LoMASA:基于置信度门控委托的本地多智能体B2B报价销售助手
LoMASA 是一款训练无关、完全在单台桌面电脑上运行的本地多智能体系统,用于辅助B2B报价。 在500个模拟回合中,该系统将 38.0% 的决策自动化(中位延迟 2.67 秒),将 42.5% 通过硬性规则升级至经理,销售仅需手动处理 19.5% 的决策。 其在自动处理决策上的准确率与规则基线持平(0.894),且导致利润率低于底线的承诺更少(2.61% 对比 4.53%)。
LoMASA 是一款训练无关、完全在单台桌面电脑上运行的本地多智能体系统,用于辅助B2B报价。 在500个模拟回合中,该系统将 38.0% 的决策自动化(中位延迟 2.67 秒),将 42.5% 通过硬性规则升级至经理,销售仅需手动处理 19.5% 的决策。 其在自动处理决策上的准确率与规则基线持平(0.894),且导致利润率低于底线的承诺更少(2.61% 对比 4.53%)。
研究者提出代数树决策图(ATDD)的因子秩,其最大秩精确等于图的宽度。 ATDD 是比 TDD 更简洁、比结构确定性 DNNF 具有准多项式级简洁度的规范形式。 结果在 Lean 中形式化验证,并提供了 TDD 和 ATDD 的原型编译器。
arXiv 论文《No Second Run: Does RSI Stop at Frontier Pre-training?》提出将递归自我改进(RSI)应用于从零开始的前沿预训练,并开源 30B-A3B MoE 模型 801-30B-A3B-Base 及轻量 SFT 数据。
公开 LoRA 适配器存在基础模型不匹配及近零 delta 范数,导致遗忘测量干扰增大约 10pp。 研究在 Llama-3.1-8B-Instruct 上提出双项审计,发现原生合并使 GSM8K 下降 10.5pp、HumanEval 下降 18.3pp,而 Task Arithmetic 性能接近基线。
SimuLean是一款基于Unity引擎的开源3D离散事件仿真器,专为AI智能体编程设计。在18项制造建模任务中,前沿智能体单次构建有效模型成功率为86%。 该智能体能在约2分钟内通过领域级命令完成建模。工业案例显示,智能体重建模型与修正后的专家模型偏差在1%以内。 独立参考模型是确保智能体仿真结果可信的关键。
研究提出Sequence Pruning(SP)动态剪枝框架,在DNA语言模型预训练中移除易预测序列,最高将数据处理量降低96%。 SP在五个预训练设置及五个基因组基准上验证,适度剪枝使性能提升1.2 MCC,最高节省场景仅用4%基线GPU时长且性能损失微小。 SP在多数对比中优于InfoBatch和BPAS动态剪枝方法,代码已开源。
FedLoVA 提出仅共享 LoRA 中 value projection 的联邦微调框架,相比现有基线通信成本最高降低 7.8 倍。 该框架在本地对 query 和 value projections 均训练 LoRA adapters,观察到 value projection 收敛显著快于 query projection。
ProofDiff 旨在支持人类审查而非验证数学正确性。给定两个文档,系统独立构建基于源文本的论证图谱,提出图谱间对应关系,并记录连接主张与推理步骤的类型化关系。 该系统集成人类审查层,允许修订图谱与对应关系以保留可审计历史,通过比较图谱检查文档是否遵循相同数学路径。 已在四个 AI 生成证明示例对上演示,早期版本获 NeurIPS 2026 研讨会接收。
META-IR 提出一种基于元学习的元内省推理框架,用于增强 LLM 的安全对齐。 该框架采用双循环架构,结合 SI-MCTS 进行结构化风险分析与自我修正,并通过动态越狱模拟实现无监督持续改进。
研究团队推出开源平台AYO,专为安全、系统地研究儿童与对话式LLM的互动而设计。 AYO提供儿童友好界面、可配置的基于年龄的安全护栏、研究人员监控及保护隐私的数据实践。 该平台支持横截面、纵向及实验性研究,旨在生成证据以指导更安全的AI系统、教育实践和相关政策。
研究团队发布 VEX-Bench,基准涵盖 7 个前沿 LLM、7 种生成方法及 60 个真实主题,共生成 5,880 篇虚假文章。 VEX 分数整合诱发率与核实复杂度,发现 LLM 能以低 3 倍至 169 倍的成本生成高 VEX 虚假信息。 这导致稀缺的核实资源被系统性错配,代码已在 GitHub 公开。
提出策略多样化强化学习(SDRL)框架,训练开源 LLM 解决工业级优化问题。 该框架通过正确性门控的层级多样性奖励防止策略坍缩,支持自包含文本与文件基实例混合训练。 在工业级优化任务上,SDRL 的平均性能优于 DeepSeek-V4-Pro 和 GPT-5.5,代码与数据已开源。
论文提出 Transformer 通信图谱,通过权重几何映射所有潜在通信通道。分析显示 70-89% 的注意力头对呈现显著非随机耦合特征。 研究恢复了归纳电路结构,并通过消融二维残差流子空间,在高达 Pythia-6.9B 的六个模型中使归纳功能失效。 作者开源了通信图谱、统计工具及干预套件,支持模型机制可解释性研究。
Program-as-Weights (PAW) 提出模糊函数编程范式,将自然语言规范编译为本地可执行的神经工件。PAW 使用 4B 编译器基于 10M 样本的 FuzzyBench 数据集,为冻结的 0.6B Qwen3 解释器生成参数高效适配器。
PithTrain 提出 ATE 维度并引入 ATE-Bench,在吞吐量上具备竞争力的同时实现更高 Agent 任务效率。 在新增功能任务上,PithTrain 比 Megatron-LM 少 62% Agent Turns,比 Megatron-LM 和 TorchTitan 分别少 44% 和 64% Active GPU Time。
提出保形聚合方法处理 CoT 推理的聚合不确定性,替代多数投票,提供置信错误率的有限样本保证。 该方法在推理时运行且无需再训练,在 GSM8K 基准上以低于 10% 的置信错误率实现了 90.1% 的选择性准确率。 被 NeurIPS 2026 接收。
提出“前缀一致性”测试时推理技巧,通过截断并重生成 Chain-of-Thought 轨迹来加权候选答案。 该方法无需访问 token log-probabilities,在五个推理模型和四个基准测试中,以中位 4.6 倍更少的 token 达到多数投票精度。 论文已被 NeurIPS 2026 接收,代码已公开。
VHG框架提出验证器支持的数学难题生成,通过三方自玩结合独立验证器,在不定积分和通用数学推理任务中显著优于所有基线方法。 框架约束出题者奖励由问题有效性(验证器评估)和难度(解题者评估)共同决定,并实现了两种验证器变体:硬性符号验证器和软性基于LLM的验证器。 研究被NeurIPS 2026接受,相关代码已开放获取,旨在弥补现有生成方法中因奖励欺骗导致无效难题的问题。
研究提出 SignCert-PO 方法,通过认证符号保持半径缓解 RLHF 中的奖励黑客现象。 该方法在策略优化阶段降低非鲁棒补全权重,无需多个奖励模型或训练数据,在 TL;DR 和 AlpacaFarm 基准上提升胜率。
ChartHal提出了一套图表理解中的幻觉细粒度分类体系及包含1,062条人工验证样本的基准数据集。 实验显示,最先进的模型GPT-5和o4-mini在该基准上的准确率仅分别为34.46%和22.79%。 研究表明,涉及图表缺失或矛盾信息的问题最容易触发模型幻觉,凸显了开发更强健缓解策略的迫切需求。
dMoE 框架通过将 token 级专家分布聚合为块级分布,解决了扩散 LLM 与 MoE 架构中的路由失配问题,显著降低推理时的内存瓶颈。该框架将平均独特激活专家数量从 69.5 减少至 16.6,同时保留 99.55% 的性能,内存使用率降低 74.36% 至 76.78%,端到端延迟加速 1.36 至 2.04 倍。该论文已被 NeurIPS 2026 接收。
该论文激活 SwiGLU 块中的 $\beta$ 信号,结合超网络动态生成参数,构建了 Meta-Gated LLM。 在任务、领域、人设等条件测试中,该方法优于微调基线,并能泛化至未见的任务或指令。 代码已开源,全文共 33 页,发表于 ICML 2026。
论文提出名为 DAWN 的训练无关解码方法,通过提取 token 间的依赖关系加速 dLLM 推理。该方法利用依赖图选择更可靠的解码位置,在多个模型和测试集上将推理速度提升 1.80-8.06 倍,同时保持生成质量不变。相关工作已被 NeurIPS 2026 主会接收。
HARDTESTGEN 提出合成高质量算法编程测试用例的方法,构建了含 26.6k 题目的 HARDTESTS 数据集。 相比现有测试,HARDTESTGEN 在验证 LLM 生成代码时精确度提升 11.22 个百分点。 使用 HARDTESTS 验证器进行拒绝采样和强化学习下游训练,能提升 LLM 代码生成性能,相关数据和管道已开源。
研究者构建了包含 1.48 亿音频样本的 LAION-Audio-XL 数据集,并基于 NaFlex 架构训练了 CLAP2 模型。 CLAP2 在 MAEB 和 HEAR 基准测试上超越了同规模的以往音频-文本模型,团队已公开数据集、模型权重及代码。
研究发现,LLM 群体中会议格式对支持度的影响远超成对接触计数。在 6 个开源 LLM 和 14 个辩题测试中,将三合组重组为五人组(resize)引发的支持度变化达 4.36 个百分点,高于重新分组(regroup)的 2.59 个百分点。
LLM Agent 易受欺骗,研究人员构建包含 5,000 条标注对话的语料库 AVCORP,并基于该语料对 Qwen3-8B 进行训练。 在 25 场留出游戏中,最佳检测器超越 GPT-5.6 Sol、Gemini 3.1 Pro 等前沿模型,表现匹配 Claude Opus 5.5;在 20 场人类游戏中,所有训练后的检测器 F1 分数均高于未训练基线。
ViCLIP-OT 是专为越南语图像文本检索设计的基础视觉语言模型,整合 CLIP 风格对比学习与 SIGROT 损失。 该模型在 UIT-OpenViIC 基准测试中平均 Recall@K 达 67.34%,较 CLIP 提升 5.75 个百分点;在 Crossmodal-3600 零样本评估中超越 CLIP 11.72 个百分点。
DeidSharp 是开源 .NET 工具包,在本地运行 26B MoE LLM 叠加 NER,用于临床文本去标识化。 其在 PhysioNet 护理记录中召回率达 98.9%,较 Stanford/Penn 高 2.8 个百分点;在 MIMIC-IV 出院小结中领先 20 分以上。 该方案支持本地部署,避免文本传输至外部服务器。
BVSR框架通过限制任务信息生成提案并学习历史结果筛选候选项,在5个模型和12个任务中提升了创意新颖性。 该框架在基因表达、药物响应等5类任务中优于现有SOTA基线,丢弃半数候选项仍保留大部分高性能提案。
MIRIX-2.0是一个多智能体记忆系统,在五个QA基准中取得四项最高准确率,LoCoMo得分91.4%,LongMemEval-S得分72.6%。该系统由六种类型化记忆代理维护完整记录,通过AutoDream在写入路径外合并重复锚点,并能在禁用AutoDream时比HyperMem在所有五个计时基准上回答更快,且无需微调即可兼容闭源和开源模型。
RDS-MOPD 引入分布鲁棒优化改进多教师同策略蒸馏,解决现有方法无法保证落后领域训练质量的问题。 该方法重新设计 DRO 的噪声处理、异常值限制及最坏情况定义,确保仅当差异显著超出噪声时调整资源分配。 实验显示 RDS-MOPD 在数学推理、代码生成及指令遵循基准测试中性能优于近期竞争方法。
LingBot-Touch 异构触觉表示学习基础模型 https://huggingface.co/collections/robbyant/lingbot-touch
研究在六个冻结编码器上分析孟加拉语习语,发现类均值方向在平衡准确率下支持跨语言共享粗粒度语义。英语训练的类均值读出在8项测试中优于零样本对照,但英语拟合的LEACE消除效应不足1个百分点,显著低于孟加拉语拟合的4-11个百分点。
研究表明,在有限人工标注辅助下,使用 LLM 输出的完整概率向量(Soft)比硬性类别标签(Hard)显著提升回归效率。 该结论基于三个 LLM 模型在三个社会科学文本数据集上的匹配实验,证实概率向量中额外变异在包含有用信息时优化了统计推断。 代码与可复现材料已公开,确立了输出表示法在 LLM 辅助测量中的关键设计选择。
该研究提出基于引用的 LLM-as-a-Judge 框架,用于提取和验证文献中同相催化 PET 去聚化的实验数据。 在 295 个人工审核基准实验中,LLM 评判者与人类评估的一致率为 85.7%;应用于 561 篇论文、3942 条记录时,67.5% 的记录被直接接受。 研究团队开源了端到端无代码化工具包,实现可复现的数据集提取、交互式溯源审查及模型无关审计。
Hibana 是针对统一内存设备设计的推理引擎,通过模型手术、统一内存管理和自适应推测解码协同优化,支持本地多智能体负载。 在单台 DGX Spark 上运行 125B 参数的 Qwen 和 Nemotron 模型时,Hibana 每小时可完成比 vLLM、NVIDIA Flare、TensorFold 等框架多 3.4 倍的智能体任务,解码吞吐量提升高达 3.9 倍。代码已开源。
Memento 提出一种无需修改模型权重即可恢复编辑前知识的提示空间机制。 该方法在三种 LLM 和五种编辑技术下恢复了 80.07% 的留出编辑事实,相对基线提升 9.58%。 在未编辑的 LLM 上,Memento 将平均事实回忆能力相对标准推理提升了 53.9%。
Jais 3发布六款0.9B至375B参数的开放阿拉伯语智能体语言模型,支持MCP工具调用与终端操作。模型基于K2 Horizon持续预训练并经RLVR强化,继承512K上下文窗口,权重及全阶段检查点已开源。
ASCENT 框架通过规模互补外部状态提升冻结长上下文 LLM 表现,16K BABILong 实验中 Qwen2.5 准确率增益显著。 在 0.5B、1.5B 和 3B 参数规模下准确率分别提升 10.50、78.88 和 82.63 个百分点。 结果显示外部状态价值随读者容量与状态预算联合扩大而增加,基准测试确认其有效性。