BELL 框架实现大语言模型水印的高效查询定位
BELL 框架通过自适应分配策略和 token-weighted e-BH 程序,实现了大语言模型水印的高效定位,避免昂贵的密集 token 级评分。 该方法在无需区域间独立性假设的情况下控制 token-weighted false discovery rate (FDR)。 实验表明 BELL 在多种 LLM、数据集和水印方案中均优于竞争方法。
BELL 框架通过自适应分配策略和 token-weighted e-BH 程序,实现了大语言模型水印的高效定位,避免昂贵的密集 token 级评分。 该方法在无需区域间独立性假设的情况下控制 token-weighted false discovery rate (FDR)。 实验表明 BELL 在多种 LLM、数据集和水印方案中均优于竞争方法。
提出按说话人图记忆的 LLM 代理记忆系统 TrackMem,并以 15 段投资对话、765 个问题的 FinLoCoMo 作为评测基准。 在失效模式子集上,TrackMem 宏观准确率为 73.9%,高于最强基线 69.4%;修订数字类问题分别达 86.5% 与 73.4%。
研究提出联邦知识保持学习(FKPL),在 Office-Caltech-10、PACS 和 DomainNet 子集上平均准确率分别为 73.01%、67.00% 和 64.51%。
研究人员提出 AI-FAIR 元数据标准,将传统 FAIR 原则扩展至双向“问题-数据-模型”三角形,旨在解决生态与生物多样性领域数据基础设施碎片化及价值单向流动的问题。
summary_zh: top-$k$ 检索使记忆价值无法确定,LEDGER 通过估计 Shapley 值解决该问题。 LEDGER 在 HotpotQA 上将确定记忆比例从 0.001 提升至 0.797,准确率变动在 $\pm3$ 点内。
研究证实,结合无参数关系编码器的单表基础模型(TFMs)在关系型数据库预测中具有竞争力,尽管未接触关系数据预训练。 其机制在于无参数编码器将关系效应映射为固定长度嵌入,粗略模仿 TFMs 原设计的分布,从而转移单表属性至关系场景。 分析为提升关系型数据库基础模型提供新路径,特别是在强调可解释性和智能体系统集成的情况下。
工作流 RecGroupMemory 通过群体级用户画像和基于前一天的反馈修订决策指引,支持基于 LLM 的电商推荐。在针对淘宝低消费用户群体的在线对比中,无记忆基线、无反馈记忆和有反馈记忆分别使被引导交易用户数提升了 0%、1.58% 和 1.78%,且验证检查确保选定的源数值在反馈修订后保持不变。
针对金融问答中的 LLM 幻觉问题,该研究在 PHANTOM 基准上分析了 9 类幻觉,发现传统二元检测器子类型准确率仅 44.7%。 研究提出一种两阶段层级检测器,将二元准确率提升至 95.6%,子类型准确率提高至 56.1%,优于单一指标评估。 结果表明,类型级评估能揭示聚合指标所掩盖的检测器弱点,对金融合规场景具有参考意义。
ClickSight 是一个利用 LLM 分阶段流水线解读学生点击流并评估学习策略遵从度的框架。 评测基于 2 个学习环境、365 名学生及 12 个模型底座,推理模型表现优于指令微调模型。 该框架将细粒度点击流与理论定义的学习策略相结合,为研究数字学习环境中的学生行为提供灵活方法。
针对 LLM 智能体中记忆交付后是否被实际使用的问题,研究提出 MemUse 评估框架。该框架基于 8,000 个 SWE-bench Verified 案例,对比记忆交付内容与智能体实际行为及后果。
SPAR 提出自我进化框架,在 1688 平台 20 万+ 商家 A/B 测试中实现转化率提升 15.8%,高意向商家增长 35.8%。 该框架采用双循环架构,通过因果归因驱动策略假设演进,无需更新模型参数。 专家人类评估中 SPAR 整体销售质量获 4.62/5 分,为所有方法中最高。
HiGenTrans框架通过层级迁移LLM知识,显著提升生成式推荐在召回率等指标上的表现。 在三个公开基准测试中,该模型相比最强基线提升Recall@10达12.9%,NDCG@10提升33.7%。 其优势源于在输入、表征和决策三层引入LLM知识,有效解决了交互监督不足和重排序偏差问题。
针对长 SKILL 文档中基于相似度的检索易遗漏必要前提的问题,SkillCDG 框架将文档重构为约束依赖图,实现基于闭包的选择性规则检索。 该框架结合可验证奖励的组相对策略优化,对高熵推理 token 进行选择性 on-policy 蒸馏,以提升判定准确性。 在三个企业数据集和两个公开基准测试中,SkillCDG 在准确率和 F1 分数上均优于全文档及检索基线模型。
提出 LadderRAG 无图 RAG 系统及 CrossChapterQA 数据集,后者含 1,853 个跨章节问题。 LadderRAG 索引单本书成本约 $0.41,单次回答低于 1 美分;经四次架构重构,检索召回率从 0.36 提升至 0.79。 引入类似 RLAIF 的架构级反馈机制,最终答案平均得分 6.5/10。
Circle K 基于 Amazon Bedrock 构建自动分诊系统,将平均分诊时间降至 15 分钟以内,效率提升 67%–75%。 系统采用 Agentic AI 架构,利用 Bedrock Flows 及 AgentCore 自动检索日志并生成 Slack 摘要。 此举让值班工程师即刻获取可操作上下文,免去了手动排查 45–60 分钟的操作。
利用 Amazon Bedrock AgentCore 和 Nova Multimodal Embeddings 构建多智能体工程助手,自动化装配替代零件评估证据并生成文档,由 Claude 系列模型驱动路由与综合。
AWS 展示如何用开源 Crawl4AI 处理网页内容以摄入 Amazon Bedrock Knowledge Bases。Crawl4AI 生成 Markdown 和元数据文件存入 Amazon S3,供知识库解析、嵌入并建立索引。 该方案适用于需要过滤导航栏、提取特定区域或添加自定义元数据的场景。工作流由 EventBridge 触发 ECS 任务执行爬取、上传及摄入作业。
Ctrl-G 提出首个联合控制结构暴露与交互暴露的 KG-RAG 框架,以支持多跳推理。 通过本地构建查询条件脱敏视图及层级控制器,结合局部经验记忆复用验证过的推理痕迹,减少远程调用泄露。 在六个基准中的五个上取得最高准确率,相比最强基线最高提升 13.8 分。
MedResearcher-R1-32B 在 MedBrowseComp 基准上以 27.5/50 分超越 o3-deepresearch 的 25.5/50 分,创下 SOTA 表现。
六种 LLM 工具检索结构对比显示,无训练且单次 LLM 调用的结构在 AppWorld k=16 时完成率不足 10%。 训练后的集合级检索器(75-90 条数据)无 LLM 调用即可达 .58 完成率;LLM 导航层级需 31-38 次调用耗时约 5 分钟。 检索完整性直接决定智能体下游任务成功率。
现有 RAG 知识投毒防御主要依赖攻击成功率(ASR)评估,掩盖了防御本身引入的失败及机制。研究提出 Aligned RAG Evaluation 协议,通过对比匹配查询下的干净与投毒响应,区分“被阻止”的攻击与“被引入”的错误。
提出DecisionRank模型,通过项空间在线策略蒸馏将生成式LLM的排序知识迁移至决策模型,解决了教师模型偏好表达与学生模型评分机制的差距。 该模型结合离线排序监督,在TREC DL、BEIR和BRIGHT等基准上达到最优性能。
针对现有NIAH基准存在合成数据偏差和人工标注污染问题,研究人员推出动态基准GraphNIAH。该基准基于LLM知识截止日之后的真实论文引用图谱构建,通过自动化流程生成长上下文问答示例。
Gemma-3-12b 在 RAG 环境中检测误报的能力随投毒文档数量增加而显著下降。 在 200 个 SciFact 问题上,当 6 个相互一致的投毒文档与 1 个健康文档对比时,模型检测率从 25%(少数投毒)降至 10%(多数投毒)。McNemar 检验显示 34 个案例从检测转为未检测,证实了模型对多数投毒证据存在类似顺从的偏差。
研究在 27 种压缩设置中发现“规模-保真度悖论”:增大 LLM 压缩器尺寸虽降低重构误差,却反而降低上下文重建的忠实度。该悖论源于两大因素:大模型更易发生“知识覆写”(如将白草莓改为红草莓)和“语义漂移”(如主客体颠倒),且在中大模型中尤为明显。
RAMA 在 140 卫星轨道上将平均端到端延迟降低 13.4%,99 分位延迟降低 66.7%。 该框架结合本地观测、路由历史及检索到的情景记忆,通过 Transformer 决策网络进行路由。 在 1,584 卫星 Starlink shell 1 上,平均延迟降低 93.2%,在线更新后进一步降低 25.5%。
TIZSKT 通过分离行为序列建模与领域局部证据构建,将文本作为索引而非直接迁移表示,在三个公共数据集的留出领域实验中实现了最高平均 AUC 和准确率。 模型采用冻结文本编码器构建固定问题地址,并通过跨片段延续机制保留早期响应访问权限,无需目标域训练即可利用公开问题文本进行推理。
PEEL 方法在 Matryoshka 检索嵌入中提取本体结构,揭示前缀长度与层级粒度的对齐规律。 该方法仅使用概念词汇表,通过最小生成树解码税务 DAG,在 OLLM 基准上实现高保真结构恢复并迁移至新领域。
ZeroPolar 利用无需真值标签的结构极性指导带符号传播,解决零样本网页分类中链接误导问题。 模型在 11 个图数据集上平均准确率 73.99%,较 LLM-BP 高 6.01 分;仅需 5% LLM 标签即超 GNN 基准 10.80 分。 该方法显著优于 18 个基线,实现无训练或单次去噪的高精度分类。
研究团队基于 Rust 原生图数据库 Samyama 构建开放生物医学知识图谱生态系统,单库合并 22 个图谱后包含 3.28 亿节点和 14.4 亿边,加载耗时 37 分 49 秒。 在 40 题 BiomedQA 基准测试中,专用 MCP 工具准确率达 98%,高于独立 GPT-4o 的 75%,且零模式错误。 该系统实现了跨知识图谱集成与 AI 智能体高效访问。
该研究提出利用因果关系提升 RAG 检索精度,指出标准终端检索常因相似度仅捕捉关联而非因果导致失效。 方法基于 Reichenbach 共同因原则构建因果图,将查询与文档共享关键词建模为潜在共同因 A,残余关键词为 B。 实验表明该模型在检索可靠性上达到 95% 以上,并验证了其完全本地化部署的可行性。
ProSearch 是一个用于实验科学中多约束协议检索的基准,包含 1,515 个跨六大领域的查询。 该基准基于真实实验记录构建,每个查询包含 3-5 个显式约束,涵盖 60 个实验领域及其依赖关系。 在 19 种检索器的测试中,最佳检索器的 nDCG@10 平均仅为 0.290,重排序后提升至 0.474;该工作已被 NeurIPS 2026 接收。
RAGFlow 开源知识编译管线将检索转化为结构化上下文供给。 导航树使查询 token 减少 91%,平均降幅 38%,决策门延迟从 140s 降至 30s。 该架构构建智能体原生数据库,提供治理过的编译上下文。
ID2Pattern 提出一种预训练框架,通过编码身份行为模式提升交易风险基础模型的泛化能力。该框架利用局部匿名 ID(LAID)分词器捕获序列中的身份出现模式,并在无标签序列上预训练多尺度模式码本,将 LAID 序列抽象为离散行为模式。在工业数据集上,该方法比强基线平均提升 4.13%;在六个公开数据集上,平均提升 8.83%。
研究人员提出 RECITE 框架,用于自动化发现并实施基于证据的临床试验纳入标准修订。该框架在 5,735 项试验中构建了 11,913 个标注实例数据集。 基准测试中,Gemma 2 9B 和 GPT-4o 在标准化得分上分别达到 0.742 和 0.745。研究通过智能体系统识别出 44 篇论文与试验的匹配证据,表明现有临床知识可转化为可操作的试验设计建议。
基于 24 个留出的合成组织,针对链式连接特征调优的梯度提升模型在链接平均精度上达到 0.823,超过 GraIL 风格 GNN 的 0.663。 在包含 2.0% 正实体的新队列中,该模型 AP 为 0.798;在 40% 标识符连接失败时,GNN 的 AP 0.712 反超至 0.683,但结构审计发现原始生成器存在捷径。
FunnelAL 是一种用于单类发现的先检索后排序主动学习系统,结合 RankNet 与 QBC 探索策略。在五个数据集及含 2.15 百万图像的 iNaturalist 语料库上,它比邻域基线快 8 倍,且在 10% 标签噪声下 F1 高于多个基线。
论文提出 TICL³,通过结合表格基础模型引导的共享线性模型与局部残差线性模型,实现了可内建可解释的表格预测。 在 386 项基准测试中,TICL³ 在 266 项中优于 CatBoost,支持度 F1 比 MAPLE 提升 4.7 个百分点。 该方法使模型在做出预测的同时直接解释特征贡献,适用于生物标志物识别等场景。
该研究提出自适应混合检索(AHR)框架,在金融、法律和医疗文档中评估了向量RAG、树形推理与AHR三种配置。 实验表明,树形推理总体得分最高(0.900),但AHR在交叉引用查询中占优(0.850),向量RAG平均延迟最低(1.61s)。
Attribution Gradients 技术通过整合证据计数、支持/矛盾摘录及上下文解释,并支持原地解包二级引文,提升引文信息密度。 实验室研究表明,该技术在批判性阅读任务中支持深度参与,相比标准引文设计,显著增强了读者对来源信息的理解深度。