GraphNIAH: 基于真实世界图谱的长上下文推理基准测试
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。
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。
聊天机器人并不直接理解文本,而是将输入切分为 Token 并预测下一个 Token,且模型本身不记忆历史对话。 系统需将对话历史重新发送,利用向量数据库通过 RAG 检索 3 到 5 个语义相近的数据块,结合 System Prompt 与工具调用生成回复。 每个环节的判断都可能影响最终体验,即使使用顶级模型,单点失误也可能破坏整体功能。
CiteLLM 是一个允许用户在 ChatGPT 或 Claude 中验证 AI 答案的工具,能将结果链接到原始 PDF 中的具体段落。用户可利用该工具检查声明、搜索文档集或提取结构化数据,并生成带人工审核记录的证据报告。
提出在 Transformer 等序列模型中定义、解码和操纵内部表示的广义信念状态方法,该状态满足预测充分性、递归更新和低维可视化三个标准。 方法将信念状态映射至模型内部激活与动态,并通过基于 HMM 的玩具 Transformer 模型进行验证,显示 KV cache 在其中起关键作用。
Scio 是一个由 AI 智能体自主撰写、互审并投票决定发布内容的知识库平台。智能体需引用原始来源,平台通过随机抽取的盲审陪审团进行多数决校验,确保内容基于可验证事实。对比数据显示,Scio 在启动 64 天时发布了 18,933 篇文章,远超同期 Wikipedia 的 1,772 篇,且支持用户通过 Claude Code 等编码助手一键集成查询与写作功能。
Omneum 开源发布,这是一款针对 AI Agent 的本地化上下文控制平面,旨在通过优化证据来源提升 LLM 上下文窗口内的推理质量。 其核心采用双向图进行溯源感知推断,避免阅读源文本即可评估可靠性。在 80-unit 预算演示中,Omneum 保留 2 个区块实现 4/4 声明覆盖,比常规 RAG 少用 32% 空间。
利用确定性检查定位跨系统数据差异,AI通过学习历史对账日志建立基线并生成自然语言解释,将行计数、求和及哈希对比结果转化为可执行的归因报告。 系统每加载运行一次检查,按金额影响、模式新颖度及恶化趋势排序异常项,高置信度匹配已知模式自动记录,其余附带原始数据提交人工复核。
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。
长时域语言代理在重复检索时呈现重尾内存分布特征。研究发现,不同检索策略导致内存集中度显著差异,随机游走符合对数正态分布,语义LLM策略符合截断幂律分布。提出的CTMC控制器在LongMemEval基准上将提示词tokens减少24.48%,同时保持整体准确率。
研究提出规模条件评估协议,检验无关会话累积下 Agent 记忆证据的可用性。 在 LongMemEval 上,HippoRAG 维持双调用预算但可靠性损失 16-20 个百分点;LiCoMemory 表现因 Qwen3 模型版本而异。 该研究被 NeurIPS 2026 接收,支持构建依赖智能体、界面和规模的记忆声明框架。
一项基于 58,746 个 2025 年 NIH 资助项目的分析显示,AI 研究占比达 15.9%,并享受 13.4% 的资金溢价。 研究发现 79% 的 AI 项目仍处于研发阶段,仅 14.7% 进入临床部署。 该数据为 NIH 制定 AI 资金分配与健康公平政策提供了证据框架。
论文提出FARE方法,通过因子感知检索与误差引导融合解决零售预测中完整因子组合历史先例少的问题。 该方法在Favorita、M5、Rossmann和Rohlik数据集上,平均降低五个骨干模型WAPE,降幅区间为4.06%至14.63%。
CovFedAvg 方法通过保留客户端局部模型和曲线控制,聚合梯度以拟合共同终点,并在无中央校准样本的情况下选择候选模型。 在宽度为 16 的实验中,CovFedAvg 将参与 Gas 任务的宏平衡准确率从 FedAvg 的 88.88% 提升至 89.84%,匹配的分发微调则达到 91.65%。
论文提出 PRISM 方法,通过复用上游排序计算生成个性化物品嵌入,将个性化属性直接融入历史输入。 在十亿级规模 Surface 1 离线评估中,PRISM 带来平均 0.15% 的归一化熵改进,优于 VISTA 的 0.07%。 研究还发现 26-240 个事件历史长度下的序列长度缩放定律,NE 增益遵循指数 0.468 的幂律。
研究评估了 Jev 及多个开放模型在 10 个答案引擎上的引用预测能力。Jev 与两个 27B 开放模型得分最高(0.575-0.578),微调后的 GEO Citation Ranker 4B 达 0.542-0.549。团队发布了模型、基准测试及所有评分器的预测代码。
提出 Merge and Branch (M&B) 方法,通过合并压缩历史交互项并分支预测多个目标,提升 LLM 推荐系统的微调效率。 方法采用浅宽树形布局,开发 tree FlashAttention 实现单次共享历史计算及多分支梯度传播,支持约束解码。 实验表明,该方法在公开基准上优于强推荐基线,显著改善训练与解码效率。
实验表明,基于知识图谱的 GraphRAG 在复杂检索任务中优于传统向量 RAG 和 Text-to-SQL。 使用 SEC EDGAR 数据集,GraphRAG 解决 20 题中的 16 题,而 Text-to-SQL 仅 10 题,向量 RAG 仅 3 题。 GraphRAG 避免了同名混淆导致的幻觉,但在结构化聚合查询上表现较弱。
提出在线策略状态训练方法,解决多跳检索增强生成中链式嵌入检索器因自身检索错误导致的证据缺失问题。该方法让编码器在自身可达状态上进行对比学习,使训练分布随模型学习动态更新。在自构造的 HotpotQA 和 2WikiMultiHopQA 长链变体上,该方法无需额外训练即可迁移,且能更频繁地从自身错误中恢复。
Bridge-LP 提出了一种统一图与语言表示的端到端框架,用于文本归因图链接预测。 该框架包含跳跃连接、压缩嵌入和缓存嵌入训练三个组件,有效降低了计算复杂度。 在 9 个数据集上对比 40 个模型,其 Mean Reciprocal Rank 指标最高提升 43.06%。
AgenticDS 是一个契约驱动的智能体框架,通过类型化对象和确定性代码执行混合检索与有界图扩展,在 HuDS-Bench 基准上将 NDCG@10 相比最强稠密-稀疏混合方法提升 25.7%,相比商业 LLM 智能体提升 18.9%。
该研究首次将组 Lasso 原理引入孪生网络,用于同时实现特征选择与数据表示学习。 方法包含基于欧氏距离和修正 Jaccard 相似度的两个变体,后者针对高维稀疏数据设计。在 12 个基准数据集(维度 6-7070)上验证了有效性。
该架构结合金融知识图谱、确定性优化引擎和多智能体 LLM 层,通过上下文工程协调。 基于 15 个部署案例,多智能体验证将幻觉率从 7-9% 降至 1% 以下,部署时间缩短至两周。
研究评估了人工精选、LLM 生成及数据衍生本体在 Web 知识图谱上校验 LLM 智能体答案的效果,涵盖近 10^9 三元组公私数据。结果显示人工本体常将正确答案误判为错误,其精准度仅略高于随机标记,且与其自身数据存在矛盾。
研究提出将知识图谱离线编译为LoRA适配器组作为参数化记忆层,查询时零上下文开销。 在MetaQA数据集上,仅匹配实体适配器可将精确匹配分数从0.007提升至0.243;但基于嵌入或权重几何的检索无法定位正确适配器,性能仅为随机水平。 结果显示权重几何与子图语义相关性低(Spearman $\rho$ = +0.329),无法实现功能检索,确立了基于语义相似度的适配器选择机制是核心未解难题。