L2C:LLM 引导工作流进化实现 Token 高效的红队测试
summary_zh: L2C 框架通过 LLM 引导进化多智能体工作流,在自动红队测试中显著提升了效率。 该框架在六个配置中将 ASR 提升 1.4 至 4.5 个百分点,同时减少 35.6% 至 37.3% 的平均在线 Token 消耗。
summary_zh: L2C 框架通过 LLM 引导进化多智能体工作流,在自动红队测试中显著提升了效率。 该框架在六个配置中将 ASR 提升 1.4 至 4.5 个百分点,同时减少 35.6% 至 37.3% 的平均在线 Token 消耗。
新型循环序列混合器 Kernel Ridge Attention (KRA) 结合学习非线性特征与协方差引导的记忆更新。 通过递归岭回归存储关联,利用 Ornstein-Uhlenbeck 过渡控制保留率,使推理状态大小独立于上下文长度。 在语言建模实验中,KRA 预测质量优于注意力及循环基线模型,并实现高效的分布式训练吞吐量。
GALA提出一种无标签校准方法,通过图库对齐提升EEG视觉解码性能。在THINGS-EEG-2基准上,新用户Top-1准确率从28%提升至67%。该方法在60种评估设置中均为最准无标签方法,平均领先竞争者6.6分。
该贝叶斯方法在 AIMS 竞赛中实现 0.188477 的 Brier ALC,比基准降低 24.6%。 提交代码仅 7,754 字节,单次预测耗时 12.71 微秒。 证明紧凑贝叶斯模型在稀疏反馈下的预测价值。
研究发现,冻结双向模型在82名健康人和43名卒中患者测试中,主要依赖共享的步态相位模式。 移除完整源模态使重建RMSE增加6.90%至11.38%,而参与者间替换仅增加1.68%,且学习不对称性预测POMA分数表现不如基线。 结果表明模型缺乏明确的受试者特异性耦合及额外临床价值。
论文提出 Embodied Graph 和 Relational World Model (RWM),通过稀疏状态抽象解决长时程任务中预测误差累积问题。 RWM 包含任务感知图构造器和图循环状态空间模型,在 Minecraft 实验中成为唯一在预算内获得钻石的方法。 实验还验证了关系状态预测在 Web 智能体决策中的适用性。
平均每次运行约 1000 次 LLM 调用,最长用例达 14,407 次调用、2.13B tokens 和 608 个资产;评测含功能验收、智能体试玩与人类盲测。 结果显示长程 3D 游戏开发远未解决,代码正确性并不决定玩家偏好,公开竞技场已上线。
研究人员发布大规模生物医学基准 TabBioMed,包含 94 个精选公开表格数据集,涵盖电子健康记录、药物发现及单细胞组学等领域。 该基准统一了预处理和评估框架,对 23 个模型进行了测试,发现基础模型在家族层面表现最强,但树模型和多层感知机在成本约束下极具竞争力。 TabBioMed 提供了数据集、代码及结果,为生物医学机器学习的模型选择与方法开发提供了可复现的基准。
研究在8万多个合成驾驶场景中基于PlanT 2.0模型分析发现,注意力机制提供的是相关性而非因果性的物体重要性指示。 注意力方法无法一致识别所有相关物体,且常错误地将对驾驶影响微小的物体判定为相关;其在简单单车道直线场景中表现尚可,但在多车道和路口等复杂场景下准确率显著下降。 这些结果凸显了注意力作为物体重要性代理的局限性,呼吁开发能准确捕捉单个物体对车辆驾驶因果影响的新方法。
研究者提出主导对齐子空间(DAS),主张 Hessian 曲率最高的方向并非优化路径,并证明 DAS 约束训练在低维梯度对齐子空间内即可收敛。 基于物理信息神经网络(PINN)在抛物线、椭圆及双曲算子上的基准测试显示,即使投影 Hessian 病态,DAS 限制训练配合线搜索仍能达到全空间训练效果。
全球银行创新实验室对 10 个 Agentic AI 平台进行九维评估,分数稳定分为三层,并揭示负载特异性优势。 Cronbach's α 高达 0.98 与排名相关性≥0.93,显示演示式评分存在光环效应,建议采用分层协议与可靠性指标。
研究证明 $O(\log |G|)$ 次随机重写足以替代单一表示的重复采样,恢复所有 $|G|$ 次重写提供的信息,且该对数扩展律在一般情况下是最优的。 理论表明,只要模型答案依赖于输入写法,在相同前向传递次数下,将计算预算用于重写输入而非重复采样原始提示词,准确率会显著提升。
论文提出自进化空间推理框架 Space-X,通过执行智能体与控制智能体协同演化,构建连续且可追溯的空间证据链,解决工具增强智能体证据获取目标模糊及语义不一致问题。
该论文提出凭证保留证据传输(WPET)框架,旨在解决 LLM-Agent 技能在上下文变更后复用时的信任与授权问题。框架定义了可废止的复用声称(WRC),将历史证据的适用性判定与真实性区分,并制定了条件保留结果及三值适用性标准。 文章强调 WPET 是一种规范学科而非已实现的验证器,仅贡献形式化问题陈述、设计义务及报告协议,未提供经验性优越性证明或通用 agent 安全证明。
现有联邦 LoRA 方法保留主奇异方向导致响应误差无界,本文提出 RASA 框架解决矩阵最优截断与接收方需求不匹配问题。 RASA 利用对角输入二阶矩执行无中心化 PCA,在 DomainNet-100 上将准确率提升 3.23 个百分点,SuperNI 任务 ROUGE-L 最高提升 8.33。 该框架支持资源、任务和数据异构场景下的高效模型微调,具有即插即用特性。
研究者推出原生权重编辑方法族 HypoLoop,利用实验反馈动态调整参数修正策略。 在涵盖 22 个科学任务的实验中,该方法在 Burgers 数据集上将误差降低 58.80% 至 47.72%,并显著提升了 DIODE 的预测精度。 该方法证明了实验证据能有效塑造模型更新问题本身。
提示词条件化 SDF 让 LLM 相信 prompt 中的虚假事实,其信念深度随训练事实数量呈对数线性增长。该方法成本较低,结合 RL 减少虚假事实口述率在部分评测中接近 SDF。 小模型在常规蜜罐系统提示中常已表现出对 prompt 事实的相信,导致对齐审计实验结果为负面。
VL-DE 提出基于插入机制的变长多模态生成框架,无需填充或显式长度建模即可处理任意状态空间数据。 该框架利用生成器的加性形式开发高阶采样器,并在布局和分子生成任务中验证了有效性。
跨模态框架 MyoECG 通过从心脏磁共振(CMR)向 12 导联心电图(ECG)蒸馏知识,实现仅凭心电图进行心肌病变检测与分型。该模型在 UK Biobank 等 7 个独立数据集的 180 万份 ECG 上验证,检测 AUROC 达 0.800-0.974,优于 5 个预训练 ECG 基础模型。
STRM通过简化状态和统一更新提升了TRM性能。 该模型在Sudoku-Extreme和PPBench上分别比TRM高3.8和8.4分。 它在ARC-AGI-1和2上比已发布的TRM结果分别高5.4和0.5分。
提出无训练判别器 Vanguard,使 2B 模型在 Web、移动端及具身任务上准确率不低于 8B 目标模型,并在 Mind2Web 和 EB-ALFRED 上显著更优。
人类在环的 MLE Agents 在大规模搜索排序器上自主提出并评估模型变更,单次战役运行 1,097 个实验并采纳 325 个,接受率达 29.6%。 该智能体采用并行训练和校准目标来解决反馈延迟与离线指标失准问题,最佳模型在 A/B 测试中使搜索量增加 0.23%,且多探索了人工直觉未涉及的架构变更。
Toaster 通过组合两个线性记忆层并引入激活函数,构建了两层非线性记忆架构,利用目标传播机制更新隐层状态。 在 C4 和 PG19 数据集上,Toaster 的困惑度在所有测试尺寸(0.2B-1.6B)均优于 KDA 并匹敌或优于注意力基线,最大模型三试准确率 51.84%。 在 20K token 长度外推中表现稳定,且比 Titans 快 2.8-5.5 倍,提升了长序列处理效率。
研究人员提出多智能体框架 EVA-RSI,通过构建固定代理考试实现对视频评估器的递归自我改进,无需人工标注即可提供监督信号。 基于 Qwen3-VL-8B 模型,EVA-RSI 在平滑度维度取得最大增益,并在 21 个测试模型中于公共基准动态子集上取得最高分数。 作为强化学习奖励,该评估器提升了生成视频的运动质量并获得了人类偏好。
研究提出三层基准协议,利用 11 个数据集验证智能体生成的协变量,发现 xAI 的 GrokBot 工作区队友在文本及组合特征下于 6/11 和 7/11 数据集中获得更高的 RATE 比率。 协议包含检索合法性过滤、基于 RATE 的异质性验证及编码器合法性检查。研究显示编码器选择显著影响异质性信号,且时间过滤仅能保证检索合法性,无法消除编码器中记忆的未来事实泄露风险。
提出 GUARD 方法,在不改变已部署预测器权重的前提下,通过检索估计校正量并利用部署匹配标签数据学习,解决冻结多模态模型遭遇缺失模态时的校正问题。 基于可交换性假设,GUARD 利用保形风险控制将损失增加超过预设容差概率限制在预设水平,在 9 个冻结模型-数据集对实验中优于盲目校正。 该方法避免了盲目校正常超支的危害预算,保留了大部分校正收益,适用于无法再训练权重的实际部署场景。
该论文表明,当目标分布 $p$ 满足 Poincaré 不等式时,可通过规避“路径空间”分析来缓解扩散采样器的误差累积。 现有理论中采样误差随时间线性多项式累积,本文通过放宽度量至弱度量,在更广泛的框架下实现了这一结果。 研究进一步揭示,给定分数误差界,扩散采样器在总变差距离上几乎达到最优识别精度。
基准包含12,774个独立机器人、16,427次模拟及135个实体建造,66%模拟通过结果在真实环境中有效。 视频闭环使智能体消除72%的低难度失败案例,推动AI向实际机器工程设计迈进。
提出无标签课堂录音教师分割管道,在292条录音中实现0.81和0.87的教师F1分数,优于基线模型。 管道在智能手机上比pyannote快4.8倍,实时因子约0.18,滤波音频转录仅使教师词错误率从0.26升至0.28。 支持隐私保护部署,通过无标签推理标记不可分割会话以人工复核。
提出“Metrics-in-the-Loop”推理时干预机制,在智能体编写代码轨迹中注入循环复杂度与测试覆盖率反馈。 实验表明,复杂度反馈显著降低代码复杂度聚集而不影响正确性,为智能体提供“重新纠偏”的实用路径。 随着智能体处理百万行级代码库,此类实时干预对维持长期代码可维护性至关重要。
DuoCL 是一种双路径在线持续学习(OCL)框架,在四个数据集和三种计算预算下,相比最强的基于梯度的基线方法,在线准确率平均提升 9.67 个百分点。 该框架包含快速解析路径和慢速路径:快速路径从每个传入的小批量中积累特征统计,慢速路径根据可用计算预算定期调整骨干网络。在分布漂移下,DuoCL 始终优于解析学习,在 CIFAR-C 上准确率提升最高达 4.00 个百分点。
COTEX 提出持续工具空间扩展学习,以高效适配器级成本为多模态智能体添加新工具,保留现有工具使用能力。 该方法通过定位工具调用和选择的方向,利用正交约束限制新工具适配器,并在十个视觉语言基准测试中取得提升,现有工具性能最多下降 0.3 分。
T/E/S 结合文本、局部事件和活动跨度,在 76 个评估组中,对 Transformer 和 Qwen 的下一结果预测准确率分别达到 70/76 和 74/76。 通过有限过程实验,取消共享延续质量的边界恢复了最优动作,将平均推理 CPU 时间减少 77.7%;在 71 个 HotpotQA 和 MuSiQue 保留集上,Brier 损失从 0.0836 降至 0.0756。
summary_zh: KnowMe Paper Radar 发布,通过整合主题、时效及合作网络等多维数据,实现无需大语言模型推理的个性化论文发现。 基于174,640条记录测试,系统重复上下文准备速度提升3倍,NDCG@10指标从0.412升至0.598,提供浏览器及CLI界面。
AllotNet 是一个含 23,550 参数的可解释 Mixture-of-Experts 模型,用于人道主义援助分配,在 5.6 million 合成会话上通过 16 项预检。 模型核心保持 fp32 精度,支持 125 KB 的 C11、Java、Rust 和 Python 运行时部署,量化感知训练 NVFP4 下 welfare-rank parity ρ 为 0.9937。
Decision2Care 在 546 例急诊住院记录中实现 86.5% 诊断准确率,每例耗时仅 2.2 秒。 该智能体不生成文本,通过固定规则执行最可能的 EHR 动作,确保每步决策可审计。 其药物处方指导依从性优于 MIRA-v2,在 8 个重症监护组中死亡预测表现与 3 名重症专家相当。
FACT 框架通过跨步训练与置信度引导分配,将 Llama-3-8B-Instruct 在 HumanEval 上的加速比从 1.46× 提升至 2.02×,MT-Bench 从 1.31× 升至 1.75×。
研究提出评估 LLM 自主实验代理的实验过程而非仅看结果,构建了拥有试验生命周期的治理控制平面,并在 6 个 ML 任务和 1,445 次试验中验证了该框架。 治理账本通过追加式记录计算无效操作率、重复坏提案率等指标,暴露了任务分数掩盖的失败,如 120 次试验全败和无记忆分支问题。 所有 1,445 次试验的账本已开源,确保报告中所有数字可重新计算验证。
summary_zh: PivotLoRA 证明 LoRA 适配器初始输入子空间方向的重要性取决于机制,并在 13 种方法中取得少样本 BERT-base 分类最佳平均排名。
RefinementGuard 通过比对候选图与独立参考实现,验证 Agent 工具隐藏并行图中的语义正确性。在 100 个故障案例中,基于义务的验证拒绝 49 个,同时接受全部 60 个有效变体。隐藏执行比可见执行减少 74.3% 父级上下文暴露,定位任务延迟中位比为 4.50 倍。