跳到正文
11月19日周四
  1. arXiv · NLP22

    ExecJudges 如何用可执行程序替代 LLM 进行可扩展的相关性标注

    ExecJudges 利用前沿 LLM 生成基于词汇匹配等规则的可执行程序,在 TREC DL 2019-2021 上的标注一致性达到 Claude Sonnet 5.5 LLM 判决水平。 该方法单次生成程序成本为 $0.17-$0.49 每主题,无需额外评分开销,且生成的标注能以 0.87-0.94 的 Kendall's tau 值对官方 TREC DL 运行结果进行有效排序。

11月18日周三
  1. arXiv · AI31

    ForecastGym 发布:用于预测智能体的实时、受控且可回放基准测试

    ForecastGym 通过记录 4 个商业搜索 API 对 150 个预测问题的响应,构建了包含 614 个证据状态和 131k 条结果的冻结基准。 该基准揭示了证据来源的重要性:更换搜索 API 可使 Brier 分数变化达 0.043,且持续笔记策略能以一半输入 token 取得相似评分。 所有测试 LLM 在冻结证据下的预测准确率均落后于市场,表明预测者看到的证据与模型本身同样重要。

11月17日周二
  1. arXiv · ML40

    LogT:通过逻辑链引导的SFT数据引擎提升视觉搜索推理

    该研究提出自动化SFT数据引擎LogT,通过强制逻辑链引导生成高质量训练数据,解决视觉搜索中逻辑推理与工具使用挑战。 在Qwen2.5-VL-7B和InternVL3.5-8B上验证,LogT-SFT仅用3.1倍更少的数据和120倍以上更少的GPU小时,超越SFT和RL训练的SOTA模型。 应用简单RL配方后,模型性能比复杂RL设置方法高出9.59分,并展现出更高工具使用准确性与结构化推理轨迹。

  2. arXiv · NLP28

    数字痕迹预测分析:任务效应、学生差异与关键网络推理中的跨任务稳定性验证

    针对 424 名大学生 527 个浏览会话的研究表明,在跨任务评估中,咨询顺序与关系结构对相对学生表现无显著预测贡献,十二项预设主要测试均未显著。 尽管跨任务合并观察显著提高了相关性,特别是事实正确性方面,但句子嵌入仅在保持任务上与通用响应质量呈现微弱正相关,未确立额外预测价值。 研究指出合并预测相关性可能无法反映任务内学生差异,凸显了任务内评估与标准泛化性审计的必要性。

11月13日周五
  1. arXiv · AI20

    STRATOS:弥合气象数据时空 Text-to-SQL 中符号到数值的鸿沟

    针对通用 Text-to-SQL 在处理 Copernicus 气象数据时因符号-数值鸿沟失效的问题,STRATOS 框架通过空间语义消歧实现端到端转换。 该框架利用局部本体映射模糊概念,外部知识库解析空间实体,复杂度感知重写器将执行时间从小时级缩短至秒级。 研究构建了包含 7,520 个专家设计复杂查询对的 STRATOS Evaluation Workload,旨在测试此前未被探索的时空维度。

  2. arXiv · NLP21

    DeepStress: 深度搜索智能体的压力测试框架

    研究团队提出 DeepStress 框架,用于评估深度搜索智能体在低质量证据下的鲁棒性。该框架通过动态合成文档环境,独立控制文档的可信度、相关性和事实准确性。在 HotpotQA 和 BrowseComp-Plus 上评估了 12 个系统,发现多个开源权重智能体在来源存在明显可信度红旗时仍自信作答,且许多 HotpotQA 问题即使所有返回文档事实错误,也常依赖参数化知识回答。

  3. arXiv · AI35

    Qwen2.5 小模型推理能力路由:模型容量与提示词优化对下游质量及效率的影响

    Qwen2.5 小模型(1.5B-14B)经提示词优化可路由推理、检索等能力,14B 路由器下游 token 消耗减少 68.7%。 最小提示下增大容量未一致提升分类性能,提示优化缩小了推理和计算器路由的容量差距,但 RAG 和 Web 搜索仍受益于更高容量。 14B 路由器 BERTScore F1 达 0.8408,接近全能力启用的 0.8418,中位延迟降低 80.5%。

  4. arXiv · ML38

    LLM 驱动自主策略搜索中循环内通缩检验的失效与防护

    研究发现,在 LLM 驱动的自主策略搜索中,循环内通缩检验的阈值可被搜索过程本身利用,导致“方差稀释”效应,使平庸的近似重复候选降低合格线。 在 53 项审计中,采用门控搜索的 37 次运行中有 36 次报告“无可证明的发现”,而未设门控对照组在 16 次运行中均报告了策略;所有实验组的样本外置信区间均包含零。

11月12日周四
11月10日周二
  1. arXiv · AI40

    大规模审计揭示 AI 聊天机器人对俄罗斯国家关联媒体 Pravda Network 的检索率与引用偏差

    研究对 11 个主流 AI 聊天机器人进行审计,发现 Pravda Network 文章仅出现在 7.3% 的响应中,其中 3 个平台贡献了 94% 的检索量。 审计涵盖 10 个 Chatbot 和 10 万条提示,Claude 是主要检索来源,ChatGPT 和 Gemini 未检索到相关文章,各平台附加警示语比例在 5.3% 至 76.2% 间波动。

  2. arXiv · NLP21

    TS-GEAR: Taobao Shangou 生成式广告检索框架

    TS-GEAR 是淘宝闪购部署的生成式检索框架,使用 0.1B 轻量级主干模型,每天处理超过 1.5 亿次查询。 该框架通过 Geo-Semantic ID 将地理信息作为预测目标,利用 Query-Geo Target Attention 聚合用户历史行为,并采用 GMPO 优化去重奖励。

  3. arXiv · NLP35

    CHO-Bench:上下文提示词如何影响 LLM 广告排名

    CHO-Bench 引入 119 万次成对评测,证实 LLM 广告中上下文提示词能改善广告排名。 该基准涵盖 5 个数据集,采用嵌入模型与 LLM 两种排名器,发现不同生成策略在特定配置下表现差异显著。 研究确立了离线广告侧排名优化基准,并指出模型特异性提示词选择及预算感知生成存在优化空间。

11月9日周一
  1. arXiv · ML26

    LLM 人设模拟对信号形式的影响:电商冷启动广告中的关键设计选择

    基于真实 Google Ads 电商数据,研究发现影响 LLM 人设模拟质量的三大信号形式维度为:无噪声人口统计锚点、相对定性横幅盲区信号、提示词措辞。该方法 MAE 达 24.9,比最佳非 LLM 基线低 51.3%。 消融实验表明,极简人口统计描述比丰富人设配置误差更低,相对定性提示显著优于定量锚点。

  2. arXiv · NLP28

    L-MARS:具备智能搜索与引用忠实度审计的法律多智能体系统

    L-MARS 是一个开源法律问答多智能体系统,通过智能搜索和跨家族法官验证提升引用准确性。在100题法考审计中,其多轮法官循环将严格引用 F1 从 0.13 提升至 0.25,无引用率从 34% 降至 13%。系统引入 Faith-Search 后处理步骤,将不可达引用率降至 1% 以下。该工作已被 ICML 2026 AI for Law Workshop 接收。

  3. arXiv · NLP31

    MARS:无需检索器的多语言搜索智能体训练

    MARS 是一个基于强化学习的多语言搜索智能体,通过直接操作原始语料库实现无检索器的证据获取,并引入语料库原生实体锚定技术。 模型设计了冗余感知的搜索奖励,旨在生成简洁高效的搜索轨迹,避免多语言场景下强化学习的训练坍塌。 实验表明 MARS 在多语言泛化性上优于基线模型,并显著减少了冗余的语料库交互。

11月6日周五
  1. arXiv · AI28

    CORE: 深度研究中的粗到细搜索与上下文管理

    CORE 是一个无训练 harness,结合粗到细搜索与上下文管理,通过稠密检索与重排序器返回最相关 snippet。 它允许智能体扩展已检索源的上下文并抑制重复 snippet,在三个基准上实现 SOTA 答案准确率与证据召回。 在含最高 5.53 亿文档的语料库上,Tongyi DeepResearch 和 OpenResearcher 对比测试中表现领先。

  2. AWS Machine Learning Blog67

    Amazon Bedrock AgentCore 发布 Web Answer

    Amazon Bedrock AgentCore 宣布 Web Answer 正式可用,通过一次工具调用返回基于当前网络来源的综合答案及对应引用。Web Answer 由 AWS 托管,内置代理式搜索流程:自动规划并行搜索、核实事实,最终输出Markdown格式答案并附引用URL。

    推荐理由:Web Answer把搜索、检索、合成和引用流程收敛为一次调用,开发者不必自建管道即可获取带来源标注的网页答案。

11月5日周四
  1. arXiv · AI34

    ModalSearcher:将视觉证据融入自主跨模态深度搜索

    ModalSearcher 通过强化学习在实时 Web 环境中训练,提出自主跨模态搜索能力,平均准确率比 Qwen3-VL-8B 提升 16.2 分。 该 Agent 在五个多模态知识密集型问答基准上表现一致提升,并可处理跨模态多跳任务。 研究为构建能动态切换模态、主动引入视觉证据的智能体提供了可扩展路径。 ```

  2. arXiv · NLP41

    ODE:面向视觉原生多模态深度搜索智能体的在线策略数据演化框架

    ODE框架提出图像库引用协议,使中间视觉证据可被后续工具复用,并通过闭环数据生成器实现SFT和RL数据策展。 该框架支持在线策略数据演化,每轮从被训练策略的rollouts中提炼数据。 在8个多模态深度搜索基准测试中,Qwen3-VL-8B智能体平均准确率从24.9%提升至39.0%,30B模型从30.6%提升至41.5%。

  3. arXiv · NLP29

    LegalEvolver:基于规则引导自我演化的法律判决预测智能体框架

    研究人员提出 LegalEvolver 框架,通过规则引导的自我演化优化检索查询,解决法律判决预测中查询质量低的问题。 该框架利用启发式优化查询作为种子,将轨迹经验总结为动态规则,并结合强化学习实现多轮迭代自我演化,突破模型初始性能上限。 在广泛基准测试中,其端到端性能证明查询优化的有效性,且动态规则优于固定规则,证实了自我演化的益处。

  4. arXiv · NLP28

    搜索增强 LLM 智能体中的认知偏差特征:分阶段分析

    研究开发受控搜索框架,在10个模型和1000个合成搜索环境中分析初始证据顺序对LLM智能体最终答案的影响,发现主动搜索阶段最终答案对初始证据顺序更敏感。 死端历史相对中性历史会减少策略切换,表明该效应超越上下文长度限制;错误假设下的阶段测量区分了检索减少与反证打开后持续的错误。

11月4日周三
  1. arXiv · AI22

    VisSearch-Bench:多模态智能体长时程视觉搜索基准

    VisSearch-Bench 发布 204 个人工编写任务,涵盖 7 大领域,旨在评估多模态智能体在视觉密集任务中的视觉上下文管理能力。 该基准测试了 16 种多模态模型,要求结合物体外观、局部细节、空间关系与外部信息,最佳系统仅完全解决 26.47% 的任务。 现有系统难以将视觉证据与搜索结果有效关联,凸显了长时程视觉搜索在完整回答生成方面的挑战。

  2. arXiv · AI26

    CREO:面向搜索智能体的对抗性自演化攻击框架

    CREO框架通过攻击者策略演化与防御者自适应缓解的双层优化,揭示搜索智能体在动态网络环境中的脆弱性。 该方法利用对比式演化信号驱动攻击策略群体定向进化,并在受控沙盒中设计细粒度指标量化内部漏洞。 实验表明该框架的攻击效能优于静态基线,凸显了开发更鲁棒防御框架的紧迫性。

  3. AWS Machine Learning Blog23

    Gen Digital 如何利用 Amazon Bedrock AgentCore Web Search 构建 Norton Revamp 的 AI 策展新闻引擎

    Gen Digital 基于 Amazon Bedrock AgentCore Web Search 构建了 Norton Revamp 的 AI 策展新闻引擎,该平台于 2026 年 3 月上线。该引擎通过实时联网搜索为用户提供 AI 生成的内容建议、新闻流及目标设定,解决静态知识库滞后及传统爬虫基础设施负担过重的问题。

11月3日周二
  1. arXiv · NLP32

    WeSearch: A Unified Model-Centric Retrieval Framework for WeChat Search

    WeChat 搜索推出统一模型中心检索框架 WeSearch,已承载 100% 生产流量。 该框架通过检索查询相关簇并排序原子文档,将候选剪枝与细粒度相关性建模解耦,支持模型每周或按需每日刷新。 全流量 A/B 测试显示,该方案提升 0.68% CTR 和 2.27% 人均点击数,同时降低 41% 检索资源成本。

  2. arXiv · NLP24

    Sentiment sensing: 多语言情感动力学的比较分析

    研究人员提出 sentiment sensing 框架,结合成分数据分析、函数数据方法与非参数推断,解决跨国情感分析中的语言偏差、统计失效及动态检测难题。 该框架在欧洲联盟 27 个国家关于能源和人工智能的新闻文章两个案例研究中完成测试,实现了有效的多语言比较和情感转变检测。 框架旨在推动多语言情感分析领域的严谨比较科学研究。

  3. arXiv · AI31

    PatchScout:基于信息觅食的主题化网页数据收集框架

    PatchScout 是一个多智能体框架,通过平衡局部开发与自适应 patch 切换来优化主题化网页数据收集。 在四个实时网络主题实验中,该框架显著提升了收益率和领域覆盖率,优于遍历法和搜索增强推理基线。 在一个社会科学应用案例中,PatchScout 发现了 102 个先前未识别的实体,展示了其扩展现有主题数据集的能力。