD。 该方法从推理轨迹中提取两个方向,在计算蒸馏目标时调节教师隐状态,抑制引用不可用参考的行为并鼓励在不确定步骤重新验证,学生模型则直接从未受引导的分布中学习。
ProtAgent-8B 通过两步后训练流程,在真实生物信息学工具闭环协议中取得 61.00% 成功率的标注覆盖度。 该指标高于 DeepSeek-V3.2-Thinking 671B 的 41.60%,且优于最强前沿系统的 60.80%。模型采用 SFT 与 REINFORCE 算法,通过步级信用分配显著提升了策略表现。
Patchwork 系统通过共享模板与补丁机制优化域随机化具身仿真,解决并发环境内存浪费问题。 该系统将随机化采样与回放分离,在 robosuite 和 MuJoCo 上测试显示,32 副本共享执行使 CPU RSS 降低 88-92%。 这种资源管理方式将内存增长趋势从实例数量转移至模板多样性,提升了仿真系统的资源效率。
在1211条呼吸声音片段上,30维特征SVM的宏召回率0.78略高于1.13M参数CRNN的0.75-0.77,且无显著差异。 特征标准化使SVM宏召回率从0.51升至0.78,该27个百分点的预处理效应大于模型间差距;仅使用CPU即可在51-74ms内完成推理。
PhysEvolve 通过物理引擎生成可执行世界与反事实任务,无需人工数据训练视觉语言模型进行因果物理推理。 基于 Qwen3-VL-8B-Instruct,在 PhysBench 和 ContPhy 等基准上取得显著提升,如 Throwing 提升 8.8 分,Counterfactual Removal 提升 7.4 分。
MultiEvoSkill 提出结构感知多智能体技能进化框架,通过技能编译器、异构智能体系统及结构感知辩论机制优化冻结 LLM 智能体的技能文档。框架将技能编译为显式拓扑的有类型图,利用集体智能识别最小化且信息丰富的问题,并在依赖与重要性约束下解决候选编辑冲突。实验验证了该方法相较于 SOTA 方法的有效性及其跨模型泛化能力。
OS-Wizard 框架收集 10.9K 条轨迹用于微调开源模型,在专用桌面工作流基准上将性能提升至 64.1%,超越人类水平并确立新的 SOTA。 该框架结合教程引导探索与混合 GUI-代码动作空间,利用应用原生命令简化工作流,并通过树探索检查点重访关键状态以扩大覆盖率。
Numina Fuse 是一款用于在 Lean 4 中进行数学形式化的原生智能体应用。 用户通过蓝图、依赖图和 Lean 代码视图监督 AI 编排器,后端可长时间运行智能体任务。该工作展示了 2026 年从预定义流水线向自主编排器的演进,并应用于三维 Kakeya 猜想的形式化研究。 开源本地版本 Fuse Desktop 已发布,为下一代自动形式化系统提供了设计经验。
轨迹对抗蒸馏(TAD)将OpenVLA-OFT在ManiSkill PutOnPlateInScene25Main任务上的success_once成功率从26.2%提升至76.6%。 TAD通过比较教师与学生轨迹的判别器提供奖励,无需在线教师查询或环境任务奖励。该方法以白盒在线蒸馏为基准,在5.0个百分点的差距内实现了同等优化效果。
Exowatt 采用 Amazon SageMaker AI 无服务器模型定制,构建了可重复的 AI 流水线。该流水线生成的微调模型在特定任务上准确率超过前沿模型,成本最高降低 49 倍。
Qwen3-4B 通过 LoRA 微调,在 CallScreenBench 上实现 AUROC 0.974 和 64.5ms 单次决策。 模型在 41 个场景中未产生误报,且比 LLM 裁判提前 1.14 轮做出决策。 验证了基于读出的校准方法优于传统生成式微调,贡献在于评估协议而非架构创新。
该研究提出层级对齐方法,将解码器深度划分为局部、中间和全局区域,并限制 LoRA 更新仅作用于选定连续块。 在 Qwen 和 Llama 模型测试中,严格匹配可训练参数时,中间区域(Middle)配置在 Qwen2.5-7B 和 Llama-3.1-8B 上实现了比全深度分配更低的 DPO 留出损失,且峰值内存占用更低、训练步长更短。
summary_zh: TIAgent 是一种自动化的计算病理工作流生成框架,旨在解决大语言模型(LLM)在科学场景中因幻觉导致工作流不可靠的问题。它通过自然语言提示构建可验证的计算图,支持生物标志物发现等应用。
大语言模型智能体在迭代囚徒困境中,个体合作未必能转化为集体合作,模型组成和微小语言变化会显著影响结果。 混合种群中,原本对等合作的模型可能转向背叛;简单不确定性提示可改变合作水平并影响网络中未直接暴露的智能体。
LAMB 是基于 ModernBERT 架构的拉丁语编码器,使用超过 74B 拉丁语 token 进行预训练。该模型在 17 个子任务中的 16 个上优于其他模型,在 1 个上落后 0.8 个百分点。
研究提出 MedAction 流水线,通过 LLM 与环境交互合成多轮诊断轨迹,解决现有医疗模型在证据逐步演变时缺乏行动能力的问题。 使用知识图谱指标 DTC 和 RAC 过滤质量,构建包含 32,681 条轨迹的 MedAction-32K 数据集。 基于该数据微调的 8B 模型在 MedR-Bench 和 MedAction-300-Hard 上达到开源模型最佳性能。
研究通过测量 EffiBench 上 11 个开源 LLM 在 4 种解码配置下的能耗,发现 42/44 种配置的自优化代码能耗高于人类参考解。 能耗超标幅度为 +4% 至 +886%。虽然 MoE 架构推理能耗显著更低,但性能优化目标与能效目标并未对齐。 该结果发表于 ICSE 2027。
Kolibri 是一款由 Aleph Alpha 开发的英德双语混合专家模型,总参数量 78.1B,每 token 激活 3.46B 参数,以 Apache 2.0 许可证开放权重。
ALLMTS 是一种自动化 LLM 医疗分诊系统,通过执行商业维护的远程医疗指南进行分诊,在 566 个场景测试中准确率 0.95,优于原始 LLM 基线的 0.47。 该系统让 LLM 执行指南而非直接分诊,在 50 个场景子集上准确率 0.98,过度分诊率降至 0.02。 该成果被 NeurIPS 2026 GenAI4Health Workshop 接收。
本文提出 Self-Direction 机制,允许智能体从错误中提取经验并蒸馏至轻量级低秩适配器。 该方法冻结原始权重,仅训练约 0.02% 的基座参数,在 Qwen 系列模型上将任务成功率提升 8.9 至 17.0 个百分点,且经验可泛化至新任务。 智能体可通过持久化经验库自动路由解决相似问题,显著提高了纠正行为的可靠性。
Phronix 提出能力中心学习范式,通过预测-验证-校正循环使智能体自主获取并复用技能,无需人工编写。 该范式在 93-95% 的情况下首次尝试即解决重复任务,每任务生成 7.6-30.8 个持久能力,暖启动仅耗 0.38-0.40M tokens。
AWS 官方教程演示了如何在 Amazon SageMaker AI 上利用多轮强化学习训练 gpt-oss-20b 模型玩 Wordle。训练后该模型在默认推理努力下的解出率从 61% 提升至 84%,整个 100 步训练过程消耗了约 339 美元的 token 费用。文章详细覆盖了 Agent 部署、奖励函数设计避坑以及通过 MLflow 监控训练曲线的具体步骤。
MiniMax 开源了 MiniMax M3.1 Flash 模型权重,总参数 428B、激活参数 23B。上线 72 小时内真实用户处理 Token 超过 100 万亿。该模型通过全模型稀疏注意力、量化感知训练(QAT)和 Power-aware scheduling 提升了推理效率,并与多家国内外芯片厂商及云服务平台、开源社区完成了首日接入。
推荐理由:M3.1 Flash 上线 72 小时处理 Token 超过 100 万亿,展示了模型的高吞吐与广泛的芯片/云平台生态适配能力。
蚂蚁开源轻训营高校行首站于 10 月 20 日在浙江大学举办,现场六位讲师分享 AI 基础设施进展,专属任务同步开放认领。 核心分享包括 AReaL 实现 2.7 倍吞吐提升,以及 VSAG 稀疏向量检索性能超业界同类 4 倍。 活动旨在通过真实项目让学生掌握 AI 工具与开源协作,提升工程能力。
研究团队将 FunctionGemma 270M-it 扩展至 Android 场景,端侧函数调用准确率从基线的 29.3% 提升至 76.5%。 团队引入约 9500 条对话的 MOBILEACTIONSEXTENDED 数据集,覆盖 15 类设备控制指令,并开源了模型与训练代码。 该方案为低延迟、隐私保护的本地移动助手提供了可行的技术路径。